Az előbbi részben arról érveltünk, hogy egy tudásreprezentációs rendszer által levont sok következtetésnek csupán alapértelmezett és nem tökéletesen biztos státusa lehet. Az ilyen kikövetkeztetett konklúziókból néhány szükségszerűen hibásnak fog bizonyulni, és új információ fényében vissza kell vonnunk. Ez a hiedelemrevízió (belief revision) folyamata.^[109] Tegyük fel, hogy a tudásbázis tartalmazza P állítást – az előrecsatolt algoritmussal levont alapértelmezett konklúziót vagy egyszerűen egy hibás feltételezést –, és szándékunkban áll végrehajtani az ÁLLÍT (TB, ¬P)-t. Hogy az ellentmondást elkerüljük, először végre kell hajtani a VISSZAVON (TB, P)-t. Ez elég egyszerűnek tűnik. Probléma akkor jelentkezik, ha P-ből további állításokat következtettünk le és jegyeztünk fel a tudásbázisba. A P ⇒ Q implikációt például felhasználtuk a Q tudásbázishoz való hozzáadásához. A nyilvánvaló „megoldás” – a P-ből kikövetkeztetett összes állítás visszavonása – kudarcba fut, mert ilyen állításoknak P-n túlmenően más igazolásuk is lehet. Ha R és R ⇒ Q is bekerült a tudásbázisba, akkor Q-t mégsem kell eltávolítanunk. Az igazság-karbantartó rendszereket (truth maintenance systems) ilyen bonyodalmakat kezelésére tervezték.

Az igazság-karbantartás egyszerű módja, hogy nyomon követjük, ahogyan sorban hozzáadjuk a mondatokat a tudásbázishoz, a mondatok P₁-től P_n-ig történő megszámozásával. Amikor a VISSZAVON (TB, P_i) hívás megtörténik, a rendszert a P_i hozzáadása előtti állapotába állítjuk vissza, a P_i-t és a P_i-ből levont összes következtetést visszavonva. Ha szükséges, akkor a P_i+1 és a P_n közötti mondatok ismét hozzáadhatók. Ez egyszerű megoldás, és garantálja, hogy a tudásbázis konzisztens lesz, de azt jelenti, hogy a P_i visszavonása n – i állítás visszavonását és újbóli kijelentését, valamint ezen állításokból történő következtetések visszavonását és újbóli lefuttatását igényli. Olyan rendszerekben, ahol sok tény kerül hozzáadásra, az ilyen megoldás nem praktikus.

Hatékonyabb megközelítés az igazolásalapú igazság-karbantartó rendszer vagy JTMS (justification-based truth maintenance system). Egy JTMS-ben a tudásbázis minden mondatát olyan igazolással (justification) látják el, amely meghatározza azokat a mondatokat, amelyekből lekövetkeztették azokat. Például ha a tudásbázis már tartalmazza a P ⇒ Q-t, akkor az ÁLLÍT (P) hatására a Q-t hozzáadjuk, az {P, P ⇒ Q} igazolással. Általánosságban bizonyos mondatoknak egynél több igazolása lehet. Az igazolások felhasználhatók hatékony visszavonásokra. A VISSZAVON (P) hívást követően, a JTMS pontosan azokat a mondatokat fogja a tudásbázisból eltávolítani, amelyeknél P minden igazolás része. Így, ha egy Q mondatnak a {P, P ⇒ Q} lenne az egyetlen igazolása, akkor törlődne; ha az {P, P ∨ R ⇒ Q} igazolása is létezne, még mindig visszavonásra kerülne, de ha az {R, P ∨ R ⇒ Q} igazolása is létezne, akkor megmaradna. Ily módon a P visszavonásához szükséges idő csakis azon múlik, hogy P-ből hány állítást vezettünk le, és nem azon, hogy P hozzáadása után hány állítás került még be a tudásbázisba.

A JTMS feltételezi, hogy az egyszer figyelembe vett mondatokat máskor is használni fogjuk, így ahelyett, hogy törölnénk a tudásbázisból, amikor elvesztik az összes igazolását, csak megjelöljük őket, mint kintlevőket. Ha egy későbbi állítás visszaállítja az igazolások egyikét, akkor a mondat ismét bentlevő jelölést kap. Ily módon a JTMS megtartja a használt összes következtetési láncot, és nem kell újra lekövetkeztetnie azokat a mondatokat, amelyek igazolása ismét érvényessé válik.

Azon túl, hogy a TMSek a hibás információt visszavonják, felhasználhatók a többszörös hipotetikus helyzet elemzésének a felgyorsításához is. Tegyük fel, hogy a Román Olimpiai Bizottság helyszíneket keres a 2048-ban Romániában megrendezendő olimpiai játékokhoz az úszó, a könnyűatlétikai és a lovas versenyszámok számára. Legyen az első hipotézis a következő: Helyszín(Úszás, Piteşti), Helyszín(Könnyűatlétika, Bukarest) és Helyszín(Lovasverseny, Arad). A választás logisztikai következményeinek kiderítéséhez, és így a helyszínek kívánatosságának meghatározásához igen sok következtetés szükséges. Ha figyelembe akarjuk venni a Helyszín(Könnyűatlétika, Nagyszeben)-t, a TMS elkerüli annak a szükségességét, hogy újra nullából induljunk ki. Egyszerűen viszavonjuk a Helyszín(Könnyűatlétika, Bukarest)-t, és hozzáadjuk a Helyszín(Könnyűatlétika, Nagyszeben)-t, és a TMS a szükséges revíziókat magára vállalja. A Bukarestre vonatkozó következtetési láncok Nagyszeben esetén újrafelhasználhatók, feltéve, hogy a konklúziók ugyanazok lesznek.

Egy feltételezésalapú igazság-karbantartó rendszert (assumption-based truth maintenance system, ATMS) arra terveztek, hogy ezt a fajta hipotetikus világok közötti kontextusátkapcsolást kifejezetten hatékonnyá tegye. Egy JTMS-ben az igazolások karbantartása lehetővé teszi, hogy az egyik állapotból gyorsan egy másikba lépjünk át néhány visszavonással és kijelentéssel, de minden időpillanatban csak egyetlen állapotot reprezentálunk. Egy ATMS az összes állapotot egyszerre reprezentálja, amivel valaha is foglalkoztunk. Míg egy JTMS egyszerűen bent- vagy kintlevőnek jelöli a mondatokat, egy ATMS nyomon követi, minden egyes mondatra, hogy a mondatot mely feltételezések tennék igazzá. Más szavakkal minden egyes mondatnak van egy címkéje, amely a feltételezés halmazokat tartalmazó halmazból áll. A mondat csak azon esetben áll fenn, amikor egy feltételezés halmaz összes feltételezése fennáll.

Az igazság-karbantartó rendszerek mechanizmust biztosítanak magyarázatok (explanations) generálásához is. Technikailag, P mondat magyarázatát olyan E mondatok halmazával definiáljuk, melyekre E maga után vonja P-t. Ha E mondatai igazak, akkor E egyszerűen P igazolásához egy szükségszerű alap. Azonban a magyarázat részei lehetnek feltételezések (assumptions) is – olyan állítások, amelyek nem igazak, de ha igazak lennének, elegendők lennének P igazolásához. Lehetséges például, hogy nincs elég tény bebizonyítani, hogy az autó nem fog indulni, de egy jó magyarázat része lehet az elromlott akkumulátor. Ez, összekapcsolva a gépkocsik működésére vonatkozó tudással, elegendő, hogy a megfigyelt jelenséget megmagyarázza. Az esetek többségében egy minimális E magyarázatot fogunk preferálni, azaz olyan magyarázatot, amelynek nincs olyan megfelelő részhalmaza, amelyik szintén egy magyarázat lenne. Egy ATMS a „gépkocsi nem indul” problémához magyarázatokat generál azáltal, hogy tetszőleges sorrendben feltételezéseket tesz (mint például „benzin a tankban” vagy „hibás az akkumulátor”), akkor is, ha azok egy része ellentmondásos. Elég majd a „gépkocsi nem indul” állítás címkéjét megnézni, hogy az állítást igazoló feltételezések halmazát megismerjük.

Az igazság-karbantartó rendszereket megvalósító algoritmusok egy kicsit komplikáltak, és itt nem tárgyaljuk őket. Az igazság-karbantartási probléma komplexitása legalább olyan nagy, mint az ítéletlogikai következtetésé – azaz NP-teljes. Ezért nem várható el az, hogy az igazság-karbantartás csodaszer legyen. Ugyanakkor, ha körültekintően használják, a TMS-rendszer lényegesen javíthat egy logikai rendszer komplex környezeteket és hipotéziseket kezelő képességén.