本文筆者著重介紹專家系統(tǒng)的五個發(fā)展階段——基于規(guī)則、基于框架、基于案例、基于模型和基于網(wǎng)絡的基本邏輯及側重點。

有許多AI產(chǎn)品朋友經(jīng)過一定階段的學習和實踐能夠掌握槽位在機器人客服、搜索、智能音箱等等產(chǎn)品的應用，但是如果能提升到懂槽位背后的邏輯會對AI產(chǎn)品經(jīng)理深度發(fā)展有更大的支撐，而槽位背后對應的人工智能主要是有專家系統(tǒng)構成。

專家系統(tǒng)又名ES（Expert System），ES一路是逐步由的5個階段發(fā)展而來。

本篇筆者對每個階段分析了對應的AI專家系統(tǒng)的知識點，給出實踐算法，并通過若干實踐案例進行詳述。期望通過對專家系統(tǒng)知識點的學習結合實踐案例為未來更好上手AI產(chǎn)品做積累。

下文著重介紹每個階段的基本邏輯及側重點：

階段一：基于規(guī)則的專家系統(tǒng)

知識點：

基于規(guī)則的專家系統(tǒng)是目前最常用的方式，主要歸功于大量成功的實例，以及簡單靈活的開發(fā)工具。它直接模仿人類的心理過程，利用一系列規(guī)則來表示專家知識。

例如對動物的分類：

1. IF（有毛發(fā)or能產(chǎn)乳）and（（有爪子and有利齒and前視）or吃肉）and黃褐色and黑色條紋，THEN老虎。
2. IF（有羽毛or能飛and生蛋））and不會飛and游水a(chǎn)nd黑白色and ？，THEN企鵝

這里，IF后面的語句稱為前項，THEN后面的語句稱為后項。前項一般是若干事實的“與或”結合，每一個事實采用對象-屬性-值（OAV）三元組表示。根據(jù)值的選擇不同，可將屬性分為3類。

1. 是非屬性，例如“有爪子”，該屬性只能在{有、無}中二選一；
2. 列舉屬性，例如：“吃肉”，該屬性只能在{吃草，吃肉，雜食}中選擇；
3. 數(shù)字屬性，例如：“觸角長度3.5 cm”，“身高1.5 m”，“體重32 kg”等。

算法：

上述算法規(guī)則是通過專家集體討論得到的。這樣形成的規(guī)則存在以下3個缺點：

1. 需要專家提出規(guī)則，而許多情況下沒有真正的專家存在；
2. 前項限制條件較多，且規(guī)則庫過于復雜。比較好的解決方法是采用中間事實。例如：首先確定哺乳動物、爬行動物、鳥類動物，然后繼續(xù)進行劃分；
3. 在某些情況下，只能選取超大空間的列舉屬性或者數(shù)字屬性，此時該屬性值的選取，需要大量樣本以及復雜的運算。

因此，更傾向于采用一套算法體系，能自動從數(shù)據(jù)中獲得規(guī)則。

決策樹算法基本能夠滿足知識工程師的需要，較好的決策樹算法包括基于信息增益的ID3、C4.5、C5算法，基于Gini 索引的 CART 算法。

階段二：基于框架的專家系統(tǒng)

知識點：

基于框架的專家系統(tǒng)可看作是基于規(guī)則的專家系統(tǒng)的一種自然推廣，是一種完全不同的編程風格。用“框架”來描述數(shù)據(jù)結構，框架包含：某個概念的名稱、知識、槽（槽為的槽）。

當遇到這個概念的特定實例時，就向框架中輸入這個實例的相關特定值。

編程語言中引入框架的概念后，就形成了面向對象的編程技術。可以認為，基于框架的專家系統(tǒng)等于面向對象的編程技術，對應關系如下圖：

算法：

神經(jīng)網(wǎng)絡、特征提取、NLP類算法

實踐：

如下圖圖像處理識別框架：

上圖圖顯示了一個典型的圖像處理識別框架，這里將整個系統(tǒng)分為4個大類：文檔類、圖像類、圖像像素類、圖像識別類，每類賦予特定的對象和事件，最后組合成一個系統(tǒng)。

階段三：基于案例的專家系統(tǒng)

知識點：

基于案例推理的專家系統(tǒng)，是采用以前的案例求解當前問題的技術。

求解過程如下圖所示：

首先獲取當前問題信息，接著尋找最相似的以往案例。如果找到了合理的匹配，就建議使用和過去所用相同的解；如果搜索相似案例失敗，則將這個案例作為新案例。因此，基于案例的專家系統(tǒng)能夠不斷學習新的經(jīng)驗，以增加系統(tǒng)求解問題的能力。

算法：

最常用的匹配算法是最近鄰法，k-近鄰法，徑向基函數(shù)網(wǎng)絡，排序算法等。

實踐：

佐治亞理工學院的一名電腦科學教授戈埃爾，創(chuàng)造的AI助教吉爾·華生，吉爾·華生是佐治亞理工學院的線上機器人助教。戈埃爾上傳了四個學期的數(shù)據(jù)，共四千多個問題與答案，并附上了其他Piazza上的閑談，用基于案例的專家系統(tǒng)開始訓練他的人工智能助教。

有一次，一位學生問它“挑戰(zhàn)性問題是否會包括文字和圖片數(shù)據(jù)？”。

“挑戰(zhàn)性問題里沒有文字數(shù)據(jù)，”吉爾的回答非常正確，“他們只會被當作形象化的問題來運行。但歡迎你自己寫下文字數(shù)據(jù)并試試運行它們！”（是的，吉爾用了一個感嘆號）。

新學期結束的時候，戈埃爾揭露了吉爾的身份。學生們不僅沒有感到不愉快，還像對待教師們一樣感到欣喜。一位學生稱它“無與倫比地酷”。另一位學生則想與它共進晚餐。

階段四：基于模型的專家系統(tǒng)

知識點：

傳統(tǒng)的專家系統(tǒng)一個主要缺點在于“缺乏知識的重用性和共享性”，而采用本體論講問題模型化來設計專家系統(tǒng)，可以解決該缺點。另外，它既能增加系統(tǒng)功能，提高性能指標；又可獨立深入研究各種模型及其相關，將結果用于系統(tǒng)設計。

算法：

機器學習、深度學習等算法。

實踐：

下圖是由6個模型搭建起來的一個小型控制系統(tǒng)，實現(xiàn)了利用神經(jīng)網(wǎng)絡逼近車間生產(chǎn)過程，繼而預測產(chǎn)量。

上圖可見由于模型組件、接口、通信、限制等全部標準化，因此利用Simulink軟件，通過簡單的鼠標連線，可在1分鐘內(nèi)開發(fā)出這個系統(tǒng)。

階段五：基于網(wǎng)絡的專家系統(tǒng)

知識點：

隨著第三波人工智能高潮發(fā)展之前移動互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡已成為用戶的交互接口，軟件也逐步走向網(wǎng)絡化。

而專家系統(tǒng)的發(fā)展也順應該趨勢，將人機交互定位在網(wǎng)絡層次：專家、工程師與用戶通過瀏覽器訪問專家系統(tǒng)服務器，將問題傳遞給服務器；服務器則通過后臺的推理機，調用當?shù)鼗蜻h程的數(shù)據(jù)庫、知識庫來推導結論，并將這些結論反饋給用戶。

算法：

神經(jīng)網(wǎng)絡、機器學習、深度學習、決策樹、Logistic回歸、判別分析等算法。

實踐：

賽事預測系統(tǒng)、乳腺癌等醫(yī)療影像病癥診斷系統(tǒng)。

例如：對環(huán)法自行車賽引入機器學習算法，幫助人們預測比賽各種可能情況。通過收集車隊車手歷史數(shù)據(jù)，人工智能將預測不同參賽人員的比賽進程。同時，觀眾也可以根據(jù)統(tǒng)計數(shù)據(jù)了解現(xiàn)場車速以及各個車手的具體位置、騎手之間的距離以及各車隊情況。

在每部自行車鞍座下安裝全球衛(wèi)星定位系統(tǒng)，通過這些訊號轉發(fā)器收集資料，結合賽道坡度及天氣情況等外部資料，產(chǎn)出各種分析結果。例如：個別車手的實時速度與所在地點、各個車手之間的距離、參賽隊伍陣容等，建立各車手的歷史數(shù)據(jù)資料中心，在網(wǎng)絡上（也云端）進行管理。

小結

隨著人工智能逐步成熟，對于人工智能產(chǎn)品經(jīng)理來說，僅僅會設計槽位還不夠，明白槽位背后的人工智能深處的邏輯，能夠更好的將AI應用于垂直領域。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進化論：AI+時代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載。

題圖來自Unsplash, 基于CC0協(xié)議。