槽位背後 | AI專家系統的5個階段（上篇）

本文筆者著重介紹專家系統的五個發展階段——基於規則、基於框架、基於案例、基於模型和基於網路的基本邏輯及側重點。

有許多AI產品朋友經過一定階段的學習和實踐能夠掌握槽位在機器人客服、搜尋、智慧音響等等產品的應用，但是如果能提升到懂槽位背後的邏輯會對AI產品經理深度發展有更大的支撐，而槽位背後對應的人工智慧主要是有專家系統構成。

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

本篇筆者對每個階段分析了對應的AI專家系統的知識點，給出實踐演算法，並透過若干實踐案例進行詳述。期望透過對專家系統知識點的學習結合實踐案例為未來更好上手AI產品做積累。

下文著重介紹每個階段的基本邏輯及側重點：

階段一：基於規則的專家系統

知識點：

基於規則的專家系統是目前最常用的方式，主要歸功於大量成功的例項，以及簡單靈活的開發工具。它直接模仿人類的心理過程，利用一系列規則來表示專家知識。

例如對動物的分類：

1. IF（有毛髮or能產乳）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and黑白色and ？，THEN企鵝

這裡，IF後面的語句稱為前項，THEN後面的語句稱為後項。前項一般是若干事實的“與或”結合，每一個事實採用物件-屬性-值（OAV）三元組表示。根據值的選擇不同，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. 數字屬性，例如：“觸角長度3.5 cm”，“身高1.5 m”，“體重32 kg”等。

演算法：

上述演算法規則是透過專家集體討論得到的。這樣形成的規則存在以下3個缺點：

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

因此，更傾向於採用一套演算法體系，能自動從資料中獲得規則。

決策樹演算法基本能夠滿足知識工程師的需要，較好的決策樹演算法包括基於資訊增益的ID3、C4.5、C5演算法，基於Gini 索引的 CART 演算法。

階段二：基於框架的專家系統

知識點：

基於框架的專家系統可看作是基於規則的專家系統的一種自然推廣，是一種完全不同的程式設計風格。用“框架”來描述資料結構，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例項時，就向框架中輸入這個例項的相關特定值。

程式語言中引入框架的概念後，就形成了物件導向的程式設計技術。可以認為，基於框架的專家系統等於物件導向的程式設計技術，對應關係如下圖：

演算法：

神經網路、特徵提取、NLP類演算法

實踐：

如下圖影像處理識別框架：

上圖圖顯示了一個典型的影像處理識別框架，這裡將整個系統分為4個大類：文件類、影像類、影像畫素類、影像識別類，每類賦予特定的物件和事件，最後組合成一個系統。

階段三：基於案例的專家系統

知識點：

基於案例推理的專家系統，是採用以前的案例求解當前問題的技術。

求解過程如下圖所示：

首先獲取當前問題資訊，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；如果搜尋相似案例失敗，則將這個案例作為新案例。因此，基於案例的專家系統能夠不斷學習新的經驗，以增加系統求解問題的能力。

演算法：

最常用的匹配演算法是最近鄰法，k-近鄰法，徑向基函式網路，排序演算法等。

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資料，共四千多個問題與答案，並附上了其他Piazza上的閒談，用基於案例的專家系統開始訓練他的人工智慧助教。

有一次，一位學生問它“挑戰性問題是否會包括文字和圖片資料？”。

“挑戰性問題裡沒有文字資料，”吉爾的回答非常正確，“他們只會被當作形象化的問題來執行。但歡迎你自己寫下文字資料並試試執行它們！”（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：基於模型的專家系統

知識點：

傳統的專家系統一個主要缺點在於“缺乏知識的重用性和共享性”，而採用本體論講問題模型化來設計專家系統，可以解決該缺點。另外，它既能增加系統功能，提高效能指標；又可獨立深入研究各種模型及其相關，將結果用於系統設計。

演算法：

機器學習、深度學習等演算法。

實踐：

下圖是由6個模型搭建起來的一個小型控制系統，實現了利用神經網路逼近車間生產過程，繼而預測產量。

上圖可見由於模型元件、介面、通訊、限制等全部標準化，因此利用Simulink軟體，透過簡單的滑鼠連線，可在1分鐘內開發出這個系統。

階段五：基於網路的專家系統

知識點：

隨著第三波人工智慧高潮發展之前移動網際網路的發展，網路已成為使用者的互動介面，軟體也逐步走向網路化。

而專家系統的發展也順應該趨勢，將人機互動定位在網路層次：專家、工程師與使用者透過瀏覽器訪問專家系統伺服器，將問題傳遞給伺服器；伺服器則透過後臺的推理機，呼叫當地或遠端的資料庫、知識庫來推導結論，並將這些結論反饋給使用者。

演算法：

神經網路、機器學習、深度學習、決策樹、Logistic迴歸、判別分析等演算法。

實踐：

賽事預測系統、乳腺癌等醫療影像病症診斷系統。

例如：對環法腳踏車賽引入機器學習演算法，幫助人們預測比賽各種可能情況。透過收集車隊車手歷史資料，人工智慧將預測不同參賽人員的比賽程式。同時，觀眾也可以根據統計資料瞭解現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。

在每部腳踏車鞍座下安裝全球衛星定位系統，透過這些訊號轉發器收集資料，結合賽道坡度及天氣情況等外部資料，產出各種分析結果。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，建立各車手的歷史資料資料中心，在網路上（也雲端）進行管理。

小結

隨著人工智慧逐步成熟，對於人工智慧產品經理來說，僅僅會設計槽位還不夠，明白槽位背後的人工智慧深處的邏輯，能夠更好的將AI應用於垂直領域。