槽位背後 | AI專家系統的5個階段（下篇）

http://www.woshipm.com/ai/2264835.html

上篇主要是按照專家系統發展階段的不同，可以將ES分為如下5個階段：基於規則的、基於框架的、基於案例的、基於模型的、基於網路的。本文先對ES的落地應用進行舉例，然後講技術發展，其次寫專家系統的發展方向，再次看人工智慧是不是等於專家系統？

首先：專家系統的應用落地

專家系統本意是使用人類專家推理的計算機模型來處理現實世界中需要專家作出解釋的複雜問題，並得出與人類專家相同的結論。簡言之，專家系統可視作“知識庫”和“推理機”的結合，ES類系統結構一般如下圖：

很明顯，知識庫是專家的知識在計算機中的對映，推理機是利用知識進行推理的能力在計算機中的對映。

構造專家系統的難點也在於兩個階段：第一個階段是人類領域專家獲取知識，第二個階段是系統執行過程中的知識獲取。

乳腺癌案例：針對乳腺癌的乳腺放射影像分析工具與服務、影像分析平臺。

通過影像分析平臺，檢測乳房關鍵部位，藉助學習性的演算法，量化多維、嘈雜的醫學影像與訊號資料中的異常事件，輔助放射科醫師及其醫療保健團隊作出對乳腺癌篩查、治療和診斷的決定。來實現乳腺癌、肺癌早期診斷，解決乳腺癌、肺癌診斷晚以免錯過最佳治療時機問題。

研發的白盒演算法（clear box）使得醫生能瞭解結果以及驅動結果的因素，並採用了智慧抽樣技術應對大資料。從各種資料，包括不太可能改變的靜態資料（如患者人口統計資訊）或隨時間收集的資料（包括患者生命體，感測器或影像資料），以及歷史或實時資料流中選取合適的資料複雜度生成預測模型，並能將不同資料型別組合成一個賦權和揭示的資料集進行分析。

運用機器學習演算法能探索關鍵影像資料，識別相關屬性，丟棄無關屬性，實現模型快速收斂。

模型中的複雜度太高可能會導致過度擬合（當模型被過度定製為特定資料時），而沒有足夠的複雜性導致欠擬合（一個太簡單的模型）。產品需要平衡適合度和過擬合的競爭風險，以確定模型複雜性的水平，從而保證預測效能。

隨著資料變化，模型推動的結果也隨之發生變化。隨著繼續處理醫生資料的新例子，演算法學習並變得更加準確。隨著變化的發生，該模型可以輕鬆適應，確保在最佳，輕便的尺寸下獲得高精度的答案。

上述案例中對於專家系統的應用在於：資料中的異常事件，輔助放射科醫師及其醫療保健團隊作出對乳腺癌篩查、治療和診斷的決定。

構建專家系統知識庫流程如下：

1）統一化規則

1. 初始化規則集合
2. 初始化規則事實集合
3. 使用規則推導

2）新增規則資訊

“組織結塊”,“顏色淤血色”,“大小異常”,“凹陷”，“柔軟”，“色彩常規”

3）規則事實

柔軟+色彩常規 -> 正常

凹陷+柔軟 -> 表面缺陷

組織結塊+顏色淤血+大小異常 -> 乳腺異常

構建專家系統的推理過程如下：

教個Coding編碼或者自己寫程式碼

然後：專家系統的技術發展

專家系統在技術發展上類似AI是一個與多學科交叉發展的過程，例如下圖：

上圖給出了與專家系統在技術上發展上對應的交叉學科，可見：部分專家系統的發展階段，本質上可視作與其餘類交叉學科的融合。

其次：專家系統的發展方向

專家系統的遠期目標跟AI的主題是保持一致的，是探究人類智慧和機器智慧的基本原理，研究用自動機模擬人類的思維過程和智慧行為。

該目標遠遠超出電腦科學的範疇，幾乎涉及自然科學和社會科學的所有學科。因此，目前對專家系統的發展預測集中在近期目標，即建造能用於代替人類高階腦力勞動的專家系統。

例如：無門檻AI，要求並行與分佈處理、多系統協同工作、高階語言描述、自學習能力、新的推理機制、自糾錯和自完善、先進的人機介面等等。

完全實現這些特徵是一項艱鉅的任務，目前第一、二種新特徵已經較為成熟，第三隨著NLP的發展也逐步實現中，第四、五、六 在生成對抗網路（GANs）和強化學習發展上也均有突破。

例如：H2O無門檻AI

該人工智慧專家系統讓非技術人員也能應用機器學習解決研究階段複雜、難預測，並集合生成對抗網路（GANs）和強化學習的應用問題。

幫助使用者針對特定的問題選取已組建好的合適的機器學習演算法，例如：準備資料、校對引數、決定優化演算法等。

該系統實現了特徵工程（feature engineering）的自動化，並以 GPU 加速計算，從而降低資料科學在企業環境下的運用門檻，並有一些常見應用場景的預設模組。

例如：在銷售及人力資源相關流程中，使用者可以使用相應場景模組獲得機器學習技術的資料分析結果，並獲得創新見解。

再次：人工智慧不止專家系統

顯然專家系統是人工智慧的重要組成部分，但是人工智慧可不止專家系統，AI包含的知識點、資料域，對演算法的需求，對算力的要求都高於專家系統。

例如：上述乳腺癌的案例中，專家系統更多的是起到檢索判斷的作用。而更多的力量來源於AI的另外的部分，像深度學習（DNN ）。由於DNN在語音識別和影像識別上的突破性應用，使用DNN的應用量有了爆炸性的增長。這些DNN被部署到了癌症檢測到複雜遊戲等各種應用中。在這許多領域中，DNN能夠超越人類專家的準確率。

然而，DNN獲得出眾準確率的代價是高計算複雜性成本。雖然通用計算引擎（尤其是GPU），已經成為DNN處理的砥柱，但提供對DNN計算專屬的加速方法也越來越熱門。從DNN的有點和缺陷上來看這均超出專家系統的知識域。所以，人工智慧不止於專家系統。

更多AI的應用場景詳情見筆者新書《AI賦能：AI重新定義產品經理》。或者起點學院筆者LineLian有開設一本幫助產品經理上手AI產品的課程  http://996.pm/MeANw

最後：AI有三高現象

作為從事AI的弄潮兒，觀察發現從事AI的朋友多是高背景、高智商、高能力現象。這背後反映了。

其一是AI是對自己有一定要求的同學才會主動學習的，其二在其他領域做得一定的程度發現突破發展的瓶頸很難的時候正好發現AI可以實現從科技底層進行創新賦能。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2642363/，如需轉載，請註明出處，否則將追究法律責任。