槽位背后AI专家系统的5个阶段（上篇）

　　本文笔者着重介绍专家系统的五个发展阶段基于规则、基于框架、基于案例、基于模型和基于网络的基本逻辑及侧重点。
　　有许多AI产品朋友经过一定阶段的学习和实践能够掌握槽位在机器人客服、搜索、智能音箱等等产品的应用，但是如果能提升到懂槽位背后的逻辑会对AI产品经理深度发展有更大的支撑，而槽位背后对应的人工智能主要是有专家系统构成。
　　专家系统又名ES（ExpertSystem），ES一路是逐步由的5个阶段发展而来。
　　本篇笔者对每个阶段分析了对应的AI专家系统的知识点，给出实践算法，并通过若干实践案例进行详述。期望通过对专家系统知识点的学习结合实践案例为未来更好上手AI产品做积累。
　　下文着重介绍每个阶段的基本逻辑及侧重点：
　　阶段一：基于规则的专家系统
　　知识点：
　　基于规则的专家系统是目前最常用的方式，主要归功于大量成功的实例，以及简单灵活的开发工具。它直接模仿人类的心理过程，利用一系列规则来表示专家知识。
　　例如对动物的分类：
　　IF（有毛发or能产乳）and（（有爪子and有利齿and前视）or吃肉）and黄褐色and黑色条纹，THEN老虎。
　　IF（有羽毛or能飞and生蛋））and不会飞and游水and黑白色and？，THEN企鹅
　　这里，IF后面的语句称为前项，THEN后面的语句称为后项。前项一般是若干事实的“与或”结合，每一个事实采用对象属性值（OAV）三元组表示。根据值的选择不同，可将属性分为3类。
　　是非属性，例如“有爪子”，该属性只能在｛有、无｝中二选一；
　　列举属性，例如：“吃肉”，该属性只能在｛吃草，吃肉，杂食｝中选择；
　　数字属性，例如：“触角长度3。5cm”，“身高1。5m”，“体重32kg”等。
　　算法：
　　上述算法规则是通过专家集体讨论得到的。这样形成的规则存在以下3个缺点：
　　需要专家提出规则，而许多情况下没有真正的专家存在；
　　前项限制条件较多，且规则库过于复杂。比较好的解决方法是采用中间事实。例如：首先确定哺乳动物、爬行动物、鸟类动物，然后继续进行划分；
　　在某些情况下，只能选取超大空间的列举属性或者数字属性，此时该属性值的选取，需要大量样本以及复杂的运算。
　　因此，更倾向于采用一套算法体系，能自动从数据中获得规则。
　　决策树算法基本能够满足知识工程师的需要，较好的决策树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。
　　阶段二：基于框架的专家系统
　　知识点：
　　基于框架的专家系统可看作是基于规则的专家系统的一种自然推广，是一种完全不同的编程风格。用“框架”来描述数据结构，框架包含：某个概念的名称、知识、槽（槽为的槽）。
　　当遇到这个概念的特定实例时，就向框架中输入这个实例的相关特定值。
　　编程语言中引入框架的概念后，就形成了面向对象的编程技术。可以认为，基于框架的专家系统等于面向对象的编程技术，对应关系如下图：
　　算法：
　　神经网络、特征提取、NLP类算法
　　实践：
　　如下图图像处理识别框架：
　　上图图显示了一个典型的图像处理识别框架，这里将整个系统分为4个大类：文档类、图像类、图像像素类、图像识别类，每类赋予特定的对象和事件，最后组合成一个系统。
　　阶段三：基于案例的专家系统
　　知识点：
　　基于案例推理的专家系统，是采用以前的案例求解当前问题的技术。
　　求解过程如下图所示：
　　首先获取当前问题信息，接着寻找最相似的以往案例。如果找到了合理的匹配，就建议使用和过去所用相同的解；如果搜索相似案例失败，则将这个案例作为新案例。因此，基于案例的专家系统能够不断学习新的经验，以增加系统求解问题的能力。
　　算法：
　　最常用的匹配算法是最近邻法，k近邻法，径向基函数网络，排序算法等。
　　实践：
　　佐治亚理工学院的一名电脑科学教授戈埃尔，创造的AI助教吉尔华生，吉尔华生是佐治亚理工学院的线上机器人助教。戈埃尔上传了四个学期的数据，共四千多个问题与答案，并附上了其他Piazza上的闲谈，用基于案例的专家系统开始训练他的人工智能助教。
　　有一次，一位学生问它“挑战性问题是否会包括文字和图片数据？”。
　　“挑战性问题里没有文字数据，”吉尔的回答非常正确，“他们只会被当作形象化的问题来运行。但欢迎你自己写下文字数据并试试运行它们！”（是的，吉尔用了一个感叹号）。
　　新学期结束的时候，戈埃尔揭露了吉尔的身份。学生们不仅没有感到不愉快，还像对待教师们一样感到欣喜。一位学生称它“无与伦比地酷”。另一位学生则想与它共进晚餐。
　　阶段四：基于模型的专家系统
　　知识点：
　　传统的专家系统一个主要缺点在于“缺乏知识的重用性和共享性”，而采用本体论讲问题模型化来设计专家系统，可以解决该缺点。另外，它既能增加系统功能，提高性能指标；又可独立深入研究各种模型及其相关，将结果用于系统设计。
　　算法：
　　机器学习、深度学习等算法。
　　实践：
　　下图是由6个模型搭建起来的一个小型控制系统，实现了利用神经网络逼近车间生产过程，继而预测产量。
　　上图可见由于模型组件、接口、通信、限制等全部标准化，因此利用Simulink软件，通过简单的鼠标连线，可在1分钟内开发出这个系统。
　　阶段五：基于网络的专家系统
　　知识点：
　　随着第三波人工智能高潮发展之前移动互联网的发展，网络已成为用户的交互接口，软件也逐步走向网络化。
　　而专家系统的发展也顺应该趋势，将人机交互定位在网络层次：专家、工程师与用户通过浏览器访问专家系统服务器，将问题传递给服务器；服务器则通过后台的推理机，调用当地或远程的数据库、知识库来推导结论，并将这些结论反馈给用户。
　　算法：
　　神经网络、机器学习、深度学习、决策树、Logistic回归、判别分析等算法。
　　实践：
　　赛事预测系统、乳腺癌等医疗影像病症诊断系统。
　　例如：对环法自行车赛引入机器学习算法，帮助人们预测比赛各种可能情况。通过收集车队车手历史数据，人工智能将预测不同参赛人员的比赛进程。同时，观众也可以根据统计数据了解现场车速以及各个车手的具体位置、骑手之间的距离以及各车队情况。
　　在每部自行车鞍座下安装全球卫星定位系统，通过这些讯号转发器收集资料，结合赛道坡度及天气情况等外部资料，产出各种分析结果。例如：个别车手的实时速度与所在地点、各个车手之间的距离、参赛队伍阵容等，建立各车手的历史数据资料中心，在网络上（也云端）进行管理。
　　小结
　　随着人工智能逐步成熟，对于人工智能产品经理来说，仅仅会设计槽位还不够，明白槽位背后的人工智能深处的逻辑，能够更好的将AI应用于垂直领域。
　　如果你想系统化入门AI产品经理，掌握AI产品经理的落地工作方法，戳这里http：996。pm7bjab