槽位背后 | AI专家系统的5个阶段(上篇)

http://www.woshipm.com/ai/2259984.html


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(Expert System),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:

  1. 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。
  2. 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。

  1. 是非属性,例如“有爪子”,该属性只能在{有、无}中二选一;
  2. 列举属性,例如:“吃肉”,该属性只能在{吃草,吃肉,杂食}中选择;
  3. 数字属性,例如:“触角长度3.5 cm”,“身高1.5 m”,“体重32 kg”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:

  1. 需要专家提出规则,而许多情况下没有真正的专家存在;
  2. 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;
  3. 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。


请使用浏览器的分享功能分享到微信等