起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識槽位背后 | AI專家系統的5個階段（下篇）
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：基于規則的、基于框架的、基于案例的、基于模型的、基于網絡的。本文先對ES的落地應用進行舉例，然后講技術發展，其次寫專家系統的發展方向，再次看人工智能是不是等于專家系統？
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復雜問題，并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映射，推理機是利用知識進行推理的能力在計算機中的映射。
構造專家系統的難點也在于兩個階段：第一個階段是人類領域專家獲取知識，第二個階段是系統運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、圖像分析平臺。
通過圖像分析平臺，檢測乳房關鍵部位，借助學習性的算法，量化多維、嘈雜的醫學影像與信號數據中的異常事件，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。
研發的白盒算法（clear box）使得醫生能了解結果以及驅動結果的因素，并采用了智能抽樣技術應對大數據。從各種數據，包括不太可能改變的靜態數據（如患者人口統計信息）或隨時間收集的數據（包括患者生命體，傳感器或圖像數據），以及歷史或實時數據流中選取合適的數據復雜度生成預測模型，并能將不同數據類型組合成一個賦權和揭示的數據集進行分析。
運用機器學習算法能探索關鍵圖像數據，識別相關屬性，丟棄無關屬性，實現模型快速收斂。
模型中的復雜度太高可能會導致過度擬合（當模型被過度定制為特定數據時），而沒有足夠的復雜性導致欠擬合（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，以確定模型復雜性的水平，從而保證預測性能。
隨著數據變化，模型推動的結果也隨之發生變化。隨著繼續處理醫生數據的新例子，算法學習并變得更加準確。隨著變化的發生，該模型可以輕松適應，確保在最佳，輕便的尺寸下獲得高精度的答案。
上述案例中對于專家系統的應用在于：數據中的異常事件，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
- 初始化規則集合
- 初始化規則事實集合
- 使用規則推導
2）添加規則信息
“組織結塊”,“顏色淤血色”,“大小異?！?“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編碼或者自己寫代碼
然后：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，本質上可視作與其余類交叉學科的融合。
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，是探究人類智能和機器智能的基本原理，研究用自動機模擬人類的思維過程和智能行為。
該目標遠遠超出計算機科學的范疇，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，即建造能用于代替人類高級腦力勞動的專家系統。
例如：無門檻AI，要求并行與分布處理、多系統協同工作、高級語言描述、自學習能力、新的推理機制、自糾錯和自完善、先進的人機接口等等。
完全實現這些特征是一項艱巨的任務，目前第一、二種新特征已經較為成熟，第三隨著NLP的發展也逐步實現中，第四、五、六 在生成對抗網絡（GANs）和強化學習發展上也均有突破。
例如：H2O無門檻AI
該人工智能專家系統讓非技術人員也能應用機器學習解決研究階段復雜、難預測，并集合生成對抗網絡（GANs）和強化學習的應用問題。
幫助用戶針對特定的問題選取已組建好的合適的機器學習算法，例如：準備數據、校對參數、決定優化算法等。
該系統實現了特征工程（feature engineering）的自動化，并以 GPU 加速計算，從而降低數據科學在企業環境下的運用門檻，并有一些常見應用場景的預設模塊。
例如：在銷售及人力資源相關流程中，用戶可以使用相應場景模塊獲得機器學習技術的數據分析結果，并獲得創新見解。
再次：人工智能不止專家系統
顯然專家系統是人工智能的重要組成部分，但是人工智能可不止專家系統，AI包含的知識點、數據域，對算法的需求，對算力的要求都高于專家系統。
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。而更多的力量來源于AI的另外的部分，像深度學習（DNN ）。由于DNN在語音識別和圖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被部署到了癌癥檢測到復雜游戲等各種應用中。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復雜性成本。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，人工智能不止于專家系統。
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》?；蛘咂瘘c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
最后：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。這背后反映了。
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。
如果你想系統化入門AI產品經理，掌握AI產品經理的落地工作方法，戳這里>http://996.pm/7bjab
#專欄作家#
連詩路，公眾號：LineLian。人人都是產品經理專欄作家，《產品進化論：AI+時代產品經理的思維方法》一書作者，前阿里產品專家，希望與創業者多多交流。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash, 基于CC0協議。
- 目前還沒評論，等你發揮！
