專家系統(tǒng)是人工智能系統(tǒng)的一部分，在產(chǎn)品落地應(yīng)用中沒必要同NLP、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)區(qū)隔開來，相反專家系統(tǒng)，配合NLP的先驗(yàn)數(shù)據(jù)，模式識別能做到一個更加真實(shí)的系統(tǒng)。

AI系統(tǒng)經(jīng)過近70年的發(fā)展積累了浩如煙海的知識和成果，得到了廣泛的應(yīng)用。其中專家系統(tǒng)是人工智能領(lǐng)域中發(fā)展最為迅速、應(yīng)用最為廣泛的一個技術(shù)方向。將社會專家的專業(yè)領(lǐng)域知識進(jìn)行了充分的整理和濃縮，使專家系統(tǒng)成為人工智能在產(chǎn)品實(shí)際應(yīng)用中最具實(shí)用價值的人工智能技術(shù)之一。

專家系統(tǒng)處理的主要是行業(yè)專家的或書本上的知識，正像在數(shù)據(jù)處理中數(shù)據(jù)是處理對象一樣，所以它又稱知識處理學(xué)。其內(nèi)容主要包括知識的獲取、知識的表示以及知識的運(yùn)用和處理等三大方面。但是傳統(tǒng)專家系統(tǒng)在實(shí)際需求中存在推理效率比較低、知識規(guī)則少、開發(fā)比較困難等缺點(diǎn)，影響了專家系統(tǒng)應(yīng)用的普及。

絕大部分專家系統(tǒng)都是講如何進(jìn)行各行業(yè)內(nèi)特有需求的分析與決策，從人類的觀點(diǎn)來看，所有這些領(lǐng)域內(nèi)的需求都具有相同的抽象描述，即一般需求的分析與決策。所以產(chǎn)品經(jīng)理理解掌握適合一般需求分析與決策的專家系統(tǒng)及開發(fā)工具具有較大的產(chǎn)品落地意義和實(shí)用價值。

正如專家系統(tǒng)的先驅(qū)費(fèi)根鮑姆所說的那樣：專家系統(tǒng)的力量是從它處理的知識中產(chǎn)生的，而不是從某種形式主義及其使用的參考模式中產(chǎn)生的。因此，專家系統(tǒng)應(yīng)該更強(qiáng)調(diào)行業(yè)知識本身力量的發(fā)揮，更強(qiáng)調(diào)對用戶思維過程的支持。

一、首先，一般產(chǎn)品需求的思維方式

專家系統(tǒng)的種類比較多，其中應(yīng)用較多的專家系統(tǒng)是需求分析與決策專家系統(tǒng)，其應(yīng)用對象是各個應(yīng)用領(lǐng)域內(nèi)的需求分析與決策需求。例如：凝血檢測智能專家系統(tǒng)。如圖1

Expert Module最多同時可以管理四臺血凝儀，包括STA R Max和STA Compact Max， 組成軟性流水線。實(shí)現(xiàn)所有血凝儀同屏操作，數(shù)據(jù)統(tǒng)一管理，有效整合。全面管理所有標(biāo)本和實(shí)驗(yàn)項(xiàng)目，增加儀器的處理能力；實(shí)現(xiàn)標(biāo)本的自動審核，縮短標(biāo)本周轉(zhuǎn)時間；降低實(shí)驗(yàn)室人員的工作量，提高單位時間內(nèi)的產(chǎn)出；整體提高實(shí)驗(yàn)室的血凝診斷水平，讓臨床更加滿意，大幅提升綜合效率。

筆者LineLian將專家系統(tǒng)所要解決的不同行業(yè)的各類問題統(tǒng)一抽象為一般需求。如不特別說明，以后討論的需求就是指一般需求，簡稱需求。

產(chǎn)品經(jīng)理常常擅長通過增加功能來滿足需求，在長期的產(chǎn)品設(shè)計中總結(jié)了許多行之有效的方法，甚至已經(jīng)形成了一種產(chǎn)品思維定勢。這些解決需求的方法具有一定的共性，具有普遍意義。

一般來說，產(chǎn)品經(jīng)理在解決需求時主要運(yùn)用以下需求思維方式：

1. 發(fā)現(xiàn)了什么需求？
2. 這些需求與哪些用戶群有關(guān)?
3. 根據(jù)這些需求可以挖掘出可能出現(xiàn)什么潛在需求?哪些需求是偽需求?
4. 為什么會出現(xiàn)這些需求，它們的內(nèi)在原因是什么?
5. 怎樣去找證據(jù)證明自己的猜想，或者否定偽需求?
6. 需求出現(xiàn)了，它會帶來什么樣的影響，即會對其他的非此需求的用戶產(chǎn)生怎樣的影響，或產(chǎn)生新的需求?
7. 怎樣處理已經(jīng)出現(xiàn)了的需求?
8. 怎樣預(yù)防一些偽需求的發(fā)生?

產(chǎn)品經(jīng)理就是通過反復(fù)地思考這些需求，不斷地對相關(guān)需求進(jìn)行分析與決策，最終達(dá)到需求的解決。顯然，無論產(chǎn)品經(jīng)理需要解決的具體需求是怎樣的，解決需求的總體思路總是一致的。所以在AI時代產(chǎn)品經(jīng)理可將專家系統(tǒng)的任務(wù)都?xì)w結(jié)為對一般需求的分析與決策。

二、其次，傳統(tǒng)專家系統(tǒng)

1. 專家系統(tǒng)的結(jié)構(gòu)與運(yùn)行

產(chǎn)品經(jīng)理先來回顧一下傳統(tǒng)專家系統(tǒng)，不同的專家系統(tǒng)，其功能與結(jié)構(gòu)都不盡相同，但一般都包括人機(jī)接口、推理機(jī)、知識庫及其管理系統(tǒng)、數(shù)據(jù)庫及其管理系統(tǒng)、知識獲取機(jī)構(gòu)、解釋機(jī)構(gòu)這六個部分。傳統(tǒng)專家系統(tǒng)如下圖2：

專家系統(tǒng)各部分模塊的功能闡述如下:

（1）知識庫，即規(guī)則庫，主要用產(chǎn)生式方法記錄各種規(guī)則。知識庫是專家系統(tǒng)的基礎(chǔ)，負(fù)責(zé)存儲和管理專家系統(tǒng)中的知識。

筆者LineLian簡單介紹一下產(chǎn)生式方法的原理：產(chǎn)生式表示法已經(jīng)成了人工智能中應(yīng)用最多的一種知識表示模式，尤其是在專家系統(tǒng)方面，許多成功的專家系統(tǒng)都是采用產(chǎn)生式知識表示方法。產(chǎn)生式的基本形式P→Q 或者 IF P THEN Q，P是產(chǎn)生式的前提，也稱為前件，它給出了該產(chǎn)生式可否使用的先決條件，由事實(shí)的邏輯組合來構(gòu)成；Q是一組結(jié)論或操作，也稱為產(chǎn)生式的后件，它指出當(dāng)前提P滿足時，應(yīng)該推出的結(jié)論或應(yīng)該執(zhí)行的動作。產(chǎn)生式的含義如果前提P滿足，則可推出結(jié)論Q或執(zhí)行Q所規(guī)定的操作。

（2）推理機(jī)。它是專家系統(tǒng)的核心，由一組計算機(jī)程序組成，主要功能是決定如何選用知識庫中的知識以推出新知識。

（3）綜合數(shù)據(jù)庫或全局?jǐn)?shù)據(jù)庫。綜合數(shù)據(jù)庫存放專家系統(tǒng)中反映系統(tǒng)當(dāng)前狀態(tài)的事實(shí)數(shù)據(jù)，它們是系統(tǒng)操作的對象，是在推理過程產(chǎn)生的中間數(shù)據(jù)。綜合數(shù)據(jù)庫中數(shù)據(jù)的表示和組織與知識庫中知識的表示和組織具有相容性，使推理機(jī)能方便地使用知識庫中的知識和綜合數(shù)據(jù)庫中的事實(shí)對問題求解。

（4）人機(jī)界面。它是人與計算機(jī)交互的通道，負(fù)責(zé)將用戶輸入的信息轉(zhuǎn)換成系統(tǒng)內(nèi)規(guī)范化的表示形式，并將這些內(nèi)部表示交給相應(yīng)的模塊去處理，同時將推理的結(jié)果及時反饋給用戶。傳統(tǒng)產(chǎn)品經(jīng)理尤其是PC互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)時代產(chǎn)品設(shè)計型產(chǎn)品經(jīng)理最擅長的點(diǎn)。

（5）知識獲取程序。主要用于知識庫的構(gòu)建，即將知識轉(zhuǎn)換為計算機(jī)可利用的形式送入知識庫。

（6）解釋程序。用于對推理行為作出解釋，主要回答用戶提出的“為什么”等問題。一般是通過跟蹤并記錄推理過程來實(shí)現(xiàn)解釋功能。

2. 產(chǎn)品經(jīng)理應(yīng)知傳統(tǒng)專家系統(tǒng)的主要缺陷

傳統(tǒng)的專家系統(tǒng)是從人工智能的一個主要組成部分，特別強(qiáng)調(diào)從數(shù)學(xué)和計算機(jī)理論角度上考慮系統(tǒng)的結(jié)構(gòu)和運(yùn)行機(jī)制，而基本沒有融合用戶處理一般需求方法的角度來設(shè)計專家系統(tǒng)。

（1）知識表示和管理缺陷

① 人員要求缺陷

專家系統(tǒng)一般采用產(chǎn)生式知識表示方法進(jìn)行描述。雖然大多數(shù)專家系統(tǒng)的開發(fā)可以采用許多性能優(yōu)良的專家系統(tǒng)開發(fā)工具，但仍然要求系統(tǒng)開發(fā)者具備較強(qiáng)的人工智能理論水平和計算機(jī)開發(fā)應(yīng)用水平，熟悉人工智能語言如Lisp 、Prolog語言。系統(tǒng)的開發(fā)也離不開知識工程師，從而極大地限制了專家系統(tǒng)的應(yīng)用。

② 知識庫管理缺陷

使用這些人工智能開發(fā)語言也不利于知識的管理。系統(tǒng)開發(fā)者必須仔細(xì)地構(gòu)建知識庫，維護(hù)知識庫的一致性，減少知識之間的沖突。雖然目前已有許多系統(tǒng)采用數(shù)據(jù)庫系統(tǒng)進(jìn)行知識的管理，但大部分仍然僅用于簡單存儲規(guī)則知識，不能有效發(fā)揮數(shù)據(jù)庫的功能。從應(yīng)用的效果看，專家系統(tǒng)的規(guī)則數(shù)量不宜太多。

③ 知識關(guān)系缺陷

一般情況下是不區(qū)分問題的現(xiàn)象與因果關(guān)系之間差別的，它們都被統(tǒng)一稱為知識庫中的規(guī)則或知識。事實(shí)上，問題的因果關(guān)系才是真正影響問題的產(chǎn)生和變化的主要因素，而現(xiàn)象只是問題的表現(xiàn)，只有抓住了因果關(guān)系才可以正確、有效、高速地解決問題。

（2） 推理缺陷

① 過分強(qiáng)調(diào)計算機(jī)的能力

推理過程中知識的匹配和沖突消解問題是專家系統(tǒng)中推理的根本問題，直接影響了推理的效率，甚至使系統(tǒng)陷于癱瘓，這也是目前專家系統(tǒng)不容易解決較大問題的一個重要原因。這個問題是專家系統(tǒng)的固有問題，也是人工智能所固有的問題，因?yàn)橥评肀旧砭褪侵R的搜索、匹配過程，容易出現(xiàn)組合爆炸。筆者LineLian 實(shí)地走訪多家人工智能創(chuàng)業(yè)企業(yè)，其產(chǎn)品應(yīng)用在金融行業(yè)時沒有問題，當(dāng)轉(zhuǎn)移到教育行業(yè)、轉(zhuǎn)移到醫(yī)療行業(yè)時產(chǎn)品初期經(jīng)常出現(xiàn)Bug的原因。在目前的人工智能水平上完全的機(jī)器推理仍然是一個難以解決的問題。

② 不支持思維過程的反復(fù)性、跳躍性

將推理過程分為正向推理和反向推理以及混合推理，過分強(qiáng)調(diào)推理的形式，不區(qū)分問題的現(xiàn)象和原因，從而加大了用戶的使用要求和系統(tǒng)的開發(fā)難度。而事實(shí)上人類的思維過程是一個不斷反復(fù)的過程，強(qiáng)調(diào)的是問題之間的因果聯(lián)系而不是推理形式。

③ 缺乏強(qiáng)有力的解釋功能

一般來說，推理的運(yùn)行是一種黑箱操作過程，用戶完全在計算機(jī)的引導(dǎo)下進(jìn)行操作不明白系統(tǒng)究竟是如何運(yùn)行的，只有在推理結(jié)束后才能通過解釋機(jī)制獲得問題的解答。這樣進(jìn)行推理對許多用戶來說很多步驟其實(shí)是沒有必要的，既增加了系統(tǒng)開發(fā)難度，又浪費(fèi)了用戶的寶貴時間。

例如：這就像做應(yīng)用題。結(jié)果是答案，推理就是計算過程，解釋就是對計算方案的說明。一道題可以有多種計算方案，或者說計算方法，但結(jié)果可能是一樣的。

三、重新定義專家系統(tǒng)的產(chǎn)品架構(gòu)

1. 產(chǎn)品設(shè)計需求思維

時下產(chǎn)品經(jīng)理對專家系統(tǒng)運(yùn)用時應(yīng)該從兩方面著手：

一方面將專家系統(tǒng)的處理能力定位在專用的問題分析與決策功能上，而不是通用的人工智能問題的分析與求解，這樣便于專家系統(tǒng)應(yīng)用領(lǐng)域的知識系統(tǒng)構(gòu)建;

例如：做金融領(lǐng)域的理財顧問機(jī)器人跟做健康管理領(lǐng)域的機(jī)器人客服服務(wù)系統(tǒng)從需求期望上就區(qū)分開來。

另一個方面也是時下產(chǎn)品經(jīng)理應(yīng)該重點(diǎn)發(fā)揮產(chǎn)品設(shè)計功力的點(diǎn)就是，明白人工智能是屬于做可能性的事情，即人工智能是存在概率和逼近完美的過程，產(chǎn)品設(shè)計合理的產(chǎn)品運(yùn)行機(jī)制，使專家系統(tǒng)更符合人們的使用習(xí)慣。設(shè)計思想的核心就是必須充分考慮與用戶的痛點(diǎn)分析與人工智能求解方法有機(jī)結(jié)合，發(fā)揮用戶的主觀能動性。

在設(shè)計面向一般需求分析與決策專家系統(tǒng)時應(yīng)該重點(diǎn)考慮以下內(nèi)容：

1. 確定需求對象；
2. 確定需求所涉及的用戶和需求場景發(fā)生時所出現(xiàn)的現(xiàn)象；
3. 確定需求用戶與所涉及用戶和需求現(xiàn)象之間的關(guān)聯(lián)關(guān)系；
4. 確定需求用戶之間的因果關(guān)系；
5. 提供基于需求用戶和需求因果關(guān)系的推理機(jī)制；
6. 支持現(xiàn)象對需求的輔助推理機(jī)制；
7. 提供與推理過程相伴的解釋機(jī)制；
8. 適合一般需求的分析與求解。

2. 新專家系統(tǒng)產(chǎn)品模塊

主要由以下模塊組成：

（1）用戶需求，用于描述客觀存在的需求

需求的對象可以是具體的，也可以是抽象的。本系統(tǒng)中所有的知識或規(guī)則表示和推理均是以需求對象為基本單元建立的，即知識系統(tǒng)或知識庫中知識的核心表現(xiàn)形式是需求對象。

（2）基本對象，也稱需求主體對象

任何需求都是在一定數(shù)量的基本對象上發(fā)生的，而每一個基本對象又存在若干個不同需求。在一般情況下基本對象不可再分。

（3）需求現(xiàn)象對象，簡稱需求現(xiàn)象

描述需求發(fā)生時應(yīng)該會出現(xiàn)的現(xiàn)象。需求現(xiàn)象是需求的表現(xiàn)形式，也是人們對需求的最基本認(rèn)識。在許多情況下也是人們對需求進(jìn)行診斷的依據(jù)。

（4）因果關(guān)系

需求對象之間存在因果關(guān)系，因果關(guān)系是需求產(chǎn)生的根本原因。知識系統(tǒng)中的因果關(guān)系是一種復(fù)雜的網(wǎng)狀結(jié)構(gòu)，但對于某一個具體需求對象來說，因果關(guān)系表現(xiàn)為一棵樹，所以常常被稱為因果樹。同樣也是由于因果關(guān)系才使現(xiàn)象具有一定的繼承性，即在許多情況下需求對象

一般也具有它的原因?qū)ο笏哂械默F(xiàn)象：

• 需求處理方法或措施。每一類需求都有對其進(jìn)行處理的方法或措施。這里將對某類需求進(jìn)行處理的方法或措施分為兩類：正確的處理方法或措施，也稱為預(yù)防措施；產(chǎn)生后應(yīng)該采取的方法或措施，也稱為補(bǔ)救措施。
• 需求事實(shí)。如果一個需求存在了，則稱該需求為需求事實(shí)，即已經(jīng)確定的需求。需求事實(shí)是推理的出發(fā)點(diǎn)和歸結(jié)點(diǎn)。
• 過程知識。主要用于描述需求分析與決策先后次序的知識。
• 原理敘述性知識，也是知識的主要組成部分。由于專家系統(tǒng)解決需求的針對性，不可能將所有的知識全部需求化處理，只能以敘述性方式(如文件、音像、動畫、三維造型等)展現(xiàn)。

所有這些基本組成對象都是系統(tǒng)知識的基本組成部分。其中因果關(guān)系描述的是知識之間的動態(tài)組成關(guān)系，用因果網(wǎng)絡(luò)來記錄，而其余各種組成部分構(gòu)成描述知識系統(tǒng)的靜態(tài)特性，則統(tǒng)一存放在知識字典中。

3. 產(chǎn)品重新定義總體結(jié)構(gòu)

產(chǎn)品總體結(jié)構(gòu)如圖3所示：

產(chǎn)品架構(gòu)分為上下兩層:上層是系統(tǒng)交互層，主要是供用戶【含其他維護(hù)人員】和領(lǐng)域行業(yè)專家使用;下層是系統(tǒng)支撐層，提供基礎(chǔ)知識表示和推理功能。

支撐層各模塊功能如下:

• 需求對象模塊。用于管理智能系統(tǒng)中的核心對象即需求對象。
• 基本對象模塊。管理需求對象所涉及的相關(guān)基本對象。
• 需求現(xiàn)象模塊。管理需求所表現(xiàn)的現(xiàn)象。
• 因果關(guān)系模塊。用于管理需求對象之間存在的因果關(guān)系。
• 處理方法模塊。提供針對某類需求所應(yīng)該使用的處理方法。
• 輔助知識模塊。用于描述在解決需求過程中可以作為參考的知識。
• 過程知識模塊。提供對于特定應(yīng)用領(lǐng)域需求分析與決策的過程知識，以利于用戶盡快發(fā)現(xiàn)問題。

交互層主要提供與用戶交互的各類模塊，并通過與支撐層核心模塊進(jìn)行數(shù)據(jù)交換來進(jìn)行需求的分析與決策。

交互層的主要模塊有:

• 需求分析模塊。描述需求的因果關(guān)系、相關(guān)影響對象(包括基本對象和需求對象)、相應(yīng)的處理方法等。
• 需求決策模塊。通過對需求的分析及獲得的已經(jīng)存在的需求信息，求解出將會出現(xiàn)的需求，并提出應(yīng)該采取的措施。
• 知識錄入和維護(hù)模塊。知識錄入就是將新的領(lǐng)域行業(yè)專家知識加入到智能系統(tǒng)中，主要指智能系統(tǒng)初始化階段的數(shù)據(jù)處理和知識的添加處理。知識維護(hù)主要提供當(dāng)智能系統(tǒng)中知識發(fā)生改變時保證知識之間的一致性和完整性的一些操作。
• 知識發(fā)現(xiàn)模塊。用于新知識的發(fā)現(xiàn)。
• 應(yīng)用定制模塊。當(dāng)系統(tǒng)應(yīng)用于不同領(lǐng)域時用于修改交互界面，使之符合新的應(yīng)用要求。
• 輔助功能模塊。提供問題分析與決策的輔助功能，如基本原因查找、推理過程的解釋、報表打印等。

4. 運(yùn)行機(jī)制

人工智能系統(tǒng)的核心是推理即如何通過已有的知識推出新的知識，也稱為知識的求解。在專家系統(tǒng)中，已知前件得到后件的推理稱為正向推理，反過來則稱為反向推理。然而人類的推理過程并不是簡單的正向或反向推理，如前所述，人類的推理或思考過程其實(shí)是一個復(fù)雜的反復(fù)過程，即不斷交替進(jìn)行正向推理和反向推理的過程。

推理的復(fù)雜性主要來源于兩個方面：

1. 實(shí)際需求的復(fù)雜性；
2. 推理方式的復(fù)雜性。

在思維過程中一般的推理都包含正向推理和反向推理過程，而且正向推理和反向推理的切換是隨機(jī)的，單純的正向推理或反向推理一般出現(xiàn)在證明過程已經(jīng)完成以后的表達(dá)中，如定理的證明通常只寫出最后的證明過程，無須寫思考過程。

推理的復(fù)雜性極大地降低了專家系統(tǒng)推理效率。對于專家系統(tǒng)而言，克服推理復(fù)雜性的最有效方法是使專家系統(tǒng)的運(yùn)行與人們在日常生活中處理需求的分析與決策方法一致，即提供面向需求分析與決策的支持。

系統(tǒng)提供需求分析機(jī)制、需求決策機(jī)制、解釋機(jī)制和其他機(jī)制，通過可視化交互界面實(shí)現(xiàn)自由的推理過程，完成需求的分析與決策。

簡單說就是：這就像做應(yīng)用題。結(jié)果是答案，推理就是計算過程，解釋就是對計算方案的說明。一道題可以有多種計算方案，或者說計算方法，但結(jié)果可能是一樣的

1. 需求分析機(jī)制

需求分析機(jī)制是系統(tǒng)提供的幫助用戶對需求進(jìn)行深入了解的運(yùn)行機(jī)制。主要過程包括:

• 了解需求的癥狀。揭示需求發(fā)生和不發(fā)生時的現(xiàn)象。
• 了解需求的成因。告訴用戶為什么會發(fā)生這樣的需求，具有哪些影響因素，這些因素是怎樣起作用的等等。
• 了解需求的預(yù)防措施。采用什么樣的方式可以預(yù)防需求的發(fā)生。
• 了解需求的補(bǔ)救措施。當(dāng)需求發(fā)生以后應(yīng)該采取什么樣的補(bǔ)救措施，又會形成哪些新的需求。
• 需求分析過程是一個遞歸過程，直到用戶滿意為止。顯然，需求分析過程也是一種學(xué)習(xí)過程，是對需求的一種了解，無須對需求作決策。

2. 需求決策機(jī)制

需求決策機(jī)制是幫助用戶對需求進(jìn)行決策的運(yùn)行機(jī)制，即通過對需求進(jìn)行分析或者采集需求事實(shí)，最后推出新的需求事實(shí)。因此推理過程又可稱為獲得需求事實(shí)的過程。

需求決策機(jī)制如圖4：

需求事實(shí)的產(chǎn)生可以有以下三種方式：

• 分析事實(shí)。用戶通過使用需求分析機(jī)制確定某項(xiàng)需求的出現(xiàn)。
• 輸入事實(shí)。是用戶輸入的已經(jīng)發(fā)生的需求對象，或傳感器等采集并直接轉(zhuǎn)換的需求事實(shí)。
• 生成事實(shí)。由系統(tǒng)經(jīng)過推理得到的新需求稱為生成事實(shí)。生成事實(shí)來源有兩個，一個是某個需求的所有現(xiàn)象得到滿足;另一個是因果關(guān)系得到滿足。當(dāng)產(chǎn)生生成事實(shí)的原因不存在時，該生成事實(shí)也應(yīng)該被刪除。

3. 解釋機(jī)制

解釋機(jī)制是對推理過程和結(jié)果的解釋?？梢杂袃煞N方式，即將推理過程的全部過程按順序展現(xiàn)出來和按因果關(guān)系展現(xiàn)出來。前者可以通過記錄所有的推理過程得到，這樣得到解釋可能會顯得比較零亂;后者則忽略具體的推理過程，而只是對推理的結(jié)果加以解釋。這是一種經(jīng)過整理后的解釋，對整理思維過程比較好。

此架構(gòu)主要支持后一種解釋機(jī)制，因?yàn)橛脩粼谶M(jìn)行需求分析及決策的過程中已經(jīng)對自己的推理過程比較熟悉，而對推理結(jié)果的解釋則有利于用戶整理思路，抓住需求的本質(zhì)。

五、專家系統(tǒng)實(shí)例解析

1. 非技術(shù)人員應(yīng)用專家系統(tǒng)的例子：H2O.AI

降低數(shù)據(jù)科學(xué)工作難度的機(jī)器學(xué)習(xí)專家系統(tǒng)，Driverless AI ，該人工智能專家系統(tǒng)讓非技術(shù)人員也能應(yīng)用機(jī)器學(xué)習(xí)解決研究階段復(fù)雜、難預(yù)測，并集合生成對抗網(wǎng)絡(luò)（GANs）和強(qiáng)化學(xué)習(xí)的應(yīng)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(jī)器學(xué)習(xí)算法，例如準(zhǔn)備數(shù)據(jù)，校對參數(shù)，決定優(yōu)先算法等。

該系統(tǒng)實(shí)現(xiàn)了特征工程自動化，并以GPU加速運(yùn)算，從而降低數(shù)據(jù)科學(xué)在企業(yè)環(huán)境下的應(yīng)用門檻，并有一些常見應(yīng)用場景的預(yù)測模塊。例如，在銷售及人力資源相關(guān)流程中，用戶可以使用相應(yīng)場景模塊或者機(jī)器學(xué)習(xí)基礎(chǔ)的數(shù)據(jù)分析結(jié)果，并獲得創(chuàng)新見解。

界面如圖5：

2. 個性化教育的例子：Querium

幫助青年及成年學(xué)習(xí)者掌握關(guān)鍵的STEM（科學(xué)、技術(shù)、工程、數(shù)學(xué)）技能，以實(shí)現(xiàn)大學(xué)或職業(yè)目標(biāo)，為熟悉數(shù)據(jù)技術(shù)的人設(shè)計的Querium專利產(chǎn)品，通過專家系統(tǒng)提供個性化/小巧的課程，分步輔導(dǎo)，激勵學(xué)習(xí)者取得成功。用戶在手機(jī)上手寫數(shù)學(xué)步驟，獲取全天候的及時反饋，我通過授權(quán)的方式，讓用戶使用其基于云托管的人工智能軟件。

界面如圖6：

3. 預(yù)測系統(tǒng)及插件：法狗狗

將公開的判例數(shù)據(jù)結(jié)構(gòu)化，并利用機(jī)器學(xué)習(xí)的技術(shù)，學(xué)習(xí)其中的規(guī)律，并對新的案件作出預(yù)測，采用了與IBM Waston Rose 相同的專家系統(tǒng)與概率分析相結(jié)合的方式，但I(xiàn)BM沃森所在的美國是判例法系，律師對判決結(jié)果影響明顯，中國則是成文法系，律師對結(jié)果的影響要弱很多。因此在實(shí)際業(yè)務(wù)落地中，法狗狗采用了與IBM Waston Rose不同的路徑，重點(diǎn)用來提升律師的效率和擴(kuò)大案源。

開發(fā)了一套應(yīng)用于刑事案件的案件預(yù)測系統(tǒng)，只需簡單的選定罪行分類，并提供傷亡人數(shù)，案發(fā)地點(diǎn)等簡單信息，即可以獲得安全的預(yù)測結(jié)果及歷史案例。普通用戶可以通過簡單輸入信息，快速獲得專業(yè)精準(zhǔn)的案情預(yù)測，律師可以通過詳細(xì)的深度案情分析，快速掌握切入點(diǎn)，提高接單成功率。

案情預(yù)測系統(tǒng)擴(kuò)大到了勞務(wù)糾紛，婚姻家事，交通事故場景，提供專屬定制服務(wù)。

其公司產(chǎn)品在不同應(yīng)用領(lǐng)域知識遷移可以在2-3周內(nèi)完成，未來的效率還可以進(jìn)一步提高，這套安全預(yù)測專家系統(tǒng)被做成了機(jī)器人插件的產(chǎn)品形態(tài)。

界面如圖7：

六、最后

專家系統(tǒng)是人工智能系統(tǒng)的一部分，在產(chǎn)品落地應(yīng)用中沒必要同NLP、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)區(qū)隔開來，相反專家系統(tǒng)，配合NLP的先驗(yàn)數(shù)據(jù)，模式識別能做到一個更加真實(shí)的系統(tǒng)。筆者LineLian認(rèn)為正因如此AI時代適合做產(chǎn)品的只有產(chǎn)品經(jīng)理，因?yàn)楫a(chǎn)品經(jīng)理才有正常的工作時間研究如此多的AI技術(shù)特點(diǎn)、技術(shù)成熟度，同時不需要考慮系統(tǒng)工程師的Coding。

產(chǎn)品經(jīng)理在人工智能熱火朝天的當(dāng)下應(yīng)該在一秒鐘內(nèi)看到AI技術(shù)本質(zhì)，然后了解這個技術(shù)的成熟程度和校驗(yàn)的概率，迅速在當(dāng)前概率水平上輸出MVP產(chǎn)品。并隨著AI技術(shù)概率的提升持續(xù)迭代AI產(chǎn)品設(shè)計體驗(yàn)。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)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(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進(jìn)化論：AI+時代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Pexels，基于 CC0 協(xié)議