上篇主要是按照專家系統(tǒng)發(fā)展階段的不同，可以將ES分為如下5個階段：基于規(guī)則的、基于框架的、基于案例的、基于模型的、基于網(wǎng)絡的。本文先對ES的落地應用進行舉例，然后講技術(shù)發(fā)展，其次寫專家系統(tǒng)的發(fā)展方向，再次看人工智能是不是等于專家系統(tǒng)？

首先：專家系統(tǒng)的應用落地

專家系統(tǒng)本意是使用人類專家推理的計算機模型來處理現(xiàn)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(jié)論。簡言之，專家系統(tǒng)可視作“知識庫”和“推理機”的結(jié)合，ES類系統(tǒng)結(jié)構(gòu)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(gòu)造專家系統(tǒng)的難點也在于兩個階段：第一個階段是人類領(lǐng)域?qū)＜耀@取知識，第二個階段是系統(tǒng)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(guān)鍵部位，借助學習性的算法，量化多維、嘈雜的醫(yī)學影像與信號數(shù)據(jù)中的異常事件，輔助放射科醫(yī)師及其醫(yī)療保健團隊作出對乳腺癌篩查、治療和診斷的決定。來實現(xiàn)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(fā)的白盒算法（clear box）使得醫(yī)生能了解結(jié)果以及驅(qū)動結(jié)果的因素，并采用了智能抽樣技術(shù)應對大數(shù)據(jù)。從各種數(shù)據(jù)，包括不太可能改變的靜態(tài)數(shù)據(jù)（如患者人口統(tǒng)計信息）或隨時間收集的數(shù)據(jù)（包括患者生命體，傳感器或圖像數(shù)據(jù)），以及歷史或?qū)崟r數(shù)據(jù)流中選取合適的數(shù)據(jù)復雜度生成預測模型，并能將不同數(shù)據(jù)類型組合成一個賦權(quán)和揭示的數(shù)據(jù)集進行分析。

運用機器學習算法能探索關(guān)鍵圖像數(shù)據(jù)，識別相關(guān)屬性，丟棄無關(guān)屬性，實現(xiàn)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(shù)據(jù)時），而沒有足夠的復雜性導致欠擬合（一個太簡單的模型）。產(chǎn)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(shù)據(jù)變化，模型推動的結(jié)果也隨之發(fā)生變化。隨著繼續(xù)處理醫(yī)生數(shù)據(jù)的新例子，算法學習并變得更加準確。隨著變化的發(fā)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(tǒng)的應用在于：數(shù)據(jù)中的異常事件，輔助放射科醫(yī)師及其醫(yī)療保健團隊作出對乳腺癌篩查、治療和診斷的決定。

構(gòu)建專家系統(tǒng)知識庫流程如下：

1）統(tǒng)一化規(guī)則

1. 初始化規(guī)則集合
2. 初始化規(guī)則事實集合
3. 使用規(guī)則推導

2）添加規(guī)則信息

“組織結(jié)塊”,“顏色淤血色”,“大小異?！?“凹陷”，“柔軟”，“色彩常規(guī)”

3）規(guī)則事實

柔軟+色彩常規(guī) -> 正常

凹陷+柔軟 -> 表面缺陷

組織結(jié)塊+顏色淤血+大小異常 -> 乳腺異常

構(gòu)建專家系統(tǒng)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(tǒng)的技術(shù)發(fā)展

專家系統(tǒng)在技術(shù)發(fā)展上類似AI是一個與多學科交叉發(fā)展的過程，例如下圖：

上圖給出了與專家系統(tǒng)在技術(shù)上發(fā)展上對應的交叉學科，可見：部分專家系統(tǒng)的發(fā)展階段，本質(zhì)上可視作與其余類交叉學科的融合。

其次：專家系統(tǒng)的發(fā)展方向

專家系統(tǒng)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(tǒng)的發(fā)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(tǒng)。

例如：無門檻AI，要求并行與分布處理、多系統(tǒng)協(xié)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(xiàn)這些特征是一項艱巨的任務，目前第一、二種新特征已經(jīng)較為成熟，第三隨著NLP的發(fā)展也逐步實現(xiàn)中，第四、五、六 在生成對抗網(wǎng)絡（GANs）和強化學習發(fā)展上也均有突破。

例如：H2O無門檻AI

該人工智能專家系統(tǒng)讓非技術(shù)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(wǎng)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(shù)據(jù)、校對參數(shù)、決定優(yōu)化算法等。

該系統(tǒng)實現(xiàn)了特征工程（feature engineering）的自動化，并以 GPU 加速計算，從而降低數(shù)據(jù)科學在企業(yè)環(huán)境下的運用門檻，并有一些常見應用場景的預設(shè)模塊。

例如：在銷售及人力資源相關(guān)流程中，用戶可以使用相應場景模塊獲得機器學習技術(shù)的數(shù)據(jù)分析結(jié)果，并獲得創(chuàng)新見解。

再次：人工智能不止專家系統(tǒng)

顯然專家系統(tǒng)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(tǒng)，AI包含的知識點、數(shù)據(jù)域，對算法的需求，對算力的要求都高于專家系統(tǒng)。

例如：上述乳腺癌的案例中，專家系統(tǒng)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(lǐng)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(jīng)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(tǒng)的知識域。所以，人工智能不止于專家系統(tǒng)。

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

最后：AI有三高現(xiàn)象

作為從事AI的弄潮兒，觀察發(fā)現(xiàn)從事AI的朋友多是高背景、高智商、高能力現(xiàn)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(lǐng)域做得一定的程度，發(fā)現(xiàn)突破發(fā)展的瓶頸很難的時候，正好發(fā)現(xiàn)AI可以實現(xiàn)從科技底層進行創(chuàng)新賦能。

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Unsplash, 基于CC0協(xié)議。