有许多AI产品朋友经由一定阶段的学习和实践能够节制槽位在机器人客服、搜索、智能音箱等等产品的运用，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紧张是有专家系统构成。
专家系统别号ES（Expert System），ES一起是逐步由的5个阶段发展而来。
本篇笔者对每个阶段剖析了对应的AI专家系统的知识点，给出实践算法，并通过多少实践案例进行详述。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。
下文着重先容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办法，紧张归功于大量成功的实例，以及大略灵巧的开拓工具。它直接模拟人类的生理过程，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玄色条纹，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。前项一样平常是多少事实的“与或”结合，每一个事实采取工具-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3.5 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谈论得到的。这样形成的规则存在以下3个缺陷：
须要专家提出规则，而许多情形下没有真正的专家存在；前项限定条件较多，且规则库过于繁芜。比较好的办理方法是采取中间事实。例如：首先确定哺乳动物、爬行动物、鸟类动物，然后连续进行划分；在某些情形下，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，须要大量样本以及繁芜的运算。因此，更方向于采取一套算法体系，能自动从数据中得到规则。
决策树算法基本能够知足知识工程师的须要，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，是一种完备不同的编程风格。用“框架”来描述数据构造，框架包含：某个观点的名称、知识、槽（槽为的槽）。
当碰着这个观点的特定实例时，就向框架中输入这个实例的干系特定值。
编程措辞中引入框架的观点后，就形成了面向工具的编程技能。可以认为，基于框架的专家系统即是面向工具的编程技能，对应关系如下图：
算法：
神经网络、特色提取、NLP类算法
实践：
如下图图像处理识别框架：
上图图显示了一个范例的图像处理识别框架，这里将全体系统分为4个大类：文档类、图像类、图像像素类、图像识别类，每类授予特定的工具和事宜，末了组合成一个别系。
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，是采取以前的案例求解当前问题的技能。
求解过程如下图所示：
首先获取当前问题信息，接着探求最相似的以往案例。如果找到了合理的匹配，就建议利用和过去所用相同的解；如果搜索相似案例失落败，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履历，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-隔壁法，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演习他的人工智能助教。
有一次，一位学生问它“寻衅性问题是否会包括笔墨和图片数据？”。
“寻衅性问题里没有笔墨数据，”吉尔的回答非常精确，“他们只会被当作形象化的问题来运行。但欢迎你自己写下笔墨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，戈埃尔戳穿了吉尔的身份。学生们不仅没有感到不愉快，还像对待西席们一样感到欣喜。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紧张缺陷在于“缺少知识的重用性和共享性”，而采取本体论讲问题模型化来设计专家系统，可以办理该缺陷。其余，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干系，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掌握系统，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、限定等全部标准化，因此利用Simulink软件，通过大略的鼠标连线，可在1分钟内开拓出这个别系。
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做事器，将问题通报给做事器；做事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、判别剖析等算法。
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形。通过网络车队车手历史数据，人工智能将预测不同参赛职员的比赛进程。同时，不雅观众也可以根据统计数据理解现场车速以及各个车手的详细位置、骑手之间的间隔以及各车队情形。
在每部自行车鞍座下安装环球卫星定位系统，通过这些讯号转发器网络资料，结合赛道坡度及景象情形等外部资料，产出各种剖析结果。例如：个别车手的实时速率与所在地点、各个车手之间的间隔、参赛军队阵容等，建立各车手的历史数据资料中央，在网络上（也云端）进行管理。
小结
随着人工智能逐步成熟，对付人工智能产品经理来说，仅仅会设计槽位还不足，明白槽位背后的人工智能深处的逻辑，能够更好的将AI运用于垂直领域。
#专栏作家#
连诗路，公众号：LineLian。大家都是产品经理专栏作家，《产品进化论：AI+时期产品经理的思维方法》一书作者，前阿里产品专家，希望与创业者多多互换。
本文原创发布于大家都是产品经理。未经容许，禁止转载。
题图来自Unsplash, 基于CC0协议。