一 序
本文属于贪心NLP学习笔记系列。
leaning 学习逻辑：通过历史数据学习模型，通过模型来预测未来。
二 学习的两种主流方式
根据AI 发展的历程，可以分为两个branch
- 专家系统：基于规则
- 基于于概率的系统（Probabilistic）：给定数据D={X，y} 学习X到y的映射关系
数据量大则优先使用基于概率的系统；若数据量小或没有数据，则推荐使用专家系统（expert system）。
专家系统这是依赖人的经验（人就是专家），这种仍然广泛使用。
专家系统
专家系统=推理引擎+知识（类似于程序=数据结构+算法）
利用知识和推理来解决决策问题（Decision Making Problem）
- BI系统： 有大量的数据，对数据做整合，使得能辅助人的决策。（人在做决策）
- AI系统： 帮助用户去决策（或者替代人做决策）
专家系统流程： Expert System’s Working Flow
涉及3类人：领域内专家、知识库工程师、算法工程师。
搭建金融知识图谱。
case 说明：需要什么样的人，什么样的技能。
专家系统特性：Properties of Expert Systems
- 处理不确定性
- 知识的表示：非结构化数据——》结构化数据：
- 可解释性：知道为什么？基于规则处理的，可解释性强（优点）。
- 可以做知识推理
逻辑推理
搭建好知识库之后，需要在这个基础上做一些推理。
Given:A Rule base contains following Rule set
Rule 1:If A and C Then F
Rule 2:If A and E Then G
Rule 3:If B Then E
Rule 4:If G Then D
Problem:Prove
If A and B true Then D is true
推理引擎背后需要高数的离散数学的支撑。
有两种方法，一种是前向推理，一种是后向推理。
两次迭代得到结果。
后向推理,要从D is true倒推A and B true
回顾专家系统：Drawbacks of Expert Systems
先说优点：
1、没有数据或者数据量很小也可以用。
2、可解释性很强。
缺点：
·设计大量的规则（Design Lots of Rules）：复杂系统几千条几万条
·需要领域专家来主导（Heavily Reply on Domain Expert）：专家稀缺
·可移植性差（Limited Transferability to other Domain）：不同领域之间难迁移
·学习能力差（Inability to Learn）：虽然有推理，相对于AI还是差很多
·人能考虑的范围是有限的（Human Capacity is Limited）：人有分工。
Case Study:Risk Control金融风控实例
问题：根据用户的信息，决定要不要放贷
rule engine 规则引擎，一条条规则，违法某条会被拒掉。
还有类似算分的专家系统灵活一点，汇总算个总分，超过阈值拒掉，不会因为违反某条规则就被拒绝。
专家系统面临的问题
逻辑推理（Logical Inference）：参照前面
解决规则冲突（Conflict Resolution）：
这个可以用个推理的方式来证明规则是否冲突，有冲突就删除
选择最小规则的子集（Minimum Size of Rules）：
如何去除多余的规则，选择最小的规则子集。（贪心算法：一条条删除，看看对于系统的影响如何，影响不大可删除）
解决一个难题的思路：
是衡量一个NLP工程师的关键指标。比掌握具体问题还要重要。
细分垂直领域都会有很多挑战，怎么翻也不会有现成的答案。
1 找一个计算机领域类似的”经典”问题。
经典问题具有很多人研究，思路可借鉴，不一定直接拿来。
2 找文献。找类似问题不同变种（条件不同）
根据已知的不同变种，不断学习，会不断趋近于自己的问题，或者高度接近，会让自己有个解决的思路或者是方向。
有了方向去努力，不会完全迷失，无从下手。
总结：
没啥数据的时候，不要越过专家系统，还是踏踏实实从基础做起。
Original: https://blog.csdn.net/bohu83/article/details/113246489
Author: bohu83
Title: NLP学习笔记16-专家系统
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/594744/
转载文章受原作者版权保护。转载请注明原作者出处！