人工智能創新有望解決大數據難題

我經常遇到著迷于深度學習、壓縮分類和自動駕駛汽車的數據科學團隊，它們渴望運用當下流行的算法。比如說，我最近在與一家大型金融機構合作，共同加強其網絡安全;我們甚至還沒有開始基本的監控，我團隊中的一名數據科學家就在談論K-均值聚類和神經網絡。

我們要始終記得先要了解問題和機會，然后運用正確的系統或算法。有時候，自學習神經網絡可能是最佳的選擇;而有時候，你得采用經典的技術：專家系統。

專家系統是一種基于規則的引擎，它基于專家們的集體智慧。它是人工智能(AI)領域歷史最悠久的創新之一，實際應用可以追溯到上世紀70年代。

數據科學界經常開玩笑說，專家系統好比是過時的恐龍，它們很有意思，但是就現代應用而言不切實際。我完全不同意，人工智能領域沒有哪一項進步完全取 代得了專家系統的功能和效用。此外，由于專家系統已存在相當一段長的時間，你可以運用久經考驗的最佳實踐。下面是使用專家系統、讓你開始入手的六個最佳實 踐。

1. 征集需求

構建一套專家系統最困難的部分就是，與實際的專家們見面討論。與任何最終用戶見面討論已夠困難了，而你項目需要的那些專家是非常特殊的最終用戶，每個人都想要與之討論。在征集需求之前，要征得管理層的同意，批準你與專家們見面討論。

比如說，我在接觸一家跨國交易處理公司時，整個公司只有五六個人知道交易網絡的內部結構。如果你沒有讓管理層承諾專家到時抽出時間，那么你休想與他們談論15分鐘以上。

2. 進行分析

盡量少花時間在分析上。忍住對專家訪談進行定性分析的沖動，這沒有必要。

專家系統旨在進行自己的分析。艱苦的工作在分析中并不多，難就難在框架的搭建和微調上。在這方面，它類似神經網絡。你的任務就是告訴系統如何思考，然后讓系統為自己處理思考任務。

3. 設計框架

將冗余性(verbosity)設計到你的專家系統框架中。專家系統由兩個基本部分組成：知識庫和推理引擎。知識庫負責存儲關于設計領域的事實，而推理引擎負責將歸納(正向鏈)推理和演繹(反向鏈)推理運用到知識庫中的事實。

這兩個系統都必須精心設計，讓你可以了解專家系統在想什么。你需要非常詳細地了解專家系統知道的情況，以及它如何得出結論。先進系統更側重于采用自然語言界面――這是我支持的一個最佳實踐。

4. 開發系統

開發速度要快。與分析一樣，如果你在開發方面花了大量的時間，那么做法不當。你唯一要開發的東西就是框架(知識庫和推理引擎)。暫時盡量避免編寫程序代碼。

然而，要從長計議。在程序代碼可以取代框架推理的地方構建接口。雖然將程序代碼換成基于框架的推理有悖于大眾的看法，但是一旦規則得到了全面審查，它就是你專家系統的一種實際延伸。程序代碼讓你有機會大大加快執行，這對許多應用程序(比如嵌入式系統)來說更切實際。

5. 訓練系統

不要低估了合理訓練專家系統所需要投入的時間、精力和專家數量。我使用“訓練”這個詞很寬泛――專家系統嚴格上來說并不是一種學習系統。但是，決定 專家系統成敗的卻是領域知識以及它如何進行推理。專家必須是這個過程的一部分，因為一旦饋送了需求征集階段收集的信息，專家就需要微調引擎。

這時候，情況變得有意思起來。讓一個專家解釋過程原本夠難的，更不用說讓一組專家就合適的過程達成共識了。到頭來這是值得的，但是勤奮和耐心在這個階段會給你帶來好處。

6. 改進系統

請專家委員會做以后的審查。一旦你的專家系統部署到位，很難長時間留住你的專家;他們需要定期審查實際的結論，確保你的系統仍盡到作為專家的責任。 事先獲得他們的這種承諾。就像你在需求征集階段那樣征得管理層的同意――可以這么說，專家系統穩定下來后，至少每年每季度你需要一次得到他們的關注。在你 開始動手之前，確保每個人對這個想法意見一致。

結束語

盡管種種新奇的系統和算法涌入數據科學界，但使用一種有幾十年歷史，并久經考驗的解決方案：專家系統根本不會錯。別因為設計的簡潔性而誤以為它過時或無效，事實恰恰相反。

只要你能找到合適的專家，就可以立即搭建起一套專家系統;與此同時，其他數據科學家仍在為壓縮分類絞盡腦汁。掌握了這里給出的幾個要點，以及你自己汲取的經驗教訓，你可能自己都沒意識到，就成了專家系統的專業人士。