what-happened-with-expert-systems-aad399eab180

专家系统发生了什么？

原文：towardsdatascience.com/what-happened-with-expert-systems-aad399eab180

他们的灭亡原因可能会让你感到惊讶。

年轻人可能不熟悉这个术语，但“专家系统”是 20 世纪 80 年代和 90 年代的一项重大技术倡议。

我得到了这份 30 年的全职工作，正是因为专家系统。

那是在 1989 年，我刚完成我的博士学业。一个朋友告诉我，有一个职位空缺，需要了解人工智能的博士，最好是了解专家系统。

你知道，在 20 世纪 80 年代和 90 年代，有一个被称为“人工智能冬天”的时期，当时人工智能项目很难找到资金和支持。人工智能根本不是今天这样的“酷”技术。

然而，我的未来工作场所已经与一个工业集团签订了合同，以实施专家系统来改善其工厂的运营。他们急需与这种像专家系统这样奇特主题相关的博士级项目经理。

简而言之，我被雇佣并开始为墨西哥湾的一个盐厂工作，负责一个专家系统项目。

但什么是专家系统？

专家系统（ES）是一种将一组“规则”应用于给定情况的技术。专家系统的组成部分如下：

• 工作记忆：在某个时间点，具有其相关值的变量的集合。通常，变量的值是从仪器测量中获得的；它们被认为是“事实”。

• 规则：它们具有“IF THEN”的结构，其中可以用来修改变量的值。

• 知识库：开发环境软件供应商提出的一种格式的规则集合（当时还没有详细的标准）。

• 推理引擎：将知识库应用于工作记忆的推理机制。有两种类型：“反向链接”和“正向链接”；第一种从工作记忆中的事实开始，试图找到一个条件（左侧）评估为“真”的规则。第二种则是“反向”进行，从结论（如症状）到原因（如疾病）。

• 知识获取环境：开发者的接口，用于创建和编辑规则，定义工作记忆中的变量等。

• 用户界面：最终用户的接口；开发者定义其具体细节。

专家系统是如何变得流行的？

捕捉人类专家知识的承诺在当时对技术爱好者来说非常诱人。这不仅是在一个地方做一位专家的工作——一个专家系统可以在许多地方复制，从而放大专家的价值！

当然，魔鬼在于细节，稍后我会讨论真实专家系统开发的平凡痛苦。但现在，让我们保持梦想的活力。

一些早期的实验性发展让计算机科学界感到惊讶，比如Mycin（见下文），这是在斯坦福大学开发的一个用于诊断和推荐治疗传染病的专家系统。它使用了反向链推理。

一本名为“Expert Systems with Applications”的学术期刊被创建出来，并立刻变得非常重要；我是那里提交的一些文章的审稿人。

在这种情况下，通常会有激励措施来推动对它们潜力的炒作：斯坦福大学使 Mycin 的宣布尽可能有影响力，然后新闻媒体找到了一个很好的故事来推动炒作周期。

ES 受欢迎的另一个原因是硬件：PC 机变得越来越流行，ES 的计算需求较低，因此它可以在普通的 PC 机上运行，即使按照今天的标准来看可能显得有些脆弱。我的盐厂项目中的 ES 就是在标准 PC 机上运行的。

看起来任何人都可以拥有一个专家系统。那是一个多么美好的未来啊！

开发一个专家系统是什么样的体验？

总之，开发一个 ES 是困难的。非常困难。

你看，在实践中，如何从人类专家那里获取知识，然后想出如何将其压缩成由计算规则组成的知识库，这一点并不明显。

ES 的开发方法被称为“知识工程”，为此还设有课程和认证。我也参加了一个。

然而，即使拥有方法和认证，ES 的开发也常常会遇到诸如破坏等障碍。

是的，你没有读错。ES 的开发常常被专家自己破坏，他们假装“不可用”或类似的事情，以便 ES 无法成功。换位思考一下：“我应该把我的知识交给这个该死的系统，以便我能够被计算机取代吗？不可能！”

在我的盐厂项目案例中，专家非常合作，原因也很充分：他即将退休，所以他对被机器取代的前景并不关心。实际上，他即将退休的情况正是开发 ES（专家系统）的初衷，因为他是唯一能够以高效率操作工厂的人。当管理层得知他即将退休时，他们感到恐慌。

但即使有合作的专家，开发 ES 的一个基本问题就是知识必须一开始就是明确的。我们的专家设法面对了工厂的运营危机，但无法将他的推理用言语表达出来。更糟糕的是，他经常不知道自己知道什么，或者忽略了工厂运营的哪些方面。

你可以合理地认为，“这真是一团糟！”但这就是 ES 开发的悲惨现实，这与 ES 优雅的架构和原则形成鲜明对比。

用更华丽的词来说，ES 的障碍被称为“知识获取瓶颈”。

那么，专家系统发生了什么？

为什么我们不再听到 ES 的消息了？它们不是高效的吗？它们不是有用的吗？

它们两者都既高效又有用——当你第一次成功构建它们的时候。然而，由于知识获取瓶颈，大多数 ES 项目都失败了。

请不要误解我：专家系统是第一个真正商业成功的 AI 相关技术。整个公司都是为了销售 ES 开发环境而成立的。对于盐工厂，我们使用了“Level5”，大部分我都喜欢。

我的看法是，如果 ES 在这个时间点是唯一的选择，尽管它们的发展存在巨大的障碍，它们仍然会被使用。不过，并不是每个人都同意这一点：有些人认为 ES 从未实现过它们的承诺。

我可以证明，根据我的个人经验，至少一些 ES 项目是成功的。

ES 解决方案对于许多领域来说也太简单了。以法律专家系统为例，它们是许多（失败）项目的研究对象，并获得了大量资金（见下文参考）。

但还有其他事情进入了场景。

机器学习接管了。

大约在 2000 年左右，机器学习（ML）获得了很大的流行，它不再是隐藏在实验室中的研究课题。有了 Python、Jupyter Notebooks 等工具，尤其是廉价的数据存储，使用大量数据来指导公司决策的替代方案开始流行起来。

机器学习开始被应用于许多实际应用中，如信用风险评估、预防性维护、运营优化等等。简而言之，它开始取代许多以前用于专家系统开发的候选人。

一个决定性因素是，许多公司已经捕捉并存储了大量关于它们运营和财务的数据，因此使用这些数据获得利润的前景是显而易见的。

比较两种选项（ES 和 ML）中我们需要做的事情：

• ES：采访专家。将他们的知识编码成规则，运行模拟，并检测限制。重复。

• ML：收集数据，清洗它，训练标准模型（如随机森林），评估性能，并重复。

尽管 ML 中的一些步骤并不简单，比如数据清洗，但当我们将其与采访人类专家并让他们/她激发他们/她甚至不知道自己拥有的知识相比，平衡很容易就会偏向 ML。

最后，价格比较走向了 ML 的道路，而 ES 则走向了灭绝的道路。

结束语

有一些迹象表明，ES 的炒作与现实相比过于夸张，但在新领域这是常见的，因为它们需要一些关注和资金才能获得动力。

人工智能从一开始就需要炒作：约翰·麦卡锡（John McCarthy）亲自（IRL，我的意思是）告诉我，当时考虑了几种新学科的可能名称，一些研究人员反对“人工智能”这个名称。然而，正如麦卡锡回忆的那样，“我需要资金，”人工智能这个名字听起来比其他选择都要引人注目，所以他亲自选择了这个名字。哦，他还得到了资金。

顺便说一句，期刊《专家系统与应用》仍然存在，尽管它几乎不再发表关于 ES 的内容。

但当炒作没有遇到实际结果时，它就会适得其反——这已经发生好几次了。这发生在专家系统上，然后机器学习给了它最后一击。

参考文献

Buchanan, B. G., and Smith, R. G. "专家系统基础." 计算机科学年度评论 3.1, 第 23-58 页, 1988 年。

Leith P., "法律专家系统的兴衰," 见《欧洲法律与技术杂志》, 第 1 卷，第 1 期，2010 年。

Davis, R., Axline, S. G., Buchanan, B. G., Green, C. C., & Cohen, S. N., "临床治疗中的基于计算机的咨询：MYCIN 系统的解释和规则获取能力." 计算机与生物医学研究 8.4, 第 303-320 页, 1975 年。

— 通过我的免费简短通讯订阅获取 AI 新闻分析rafebrena.substack.com/