人工智能導論Introductiontoartificialintelligence機械工業出版社2020第三部分基于知識的系統第6章專家系統【導讀案例】中美人工智能PK討論：1專家系統及其發展2知識工程3知識獲取4專家系統的結構5經典的專家系統1在自己的領域里作為專家2五個技能獲取階段3專家的特點4專家系統的特征第1節5建立專家系統要思考的問題6.1專家系統及其發展總體來說，專家系統因其在計算機科學和現實世界中的貢獻而被視為人工智能中最成功、最古老、最知名和最受歡迎的領域。專家系統出現在20世紀70年代，當時整個人工智能領域正處在發展的低谷，人們批判人工智能不能生成實時的、真實世界的工作系統。這個時期，由于人們在計算機視覺領域獲得了一些重要見解，R.JPopplestone發明了機器人；弗雷迪所創建的玩具系統可以執行簡單的任務，如組裝玩具車或將咖啡杯放置在碟子上；不久，麻省理工學院的特里·維諾格拉德發表了著名的論文《理解自然語言》，等等，才使人們對人工智能又產生了一定的興趣。但是由于早期的一些系統，人工智能也得到了一些惡名。6.1.1在自己的領域里作為專家戈爾茨坦和帕爾特將早期系統的目標標注為“能力戰略”，旨在開發出能夠應用于求解各種問題的一般的、強大的方法。早期的程序，如DENDRAL，從普遍性方面來說，還相當脆弱。在一般問題領域，除了被稱為專家的人類解決者以外，其他的求解者的行為通常都是膚淺的。6.1.1在自己的領域里作為專家事實上，大多數人只有在自己的專業領域才是專家，這與早期的人類觀點相反；人們不具備任何魔法，可以在任意問題領域快速得到最細致、最有說服力的規則。因此，雖然國際象棋大師通過數十年的實踐和研究，積累和建立起來約50000種規則的模式，但他們不是創建生活中其他事物啟發法、規則、方法的大師，對于數學博士、醫生或律師來說也是如此。每個人都是處理自己領域信息的專家，但是這些技能不能確保他們能夠處理一般信息或其他專業領域的特定、專門的知識。人們在掌握任何特定領域知識之前，需要長期的學習。6.1.1在自己的領域里作為專家布雷迪指出，人類專家有多種方式來應對組合爆炸：“首先，結構化知識庫。這樣就可以讓求解者在相對狹窄的語境中進行操作。其次，明確提出個人所應具有的知識，這些知識是關于專有領域知識的最好的利用方法，也就是所謂的元知識。因為知識表示的統一性，人們可以將問題求解者的全部能力都應用在元知識上，這種應用方式與人們將其應用于基礎知識的方式完全相同，所以知識表示的統一性給人們帶來了很大的回報。最后，人們試圖利用似乎存在的冗余性。這種冗余性對人類求解問題和認知至關重要。雖然我們也可以用其他幾種方式實現這一點，但是這些方法的利用大部分都受到了限制。6.1.1在自己的領域里作為專家通常情況下，人們可以明確一些條件，雖然這些條件沒有一個能夠唯一地確定解決方案，但是同時滿足這些條件卻可以得到唯一的方案。”對于“人類求解問題和感知中存在的冗余”，布雷迪的真正意思是一個詞——模式。我們來看看在一個龐大的停車場中尋找汽車的例子。是否知道車在幾層或哪個編號區域對如何快速地找到車存在著巨大的差別。進一步說，有了位置（中央列、外列、中間或列尾等），車的特征（其顏色、形狀、風格等）以及你將車停在停車場的哪個區域（接近建筑、出口、柱子、墻等等）這些知識，對于你如何快速地找到汽車有著很大的不同。6.1.1在自己的領域里作為專家人們會使用3種截然不同的方法：（1）使用信息（收據上的號碼、票據以及停車場里提供的信息）。通過這種方法，人類并沒有使用任何智能，就像可以借助汽車的導航系統到達目的地一樣，不需要對要去的地方有任何地理上的理解。（2）使用所提供的票據上的信息，以及有關汽車及其位置的某些模式的組合。例如，票據上顯示車停在7B區，同時你也記得這距離目前的位置不是很遠、車是亮黃色的，并且尺寸比較大。沒有很多大型的黃車，這使得你的汽車從其他的汽車中脫穎而出（見圖6-5）。6.1.1在自己的領域里作為專家

圖6-5模式和信息可以幫助我們識別事物6.1.1在自己的領域里作為專家（3）人類不依賴任何具體的信息，而是完全依賴于記憶和模式這種脆弱的方法。上述這3種方法說明了人類在處理信息方面的優勢。人類具有內置的隨機訪問和關聯的機制。為了到第3層提車，我們不需要線性地從第1層探索到第3層。機器人必須很明確地被告知跳過3層以下的樓層。我們的記憶允許我們利用車輛本身的特征（約束），如車是黃色的、大型的、舊的、周圍的車并不是很多。模式與信息的結合可以幫助我們減少搜索（類似于上面提到的約束和元知識）。因此，我們知道車在某一層（票據上是這樣說的），但是我們也記得我們是如何停放汽車的（很緊密地停放或是很隨意地停放），汽車周圍可能有什么車，所選擇停車點有什么其他顯著的特征。6.1.2五個技能獲取階段伯克利的兩位哲學家兄弟胡伯特·德雷福斯和斯圖爾特·德雷福斯提出了這樣一條評判想法：在機器上，人們很難解釋或發展人類的“專有技術”。雖然我們知道如何騎自行車、如何開車，以及許多其他基本的事情（如走路、說話等），但是在解釋如何實現這些動作時，我們的表現會大打折扣。德雷福斯兄弟將“知道什么事”與“知道如何做”區分開來。知道什么事指的是事實知識，例如遵循一套說明或步驟，但是這不等同于“知道如何做”。獲得“專有技術”后，這就變成了隱藏在潛意識中的東西。我們需要通過實踐來彌補記憶的不足。6.1.2五個技能獲取階段例如，你可能用VCR錄制過電視節目。你學到了必要的步驟——我們可以從VCR上的控件直觀地得到這些步驟，也知道電視應當被設置到特定的頻道，可以執行和理解這些必需的步驟來錄制電視節目（專有技術）。但是，這是很久以前的事了。當人們有了DVD，系統已經改變了。因此，你可能不得不承認自己已經失去了如何錄制電視節目的專有技術。德雷福斯兄弟所討論的專有技術基于“從新手到專家的過程中有5個技能獲取階段”這個前提，即新手、熟手、勝任、精通、專家。6.1.2五個技能獲取階段階段1：新手只遵循規則，對任務領域沒有連貫的了解。規則沒有上下文，無須理解，只需要具備遵循規則的能力，完成任務。例如，在駕駛時，遵循一系列步驟到達某個地方。階段2：熟手開始從經驗中學到更多的知識，并能夠使用上下文線索。例如，當學習用咖啡機制作咖啡時，我們遵循說明書的規則，但是也用嗅覺來告訴自己咖啡何時準備好了。換句話說，在任務環境中，我們可以通過所感知到的線索來學習。6.1.2五個技能獲取階段階段3：勝任的技能執行者不僅需要遵循規則，也需要對任務環境有一個明確的了解。他能夠通過借鑒規則的層次結構做出決定，并且認識到模式（稱為“一小部分因素”或“這些元素系列”）。勝任執行者可能是面向目標的，并且他們可能根據條件改變自己的行為。例如，勝任的駕駛員知道如何根據天氣條件改變駕駛方式，包括速度、齒輪、擋風玻璃刮水器、鏡子等。此時，執行者會發展出憑直覺感知的知識或專有技術。這個層次的執行者依然是基于分析，將要素結合起來，基于經驗做出最好的決定。6.1.2五個技能獲取階段階段⒋：精通的問題求解者不僅能夠認識到情況是什么及合適的選擇是什么，還能夠深思熟慮，找到最佳方式，實施解決方案。一個例子就是，醫生知道患者的癥狀意味著什么，并且能夠仔細考慮可能的治療選項。6.1.2五個技能獲取階段階段5：專家“基于成熟以及對實踐的理解，一般都會知道該怎么做”。應對環境時，專家非常超然，沒有看到問題就去努力解決這些問題，他也不焦灼于在未來去精心制訂計劃。“我們在走路、談話、開車或進行大多數社交活動時，通常不做出深思熟慮的決定。”因此，德雷福斯兄弟認為專家與他們所工作的環境或舞臺融為一體。駕駛員不僅是在駕駛汽車，也在“駕駛自己”；飛行員不僅在開飛機，也是在“飛行”；國際象棋大師不僅是下棋，而是成了“一個機會、威脅、優勢、弱點、希望和恐懼世界中”的參與者。6.1.2五個技能獲取階段德雷福斯兄弟進一步闡述：“當事情正常進行時，專家不解決問題，不做決定，正常地進行工作”。他們的主要觀點是；“精通或專家級別的人，以一種無法解釋的方式，基于先前具體的經驗做出判斷。”他們認為“專家行為不合理”，也就是說，沒有通過有意識的分析和重組而做出行動。6.1.2五個技能獲取階段德雷福斯兄弟認為，在許多方面，如視覺、解釋判斷方面，包括人腦整體工作的方式，機器都比人腦差。沒有這些能力，機器將永遠比不上人類（大腦和思想）。雖然機器可能是優秀的符號操作器（邏輯機器或推理引擎），但是它們缺乏能力進行整體識別以及在一些類似圖片之間進行區分，而人類擁有這些能力。例如，在面部識別方面，機器無法捕獲所有特征，而人類將會捕獲到所有特征，無論這些特征是明確的還是隱藏的。6.1.3專家的特點格倫菲爾鮑討論了這樣一個事實，即專家具有一定的特點和技術，這使得他們能夠在其問題領域表現出非常高的解決問題的水平。一個關鍵的杰出特征就是，他們能出色地完成工作。要做到這一點，他們要能夠完成如下工作：解決問題——這是根本的能力，沒有這種能力，專家就不能稱為專家。與其他人工智能技術不同，專家系統能夠解釋其決策過程。思考這樣一個醫療專家系統，這個系統能夠確定你還有6個月的生命，你當然想知道這個結論是如何得出的。6.1.3專家的特點解釋結果——專家必須能夠以顧問的身份提供服務并解釋其理由。因此，他們必須對任務領域有深刻的理解。專家了解基本原則，理解這些原則與現有問題的關系，并能夠將這些原則應用到新的問題上。學習——人類專家不斷學習，從而提高了自己的能力。在人工智能領域，人們希望機器能得到這些專有技能，學習也許是人類專有技能中最困難的一種技能。重構知識——人可以改進他們的知識來適應新的問題環境，這是人的一個獨特特征。在這個意義上，專家級的人類問題求解者非常靈活并具有適應性。6.1.3專家的特點打破規則——在某些情況下，例外才是規則。真正的人類專家知道其學科中的異常情況。例如，當藥劑師為病人寫處方時，他知道什么樣的藥劑或藥物不能與先前的處方藥物發生很好的相互作用（即“配伍禁忌”）。了解自己的局限——人類專家知道他們能做什么、不能做什么。他們不接受超出其能力的任務或遠離其標準區域的任務。平穩降級——在面對困難的問題時，人類專家不會崩潰、也就是說，他們不會“出現故障”，同樣，在專家系統中，這也是不可接受的。6.1.4專家系統的特征專家系統具有這些特征：解決問題——專家系統當然有能力解決其領域的問題。有時候，它們甚至解決了人類專家無法解決的問題，或提出人類專家沒有考慮過的解決方案。學習——雖然學習不是專家系統的主要特征，但是如果需要，人們可以通過改進知識庫或推理引擎來教授專家系統。機器學習是人工智能的另一個主題領域。重構知識——雖然這種能力可能存在于專家系統中，但是本質上，它要求在知識表示方面做出改變，這對機器來說比較困難。6.1.4專家系統的特征打破規則——對于機器而言，使用人類專家的方式，以一種直觀、知情的方式打破規則比較困難；相反，機器會將新規則作為特例添加到現有規則中。了解自己的局限——一般說來，當某個問題超出了其專長的領域時，專家系統和程序也許能夠在因特網的幫助下參考其他程序找到解決方案。平穩降級——專家系統一般會解釋在哪里出了問題、試圖確定什么內容以及已經確定了什么內容，而不是保持計算機屏幕不動或變成白屏。6.1.4專家系統的特征專家系統的其他典型特征包括：推理引擎和知識庫的分離。為了避免重復，保持程序的效率是非常重要的。盡可能使用統一表示。太多的表示可能會導致組合爆炸，并且“模糊了系統的實際操作”。保持簡單的推理引擎。這樣可以防止程序員深陷泥沼，并且更容易確定哪些知識對系統性能至關重要。利用冗余性。盡可能地將多種相關信息匯集起來，以避免知識的不完整和不精確。6.1.4專家系統的特征盡管專家系統有諸多優點，但也有一些眾所周知的弱點。例如，雖然它們可能知道水在100攝氏度沸騰，但是不知道沸水可以變成蒸汽，蒸汽可以運行渦輪機。6.1.5建立專家系統要思考的問題當人們考慮建立專家系統時，思考的第一個問題是領域和問題是否合適。Giarratano和Riley提出了人們在開始建立專家系統之前應該思考的一系列問題。“在這個領域，傳統編程可以有效地解決問題嗎？”如果答案為“是”，那么專家系統可能不是最佳選擇。那些沒有有效算法、結構不好的問題最適合構建專家系統。“領域的界限明確嗎？”如果領域中的問題需要利用其他領域的專業知識，那么最好定義一個明確的領域。例如，比起宇航員對外層空間的了解，宇航員對任務的了解必須更多，如飛行技術、營養、計算機控制、電氣系統等。6.1.5建立專家系統要思考的問題“我們有使用專家系統的需求和愿望嗎？”系統必須有用戶（市場），專家也必須贊成創建系統。“是否至少有一個愿意合作的人類專家？”沒有人類專家，肯定不可能創建這個系統。人類專家必須支持建設系統，必須意識到必需的合作和所需的時間，愿意投入大量的時間來建設專家系統。“人類專家是否可以解釋知識，這樣知識工程師就可以理解知識了？”這是一種決定性的試驗。兩個人可以一起工作嗎？人類專家是否可以足夠清晰地解釋所使用的技術術語，是否可以讓知識工程師可以理解這些術語，并將它們轉化為計算機代碼嗎？6.1.5建立專家系統要思考的問題“解決問題的知識主要是啟發式的并且不確定嗎？”基于知識和經驗以及上面描述的“專有技術”，這樣的領域特別適用專家系統。專家系統偏重處理不確定和不精確的知識。也就是說，它們可能在一部分時間內正確工作，并且輸入數據可能不正確、不完整、不一致或有其他缺陷。有時，專家系統甚至只是給出一些答案——甚至不是最佳答案。他們注意到，雖然起初這看起來可能讓人驚訝，也許令人不安，但是通過進一步的思考，這種表現與專家系統的概念是一致的。6.1.5建立專家系統要思考的問題迄今為止，在全世界的許多領域（見表6-1），人們建立了數千個專家系統，其目的是：分析——給定數據，確定問題的原因。控制——確保系統和硬件按照規格執行。設計——在某些約束下配置系統。診斷——能夠推斷系統故障。指導——分析、調試學生的錯誤并提供建議性的指導。解釋——從數據推斷出情景描述。6.1.5建立專家系統要思考的問題監視——將觀察值與預期值進行比較。計劃——根據條件設計動作。預測——對于給定情況，預測可能的后果。規定——為系統故障推薦解決方案。選擇——從多種可能性中確定最佳選擇。模擬——模擬系統組件之間的交互。6.1.5建立專家系統要思考的問題表6-1專家系統的主要應用領域第2節6.2知識工程知識工程是一門新興的工程技術學科，它產生于社會科學與自然科學的相互交叉和科學技術與工程技術的相互滲透。“知識工程”研究的內容是如何組成由計算機和通訊技術結合而成的新的

通訊教育、控制系統。“知識工程”

研究的中心，是“智能軟件服務”，

即研究編制程序，提供軟件服務。

圖6-6知識工程系統6.2知識工程“知識工程”的產生，說明人類所專有的文化、科學、知識、思想等同現代機器的關系空前密切了。這不僅促進了計算機產品的更新換代，更重要的是，它必將對社會生產力新的飛躍，對社會生活新的變化，發生深刻的影響。6.2知識工程關于知識工程的主題和案例報告中指出，建立成功系統的關鍵是使用以下方法：（1）生成和測試——為人們嘗試、測試和采用這種方法已有幾十年之久，其有效性不言而喻。（2）情景-動作規則的使用——也就是產生式規則或基于知識的系統，這種表示有助于專家系統的有效構建、易于修改知識、易于解釋等。“這種方法的本質在于，一條規則必須捕獲‘一大塊’領域知識，這些領域知識本身或其中的內涵必須對領域專家有意義。”6.2知識工程（3）領域專有知識——關鍵的是知識，而不是推理引擎。知識在組織和約束搜索中起著至關重要的作用。使用規則和框架容易表示和操控知識。（4）知識庫的靈活性——知識庫包括了許多規則，人們應當適當選擇這些規則的粒度。也就是說，這些規則要足夠小，讓人可以理解，但是也應該充分大，這樣對領域專家才有意義。按照這種方式，知識能夠靈活地應對改變，可以很容易地得到修改、添加或刪除。（5）推理路線——在構建智能體時，領域專家非常明確知識構建的意義、意圖和目的，這似乎是一條重要的組織原則。6.2知識工程（6）多種知識來源——將看似無關的、多個來源的知識條目整合起來，這對于推理路線的維護和開發是必要的。（7）解釋——系統能夠解釋其推理路線的能力很重要（這是系統調試和擴展所必需的）。人們認為這是一條很重要的知識工程原則，必須予以重視。解釋的結構及適當的復雜程度也是非常重要的。6.2知識工程基于人工智能知識表達方式的專家系統傾向于將計算組件與基于知識的組件分開，所以不同于傳統計算機科學的程序。因此，就專家系統而言，推理引擎不同于知識庫。通常，數據庫包括規則，這些規則“由模式匹配來調用，同時任務環境具有一些特征，如用戶可以添加、修改或刪除任務環境”。這種類型的數據庫稱為知識庫。6.2知識工程用戶可能以如下3種典型的不同方式來使用知識庫。（1）獲取問題的答案——用戶作為客戶端。（2）改進或增加系統的知識——用戶作為導師。（3）收集供人類使用的知識庫——用戶作為學生。6.2知識工程在第二種方式中，使用專家系統的人稱為領域專家。沒有領域專家的幫助，建立專家系統是不可能的。從領域專家提供的信息中提取知識，并將其規劃成知識庫，我們稱這種人為知識工程師。“從領域專家的頭腦中提取知識的過程（一個非常重要的過程）稱為知識獲取。”知識工程是通過領域專家和知識工程師之間的一系列交互來構建知識庫的過程。通常，隨著時間的推移，隨著知識工程師越來越熟悉領域專家的規則，這個過程會涉及許多規則的迭代和改進。6.2知識工程知識工程師一直在尋找可用于表示和解決現有問題的最佳工具。他嘗試組織知識，開發推理方法，構建符號信息的技術。他與領域專家密切合作，嘗試建立最好的專家系統。根據需要，重新概念化知識及其在系統中的表示。系統的人機界面得到改善，系統的“語言處理″讓人類用戶覺得更加舒適，系統的推理過程使用戶更加容易理解。第3節6.3知識獲取從人類專家處獲取知識，并將這些知識組織到可用的系統中——這個任務一直被認為是很困難的。實質上這表示了專家對問題的理解，這對專家系統的能力至關重要。這項任務的正式名稱是知識獲取，這是構建專家系統面臨的最大挑戰。6.3知識獲取雖然書籍、數據庫、報告或記錄可以作為知識來源，但是大多數項目最重要的來源之一是領域專業人員或專家。從專家處獲取知識的過程稱為知識引導，這是一項漫長而艱巨的任務，會涉及許多乏味的會話。這些會話可以以交換想法的交互式討論進行，也可以以采訪或案例研究的形式進行。在后一種形式中，人們觀察專家如何視圖去解決一個真正的問題。無論使用什么方法，人們的目標是為了揭示專家的知識，更好地了解專家解決問題的技能。人們想知道為什么不能通過簡單的問題來探索專家的知識。6.3知識獲取請牢記專家所具備的如下特點。（1）他們往往在自己的領域非常專業，并且往往使用具體領域的語言。（2）他們有大量的啟發式知識——這些知識是不確定以及不精確的。（3）他們不擅于表達自己。（4）他們運用多種來源的知識，力爭表現出色。杜達和Shortliffe在這個問題上給出了自己的立場：知識的識別和編碼是在建立專家系統過程中遇到的最復雜、最艱巨的任務之一……創建一個重大評估系統（在考慮實際使用之前）所需要的努力往往是以人年為單位的。6.3知識獲取在描述專家系統的構建過程中，海耶斯-羅斯等人采用了“瓶頸”一詞：知識獲取是構建專家系統的瓶頸。知識工程師的工作就是作為一個中間人幫助建立專家系統。由于知識工程師對領域知識的了解遠遠少于專家，因此溝通問題阻礙了將專業知識轉移到工作中的過程。6.3知識獲取自20世紀70年代以來，人們嘗試了多種自動化知識獲取的技術，如機器學習、數據挖掘和神經網絡。事實證明，這些方法在某些情況下很成功。例如，有一個著名的大豆作物診斷案例，在這個案例中，從植物病理學家雅各布森（領域專家）的提供的原始描述符集和確定診斷的患病植物的訓練集開始，程序合成了診斷規則集。意想不到的發現是，機器合成的規則集超出了由雅各布森制定的規則。雅各布森通過部分成功實驗來嘗試改進他的規則，結果機器的規則具有99%的準確性，于是他放棄了自己的努力，采用機器合成的規則作為其專業工作的6.3知識獲取專家系統的知識有如下5種主要的知識分類。（1）過程性知識——規則、策略、議程和程序。（2）陳述性知識——概念、對象和事實。（3）元知識——關于其他類型的知識以及如何使用知識的知識。（4）啟發式知識——經驗法則。（5）結構化知識——規則集、概念關系、對象關系。6.3知識獲取可能的不同形式的知識來源是專家、終端用戶、多個專家、報告、書籍、法規、在線信息、計劃和指南。雖然收集和解釋知識的過程可能只需要幾個小時，但是解釋、分析和設計一個新的知識模型可能需要很多時間。人們將淺層知識（可能基于直覺）轉化為深層知識（可能隱藏在專家的潛意識中）的過程稱為知識編譯問題。知識引導中拓展的技能有助于促進知識獲取。1知識庫2推理機3其他部分第4節6.4專家系統的結構專家系統通常由人機交互界面、知識庫、推理機、解釋器、綜合數據庫、知識獲取等6個部分構成。其中尤以知識庫與推理機相互分離而別具特色。專家系統的體系結構隨專家系統的類型、功

能和規模的不同，而有所差異。圖6-7專家系統的基本結構6.4專家系統的結構基于規則的產生式系統是目前實現知識運用最基本的方法。產生式系統由綜合數據庫、知識庫和推理機3個主要部分組成，綜合數據庫包含求解問題的世界范圍內的事實和斷言。知識庫包含所有用“如果：〈前提〉，于是：〈結果〉”（If-Then規則）形式表達的知識規則。推理機（又稱規則解釋器）的任務是運用控制策略找到可以應用的規則。6.4.1知識庫為了使計算機能運用專家的領域知識，必須要采用一定的方式表示知識。常用的知識表示方式有產生式規則、語義網絡、框架、狀態空間、邏輯模式、腳本、過程、面向對象等。6.4.1知識庫知識庫用來存放專家提供的知識。專家系統的問題求解過程是通過知識庫中的知識來模擬專家的思維方式的，因此，知識庫是專家系統質量是否優越的關鍵所在，即知識庫中知識的質量和數量決定著專家系統的質量水平，也是專家系統設計的“瓶頸”問題。一般來說，專家系統中的知識庫與專家系統程序是相互獨立的，用戶可以通過改變、完善知識庫中的知識內容來提高專家系統的性能。通過知識獲取，可以擴充和修改知識庫中的內容，也可以實現自動學習功能。6.4.2推理機推理機針對當前問題的條件或已知信息，反復匹配知識庫中的規則，獲得新的結論，以得到問題求解結果。在這里，推理方式可以有正向和反向推理兩種。正向鏈的策略是尋找出前提可以同數據庫中的事實或斷言相匹配的那些規則，并運用沖突的消除策略，從這些都可滿足的規則中挑選出一個執行，從而改變原來數據庫的內容。這樣反復地進行尋找，直到數據庫的事實與目標一致即找到解答，或者到沒有規則可以與之匹配時才停止。6.4.2推理機逆向鏈的策略是從選定的目標出發，尋找執行后果可以達到目標的規則；如果這條規則的前提與數據庫中的事實相匹配，問題就得到解決；否則把這條規則的前提作為新的子目標，并對新的子目標尋找可以運用的規則，執行逆向序列的前提，直到最后運用的規則的前提可以與數據庫中的事實相匹配，或者直到沒有規則再可以應用時，系統便以對話形式請求用戶回答并輸入必需的事實。可見，推理機就如同專家解決問題的思維方式，知識庫就是通過推理機來實現其價值。6.4.3其他部分人機界面是系統與用戶進行交流時的界面。通過該界面，用戶輸入基本信息、回答系統提出的相關問題，并輸出推理結果及相關的解釋等。綜合數據庫專門用于存儲推理過程中所需的原始數據、中間結果和最終結論，往往是作為暫時的存儲區。解釋器能夠根據用戶的提問，對結論、求解過程做出說明，因而使專家系統更具有人情味。1DEDRAL專家系統2振動故障診斷的專家系統3自動牙科識別第5節6.5經典的專家系統近40多年來，人們建成了具有數以千計規則的專家系統，這些系統集成了眾所周知的經過測試的方法來處理大量特定領域的數據，包括數據庫、數據挖掘和機器學習。專家系統在多個領域中，如語言/自然語言理解、機器人學、醫學診斷、工業設備故障診斷、教育、評估和信息檢索等，人們己經采用了混合智能方法。6.5經典的專家系統1977年，中國科學院自動化研究所就基于關幼波先生的經驗，研制成功了我國第一個“中醫肝病診治專家系統”。1985年10月中科院合肥智能所熊范綸建成“砂姜黑土小麥施肥專家咨詢系統”，這是我國第一個農業專家系統。經過20多年努力，一個以農業專家系統為重要手段的智能化農業信息技術在我國取得了引人矚目的成就，許多農業專家系統遍地開花，對我國農業持續發展發揮作用。中科院計算所史忠植與東海水產研究所等合作，研制了東海漁場預報專家系統。在專家系統開發工具方面，中科院數學研究所研制了專家系統開發環境“天馬”，中科院合肥智能所研制了農業專家系統開發工具“雄風”，中科院計算所研制了面向對象專家系統開發工具“OKPS”。6.5.1DENDRAL專家系統DENDRAL專家系統歷史悠久，這個項目開始于1965年，持續多年，涉及斯坦福大學的許多化學家和計算機科學家。無論是在實驗意義上還是在正式的分析和科學意義上，許多與人工智能發展有關的想法都是從這個項目開始的。例如，在早期，DENDRAL強有力地證明了生成和測試算法以及基于規則的方法能夠有效地建立專家系統。6.5.1DENDRAL專家系統DENDRAL的任務是列舉合理的有機分子化學結構（原子鍵圖），輸入兩種信息：①分析儀器質譜儀和核磁共振光譜儀的數據，②用戶提供的答案約束，這些約束可用從用戶可用的任何其他的知識源（工具或上下文）推導得到。6.5.1DENDRAL專家系統解釋如下：“正如費根鮑姆（計算機科學家）所說，過去還沒有將未知化合物的質譜圖映射到其分子結構的算法。因此，DENDRAL的任務是將人類專家萊德伯格（化學家，遺傳學諾貝爾獎獲得者）的經驗、技能和專業知識納入程序中，這樣程序就可以以人類專家的水平運行。在開發DENDRAL的過程中，萊德伯格不得不學習很多關于計算的知識，正如費根鮑姆不得不學習化學知識一樣。顯然，對于費根鮑姆而言，除了與化學有關的許多具體規則外，化學家還根據經驗和猜想使用了大量啟發式知識。”6.5.1DENDRAL專家系統DENDRAL的輸入通常包含了所研究的如下化合物信息。化學式，如C6H12O。未知有機化合物的質譜圖。核磁共振光譜信息。然后，無須反饋，DENDRAL在3個階段執行啟發式搜索，這稱為規劃-生成-測試。6.5.1DENDRAL專家系統（1）規劃——在這個階段，根據所有可能的原子構型的集合中和質譜推導出的約束一致的原子構型集合，還原出答案。應用約束，選擇必須出現在最終結構中的分子片段，剔除不能出現的分子片段。（2）生成——使用名為CONGEN的程序來生成可能的結構。“它的基礎是組合算法（具有數學證明的完整性以及非冗余生成性）。組合算法可以產生所有在拓撲上合法的候選結構。通過使用‘規劃’過程提供的約束進行裁剪，引導生成合理的集合（即滿足約束條件的集合），而不是巨大的合法集合。”（3）測試——最后階段，根據假想中的質譜結構與實驗結果之間的匹配程度，對生成的輸出結構排列次序。6.5.1DENDRAL專家系統DENDRAL可以很迅速地將數百種可能的結構縮減到可能的幾種或一種結構。如果生成了幾種可能的結構，那么系統將會列出這些結構并附上概率。DENDRAL證明了計算機可以在一個有限的領域內表現得與人類專家相當。在化學領域，它的表現高于或等于一個化學博士生。這個系統在美國的化學家中得到了廣泛的應用。費根鮑姆進一步指出：很矛盾的是，DENDRAL的結構闡釋能力既非常廣泛，也非常狹窄。一般來說，DENDRAL能夠處理所有分子、環和樹狀。在約束條件下（純粹的儀器數據）對純結構的闡釋，CONGEN的表現人類無法匹及……在這些知識密集型的專業領域，通常來說，比起人類專家的表現，DENDRAL的表現不但快得多，而且更準確。6.5.2振動故障診斷的專家系統專家系統的重要作用之一是用于故障診斷。在昂貴、高速、關鍵機械運轉的情況下，故障的早期準確檢測非常重要。在機械運轉的情況下，異常情況的常見指標是旋轉機械的振動。檢測到故障后，維護工程師能夠識別癥狀信息，解釋各種錯誤信息和指示，并提出正確的診斷。換句話說，識別可能導致故障的組件以及組件失敗的原因。機械裝置往往會有數百個零件，非常復雜。這將需要專業的領域知識來診斷