aiwiki.page
中文
计算机 / 人工智能 / expert-system

专家系统

专家系统是一种基于知识的计算机程序,运用显式表达的领域知识和推理过程来解决专业问题。

36 个关键词6 个词条链接到这里6 个尚未撰写AI 撰写
人工智能符号人工智能机器学习计算机科学Lisp(编程语言)知识库推理引擎数据库专家系统

专家系统是一种计算机程序,旨在运用显式表达的知识和推理过程,解决特定专业领域的问题。其知识通常包括从专业人员、文献或其他权威来源获取的事实、关系、约束和规则。独立的推理组件将这些知识应用于具体案例中的事实,从而得出结论、提出建议、给出解释,或请求补充信息。

在20世纪70年代和80年代,专家系统成为人工智能的一个主要分支。它们表明,较强的任务处理能力可以源于详尽的领域知识,而不必依靠某一种通用的问题求解方法。其应用包括解读化学测量结果、配置计算机设备、评估矿产勘探前景以及支持医学研究。专家系统尤其推动了知识表示、解释以及系统化获取专业知识成为工程实践中需要关注的问题。

这一术语与符号人工智能的联系最为密切,尤其是基于规则的程序,但专家系统并不一定只使用规则。它们也可以利用结构化对象、因果模型、约束、概率,或这些表示方式的组合进行推理。不同于主要通过机器学习习得自身行为方式的系统,传统专家系统将其运行所依据的大量知识以可供人们检查和修改的形式明确呈现出来。这种区别体现在架构上,并非绝对的界限:通过学习获得的模型与显式知识可以结合用于同一个应用。

历史发展与里程碑系统

专家系统的兴起,部分源于早期通用人工智能问题求解程序的局限。这些程序通过搜索可能的行动来求解,虽然能解决经过精心设定的谜题,但现实中的科学和工业问题需要大量专业知识。爱德华·费根鲍姆等研究者主张,知识的内容及其组织方式是实现智能表现的核心。这一观点推动了知识工程在计算机科学中成为一种独立的方法。

1965年在斯坦福大学启动的 DENDRAL 项目是早期的示范之一。费根鲍姆、遗传学家约书亚·莱德伯格、化学家卡尔·杰拉西及其合作者参与了这一项目,研究如何根据实验数据,尤其是质谱数据,识别分子结构。该系统将化学约束条件与生成、检验候选结构的程序相结合。其重要性不只在于搜索可能的分子结构,更在于利用化学知识大幅缩小搜索范围。相关项目 Meta-DENDRAL 则研究如何从实例中归纳出质谱碎裂规律。

20世纪70年代在斯坦福大学开发的 MYCIN,成为基于规则的医学专家系统中最著名的例子。爱德华·肖特利夫及其同事设计了这一系统,用于对某些细菌感染及抗菌药物的选择进行推理。它采用反向链式推理,通过交互式咨询获取信息,并以数值化的确定性因子表示证据的支持程度。MYCIN 是一个研究系统,而非供临床日常使用的服务。它的历史意义在于其体系结构和评估方法,而不是在医疗领域得到广泛部署。将其不依赖特定领域的推理机制与医学规则分离后,研究者开发出了颇具影响力的专家系统外壳 EMYCIN。

其他项目展示了不同形式的专门知识。PROSPECTOR 运用地质知识和概率推理方案来评估矿产勘探资料。XCON 最初名为 R1,由卡内基梅隆大学的约翰·麦克德莫特开发,于1980年在数字设备公司投入使用,用于为计算机订单配置设备。它选择并组合相互兼容的部件,解决了一项需要满足许多相互关联的技术约束的任务。这些项目推动专家系统从实验室演示走向实际的商业应用。

20世纪80年代,在专用开发环境、咨询业务以及针对 Lisp编程语言优化的计算机供应商的支持下,商业界对专家系统的热情不断高涨。到了80年代末和90年代初,高昂的开发成本、维护困难、硬件市场的变化以及过高的预期,共同促使这一领域收缩。但这并不意味着基于知识的软件就此消失。规则引擎、配置工具、诊断应用和决策支持组件仍在继续发展,只是往往不再冠以“专家系统”之名。因此,从历史进程来看,专家系统逐渐从一种备受瞩目的人工智能产品类别,转变为嵌入更广泛软件系统中的一组技术。

体系结构及知识与控制的分离

传统的专家系统包含知识库、推理引擎、工作存储器,以及供用户或外部软件输入信息的接口。许多系统还提供解释功能,以及用于编辑和检查知识的工具。其体系结构的核心思想,是将领域知识与运用这些知识的通用过程分离。例如,某项技术规程发生变化时,可能只需修改规则,而不必重写规则解释器。

知识库存放相对持久的领域信息。工作存储器则保存与当前问题有关的事实,如观察到的症状、选定的设备、测量值、中间结论或尚未解决的问题。这种区分是功能上的,不一定体现为物理上的分离。两者都可以存放在同一个数据库中,但各自的存续时间和作用不同。有些事实由用户提供,有些来自仪器或业务记录,还有一些是在推理过程中推导出来的。稳健的实现会记录这些事实的来源,因为输入发生变化时,可能需要重新审视已有结论。

以设备诊断系统为例,其知识库可能规定:如果电动机已通电,电流异常偏高,而转轴没有转动,那么这一情况与机械阻塞相符。工作存储器则保存某一台电动机的实际读数和观测结果。推理引擎检查规则的条件是否满足,记录由此得出的假设,并可能要求进一步观测,以区分机械阻塞与其他故障。无论是规则本身,还是推理引擎本身,都不能单独构成完整的应用系统。

专家系统外壳提供可复用的推理和开发功能,但不包含已经构建完成的领域知识库。外壳通过提供规则语法、匹配过程、咨询交互界面和解释支持,减少了构建系统所需的工作量。不过,使用外壳并不意味着可以省去领域分析。开发者仍须确定系统中有哪些对象、观测结果意味着什么、如何表示不确定性,以及允许采取哪些行动。适合分类任务的外壳,未必适合调度或连续过程控制。

实际运行的系统还需要集成服务,而经典的体系结构图有时并未充分体现其重要性。这些服务包括身份验证、数据校验、日志记录、事务处理,以及通过应用程序编程接口与其他应用程序建立连接。即使数据已经过时或映射有误,推理组件仍可能据此得出逻辑上自洽的答案。因此,接口契约、计量单位、时间戳和错误处理都是保障系统正确性的组成部分,而不只是实现细节。

知识与控制的分离也并不彻底。规则优先级、提问顺序,以及为触发特定推理路径而设计的条件,都可能将过程性假设编码在知识库中。因此,要理解一个专家系统,既要考察它明确表述的领域知识,也要考察它的执行策略。

专业知识的表示

最常见的表示方式是产生式规则:如果指定条件成立,就断言某个结论或执行某项操作。一条简化的规则可以写成:“如果某个组件需要特定的连接器,而所选机箱没有该连接器,则将此配置标记为不兼容。”条件可以检验多个相互关联的对象、比较数值,或检查另一项事实是否存在。操作可以添加或撤回事实、提出假设、请求信息,或调用外部过程。当专业知识可以表述为大量相对局部的关系时,规则尤其有用。

规则表达的知识并非都属于同一类型。有些规则编码的是定义,例如将订单归类为不完整订单的条件;另一些则编码因果预期、诊断关联、法律要求或实用的简便方法。启发式方法即使并非普遍成立,也可能有用。将启发式关联与物理定律混为一谈,可能使系统显得比其知识所能支持的更加确定,或适用范围更广。因此,规则文档需要明确说明规则的预期含义、适用范围、来源和例外情况。

结构化表示围绕对象及其属性来组织知识。框架通过槽位描述实体,例如设备的制造商、工作范围或组件清单。框架可以支持继承,使更具体的类别能够共享更一般类别的属性。这样,系统就能将对象结构与规则结合起来:一条规则可以适用于泵这一类别的所有实例,同时参考从某个特定泵子类继承的属性。这可以减少重复,但默认值和例外情况需要有严谨定义的语义。

更形式化的方法使用逻辑学来表示关系和有效的推导。例如,基于谓词的陈述可以表达:每个已安装组件都必须与其宿主满足某种兼容关系。逻辑编程提供了一类语言,其中的计算与证明此类陈述密切相关。另一些系统则使用约束来规定允许的组合,而不是指定决策的先后顺序。配置和调度问题往往能从这种表述方式中受益,因为其目标是找到一个同时满足多项限制的赋值方案。

知识图谱可以表示相互关联的实体及其关系,而本体则定义类别及其关系的含义。两者本身都不必然构成专家系统。图谱可能只支持检索,而不执行专家级推理;本体也可能只定义词汇,而不规定决策过程。只有将它们与面向特定任务的推理、适当的输入数据,以及对结果的可操作性解释结合起来,它们才成为专家系统的组成部分。

表示方式的选择决定了哪些内容容易表达,以及会产生怎样的推理成本。简洁的规则语言可能无法表达时间关系;表达能力丰富的逻辑语言如果不加限制,则可能使推理变得困难,甚至不可判定。因此,知识表示与推理需要在表达能力、计算上的可处理性,以及领域专家理解和维护已编码知识的能力之间作出权衡。

推理、搜索与控制策略

两种主要的推理策略是前向链推理和后向链推理。前向链推理从已有事实出发,反复应用条件得到满足的规则。这是一种数据驱动的策略:新的观测结果可以触发新的结论,进而激活更多规则。它适用于监测和事件处理任务,因为在这类任务中,哪些信息值得关注取决于新输入的信息。例如,若干设备读数可能激活一些规则,识别出异常运行状况,并启动诊断流程。

后向链推理从一个目标出发,寻找能够证实该目标的证据。如果目标是判断某项配置是否可以接受,推理引擎就会查找能够得出“可以接受”这一结论的规则,然后尝试证明这些规则的条件成立。这些条件又成为子目标。系统可以查阅已有事实、调用其他规则,或向用户提问。当一次咨询只有有限几种可能的结论,而收集所有可用事实的成本又很高时,这种目标驱动的策略就很有用。

对于一个简单的确定规则系统,设 FtF_t 为步骤 tt 时的已知事实集合,每条规则的前提为 ArA_r,结论为 crc_r。前向链推理的一个步骤可以描述为

Ft+1=Ft∪{cr:Ar⊆Ft}.F_{t+1}=F_t\cup\{c_r:A_r\subseteq F_t\}.

如果可能的基事实数量有限,而且规则只会添加事实,那么反复应用规则最终会到达一个不动点。实际系统往往会使用变量、撤回事实、执行动作或引入优先级,使这一模型变得更加复杂。这些特性意味着,不能简单地假定推理一定会终止,也不能假定结果与执行顺序无关。

当多条规则都适用时,推理引擎需要一种冲突消解策略。它可以优先选择优先级更高的规则、涉及较新事实的规则,或条件更具体的规则。由此形成的可执行规则实例集合通常称为议程。当规则会执行动作或移除信息时,选择哪条规则尤其重要:触发一条规则可能会阻止另一条规则触发。因此,专家系统的语义不仅取决于其规则集,也可能取决于执行策略。

将规则条件与大量事实进行匹配,计算开销可能很高。查尔斯·福吉在1982年的一篇出版物中介绍的Rete算法,通过保留中间匹配结果,并在事实发生变化时更新这些结果,来解决这一问题。共同的条件测试和部分匹配被组织成一个网络,而不是在每个周期中为每条规则分别重新计算。Rete可以大幅减少重复计算,但其存储的部分匹配也可能占用大量内存。它的效果取决于规则的结构和事实更新的模式。

推理还需要防范循环论证和重复计算。后向链推理系统可以跟踪当前正在求解的目标,或缓存结果;前向链推理系统则可以防止同一个规则实例在没有相关变化的情况下反复触发。对于交互式应用,控制还包括决定接下来提出哪个问题,以及何时已经获得足够的证据。这些都是搜索和资源分配方面的决策,而不只是演绎推理是否有效的问题。

不确定性、缺省推理与解释

实际运用专业知识时,很少能获得完整且完全可靠的信息。测量可能存在噪声,观测可能有所缺失,同一组证据也可能符合多种解释。专家系统必须区分两种不确定性:一种涉及某个命题是否为真,另一种涉及支持该命题的证据是否相关或可靠。系统还必须区分未知的事实与已知不成立的事实。在记录不完整时,将所有未记录的条件都视为不成立,可能导致错误结论。

MYCIN 通过确定性因子处理不确定证据。在其常见形式中,确定性因子的取值介于 −1-1 与 11 之间,负值表示反对某个假设的证据,正值则表示支持。规则带有强度值,组合程序则沿推理链传递支持度。确定性因子旨在提供一种实用方法,用于获取和组合专家判断;它们并不等同于通常意义上的概率。如何解释和组合确定性因子,后来成为不确定性推理研究中的重要课题。

基于概率的系统则明确描述条件依赖关系。贝叶斯网络用有向无环图表示变量及其依赖关系。对于假设 HH 和证据 EE,概率论给出

P(H∣E)=P(E∣H)P(H)P(E),P(H\mid E)=\frac{P(E\mid H)P(H)}{P(E)},

其中要求 P(E)>0P(E)>0。工程上的难点在于定义变量、获取合适的概率值,以及正确表示依赖关系。当多个观测源于同一潜在来源时,若将它们视为相互独立并将各项证据的贡献相乘,就可能夸大支持度。

信息不完整也促使系统采用缺省推理:在没有相反证据时,暂时接受某些结论。例如,系统可以假定设备处于标准配置,直到检查确认设备已被改动。这类推理属于非单调推理,因为新增信息可能要求撤回先前的结论。真值维护系统记录假设与推导出的事实之间的依赖关系,以便在假设发生变化时修正受影响的结论。如果依赖原始事实的结论仍保留在工作记忆中,仅仅删除原始事实并不足够。

传统上,解释功能回答两个问题:“为什么需要这项信息?”以及“这个结论是如何得出的?”反向链接系统可以通过展示当前目标和相关规则,解释为什么要提出某个问题;也可以通过列出支持结论的事实和规则应用过程,解释结论是如何得出的。这些功能使专家系统成为可解释人工智能的重要先驱,尤其是在可追溯性具有实际应用价值的场景中。

推理轨迹并不一定能构成令人满意的领域解释。一份规则标识符清单可能准确描述了执行过程,却未能说明其背后的物理机理或制度依据。反过来,流畅的解释文字也可能掩盖实际推理中的缺陷。有效的解释应区分观测事实与假设,指明规则的来源和适用局限,并展示有意义的其他可能性。具备解释功能,本身并不能证明系统的结论正确。

知识工程、验证与维护

构建专家系统,首先要界定一项范围明确的任务。与“利用现有测量数据,区分某一特定产品系列中指定的故障模式”相比,“诊断所有机器故障”要难处理得多。任务界定明确了系统的用户、输入条件、输出类别和权限边界,也确定了系统应当拒绝下结论的情形。这一边界至关重要,因为系统在狭窄领域内具备能力,并不意味着它在该领域之外也能可靠运行。

知识获取的来源包括访谈、观察、成文规程、案例记录,以及对从业者如何解决代表性问题的分析。专家可能能够完成一项任务,却无法说出所有相关规则。他们的判断可能依赖难以言传的感知线索,或处理罕见案例的经验。不同专家也可能采用不同的术语或策略。知识工程师必须将这些材料转化为明确、可检验的表示形式,不能假定专家最初的口头陈述就完整描述了实际做法。

由此产生的困难被称为“知识获取瓶颈”。单独添加一条规则往往很容易,但要确定它与数百条现有规则如何相互作用,却并不容易。新增一个例外,可能就需要修改类别、提问顺序、不确定性处理方式和解释内容。知识获取工具可以检查语法,或帮助引导专家明确各种区别,却无法自动解决有关领域含义的分歧。机器学习技术可以提出可能存在的模式,但学到的关联仍需经过解释,才能被视为权威知识。

验证关注的是实现是否符合规格说明。规则检查可以发现无法触发的规则、相互冲突的结论、遗漏的情形、循环依赖,以及变量使用不一致等问题。形式验证可以在精确定义的模型下确立某些性质,但其保证是否适用,取决于模型及其假设是否恰当。即使证明了每一种允许的配置都满足已编码的约束,也不能说明所有必要的现实约束都已纳入编码。

确认关注的是系统能否胜任其预定任务。这需要有代表性的案例、适当的比较标准,以及与错误后果相匹配的衡量指标。与某一位专家的判断一致,并不总是可靠的参照,尤其是在专家之间存在分歧时。评估可以考察正确性、覆盖范围、咨询耗时、解释质量,以及缺乏依据的结论出现的频率。如果案例影响了规则的制定,就需要使用真正独立的案例进行评估;反复针对同一批案例修改规则,可能会造成知识工程中的过拟合现象。

维护工作包括管理规则版本、记录规则来源、重新运行回归测试,以及评估运行环境的变化。版本控制十分重要,因为有时需要使用当时实际生效的知识库,重现某个结论的推导过程。设备、法规、组织政策或数据采集方式的变化,都可能使原本有用的规则失效。因此,知识维护是一项持续性的责任,与维护传统软件和业务运行数据类似,而不是在专家知识获取完毕后进行的最后一道收尾工作。

应用领域与运行条件

诊断是专家系统的一类自然应用,因为它需要将可观察到的现象与可能的深层原因联系起来。专家系统可以辨别电子组件中的故障、识别工业报警的可能原因,或辅助解读科学测量结果。推理过程往往在提出假设与选择能够区分这些假设的观测之间交替进行。在相关情形下,诊断规则必须考虑多个故障同时发生的情况;基于单一故障假设构建的系统,在故障相互影响时可能表现不佳。

配置任务有着不同的要求。这类任务需要利用可用部件组装出符合要求的对象,同时满足兼容性、容量和排列顺序方面的约束。XCON 的计算机配置工作表明了专业知识为何重要:仅选对各个部件还不够,它们的组合、放置位置以及配套要求也必须正确。相关应用包括电信设备、工程产品和软件安装的配置。约束方法常常与产生式规则相辅相成,因为可能存在多种有效配置,而局部选择可能对其他环节产生影响。

规划与调度系统围绕行动、资源和时间展开推理。领域规则可以确定允许执行的操作或有用的优先次序,再由搜索或数学优化确定可行或更优的安排。并非所有规划器或优化器都是专家系统。只有当显式的专业知识在选择、构建或评估解决方案的过程中发挥实质性作用时,使用这一称谓才最为恰当。采用通用目标函数的数值优化器,并不会仅仅因为其应用在技术上很复杂,就成为专家系统。

监测应用将观测结果与预期状态进行比较,并检测需要关注的情况。在工业环境中,基于知识的组件可以解读报警,或区分会产生实质影响的事件与次生症状。这类应用面临着交互式咨询未必会遇到的时效性和数据质量约束。测量延迟、时间戳不一致、传感器故障以及状态快速变化,都可能使原本合理的推理失去可靠性。因此,时间相关的应用需要明确规定如何处理过时信息,以及何时保留或撤回结论。

行政管理和商业用途包括资格评估、合规检查、承保支持和组织政策解读。如今,许多此类应用被称为业务规则系统或决策服务。它们在技术上与专家系统存在交集,但其作用可能是执行明确的机构要求,而非复现稀缺的人类专业知识。这些应用的可靠性取决于能否使规则始终与所依据的政策保持一致,并清楚区分强制性要求、酌情判断和解释性指导。

涉及医学或其他安全关键领域的应用,需要分别评估实际运行表现、工作流程、人工监督以及适用的监管义务。一项成功的回顾性研究,并不能证明系统在日常使用中也能可靠运行。咨询系统的效果还取决于用户是否了解其适用范围、决策时是否能够获得相关数据,以及使用该系统的组织能否根据其输出采取适当行动。这些条件属于应用的运行环境,而不只是推理引擎本身的问题。

局限性及其与当代人工智能的关系

经典专家系统的典型弱点是脆弱性:系统在已编码的情境中表现出色,却可能在表面相似但未曾预料的情形下表现不佳。系统可能缺乏必要的背景知识,无法识别输入是否不合常理,或某条熟悉的规则是否已不再适用。问题并不只是规则库规模太小。知识在结构上也可能不完整,例如缺少时间、上下文、因果关系,或对那些本身已得到充分描述的组成部分之间相互作用的刻画。

规则间的相互作用也会带来规模扩展问题。大型规则库中的每条规则单独看来可能都合理,但它们组合起来的行为却难以预测。例外不断累积,类别相互重叠,过程控制与声明式知识纠缠在一起。模块化、接口设计、测试和依赖关系跟踪等软件工程方法仍然不可或缺。将行为表示为规则,并不能让系统免于维护大型程序所面临的复杂性。

机器学习改变了开发工作主要投入的环节。传统专家系统高度依赖显式的知识获取;通过学习构建的系统则高度依赖数据收集、训练目标和统计评估。两种方法都无法消除假设。规则可能将专家的错误认识编码进去,而学习模型可能复现抽样偏差,或在分布偏移时失效。显式表达使某些错误更容易检查,但并不保证完整性、公平性或正确性。

混合系统将这两种方法结合起来。通过学习构建的感知模型可以对图像进行分类,而规则引擎则根据由此得到的结构化观测结果施加运行限制。统计方法可以对诊断假设进行排序,符号约束则可以排除不可能的组合。当神经组件与符号组件被有意整合时,这类系统就属于更广泛的神经符号人工智能领域。组件之间的接口需要格外谨慎地处理:一个类别标签可能掩盖对后续推理具有实质影响的不确定性。

大语言模型可以辅助从文档中提取候选规则、将用户问题转换为结构化输入,或解释已记录的推理过程。这些能力并不意味着生成的文本就是权威知识库。语言模型可能生成缺乏依据的陈述、遗漏限定条件,或在转换表述时改变某个条件的含义。当语言模型参与基于知识的应用时,区分拟议知识、经审核认可的知识以及实际执行的推理仍然很重要。检索增强生成可以提供相关文档,但仅靠检索并不能确保解释正确或演绎有效。

专家系统传统也不同于自动定理证明。定理证明器强调从形式化前提出发进行有效推导;专家系统则强调在领域任务中取得实用效果,并可能采用启发式推理或不确定性推理。有些应用会将两者结合起来。无论哪种情况,检查推导过程都能确定答案如何从给定前提得出,而评估这些前提是否充分描述了现实世界,仍是另一个独立的问题。