作者esheep (★~漂亮小喵喵~★)
看板CSSE
標題Re: [討論] 專家系統
時間Tue Dec 12 00:52:07 2006
※ 引述《ephesians (ephesians)》之銘言：
: 各位好,
: 目前正在學習專家系統這門課程,感覺學到一種相當有價值的東西.
: 有價值之處在於知識的提供.
: 而專家系統所包含的架構及元件,含知識庫,知識表達法,推論引擎等等,只是旁支.
: 好比一堆人爭辯程式語言的好壞,卻忘了寫出正確的軟體系統的價值,就是虛談.
: 因為有這樣的體認,本來想依stable model semantics實作一份推論引擎,
: (像Prolog那樣的推論引擎)
: 就打消了那個念頭.
: 所換的另一個方向,是實作出完整的特定領域的專家系統.
: 但考慮到整個專家系統的需求,想了許多許多領域的問題,都覺得不適合.
: 知識的來源是相當大的問題,遑論知識工程的事情.
: 若找不到適合的知識專家,只好找自己能夠充當專家的領域,
: 於是,因為自己讀過許多小說故事,就想到可以做個小說分類專家系統.
: 若能夠由書籍中找到幾個特徵,加以推論,便能歸類.
: 例如:
: 男主角有幾位
: > 1
: 女主角有幾位
: > 1
: 男主角[1]是女主角[1]的父親?
: > no
: 女主角[1]是男主角[1]的母親?
如何表示出這些關系，而且是要定出電腦能夠理解的且有利分析關系
其實還蠻難的
: > yes
: 潛在分類 = 親情
: 男主角[1]殺了女主角[1]?
這部分要定關系也很麻煩...
: > yes
: 潛在分類 = 兇殺, 違反倫常, 偵探
你的潛在分類有點奇怪
項目 可能的分類大項
兇殺 犯罪「行為」
違反倫常 犯罪「行為」、道德問題
偵探 犯罪相關，職業
以你上述的情況來看，你可能把人工智慧技術看的太神了一點
容我先假設你要做的東西，不是像常見的心理測驗網站一樣是玩玩的，
而是想要建立一個具分析能力的系統。
PS. 專家系統，人工智慧及data mining 在「技術面相通」故在此
看成一體來討論
上述問題其實並沒有明確的domain，亦有可能是資料不全所以看起來
有點混亂。
粗略來看能夠建議的地方有下列幾點：
(1) 從資料來看，之前網友建議的Naive Bayesian or fuzzy都可用
不過你的資料很混亂，有層級關係的屬性及沒有層級關係的屬性
混雜。 例如 有層次關系： 親情->父子、母女
可能有層次關系： 兇殺<->違反倫常
無層次關系但相關： 兇殺<->偵探
雖然都是離散型的資料，但對於不同的假設會有相當大的差異
ex. Naive Bayesian
屬性必需彼此獨立=>最好不要有層級關系
單一屬性的「值」，最好也不要有強度上的差別
例如：紅色、黃色之類不相干結果會比較好。
fuzzy 屬性間關性可有可無，
但單一屬性的「值」有強度上的時，結果會較好。
(2) 專家系統(所有人工智慧系統)是最標準的garbage in, garbage out
「你想問什麼」以及「你想做什麼」，請先定義清楚，不然很容易得
到一堆垃圾...
(3) 根據經驗，利用推理機做兩階段以上的推理大部分都會死得很慘．．．
第一階段準確度有８０％以上的話，到了第二階段大約都只剩
５０％～６０％；第三階段之後，說不定丟骰子還比較準....
(4) 另外最重要的問題在於：由上述例子來看你的目標太大或說不明確
人工智慧發展了數十年之後才了解到：以目前的科技還沒有辦法
發展出能夠處理複雜關系or多重命題的系統，目前人工智慧能做
到的，嚴格來說只有「資料化簡」。
(或許這就是有網友建議你去看專家系統發展史的原因)
(5) 建專家系統的方法很多種，常見且自動化的方式就是利用data
mining ，而你的問題就是上述4項，而結果會很難詮釋，
(大家都知道尿布跟啤酒的例子，但大部分的人也都不知道
到底研究人員花了多少時間來解釋這個現象)；
此外如果不排斥質性分析
單純利用質性分析 or 統計方法其實也可以建出來，
結果可能會比較好解釋，但.... 要有人相信．．．．
: 跟我的老師討論過這個想法,他直接想到data mining,
: 建議我不見得要把任何問題都只想著用專家系統解決.
: 我也真讀過以關聯規則及類似度評估的方法做分類的文章,
: 不過,如果能夠憑著人類專家的語意規則,做為專家系統的能力,
^^^^^^^^^^^^^^^^^^
這個大多是語言所在玩的，語意要考慮的問題很多是當時的環境，
目前沒看過有什麼系統可以「完整的」考慮所有環境變數。
且如何「有效地」用資訊技術描述語意規則仍是人工智慧的研究命題之一。
: 應該可以節省data mining規則產生的計算時間.
從目前的研究來看，剛好相反。
大部分這類的研究者反而常會利用data mining來分析語意規則。
西洋棋大都是用pattern approach ，實際上本人沒有用過。
最有名的是深藍，不過上次計設者來演講時，反而覺得技術還好...
它的原則是用強大的硬體效能做大量的棋譜搜尋，再做一點點預測
盡量在接下的幾步達到有利的局面，當然這些有利的局面也大都早
已存在資料庫中。與其說它很聰明，我比較佩服它的搜尋速度 XD
: 另外,曾經想過專家系統幫助西洋棋弈棋的應用.
: 幾年前的概念大概都是,系統會幫我記住盤面的狀態,
: 經過分析之後就給我下一步棋的解.
: 但再重聽一次專家系統的課程之後,才領悟到之前我所想的那種並不是專家系統,
: 而是人工智慧系統.
: 若是人工智慧系統,它會計算並試著預測,然後給出一個下一步棋步.
: 若是專家系統,則是藉由讀取盤面的特徵,推論而得到一個屬於局勢方面的建議.
: 後者的例子是: (棋步的標記法我亂寫的,曾經讀過,但已經忘了)
: 敵方棋步:
: > Q5-4 (皇后進逼)
: 建議 = B-C-2-4 加強防守 (指B至C列,2至4行的範圍)
: 我方棋步:
: > P2-3 (兵出一步)
: 最後又想到了一個大略可行的題目,是處理英文文法的識別與學習.
: 時間不夠,暫寫到這裏.
: 關於專家系統的二三事,
: 有沒有同好能夠分享一下這方面的心得?
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 163.25.118.178
推 ledia:evaluation function 也是要花功夫的 12/12 01:01
→ ledia:不過 8x8 的棋盤, 看 8 這數字多精美!! 12/12 01:01
→ ledia:9x9 或 10x9 的棋盤就辛苦得多, 別說 19x19 了... 12/12 01:02
推 PsMonkey:怎麼沒辦法直接賞優文阿... 還有一樓第二行看不太懂 XD 12/12 01:10
推 esheep:深藍的evaluation function是利用多顆cpu同時運算的所以 12/12 01:14
→ esheep:成本較低，所以我才認會它的特點是搜尋速度快 12/12 01:15
※ 編輯: esheep 來自: 163.25.118.178 (12/12 01:23)
推 Eventis:我的用意如原po,從興起可以看這個領域的優點與特性. 12/12 01:56
→ Eventis:從不那麼熱門可以看限制以及瞭解到限制以後的解法. 12/12 01:57
→ Eventis:話說,以前也是就這麼直接被AI的老師打槍的=.=" 12/12 01:57
→ Eventis:他覺得我太過份期許電腦(或說人工智能)能夠為人類做的事. 12/12 02:00
推 ikari512:還看不是很懂 推 12/12 23:53
推 ledia: 8 在 CS 是好數字呀, 1 byte = 8 bit 讓很多麻煩事變簡單 12/13 00:53
推 nvfp:fuzzy 蠻常用 linguistic variable 的 12/13 02:07
→ nvfp:算是我目前所知把人類知識"轉達"給電腦蠻方便的一個方式 12/13 02:07
→ H45:咦，我的推文不見了 = =? 12/13 05:21
→ Wolfram:XD 12/13 10:31