专家系统与知识工程

第三章专家系统（Expert System：ES）专家系统是人工智能应用研究的一个重要领域。

在20世纪60年代中期，正当大多数人热衷于博弈、定理证明、问题求解等研究时，另一个重要的研究领域---专家系统已悄然开始孕育。

（由美国斯坦福大学的费根鲍姆E.A.Feigenbaum，1965年在他领导的研究小组内研究化学专家系统DENDRAL，68年完成并投入使用）。

也正是专家系统的萌芽，才使得人工智能在后来出现的困难和挫折中很快找到了前进方向，开创了一条以知识为中心、面向应用开发的研究道路，使人工智能又进入了一个新的蓬勃发展时期。

专家系统实现了人工智能从理论研究走向实际应用，从一般思维规律探讨走向专门知识运用的重大突破，是人工智能发展史上的一次重要转折。

专家系统是一个具有大量专门知识，并能够利用这些知识去解决特定领域中需要由专家才能解决的那些问题的计算机程序。

自Feigenbaum后，相继出现了MYCIN专家系统、地质勘探专家系统PROSPECTOR，数学专家系统MACSYMA等。

知识工程的核心是专家系统，知识工程的发展首先决定于专家系统的发展，专家系统的发展必将推动人工智能的应用。

专家系统的开发有三个基本的要素：领域专家、知识工程师、大量实例。

在建立专家系统时，首先由知识工程师把领域专家的专门知识总结出来，以适当的形式存入计算机，建立起知识库（KB），根据这些专门知识，系统可以进行推理，做出判断和决策，能够解决一些只有人类专家才能解决的困难问题。

专家系统主要是指软件系统。

教学目的：●了解专家系统的基本概念●掌握专家系统的基本结构●掌握专家系统的知识获取方法和过程●了解专家系统的开发步骤、开发工具3.1 专家系统的基本概念3.1.1 什么是专家系统？目前，对专家系统还没有一个严格公认的形式化定义。

作为一种一般的解释，可以认为：专家系统是一种具有大量专门知识与经验的智能程序系统，它能运用领域专家多年积累的经验和专门知识，模拟领域专家的思维过程，解决该领域中需要专家才能解决的复杂问题。

专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力的建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。

这种基于知识的系统设计方法是以知识库和推理机为中心而展开的，即专家系统 = 知识库 + 推理机它把知识从系统中与其他部分分离开来。

专家系统强调的是知识而不是方法。

很多问题没有基于算法的解决方案，或算法方案太复杂，采用专家系统，可以利用人类专家拥有丰富的知识，因此专家系统也称为基于知识的系统（Knowledge-Based Systems）。

一般说来，一个专家系统应该具备以下三个要素：（1）具备某个应用领域的专家级知识；（2）能模拟专家的思维；（3）能达到专家级的解题水平。

专家系统与传统的计算机程序的主要区别如表7.1所示。

表7.1 专家系统与传统的计算机程序的主要区别列项传统的计算机程序专家系统适用范围无限制封闭世界假设建造一个专家系统的过程可以称为“知识工程”，它是把软件工程的思想应用于设计基于知识的系统。

知识工程包括下面几个方面：（1）从专家那里获取系统所用的知识（即知识获取）（2）选择合适的知识表示形式（即知识表示）（3）进行软件设计（4）以合适的计算机编程语言实现。

专家系统的发展史1965年斯坦福大学的费根鲍姆（E.A. Feigenbaum）和化学家勒德贝格（J. Lederberg）合作研制DENDRAL 系统，使得人工智能的研究以推理算法为主转变为以知识为主。

20世纪70年代，专家系统的观点逐渐被人们接受，许多专家系统相继研发成功，其中较具代表性的有医药专家系统MYCIN、探矿专家系统PROSPECTOR等。

20世纪80年代，专家系统的开发趋于商品化，创造了巨大的经济效益。

1977年美国斯坦福大学计算机科学家费根鲍姆 (E.A.Feigenballm)在第五届国际人工智能联合会议上提出知识工程的新概念。

《专家系统与知识工程》复习要点知识工程是人工智能技术与专家系统发展相结合的产物，它是数据工程的高级阶段。

知识工程是设计和实现知识库系统及知识库应用系统的理论、方法和技术，是研究知识获取、知识表示、知识管理和知识运用的一门学科。

数据库技术是构成数据工程的中心和基础，数据库工程也就是数据工程。

通常数据工程的设计与实现包括三个基本环节：概念数据模型的分析与设计、逻辑数据模型分析与设计、物理数据模型的设计。

知识是数据和信息集合的整体。

只有当信息被系统地、有目的地积累起来时，才能转变成知识。

知识是由信息描述的，信息则是用数据来表达的；知识工程是设计和实现知识库系统及知识库应用系统的理论、方法和技术，是研究知识获取、知识表示、知识管理和知识运用的一门学科。

知识工程处理的对象是知识，知识种类及知识的表示方式：1.）第一类：关于事实和现象的知识。

（Know_what）第二类：自然原理和领域规律性知识。

（Know_why）第三类：关于技能和能力的知识。

（Know_how）第四类：关于谁的知识。

（Know_who）2.）产生式、函数式、逻辑式、对象式、语义网络、框架结构、状态过程等多种形式。

数据信息知识三者的关系：数据是指客观事物的属性、数量、位置及其相互关系的符号描述。

信息是数据在特定场合下的具体含义，信息是对数据的解释。

知识是一个或多个信息关联在一起形成的有价值的信息结构，是对客观规律的认识，是高层次的信息。

也就是说，知识是数据和信息集合的整体。

由此可见，数据是记录信息的符号，信息是对数据的解释，知识是信息的概括和抽象；数据经过解释处理形成了信息，信息又经过加工过程形成了知识；知识是由信息描述的，信息则是用数据来表达的；从数据到信息的转换是一个数据处理过程，从信息到知识的转换是一个认知的过程。

这就是数据、信息和知识之间的相互依存的辨证关系。

知识工程是一个远比数据工程复杂的多的领域，也是一个比数据工程更富于挑战性的领域，表现在：1、知识种类比较多2、知识的表示方式比较多3、要有一个较好的知识表示方式和知识管理机制在知识工程中，最为困难的问题是知识获取，一般来说，获取知识的方法有两种情况：1、由知识工程师从领域专家那里获取知识，即：人工获取。

专家系统在知识管理中的应用案例分析引言：知识管理是一个组织在日常运营中必须面对的挑战。

有效的知识管理可以提高组织的绩效和竞争力。

专家系统作为一种人工智能技术，在知识管理领域有着广泛的应用。

本文将通过深入分析两个实际案例，探讨专家系统在知识管理中的应用。

案例一：医疗诊断专家系统背景：在医学领域，医生需要依靠大量的医学知识来作出正确的诊断。

然而，医学知识繁杂且不断更新，医生很难掌握所有的知识点。

因此，一个能够协助医生进行诊断的专家系统就显得尤为重要。

应用：一家医疗机构开发了一个医疗诊断专家系统，以辅助医生进行疾病诊断。

该专家系统基于大量的医学知识和患者病例，通过与医生的交互，能够快速分析病人的病情，提供相关的诊断意见。

医生可以根据系统提供的建议来作出最终的诊断决策。

该系统还可以自动更新医学知识库，保证诊断结果的准确性。

效果：该医疗诊断专家系统在实际应用中取得了显著的效果。

首先，它大大提高了诊断的准确性和效率，减少了误诊和漏诊的概率。

其次，它缩短了患者等候时间，提高了医疗服务的质量。

此外，该系统还帮助医生累积了更多的医学知识，提升了整个医疗团队的智力水平。

启示：该案例表明专家系统在知识管理中的应用具有巨大的潜力。

通过将专业知识转化为计算机程序，专家系统可以帮助组织存储、传播和更新知识，提高组织的绩效。

案例二：销售助理专家系统背景：在销售行业中，销售人员需要积累大量的商品知识、市场信息和销售技巧。

然而，这些知识通常散落在不同的资料和员工中，很难进行有效的整合和共享。

应用：一家大型电子商务公司开发了一个销售助理专家系统，用于集中管理销售知识。

销售人员可以通过该系统快速获取关于商品特性、竞争情报和销售技巧等方面的知识。

此外，该系统还提供智能推荐功能，根据客户的偏好和需求推荐合适的商品和销售策略。

效果：在实际应用中，该销售助理专家系统取得了显著的效果。

首先，它提高了销售人员的专业水平和销售效率，减少了销售过程中的错误和失误。