AI系統經過近70年的發展積累了浩如煙海的知識和成果，得到了廣泛的應用。其中專家系統是人工智慧領域中發展最為迅速、應用最為廣泛的一個技術方向。將社會專家的專業領域知識進行了充分的整理和濃縮，使專家系統成為人工智慧在產品實際應用中最具實用價值的人工智慧技術之一。
專家系統處理的主要是行業專家的或書本上的知識，正像在數據處理中數據是處理對象一樣，所以它又稱知識處理學。其內容主要包括知識的獲取、知識的表示以及知識的運用和處理等三大方面。但是傳統專家系統在實際需求中存在推理效率比較低、知識規則少、開發比較困難等缺點，影響了專家系統應用的普及。
絕大部分專家系統都是講如何進行各行業內特有需求的分析與決策，從人類的觀點來看，所有這些領域內的需求都具有相同的抽象描述，即一般需求的分析與決策。所以產品經理理解掌握適合一般需求分析與決策的專家系統及開發工具具有較大的產品落地意義和實用價值。
正如專家系統的先驅費根鮑姆所說的那樣：專家系統的力量是從它處理的知識中產生的，而不是從某種形式主義及其使用的參考模式中產生的。因此，專家系統應該更強調行業知識本身力量的發揮，更強調對用戶思維過程的支持。
一、首先，一般產品需求的思維方式
專家系統的種類比較多，其中應用較多的專家系統是需求分析與決策專家系統，其應用對象是各個應用領域內的需求分析與決策需求。例如：凝血檢測智能專家系統。如圖1
Expert Module最多同時可以管理四臺血凝儀，包括STA R Max和STA Compact Max， 組成軟性流水線。實現所有血凝儀同屏操作，數據統一管理，有效整合。全面管理所有標本和實驗項目，增加儀器的處理能力；實現標本的自動審核，縮短標本周轉時間；降低實驗室人員的工作量，提高單位時間內的產出；整體提高實驗室的血凝診斷水平，讓臨床更加滿意，大幅提升綜合效率。
筆者LineLian將專家系統所要解決的不同行業的各類問題統一抽象為一般需求。如不特別說明，以後討論的需求就是指一般需求，簡稱需求。
產品經理常常擅長通過增加功能來滿足需求，在長期的產品設計中總結了許多行之有效的方法，甚至已經形成了一種產品思維定勢。這些解決需求的方法具有一定的共性，具有普遍意義。
一般來說，產品經理在解決需求時主要運用以下需求思維方式：
發現了什麼需求？這些需求與哪些用戶群有關?根據這些需求可以挖掘出可能出現什麼潛在需求?哪些需求是偽需求?為什麼會出現這些需求，它們的內在原因是什麼?怎樣去找證據證明自己的猜想，或者否定偽需求?需求出現了，它會帶來什麼樣的影響，即會對其他的非此需求的用戶產生怎樣的影響，或產生新的需求?怎樣處理已經出現了的需求?怎樣預防一些偽需求的發生?
產品經理就是通過反覆地思考這些需求，不斷地對相關需求進行分析與決策，最終達到需求的解決。顯然，無論產品經理需要解決的具體需求是怎樣的，解決需求的總體思路總是一致的。所以在AI時代產品經理可將專家系統的任務都歸結為對一般需求的分析與決策。
二、其次，傳統專家系統
1. 專家系統的結構與運行
產品經理先來回顧一下傳統專家系統，不同的專家系統，其功能與結構都不盡相同，但一般都包括人機接口、推理機、知識庫及其管理系統、資料庫及其管理系統、知識獲取機構、解釋機構這六個部分。傳統專家系統如下圖2：
專家系統各部分模塊的功能闡述如下:
（1）知識庫，即規則庫，主要用產生式方法記錄各種規則。知識庫是專家系統的基礎，負責存儲和管理專家系統中的知識。
筆者LineLian簡單介紹一下產生式方法的原理：產生式表示法已經成了人工智慧中應用最多的一種知識表示模式，尤其是在專家系統方面，許多成功的專家系統都是採用產生式知識表示方法。產生式的基本形式P→Q 或者 IF P THEN Q，P是產生式的前提，也稱為前件，它給出了該產生式可否使用的先決條件，由事實的邏輯組合來構成；Q是一組結論或操作，也稱為產生式的後件，它指出當前提P滿足時，應該推出的結論或應該執行的動作。產生式的含義如果前提P滿足，則可推出結論Q或執行Q所規定的操作。
（2）推理機。它是專家系統的核心，由一組電腦程式組成，主要功能是決定如何選用知識庫中的知識以推出新知識。
（3）綜合資料庫或全局資料庫。綜合資料庫存放專家系統中反映系統當前狀態的事實數據，它們是系統操作的對象，是在推理過程產生的中間數據。綜合資料庫中數據的表示和組織與知識庫中知識的表示和組織具有相容性，使推理機能方便地使用知識庫中的知識和綜合資料庫中的事實對問題求解。
（4）人機界面。它是人與計算機交互的通道，負責將用戶輸入的信息轉換成系統內規範化的表示形式，並將這些內部表示交給相應的模塊去處理，同時將推理的結果及時反饋給用戶。傳統產品經理尤其是PC網際網路和移動網際網路時代產品設計型產品經理最擅長的點。
（5）知識獲取程序。主要用於知識庫的構建，即將知識轉換為計算機可利用的形式送入知識庫。
（6）解釋程序。用於對推理行為作出解釋，主要回答用戶提出的「為什麼」等問題。一般是通過跟蹤並記錄推理過程來實現解釋功能。
2. 產品經理應知傳統專家系統的主要缺陷
傳統的專家系統是從人工智慧的一個主要組成部分，特別強調從數學和計算機理論角度上考慮系統的結構和運行機制，而基本沒有融合用戶處理一般需求方法的角度來設計專家系統。
（1）知識表示和管理缺陷
① 人員要求缺陷
專家系統一般採用產生式知識表示方法進行描述。雖然大多數專家系統的開發可以採用許多性能優良的專家系統開發工具，但仍然要求系統開發者具備較強的人工智慧理論水平和計算機開發應用水平，熟悉人工智慧語言如Lisp 、Prolog語言。系統的開發也離不開知識工程師，從而極大地限制了專家系統的應用。
② 知識庫管理缺陷
使用這些人工智慧開發語言也不利於知識的管理。系統開發者必須仔細地構建知識庫，維護知識庫的一致性，減少知識之間的衝突。雖然目前已有許多系統採用資料庫系統進行知識的管理，但大部分仍然僅用於簡單存儲規則知識，不能有效發揮資料庫的功能。從應用的效果看，專家系統的規則數量不宜太多。
③ 知識關係缺陷
一般情況下是不區分問題的現象與因果關係之間差別的，它們都被統一稱為知識庫中的規則或知識。事實上，問題的因果關係才是真正影響問題的產生和變化的主要因素，而現象只是問題的表現，只有抓住了因果關係才可以正確、有效、高速地解決問題。
（2） 推理缺陷
① 過分強調計算機的能力
推理過程中知識的匹配和衝突消解問題是專家系統中推理的根本問題，直接影響了推理的效率，甚至使系統陷於癱瘓，這也是目前專家系統不容易解決較大問題的一個重要原因。這個問題是專家系統的固有問題，也是人工智慧所固有的問題，因為推理本身就是知識的搜索、匹配過程，容易出現組合爆炸。筆者LineLian 實地走訪多家人工智慧創業企業，其產品應用在金融行業時沒有問題，當轉移到教育行業、轉移到醫療行業時產品初期經常出現Bug的原因。在目前的人工智慧水平上完全的機器推理仍然是一個難以解決的問題。
② 不支持思維過程的反覆性、跳躍性
將推理過程分為正向推理和反向推理以及混合推理，過分強調推理的形式，不區分問題的現象和原因，從而加大了用戶的使用要求和系統的開發難度。而事實上人類的思維過程是一個不斷反覆的過程，強調的是問題之間的因果聯繫而不是推理形式。
③ 缺乏強有力的解釋功能
一般來說，推理的運行是一種黑箱操作過程，用戶完全在計算機的引導下進行操作不明白系統究竟是如何運行的，只有在推理結束後才能通過解釋機制獲得問題的解答。這樣進行推理對許多用戶來說很多步驟其實是沒有必要的，既增加了系統開發難度，又浪費了用戶的寶貴時間。
例如：這就像做應用題。結果是答案，推理就是計算過程，解釋就是對計算方案的說明。一道題可以有多種計算方案，或者說計算方法，但結果可能是一樣的。
三、重新定義專家系統的產品架構
1. 產品設計需求思維
時下產品經理對專家系統運用時應該從兩方面著手：
一方面將專家系統的處理能力定位在專用的問題分析與決策功能上，而不是通用的人工智慧問題的分析與求解，這樣便於專家系統應用領域的知識系統構建;
例如：做金融領域的理財顧問機器人跟做健康管理領域的機器人客服服務系統從需求期望上就區分開來。
另一個方面也是時下產品經理應該重點發揮產品設計功力的點就是，明白人工智慧是屬於做可能性的事情，即人工智慧是存在概率和逼近完美的過程，產品設計合理的產品運行機制，使專家系統更符合人們的使用習慣。設計思想的核心就是必須充分考慮與用戶的痛點分析與人工智慧求解方法有機結合，發揮用戶的主觀能動性。
在設計面向一般需求分析與決策專家系統時應該重點考慮以下內容：
確定需求對象；確定需求所涉及的用戶和需求場景發生時所出現的現象；確定需求用戶與所涉及用戶和需求現象之間的關聯關係；確定需求用戶之間的因果關係；提供基於需求用戶和需求因果關係的推理機制；支持現象對需求的輔助推理機制；提供與推理過程相伴的解釋機制；適合一般需求的分析與求解。
2. 新專家系統產品模塊
主要由以下模塊組成：
（1）用戶需求，用於描述客觀存在的需求
需求的對象可以是具體的，也可以是抽象的。本系統中所有的知識或規則表示和推理均是以需求對象為基本單元建立的，即知識系統或知識庫中知識的核心表現形式是需求對象。
（2）基本對象，也稱需求主體對象
任何需求都是在一定數量的基本對象上發生的，而每一個基本對象又存在若干個不同需求。在一般情況下基本對象不可再分。
（3）需求現象對象，簡稱需求現象
描述需求發生時應該會出現的現象。需求現象是需求的表現形式，也是人們對需求的最基本認識。在許多情況下也是人們對需求進行診斷的依據。
（4）因果關係
需求對象之間存在因果關係，因果關係是需求產生的根本原因。知識系統中的因果關係是一種複雜的網狀結構，但對於某一個具體需求對象來說，因果關係表現為一棵樹，所以常常被稱為因果樹。同樣也是由於因果關係才使現象具有一定的繼承性，即在許多情況下需求對象
一般也具有它的原因對象所具有的現象：
需求處理方法或措施。每一類需求都有對其進行處理的方法或措施。這裡將對某類需求進行處理的方法或措施分為兩類：正確的處理方法或措施，也稱為預防措施；產生後應該採取的方法或措施，也稱為補救措施。需求事實。如果一個需求存在了，則稱該需求為需求事實，即已經確定的需求。需求事實是推理的出發點和歸結點。過程知識。主要用於描述需求分析與決策先後次序的知識。原理敘述性知識，也是知識的主要組成部分。由於專家系統解決需求的針對性，不可能將所有的知識全部需求化處理，只能以敘述性方式(如文件、音像、動畫、三維造型等)展現。
所有這些基本組成對象都是系統知識的基本組成部分。其中因果關係描述的是知識之間的動態組成關係，用因果網絡來記錄，而其餘各種組成部分構成描述知識系統的靜態特性，則統一存放在知識字典中。
3. 產品重新定義總體結構
產品總體結構如圖3所示：
產品架構分為上下兩層:上層是系統交互層，主要是供用戶【含其他維護人員】和領域行業專家使用;下層是系統支撐層，提供基礎知識表示和推理功能。
支撐層各模塊功能如下:
需求對象模塊。用於管理智能系統中的核心對象即需求對象。基本對象模塊。管理需求對象所涉及的相關基本對象。需求現象模塊。管理需求所表現的現象。因果關係模塊。用於管理需求對象之間存在的因果關係。處理方法模塊。提供針對某類需求所應該使用的處理方法。輔助知識模塊。用於描述在解決需求過程中可以作為參考的知識。過程知識模塊。提供對於特定應用領域需求分析與決策的過程知識，以利於用戶儘快發現問題。
交互層主要提供與用戶交互的各類模塊，並通過與支撐層核心模塊進行數據交換來進行需求的分析與決策。
交互層的主要模塊有:
需求分析模塊。描述需求的因果關係、相關影響對象(包括基本對象和需求對象)、相應的處理方法等。需求決策模塊。通過對需求的分析及獲得的已經存在的需求信息，求解出將會出現的需求，並提出應該採取的措施。知識錄入和維護模塊。知識錄入就是將新的領域行業專家知識加入到智能系統中，主要指智能系統初始化階段的數據處理和知識的添加處理。知識維護主要提供當智能系統中知識發生改變時保證知識之間的一致性和完整性的一些操作。知識發現模塊。用於新知識的發現。應用定製模塊。當系統應用於不同領域時用於修改交互界面，使之符合新的應用要求。輔助功能模塊。提供問題分析與決策的輔助功能，如基本原因查找、推理過程的解釋、報表列印等。
4. 運行機制
人工智慧系統的核心是推理即如何通過已有的知識推出新的知識，也稱為知識的求解。在專家系統中，已知前件得到後件的推理稱為正向推理，反過來則稱為反向推理。然而人類的推理過程並不是簡單的正向或反向推理，如前所述，人類的推理或思考過程其實是一個複雜的反覆過程，即不斷交替進行正向推理和反向推理的過程。
推理的複雜性主要來源於兩個方面：
實際需求的複雜性；推理方式的複雜性。
在思維過程中一般的推理都包含正向推理和反向推理過程，而且正向推理和反向推理的切換是隨機的，單純的正向推理或反向推理一般出現在證明過程已經完成以後的表達中，如定理的證明通常只寫出最後的證明過程，無須寫思考過程。
推理的複雜性極大地降低了專家系統推理效率。對於專家系統而言，克服推理複雜性的最有效方法是使專家系統的運行與人們在日常生活中處理需求的分析與決策方法一致，即提供面向需求分析與決策的支持。
系統提供需求分析機制、需求決策機制、解釋機制和其他機制，通過可視化交互界面實現自由的推理過程，完成需求的分析與決策。
簡單說就是：這就像做應用題。結果是答案，推理就是計算過程，解釋就是對計算方案的說明。一道題可以有多種計算方案，或者說計算方法，但結果可能是一樣的
1. 需求分析機制
需求分析機制是系統提供的幫助用戶對需求進行深入了解的運行機制。主要過程包括:
了解需求的症狀。揭示需求發生和不發生時的現象。了解需求的成因。告訴用戶為什麼會發生這樣的需求，具有哪些影響因素，這些因素是怎樣起作用的等等。了解需求的預防措施。採用什麼樣的方式可以預防需求的發生。了解需求的補救措施。當需求發生以後應該採取什麼樣的補救措施，又會形成哪些新的需求。需求分析過程是一個遞歸過程，直到用戶滿意為止。顯然，需求分析過程也是一種學習過程，是對需求的一種了解，無須對需求作決策。
2. 需求決策機制
需求決策機制是幫助用戶對需求進行決策的運行機制，即通過對需求進行分析或者採集需求事實，最後推出新的需求事實。因此推理過程又可稱為獲得需求事實的過程。
需求決策機制如圖4：
需求事實的產生可以有以下三種方式：
分析事實。用戶通過使用需求分析機制確定某項需求的出現。輸入事實。是用戶輸入的已經發生的需求對象，或傳感器等採集並直接轉換的需求事實。生成事實。由系統經過推理得到的新需求稱為生成事實。生成事實來源有兩個，一個是某個需求的所有現象得到滿足;另一個是因果關係得到滿足。當產生生成事實的原因不存在時，該生成事實也應該被刪除。
3. 解釋機制
解釋機制是對推理過程和結果的解釋。可以有兩種方式，即將推理過程的全部過程按順序展現出來和按因果關係展現出來。前者可以通過記錄所有的推理過程得到，這樣得到解釋可能會顯得比較零亂;後者則忽略具體的推理過程，而只是對推理的結果加以解釋。這是一種經過整理後的解釋，對整理思維過程比較好。
此架構主要支持後一種解釋機制，因為用戶在進行需求分析及決策的過程中已經對自己的推理過程比較熟悉，而對推理結果的解釋則有利於用戶整理思路，抓住需求的本質。
五、專家系統實例解析
1. 非技術人員應用專家系統的例子：H2O.AI
降低數據科學工作難度的機器學習專家系統，Driverless AI ，該人工智慧專家系統讓非技術人員也能應用機器學習解決研究階段複雜、難預測，併集合生成對抗網絡（GANs）和強化學習的應用問題.幫助用戶針對特定的問題選取已組建好的合適的機器學習算法，例如準備數據，校對參數，決定優先算法等。
該系統實現了特徵工程自動化，並以GPU加速運算，從而降低數據科學在企業環境下的應用門檻，並有一些常見應用場景的預測模塊。例如，在銷售及人力資源相關流程中，用戶可以使用相應場景模塊或者機器學習基礎的數據分析結果，並獲得創新見解。
界面如圖5：
2. 個性化教育的例子：Querium
幫助青年及成年學習者掌握關鍵的STEM（科學、技術、工程、數學）技能，以實現大學或職業目標，為熟悉數據技術的人設計的Querium專利產品，通過專家系統提供個性化/小巧的課程，分步輔導，激勵學習者取得成功。用戶在手機上手寫數學步驟，獲取全天候的及時反饋，我通過授權的方式，讓用戶使用其基於雲託管的人工智慧軟體。
界面如圖6：
3. 預測系統及插件：法狗狗
將公開的判例數據結構化，並利用機器學習的技術，學習其中的規律，並對新的案件作出預測，採用了與IBM Waston Rose 相同的專家系統與概率分析相結合的方式，但IBM沃森所在的美國是判例法系，律師對判決結果影響明顯，中國則是成文法系，律師對結果的影響要弱很多。因此在實際業務落地中，法狗狗採用了與IBM Waston Rose不同的路徑，重點用來提升律師的效率和擴大案源。
開發了一套應用於刑事案件的案件預測系統，只需簡單的選定罪行分類，並提供傷亡人數，案發地點等簡單信息，即可以獲得安全的預測結果及歷史案例。普通用戶可以通過簡單輸入信息，快速獲得專業精準的案情預測，律師可以通過詳細的深度案情分析，快速掌握切入點，提高接單成功率。
案情預測系統擴大到了勞務糾紛，婚姻家事，交通事故場景，提供專屬定製服務。
其公司產品在不同應用領域知識遷移可以在2-3周內完成，未來的效率還可以進一步提高，這套安全預測專家系統被做成了機器人插件的產品形態。
界面如圖7：
六、最後
專家系統是人工智慧系統的一部分，在產品落地應用中沒必要同NLP、機器學習、深度學習等人工智慧技術區隔開來，相反專家系統，配合NLP的先驗數據，模式識別能做到一個更加真實的系統。筆者LineLian認為正因如此AI時代適合做產品的只有產品經理，因為產品經理才有正常的工作時間研究如此多的AI技術特點、技術成熟度，同時不需要考慮系統工程師的Coding。
產品經理在人工智慧熱火朝天的當下應該在一秒鐘內看到AI技術本質，然後了解這個技術的成熟程度和校驗的概率，迅速在當前概率水平上輸出MVP產品。並隨著AI技術概率的提升持續迭代AI產品設計體驗。
#專欄作家#
本文原創發布於人人都是產品經理。未經許可，禁止轉載。
題圖來自 Pexels，基於 CC0 協議