人工智能中的产生式系统

人工智能生产系统简介

人工智能中的生产系统类似于基于规则的系统中使用的计算模型。它旨在借助称为“产生式”的预定义指令以及包含事实或信息的数据库或知识库来解决问题。它在生产系统模型下工作，该模型中的集成推理引擎会搜索知识库的当前状态，以查找规则的匹配条件部分，然后触发操作部分。

它们的生产系统有三个子组件：规则库、工作内存和推理引擎。规则库基于“if-then”规则，工作内存包含数据和事实，推理引擎则处理在正向链接或反向链接模型中传递的规则。

生产系统用于专家系统和问题求解器，因为它们易于理解，并且仅以模块化形式存在，用于表示知识库。尽管如此，它们可能容易出现一些与大规模系统相关的问题。对于涉及支持推理、决策和规划等各种任务的人工智能系统来说，它们并不重要。

生产系统组件

规则库

• 规则库将是生产系统的主要部分，其中包含一组IF-THEN规则。这些规则包含有关决策制定以及有用条件和操作的信息。规则的先行词（antecedent）也可称为“if”部分，它陈述了一个条件或状态，而后续词（consequent）或“then”部分则清楚地说明了如果满足先行词中的条件会发生什么。
• 最初，基于规则的系统可能具有相对较低或较高的复杂性，包含简单的决策规则来控制问题求解过程。

工作内存

• 我们有一个工作内存，用于保留当前知识状态。这通常以事实或数据的形式存在，或者在这种情况下，与问题相关。它还基于系统运行时修改工作内存的概念，并根据规则库的操作添加新信息或更改它。
• 由于生产系统、环境以及生产环境中的规则的影响，最后一个特性是动态的，并且会随着时间而变化。它用作推理引擎用来就任务的完成情况做出决策的数据源。

推理引擎

• 生产系统的推理引擎做出决策。这个推理引擎负责使用工作内存中的给定信息集来利用规则库。
• 推理引擎的实现涉及评估规则条件与整个系统状态的匹配情况，并执行相关的操作。它可以运行在两种主要模式下：它可以运行在两种主要模式下

正向链接（Forward Chaining）

• 推理引擎从可用数据运行，可以构建其他必要的事实或得出一些结论。利用规则。
• 这种方法被称为分析方法，通常用于需要解决问题或进行诊断的情况。

反向链接（Backward Chaining）

• 反向链接从特定的目标或期望的解决方案开始，并确定必须遵循哪些规则才能实现该目标。
• 这是一种以目标为导向的方法，主要用于需要做某事的情况，例如在规划过程中。

控制策略

• 控制策略确定了要使用的可用规则，并提供了解决两个或多个可能同时使用的规则之间冲突的方案。
• 这些方法包括一些冲突解决方法，例如基于优先级的规则获取方法或基于近期性的规则获取方法，从而优化了生产系统。

确定性生产系统

确定性生产系统是指行为明确的系统，其中特定规则在特定状态下的应用结果也是明确定义的。这些系统的功能取决于上下文，例如，如果以这种方式执行，则会产生此结果，而没有太多歧义。

它是如何工作的？

在确定性系统中，当条件关系匹配时，系统知道要实现的规则以及将要发生的结果。还需要指出的是，规则的选择本身并非随机。

应用

• 这些系统用于所有参数及其影响都可以很好地计算出来，并且有现成的算法和公式的地方，例如在跳棋、国际象棋、定理证明系统等游戏中，或者在需要预测结果的情况下，例如解决逻辑谜题。
• 它们也广泛用于工业自动化，应用于需要以特定方式执行操作的场景。

优点

确定性系统确保了最佳性能，并且当问题定义清晰时，该方法同样易于实现。它们也很快速，因为在这种情况下不需要处理不确定性或歧义。

缺点

它们的首要弱点是，在结果不确定的情况下，它们无法正常工作。该系统也无法处理会受到随机或不可预测变化影响的环境。

非确定性生产系统

非确定性生产系统在规则的影响无法始终预测的情况下运行。此类系统旨在处理某种操作的多种结果，并可能在不稳定的状态下运行。

它是如何工作的？

在非确定性系统中，系统根据其可用的众多操作或规则之一来响应特定情况或刺激。当系统被交付时，它可能出现不同的分支或公式来实现目标。

应用

它通常用于存在不确定性的情况，并且广泛用于机器人、医疗诊断和游戏玩法中，因为这些情况中的许多可能很重要。它适用于问题领域，在这种领域中，识别解决方案并非一个直接的过程，并且有必要寻找解决方案。

优点

在环境条件不确定时，非确定性系统提供了处理这些条件的自由。它们允许系统接收预先定义的几个或几个平静的场景。

缺点

现在，非确定性系统的问题在于，它们可能比确定性系统花费更长的时间，因为需要寻找各种可能性。它们也可能需要其他过程，例如启发式方法，以尽快找到正确的解决方案。

基于知识的生产系统

在基于知识的生产系统中，用于决策的规则和机制来自大量的知识事实和启发式。这些系统能够执行越来越复杂、精细且非具体化的任务，这反过来又意味着在给定领域获得越来越好的专业知识。

它是如何工作的？

它包含了两种类型的知识：所考虑领域的全部知识和该领域应遵循的规则。因此，知识库通过处理数据所提供的上下文中的论点来帮助系统推理遇到的问题。此外，通过发现随着新信息的收集，它会将其输入知识库以调整决策过程。

应用

上述类型的系统可用于专家系统、自然语言处理系统、医疗或金融诊断系统或分析系统等领域，这些领域需要大量专业知识才能做出决策。

优点

这些系统能够处理其他简单的生产系统可能认为难以解决的问题，因为这些（智能）系统可以包含多种知识。此外，它们足够智能，可以学习并优化其内存中包含的数据库中的相应主题信息。

缺点

创建和购买知识库是巨大的目标，需要花费时间和金钱。这些系统还需要精心设计，以避免知识空白甚至不一致。

实时生产系统

实时生产系统旨在在响应接近实时水平的情况下实现。因此，这些系统需要足够快速地整合信息并应用规则，以便系统能够符合相关的时间要求。

它是如何工作的？

系统始终观察环境，修改规则，并实时产生响应。生产规则通常旨在尽快做出决策，以便系统知道下一步该做什么。

应用

实时生产系统存在于嵌入式系统、自动驾驶汽车、实时控制系统和应急系统中。这些系统需要快速响应环境变化，例如自动驾驶汽车需要避开路上的障碍物，或者工业熔炉需要改变其温度。

优点

实时系统旨在适应环境变化，这使得它们非常适合时间关键型应用。它们可以响应系统状态的相应变化，而不会发生时间偏移。

缺点

这些系统通常通过在更短的时间内响应的要求来描述，从而限制了其决策的复杂性。为了满足这些时间限制，它们还需要专门的硬件和软件。

目标驱动（反向链接）生产系统

目标规划生产也称为反向链接系统，其中生产系统从目标开始，并考虑实现目标所需的条件。这用于需要实现特定结果的任务，但不知道如何实现的方法。

它是如何工作的？

过程始于定义期望的输出，然后必须搜索将产生所需输出的规则。然后，它进行反向求解以确定将产生特定规则的输入，并一直这样做，直到达到最终状态或初始状态。

应用

在问题求解、诊断和规划系统中，一个系统完全由需要求解的目标来定义；例如，在医疗诊断中，目标是从症状中诊断疾病，或者在法律推理中，目标是确定适用于案件的法律。

优点

这些系统在寻找目标明确的问题的解决方案时非常有用。

缺点

反向链接系统的问题在于，如果很难在环境中搜索清晰准确的信息，它们可能会变得无效，尤其是在有太多状态可以相互转换的情况下。

数据驱动（正向链接）生产系统

相反，基于数据或正向链接的生产系统使用数据，在数据适用的地方触发规则并得出结果。

它是如何工作的？

系统从环境的当前状态开始，根据系统拥有的数据进行分析。一个规则可能会生成有关问题的新信息，或更改现有数据集的组件，从而使系统更接近解决方案。

应用

系统从环境的当前状态开始，根据系统拥有的数据进行分析。一个规则可能会生成有关问题的新信息，或更改现有数据集的组件，从而使系统更接近解决方案。

优点

这些系统非常有效，尤其是在原始数据量大且目标模糊的情况下。它们可以增量处理数据，这可能对实时数据处理技术有用。

缺点

在前向链接系统中确定的问题领域中，最重要的是大量数据的问题，因为系统会考虑所有可访问的数据，同时尊重其他系统。

生产系统示例

专家系统

• 在专家系统中，应用生产系统来模拟专家的决策能力。通过这些系统，可以根据系统内的许多启发式方法做出选择。
• 许多此类系统已被开发出来；可能最熟悉的是 MYCIN，它帮助医生进行诊断。在 MYCIN 中，生产系统用于诊断细菌感染，并根据患者记录中的数据开具抗生素。

它是如何工作的？

这使得系统能够接受作为症状和用户反馈形式的参数，并将其与知识库匹配，从而近似要解决的问题以及可以给出的最佳方法或治疗。

实际应用

这些与当今用于诊断患者疾病的系统、解决欺诈问题的金融系统以及初步咨询的法律系统有些相关。

业务规则管理系统（BRMS）。

BRMS 是业务规则管理系统的缩写，它是一种用于定义、实现和持续监督组织业务规则的软件。核心 BRMS 应用是生产系统，它们对企业组织很有用，可以自动化原本需要遵守不同规则和条件才能完成的决策。

示例

BRMS 主要用于保险业，主要用于提供保单。保险公司使用生产系统，这些系统接收申请数据并将其输入系统。保险公司根据特定参数（例如申请人的年龄、病史和他/她想要的保险范围）收到回复。

实际影响

BRMS 系统的存在减少了出错的可能性，带来了合规性的一致性，并加快了决策过程，从而满足了客户和运营需求。

自动化客户服务（聊天机器人）

例如，大多数公司使用现代生产系统，如 Amazon Web Service 和 Google Assistant，通过实时聊天机器人 AI 为消费者提供支持。这些聊天机器人经过编程，可以阅读用户的查询，并根据一组模式提供适当的答案。

它是如何工作的？

例如，如果用户问“我该如何重置密码？” 这样的问题，聊天机器人会通过其规则调节正确的响应，并引导用户自行查找答案。

好处

聊天机器人还通过生产系统运行，这些系统允许处理大量且多样的客户咨询。它们提供全天候服务，不需要操作员，从而优化了成本。

制造业实时监控

制造业需要使用生产系统作为监控和控制它们的工具。用于控制机器和设备以及工作流程的各种系统可以根据一组操作、温度、压力等规则来做出决策。

示例

汽车制造厂中的生产系统可以监控装配线的流程，并在出现任何偏差时停止流程；这可能是零件质量的变化或装配错误。

优点： 这些系统最大限度地减少了人为干预，提高了工作效率，并保持了产品质量，因为它们能够应对出现的挑战。

交通管理系统

这是通过实时管理交通流量将生产系统纳入交通管理和控制中。一些参数包括交通密度、事故数量或道路工程；系统关于交通信号灯顺序和重新规划的决策基于规则。

示例

其中一些城市包括洛杉矶和伦敦，这些城市应用了智能交通管理系统，因为人工智能生产系统用于在高峰时段控制交通信号灯。

好处

这当然提高了安全性，解决了交通拥堵问题，从而提高了城市交通的效率。

人工智能中生产系统的未来方向

与机器学习集成

将机器学习与生产系统集成，可以实现从经验中学习，并根据收集到的数据和反馈修改规则。

通过分布式系统实现可扩展性

应用分布式系统和云计算来扩展生产系统和计算能力，可以解决物联网、智能电网、交通控制和管理等实时应用中更复杂的问题。

自然语言处理集成

NLP 可用于创建人类与生产系统之间的自然流畅的交互，这些系统可以解释自然语言以在聊天机器人、虚拟助手和翻译器等实时应用程序中响应人类界面。

道德和透明的人工智能

因此，强调验证决策过程中的透明度及其与通用道德标准（如 GDPR）的合规性非常重要，如果讨论的领域是医疗保健、金融、法律等。

实时自适应系统

创建根据现实情况修改规则的方法；增加应用程序中的“实时性”，例如自动驾驶汽车和无人机。

改进冲突解决机制

确定改进冲突决策的策略，当建议多条规则时，会相应地提高算法的效率。

结论

人工智能（AI）中的生产系统是指一种决策和问题求解模型，它遵循一套标准的规则和程序逻辑。它确保了一种系统、顺序的思考方式，适用于专家系统、自动推理和智能控制系统等领域。虽然传统的生产系统可以实现开放性和可度量性，但还有更多值得期待的，特别是通过与机器学习功能集成来增强它，使其具有可扩展性和实时性。随着时间的推移，生产系统将继续致力于为各个行业设计合乎道德且智能的解决方案。