Day12-01｜3.5.1 专家系统的概念：把领域专家经验转化为可推理的系统能力

本文对应《系统架构设计师教程（第2版）》第3章“信息系统基础知识”3.5.1“专家系统的概念”。专家系统（Expert System，ES）是人工智能发展早期最具代表性的应用之一，也是理解知识驱动架构、规则推理和可解释智能的重要基础。

一、今天要解决的问题

专家系统不是“有很多专家使用的系统”，而是试图在特定领域内模拟专家的知识、经验和推理过程，为用户提供咨询、诊断、预测、规划、设计或决策建议的信息系统。它的核心不是数据量大，而是能够把领域知识表示出来，并按照一定推理策略使用这些知识。

学习本节后，应能够回答：专家系统解决什么问题；它与普通程序、DSS有什么区别；知识库、推理机和用户之间如何协作；为什么专家系统强调解释能力；在架构设计中如何控制规则冲突、知识更新和人工复核。

二、专家系统的定义

专家系统是一种在特定领域内，利用专家知识和推理机制，模拟专家解决问题过程的计算机系统。它通常把问题描述、事实、规则、经验和推理策略组织起来，根据用户输入和已有知识生成结论或建议。

专家系统有三个关键词：领域性、知识性和推理性。

“领域性”表示系统通常解决一个相对明确的专业领域问题，例如设备故障诊断、医疗辅助诊断、金融风险审核、地质勘探和法律咨询。它不一定具备人类专家的通用智能，而是在限定范围内达到较高水平。“知识性”表示系统不仅保存数据，还保存概念、关系、规则、经验和约束。“推理性”表示系统能根据事实和规则推出结论，而不是只进行关键字搜索或固定流程处理。

实际系统可以同时具有多种属性。例如银行授信平台既有业务处理功能，也有DSS分析和专家规则，但在考试中应根据题目强调的核心能力判断系统类型。

三、专家系统的基本工作方式

专家系统通常接收用户提供的事实或问题描述，从知识库中寻找适用的知识，通过推理机进行匹配、推导和冲突消解，最终输出结论、建议或需要补充的问题。一个典型过程可以抽象为：

用户问题 → 事实获取 → 知识匹配 → 推理执行 → 结果解释 → 人工确认 → 反馈更新

例如设备诊断系统先询问“设备是否振动、温度是否升高、是否出现异响”，把回答转化为事实；随后在规则库中匹配故障模式；推理机根据规则推导“轴承可能磨损”；系统进一步询问能够区分不同故障的条件；最后给出诊断依据、建议检查项和置信程度。

专家系统与固定问答系统的区别在于，它不是简单按页面顺序提问，而是根据当前事实动态选择知识和问题。若用户输入改变，推理路径和最终结论也可能改变。

四、知识库：专家系统的核心资产

知识库保存专家系统所需的领域知识，通常包括事实、规则、概念、关系、案例和不确定性信息。

1. 事实知识

事实描述领域中的对象及其状态，例如“设备A的温度为85摄氏度”“客户近三个月逾期两次”“患者存在发热症状”。事实可以来自用户输入、业务数据库、传感器或外部接口。事实必须带有来源、时间和可信状态，否则推理结果很难追溯。

2. 规则知识

规则通常采用“如果条件成立，那么执行结论或动作”的形式。例如“如果温度过高且振动明显，则轴承故障风险升高”“如果客户逾期次数超过阈值，则需要人工复核”。规则应明确条件、结论、优先级、适用范围和生效时间。

3. 概念与关系知识

概念知识描述设备、部件、客户、产品和故障等对象的分类与属性；关系知识描述“属于”“依赖”“导致”“替代”和“关联”等关系。概念和关系能够帮助系统理解不同对象之间的结构，而不只是匹配孤立条件。

4. 案例知识

案例知识保存过去问题、处理过程和结果。面对新问题时，系统可以检索相似案例，提供经验参考。案例检索适合处理规则难以完整表达的问题，但需要考虑案例相似度、时间有效性和适用边界。

5. 不确定性知识

现实问题经常存在信息缺失、判断模糊和证据冲突。系统可以为事实和规则附加置信度、可信等级或证据来源，并采用概率、模糊逻辑或可信度计算处理不确定性。考试答题时，写出“提示信息不足、展示证据和允许人工复核”即可体现架构意识。

五、推理机：把知识变成结论

推理机是专家系统中根据事实和知识进行推理的部件，主要负责规则匹配、推理方向选择、冲突解决、结论生成和过程记录。

1. 正向推理

正向推理从已知事实出发，逐步匹配规则并推出新事实，直到得到结论或没有可用规则。例如已知“温度高”和“振动大”，匹配规则后推出“轴承异常”，再由“轴承异常”和“润滑不足”推出“建议停机检查”。正向推理适合监控、告警和数据驱动的诊断场景。

2. 反向推理

反向推理从目标结论出发，反向寻找支持该结论所需要的条件，再向用户询问或查询这些条件。例如系统假设“是否存在轴承故障”，就寻找“温度高、振动大、润滑不足”等证据。反向推理适合咨询、诊断和问答场景。

3. 混合推理

实际系统常把正向和反向结合起来。先根据实时数据触发候选规则，再围绕关键结论补充询问，既提高效率，又减少无关问题。架构设计时要注意推理超时、循环依赖、重复触发和规则冲突。

4. 冲突消解

同一事实可能触发多条规则，规则结论也可能不一致。系统需要定义优先级、适用范围、最新版本、专家等级或证据强度，并把冲突处理过程记录下来。不能让规则加载顺序偶然决定最终结果。关键领域应设置人工复核和禁止自动覆盖的安全边界。

六、解释机制：专家系统必须说明为什么

传统程序通常只需要输出结果，而专家系统还要解释“为什么得出这个结论”和“为什么提出这个问题”。解释机制是提高用户信任、发现知识错误和支持审计的重要能力。

解释可以分为两类。第一类是结论解释，展示使用了哪些事实、规则和推理路径；第二类是问题解释，说明系统为什么询问某个问题、该问题会影响哪些候选结论。以授信系统为例，不能只显示“高风险”，还应展示逾期记录、负债变化、行业风险和对应规则。

解释记录要与知识版本绑定。如果规则后来发生变化，历史结论仍应能够按照当时的规则、事实和参数复现。对于机器学习模型与专家规则结合的系统，还要区分模型贡献、规则贡献和人工覆盖，避免把所有结果都归因于某一个组件。

七、知识获取与维护

专家系统建设的难点往往不是开发推理引擎，而是获得、验证和维护专家知识。知识获取可以通过专家访谈、观察工作过程、分析历史案例、整理制度文档和提取故障记录完成。

知识工程师需要把专家的隐性经验转化为明确概念、规则和案例。转换过程中可能出现知识不完整、表述歧义、专家意见冲突和经验过时。因此，应建立知识审核、测试样例、版本管理、发布审批、回滚和效果评估机制。

知识库不是一次建设永久使用。政策、产品、设备、市场和风险环境都会改变。每条规则都应有负责人、生效时间、失效时间、适用范围和变更理由。可以在沙箱中验证新规则，使用历史数据回放，比较新旧规则的结果，再灰度发布。

八、专家系统与DSS的关系

DSS以数据和模型为主要支撑，帮助管理者分析和比较方案；专家系统以知识和推理为主要支撑，模拟特定领域专家的咨询和判断。二者可以组合：DSS负责趋势预测、数值优化和方案评价，专家系统负责规则约束、异常解释和专业建议。

例如供应商选择DSS根据成本、交付和质量数据生成候选方案，专家规则排除不符合行业合规要求的供应商，并解释排除原因。生产排程DSS优化资源配置，专家规则确保工艺顺序、安全间隔和设备维护要求。这样的组合比单独依赖模型或单独依赖规则更适合复杂业务。

九、案例分析：数据中心故障诊断专家系统

某数据中心希望建设故障诊断系统。系统接入服务器、网络设备、存储设备的监控指标和运维工单，能够根据异常现象给出故障定位与处置建议。

架构设计应包括：以设备、组件、告警、指标和故障为核心建立领域知识模型；通过实时监控和工单获取事实；使用规则库表达告警组合、依赖关系和处置规程；通过正向推理发现候选故障，通过反向推理补充关键证据；采用优先级和证据强度处理多条规则冲突；输出故障结论、证据链、影响范围、建议动作和置信等级；关键操作需要人工确认并记录审批；将处置结果和工单复盘回写案例库；为知识规则提供审核、版本、灰度和回滚机制。

若系统只根据单个告警关键字匹配一条文本回复，就不具备完整专家系统特征。真正的专家系统应能够综合事实、应用知识、进行推理并解释结论。

十、综合知识练习

选择题1

专家系统区别于普通业务系统的核心是（ ）。

A. 使用更多服务器 B. 保存更多交易记录 C. 利用领域知识和推理机制解决专业问题 D. 页面更加复杂

答案：C。解析：专家系统的核心是知识表示和推理，而不是硬件规模或界面复杂度。

选择题2

从目标结论出发，寻找支持条件并向用户补充提问，属于（ ）。

A. 正向推理 B. 反向推理 C. 批量处理 D. 数据备份

答案：B。解析：从目标或假设出发向前寻找证据，是反向推理。

简答题

为什么专家系统需要解释机制？

参考答案：解释机制能够说明结论所依据的事实、规则和推理路径，帮助用户理解和信任系统；能够发现知识库中的冲突、缺失和错误；能够支持人工复核、责任追踪和合规审计；还能帮助知识工程师维护和改进规则。对于高风险领域，解释机制是系统可用性和可信性的必要条件。

十一、论文素材与今日复盘

论文可写：“针对领域经验分散、故障判断依赖少数专家的问题，我建立了领域概念模型、规则库、案例库和推理服务，将专家经验转化为可维护的知识资产。系统通过事实采集、规则匹配、正反向推理和冲突消解形成诊断建议，并输出证据链和推理路径。知识规则采用版本、审核、灰度和回滚机制，关键结论保留人工复核和审计记录。”

今日复盘：专家系统的核心是领域知识加推理机制；知识库不仅保存规则，还要保存事实、概念、案例和不确定性；推理结果必须可解释、可追溯、可维护。下一篇进入 3.5.2 专家系统的特点。