学习的重点是机器学习

学习部分可以分为专家系统和基于概率的系统

专家系统基于规则实现，概率系统是基于学习的方式做，比如通过深度学习和机器学习的模型
专家系统也叫做符号主义
概率系统也叫做连接主义

目前AI主流发展多的是基于概率的系统，但是专家系统这种解决思路还在大量使用，特别是在金融风控，没有数据的领域。

那什么时候该选择哪种系统呢？

如果数据量少或者没有时，使用专家系统，设计出一条条规则；

如果数据量大，那么使用概率统计系统

BI系统：商业智能系统，有大量的数据，BI系统对数据进行整合，并通过数据找到规律，辅助人来进行决策
AI系统：帮助或者替代用户做决策。
所以AI系统和BI系统有很大区别，虽然都用到分析的方法

专家系统工作流

首先要有一批领域内的专家，将他们的领域经验进行总结，
接着知识工程师将专家的知识进行编码，生成计算机能理解的知识，并保存到知识库中
然后是算法工程师，基于知识库来编写一些决策推理算法
最终面向用户，给实际客户提供决策

专家系统的四个属性

处理不确定性：可以根据不同概率来执行不同操作
知识表示：将专家的经验转变成结构化的知识存储，比如知识图谱
可解释性：基于规则来做的系统
知识推理：根据知识来做出决策

虽然说深度学习很火，但是他的可解释性差，因为你并不知道他到底是内部哪个环节导致系统做出这样一个判断
对于教育、医疗、金融领域，我们希望知道这个决策是怎么做出的，可能一个决策就决定很大一笔资金，所以还是偏向于使用专家系统，知道其系统为什么做出这种决策

逻辑推理

离散数学是专家系统里的一个重要学科

两种推理算法

反向证明
要证D true，现在给出A和B is true
根据这些给出的rule进行推理，最终得到要证明A和B is true，因为AB is true， 所以得证

专家系统的缺点

风控案例

搭建规则引擎，规则引擎包含很多条规则。
不是说深度学习可以应用到所有领域
实际上很多模型和 方法还是采用基于规则的。反而深度学习用的并不多

解决规则冲突，可以使用逻辑推理中的两种方法来解决，如果发现推理结果是错误的，那么就把导致推理错误的规则删除

对于一个软件系统，只要时间允许完全可以搭建出来满足业务需求的系统

但是对于AI系统，很多问题是没有人遇到过的问题，可能这个系统并不能够搭建出来，如何一步一步把这个问题解决掉，这就考验一个AI工程师的能力

一步一步把问题拆分，来解决这个问题

解决一个难题的思路

第一步：找到一个类似的现有的经典问题
第二部：阅读相关文献，了解相似问题的一些不同的解决思路，可能某一个论文中就会出现一个解决思路，而这个解决思路就跟你现在遇到的问题特别接近，那么就可以用那种方法来解决你的难题