AI學習理論主要分類架構

AI學習理論的三層架構

▲AI學習理論的三層式架構圖

1. 第一層次：以AI知識來源分類
   ①人類專家：法則學派(Rule-based School)知識來源，由人類專家將解決問題的法則傳授給ai作為推理的依據。
   ②機器自行學習：機器學習學派(Machine Learning School)，其知識是由機器自己從輸入的訓練資料中，自己歸納學習而得的與人類無關。

2. 第二層次：以AI學習導向分類
   ①特徵導向(Feature-Oriented Learning)：指AI訓練資料中所歸納出來的事件特徵(Feature)，來做為將來新資料預測的依據。

   • 監督式學習(Supervised Learning)。
   • 非監督式學習(Unsupervised Learning)。
   • 半監督式學習(Semi-Supervised Learning)。

   ②回饋導向(Feedback-Oriented Learning)：機器利用其與環境的互動回饋，尋求「獎賞最多，懲罰最少」的最佳方案來行動。

   • 強化學習(Reinforcement Learning)。

3. 第三層：以AI學習監督與否分類
   ①監督式學習：由人類標註樣本的正確答案，並用此來監督機器判斷後果正確與否的AI學習方法，為目前最普遍、精確度最高、應用最廣的學習方法。
   ☞必須要有答案，才能使用監督式學習。
   ②非監督式學習：機器學習完全沒有人為干涉，資料沒有人為標註，完全由機器自己根據資料中「本質的特徵」自行進行分析與判斷。
   ③半監督式學習：介於上述兩者之間，有先做監督式學習，再以非監督式學習輔助，以少量標記資料訓練模型，後續於每輪訓練中再加入以模型預測偽標記資料於訓練資料中；或先執行非監督式學習，再執行監督式學習，亦即所謂的遷移式學習(Transfer Learning)。

AI學習理論與任務分類架構

▲學習理論與任務的分類架構圖

法則學派的理論與架構

法則學派的主要概念

由既存的「知識法則」(Rules)與「事實」(Facts)，經由邏輯的「演繹」(Deductive)與「歸納」(Inductive)，不斷地衍生出「新的知識。

1. 新知識的演繹推理：蘇格拉底是人(Fact)，人都會死(Rule)☞推理出：蘇格拉底會死(新事實(New Fact))。
2. 新知識的歸納：柏拉圖是人(Fact)，亞里斯多德也是人(Fact)，柏拉圖會死(Fact)，亞里斯多德會死(Fact)☞歸納，人都會死(新法則(New Rule))。

法則學派的實作：專家系統

1. 專家系統基本概念：專家系統(Expert System, ES)，指透過對人類專家知識的擷取，組件一個核心的「知識庫」(Knowledge Base, KB)，並由邏輯推理引擎(Logic Reasoning Machine)根據使用者所輸入的資料及知識庫裡面的專家法則來推理出問題的解決方案。
2. 專家系統架構
   
   ▲專家系統架構

3.專家系統缺點與問題
①法則太多：非結構性問題，法則數量之大都不是專家系統可以處理的。
②法則無法表達：內隱知識(Tacit Knowledge)。
③法則會變而且有例外：隨著科技、政治、社會的隨時變化，許多法則是一直在改變的：此外許多法則都有很多例外。
④法則獲取成本很高：許多專業知識很難快速正確獲取，常負責蒐集專家知識的知識工程師(Knowledge Engineer)，要跟在專家旁邊很長一段時間，才可以獲取專家的知識。此跟知識學習學派，只需利用幾個統計與數學模式就可以來學習，其成本與時間支出的差別非常大。
⑤非結構化的資料難以用法則來表示：法則學派較能處理結構化、有充分訊息的資料，但對於非結構化、本身不具有有用的信號(Signal)資料，專家系統很難用法則來處理。
⑥無法處理太複雜的問題：專家系統只能處理，窄領域或範圍較小的問題。
⑦專家系統缺乏彈性很難維護：法則相互關聯，關係很複雜，常會「牽一髮而動全局」，常發生難以預料的錯誤，因此要不斷地重新一再測試，此時維護成本就會非常高。
4. 專家系統優點
①容易解釋：推理過程可清楚列出所觸動的法則。
②學習概念容易瞭解：用專家知識來解決問題，本就是人類最普遍常用的學習法則，故專家系統的背後哲學很容易瞭解。
③容易使用與學習：只要根據它所要求你輸入的資料即可得到，其會自己輸出你所需要的問題解決答案，不用自行學習與瞭解複雜的統計數學模式與AI演算法。
④具有強大說服力：醫療診斷或鉅額投資理財，其所提供的建議由於推理法則清楚，對使用者而言的解釋與說服力較為強而有力，不若深度學習，其背後邏輯只是一個黑盒子而無法解釋推理過程。

參考資料
人工智慧-概念應用與管理　林東清著