專家系統
中文名稱：專家系統 英文名稱：Expert System
定義（Definition）
用規則把專家經驗寫進電腦，讓系統像顧問一樣回答問題、給建議。
原理與技術
專家系統的核心有「知識」和「推理」兩塊。 首先，知識庫(Knowledge Base) 就像一本電子版專家手冊，把「如果…那麼…」的規則、常見事實、例外條件都列清楚，讓電腦知道什麼情況要用什麼規則。
其次，推理引擎(Inference Engine) 就像裁判，遇到新案例時，它會先讀目前的事實，再比對知識庫裡哪些規則能用。
推理方式有兩種：前向鏈結(Forward Chaining) 是從已知事實一路往後推結論，適合資料多、想知道可能結果的情況；後向鏈結(Backward Chaining) 則是先假設答案，再回頭檢查需要哪些條件，適合診斷或問答。當多條規則同時符合時，會用衝突解決(Conflict Resolution)，例如「越精確的規則優先」或「越新的資訊優先」，避免規則互撞。
此外，專家系統要能解釋自己的決策，這叫可解釋性(Explainability)，它會記錄「用了哪條規則、為什麼符合」，方便人類審查。知識不是一次寫完就結束，還需要知識取得與維護(Knowledge Engineering)，透過專家訪談、收集新案例、檢查規則矛盾，持續更新，確保系統不會因環境變化而過時。整套流程像「把師傅經驗寫成程式 + 用邏輯引擎推論 + 可解釋」，讓沒有專家在場時也能得到可靠建議。
專家系統與現代 AI 的比較
雖然大型語言模型（LLM，如 ChatGPT）興起，但專家系統仍有其重要性：
優點：
- 規則清晰、可解釋
- 決策一致、可預期
- 非常適合 SOP、品質管理、風險管理
- 無需大量資料即可運作
限制：
- 缺乏彈性，無法像 LLM 那樣從大量資料自主學習
- 依賴人類專家定義規則
現今常將兩者結合：
LLM 用於理解語言
專家系統用於最終決策與規則控管
這叫做「混合式 AI」（Hybrid AI）。
應用領域
- 故障診斷：工廠機台或網路設備出問題，系統會依規則給「先檢查電源→再看溫度→再看壓力表」的步驟，縮短排除時間。
- 醫療輔助：依據症狀與指引列出可能疾病與檢查建議，並附「因為有A症狀且B指標超標」這類解釋，協助醫師判斷。例如 MYCIN（最早知名的醫療專家系統），可協助判斷細菌感染並給予抗生素建議。
- 風險與稽核：信用審核、保險核保、內控稽核都可用規則快速掃描交易或申請，遇到違規立即告警，並留下審計軌跡。
- 產品配置：如伺服器或車輛客製化，規則會避免不相容組合，並給出合規配置清單。
- 客服知識庫：理賠、報修、流程問答等標準化情境，用規則確保每次回答一致且可追溯。這些場景共通點是：知識可被寫成清晰規則、需要一致回答、需要可解釋與可稽核；只要條件改變不太快，專家系統就能穩定提供「像專家又可驗證」的建議。
3 題模擬練習題
- 在專家系統的核心組成中，哪一個部分負責「依照規則進行推論並產生結論」？
- A. 知識庫（Knowledge Base）
- **B. 推論引擎（Inference Engine） **
- C. 介面層（User Interface）
- D. 資料儲存系統（Data Storage）
- 正確答案：B
- 解析： 推論引擎是專家系統的大腦，負責根據知識庫的規則進行邏輯判斷並推導出答案。 A 是儲存專家知識的地方；C 是給使用者互動的介面；D 雖然可能存在，但不是核心組件。
- 以下哪一種情境最適合使用「專家系統」而非生成式 AI？
- A. 客服中心需要產生多樣化對話
- B. 工廠需要依照固定規則判斷金屬零件是否符合品質標準
- C. 行銷團隊需要生成創意文案
- D. 需要根據自然語言總結大量文件內容
- 正確答案：B
- 解析：
專家系統擅長「規則明確、決策可被條列化」的任務，如品質判斷、醫療診斷初步規則、法遵條文檢查等。
生成式 AI 才擅長 A、C、D 這類需要語言理解或創意生成的任務。
- 某公司希望建立一套內部稽核輔助系統，能依據 ISO 條文與公司流程判斷是否符合規範。企業想採用專家系統，以下哪一項是系統成功的最關鍵因素？
- A. 找到一個運算能力極強的伺服器
- **B. 收集並整理完整且一致的規則與準則 **
- C. 資料量越大越好，即使混亂也沒關係
- D. 讓系統自行從大量文本訓練，建立自己的規則
- 正確答案：B
- 解析： 專家系統的本質是「靠規則運作」。 若規則整理不完整或矛盾，推論引擎就會產生錯誤結果。 A 與效能無關；C 錯誤，規則式系統不需大量雜亂資料；D 描述的是生成式或機器學習模型，不是專家系統的特性。
重點比較表
專家系統 vs. 機器學習 vs. 生成式 AI 比較
| 面向 | 專家系統（Expert System） | 機器學習（Machine Learning） | 生成式 AI（Generative AI / LLM） |
|---|---|---|---|
| 核心運作方式 | 依靠人類專家整理的「規則」推論 | 依靠資料學習「模式」與統計關係 | 依靠大規模資料訓練語言或多模態模型生成內容 |
| 需求前提 | 規則可明確被寫出 | 需要大量高品質資料 | 需要龐大語料與強大模型 |
| 可解釋性 | 極高（規則透明） | 中等至低（依演算法複雜度而定） | 低，黑箱特性強 |
| 輸出類型 | 固定、可預期的結論 | 預測、分類、回歸 | 文字、圖片、程式碼、音樂等生成內容 |
| 優點 | 可控性高、決策一致、易審核、適合流程與法規 | 可自動找出關聯、適合大量資料的任務 | 語言理解能力佳、泛用性高、能產生創意內容 |
| 缺點 | 依賴人工知識建模、規則不易擴充 | 需要資料、模型需調整、可能過度擬合 | 可能幻覺、不可預測、難以完全控制 |
| 適用情境 | 品質規範、故障排除、醫療流程、法律審核、稽核判定 | 需求預測、影像分類、推薦系統 | 聊天、摘要、文案、程式生成、複雜語言任務 |
| 實作門檻 | 中（需專家整理知識） | 中至高（需資料與模型能力） | 高（需模型平台與 prompt 能力） |
| 維護方式 | 更新規則（人工） | 更新資料與重新訓練 | 調整 prompt / 微調模型 |
| 對錯誤的敏感度 | 規則錯誤即結論錯誤 | 受資料品質影響 | 容易生成不正確但看似合理的內容 |