上篇主要是按照专家系统发展阶段的不同，可以将ES分为如下5个阶段：基于规则的、基于框架的、基于案例的、基于模型的、基于网络的。本文先对ES的落地应用进行举例，然后讲技术发展，其次写专家系统的发展方向，再次看人工智能是不是等于专家系统？
首先：专家系统的应用落地
专家系统本意是使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题，并得出与人类专家相同的结论。简言之，专家系统可视作“知识库”和“推理机”的结合，ES类系统结构一般如下图：
很明显，知识库是专家的知识在计算机中的映射，推理机是利用知识进行推理的能力在计算机中的映射。
构造专家系统的难点也在于两个阶段：第一个阶段是人类领域专家获取知识，第二个阶段是系统运行过程中的知识获取。
乳腺癌案例：针对乳腺癌的乳腺放射影像分析工具与服务、图像分析平台。
通过图像分析平台，检测乳房关键部位，借助学习性的算法，量化多维、嘈杂的医学影像与信号数据中的异常事件，辅助放射科医师及其医疗保健团队作出对乳腺癌筛查、治疗和诊断的决定。来实现乳腺癌、肺癌早期诊断，解决乳腺癌、肺癌诊断晚以免错过最佳治疗时机问题。
研发的白盒算法（clear box）使得医生能了解结果以及驱动结果的因素，并采用了智能抽样技术应对大数据。从各种数据，包括不太可能改变的静态数据（如患者人口统计信息）或随时间收集的数据（包括患者生命体，传感器或图像数据），以及历史或实时数据流中选取合适的数据复杂度生成预测模型，并能将不同数据类型组合成一个赋权和揭示的数据集进行分析。
运用机器学习算法能探索关键图像数据，识别相关属性，丢弃无关属性，实现模型快速收敛。
模型中的复杂度太高可能会导致过度拟合（当模型被过度定制为特定数据时），而没有足够的复杂性导致欠拟合（一个太简单的模型）。产品需要平衡适合度和过拟合的竞争风险，以确定模型复杂性的水平，从而保证预测性能。
随着数据变化，模型推动的结果也随之发生变化。随着继续处理医生数据的新例子，算法学习并变得更加准确。随着变化的发生，该模型可以轻松适应，确保在最佳，轻便的尺寸下获得高精度的答案。
上述案例中对于专家系统的应用在于：数据中的异常事件，辅助放射科医师及其医疗保健团队作出对乳腺癌筛查、治疗和诊断的决定。
构建专家系统知识库流程如下：
1）统一化规则
初始化规则集合
初始化规则事实集合
使用规则推导
2）添加规则信息
“组织结块”,“颜色淤血色”,“大小异常”,“凹陷”，“柔软”，“色彩常规”
3）规则事实
柔软+色彩常规 -> 正常
凹陷+柔软 -> 表面缺陷
组织结块+颜色淤血+大小异常 -> 乳腺异常
构建专家系统的推理过程如下：
教个Coding编码或者自己写代码
然后：专家系统的技术发展
专家系统在技术发展上类似AI是一个与多学科交叉发展的过程，例如下图：
上图给出了与专家系统在技术上发展上对应的交叉学科，可见：部分专家系统的发展阶段，本质上可视作与其余类交叉学科的融合。
其次：专家系统的发展方向
专家系统的远期目标跟AI的主题是保持一致的，是探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为。
该目标远远超出计算机科学的范畴，几乎涉及自然科学和社会科学的所有学科。因此，目前对专家系统的发展预测集中在近期目标，即建造能用于代替人类高级脑力劳动的专家系统。
例如：无门槛AI，要求并行与分布处理、多系统协同工作、高级语言描述、自学习能力、新的推理机制、自纠错和自完善、先进的人机接口等等。
完全实现这些特征是一项艰巨的任务，目前第一、二种新特征已经较为成熟，第三随着NLP的发展也逐步实现中，第四、五、六 在生成对抗网络（GANs）和强化学习发展上也均有突破。
例如：H2O无门槛AI
该人工智能专家系统让非技术人员也能应用机器学习解决研究阶段复杂、难预测，并集合生成对抗网络（GANs）和强化学习的应用问题。
帮助用户针对特定的问题选取已组建好的合适的机器学习算法，例如：准备数据、校对参数、决定优化算法等。
该系统实现了特征工程（feature engineering）的自动化，并以 GPU 加速计算，从而降低数据科学在企业环境下的运用门槛，并有一些常见应用场景的预设模块。
例如：在销售及人力资源相关流程中，用户可以使用相应场景模块获得机器学习技术的数据分析结果，并获得创新见解。
显然专家系统是人工智能的重要组成部分，但是人工智能可不止专家系统，AI包含的知识点、数据域，对算法的需求，对算力的要求都高于专家系统。
例如：上述乳腺癌的案例中，专家系统更多的是起到检索判断的作用。而更多的力量来源于AI的另外的部分，像深度学习（DNN ）。由于DNN在语音识别和图像识别上的突破性应用，使用DNN的应用量有了爆炸性的增长。这些DNN被部署到了癌症检测到复杂游戏等各种应用中。在这许多领域中，DNN能够超越人类专家的准确率。
然而，DNN获得出众准确率的代价是高计算复杂性成本。虽然通用计算引擎（尤其是GPU），已经成为DNN处理的砥柱，但提供对DNN计算专属的加速方法也越来越热门。从DNN的有点和缺陷上来看这均超出专家系统的知识域。所以，人工智能不止于专家系统。
更多AI的应用场景详情见笔者新书《AI赋能：AI重新定义产品经理》。或者起点学院笔者LineLian有开设一本帮助产品经理上手AI产品的课程 http://996.pm/MeANw
最后：AI有三高现象
作为从事AI的弄潮儿，观察发现从事AI的朋友多是高背景、高智商、高能力现象。这背后反映了。
其一，是AI是对自己有一定要求的同学才会主动学习的；其二，在其他领域做得一定的程度，发现突破发展的瓶颈很难的时候，正好发现AI可以实现从科技底层进行创新赋能。
如果你想系统化入门AI产品经理，掌握AI产品经理的落地工作方法，戳这里>http://996.pm/7bjab
