TWI813448B - 專家系統及專家方法 - Google Patents
專家系統及專家方法 Download PDFInfo
- Publication number
- TWI813448B TWI813448B TW111135517A TW111135517A TWI813448B TW I813448 B TWI813448 B TW I813448B TW 111135517 A TW111135517 A TW 111135517A TW 111135517 A TW111135517 A TW 111135517A TW I813448 B TWI813448 B TW I813448B
- Authority
- TW
- Taiwan
- Prior art keywords
- knowledge
- module
- expert
- amplification module
- expanded
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 34
- 238000011161 development Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 10
- 230000003321 amplification Effects 0.000 claims description 81
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 81
- 230000006399 behavior Effects 0.000 claims description 30
- 238000007405 data analysis Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 32
- 238000004519 manufacturing process Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013439 planning Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013068 supply chain management Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Paper (AREA)
- Devices For Executing Special Programs (AREA)
- Feedback Control In General (AREA)
Abstract
一種專家系統包含一儲存裝置以及一處理器。其中處理器執行：知識推薦模組以分析一使用者行為及一知識關聯性，產生一推薦知識，並將推薦知識傳送給一虛擬專家；生命週期管理模組以分析對應一資料的一資料使用率，當資料使用率低於一門檻值時，透過虛擬專家呈現一示警資訊或將資料刪除；以及知識擴增模組以分析使用者行為，依據使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型，透過專家模型以產生一擴充知識，並將擴充知識傳送到一開發模組。
Description
本發明是關於一種專家系統，特別是關於一種應用於儲存應用程式的專家系統及專家方法。
在競爭激烈的科技業，利用資料科學建置專家系統，近年來蔚為風潮，專家系統是早期人工智慧的一個重要分支，它可以看作是一類具有專門知識和經驗的計算機智能程序系統，一般採用人工智慧中的知識表示和知識推理技術來模擬通常由領域專家才能解決的複雜問題。專家系統可以降低對專家的依賴，減少勞務成本，並提升分析結果、提升診斷效率、分析結果的一致性。
一般而言，專家系統的開發過程可以分為幾個步驟，例如，知識取得步驟、推理程序步驟、人機介面步驟，其中，於知識取得步驟中，將整合資料庫與專家資料庫視為一大數據庫或資料倉儲，於推理程序步驟中，可透過一些機器學習方法建構推理模型，於人機介面步驟中，提供介面讓使用者輸入資訊，或透過事先設定的條件，由系統產生分析及推理結果的互動介面。
然而，企業所處在的環境是變動且競爭的，管理、研發、製造等方法技術也是日新月異的，所以專家系統的知識與推理能力必須持續的提升，專家系統常見以下問題：無評估方法及程序，無法獲取及學習新的或缺漏的知識，以維持專家系統的有效性，缺乏針對各類知識的生命週期管理方法，缺乏有效率的知識推薦模式，導致無法快速擴充知識網路。因此，如何解決這些問題，已成為本領域需解決的問題之一。
為了解決上述的問題，本揭露內容之一態樣提供了一種專家系統。專家系統包含一儲存裝置以及一處理器。處理器用以存取該儲存裝置所儲存之一知識推薦模組、一生命週期管理模組及一知識擴增模組，以執行該知識推薦模組、該生命週期管理模組及該知識擴增模組，其中該處理器執行：該知識推薦模組以分析一使用者行為及一知識關聯性，產生一推薦知識，並將該推薦知識傳送給一虛擬專家；該生命週期管理模組以分析對應一資料的一資料使用率，當該資料使用率低於一門檻值時，透過該虛擬專家呈現一示警資訊或將該資料刪除；以及該知識擴增模組以分析該使用者行為，依據該使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型，透過該專家模型以產生一擴充知識，並將該擴充知識傳送到一開發模組。
於一實施例中，該知識擴增模組將該擴充知識傳送到該開發模組後，該開發模組依據該擴充知識產生一執行檔，並將該執行檔傳送到一註冊及上線模組；該註冊及上線模組用以註冊該執行檔，並將該執行檔上傳到一資料庫後，該註冊及上線模組將該執行檔傳送到一資料分析模組；以及該資料分析模組執行該執行檔，產生一多維度資料，並將該多維度資料傳送給該虛擬專家。
於一實施例中，該處理器執行該知識擴增模組時，該知識擴增模組透過一循環式學習演算法以重複執行：分析該使用者行為；依據該使用者行為獲取對應一知識缺口的一管理知識；將該管理知識傳送到該專家模型；以及透過該專家模型以產生該擴充知識。
於一實施例中，處理器執行該知識擴增模組時，當該知識擴增模組判斷出存在一推論能力不足狀態時，則更新該專家模型。
於一實施例中，該處理器執行該知識擴增模組時，當該知識擴增模組判斷出存在一知識缺口，則檢視該專家模型中是否有相關於該知識缺口的一新增知識；當該專家模型中有相關於該知識缺口的該新增知識時，則該知識擴增模組整合或連結該新增知識與該知識缺口的一擴增關聯性；當該專家
模型中沒有相關於該知識缺口的該新增知識時，則該知識擴增模組建立該新增知識至該專家模型中。
本發明之又一態樣係於提供一種專家方法，專家方法的步驟包含：透過一知識推薦模組以分析一使用者行為及一知識關聯性，產生一推薦知識，並將該推薦知識傳送給一虛擬專家；透過一生命週期管理模組以分析對應一資料的一資料使用率，當該資料使用率低於一門檻值時，透過該虛擬專家呈現一示警資訊或將該資料刪除；以及透過一知識擴增模組以分析該使用者行為，依據該使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型，透過該專家模型以產生一擴充知識，並將該擴充知識傳送到一開發模組。
於一實施例中，該知識擴增模組將該擴充知識傳送到該開發模組後，該開發模組依據該擴充知識產生一執行檔，並將該執行檔傳送到一註冊及上線模組；該註冊及上線模組用以註冊該執行檔，並將該執行檔上傳到一資料庫後，該註冊及上線模組將該執行檔傳送到一資料分析模組；以及該資料分析模組執行該執行檔，產生一多維度資料，並將該多維度資料傳送給該虛擬專家。
於一實施例中，該知識擴增模組透過一循環式學習演算法以重複執行：分析該使用者行為；依據該使用者行為獲取對應一知識缺口的一管理知識；將該管理知識傳送到該專家模型；以及透過該專家模型以產生該擴充知識。
於一實施例中，當該知識擴增模組判斷出存在一推論能力不足狀態時，則更新該專家模型。
於一實施例中，當該知識擴增模組判斷出存在一知識缺口，則檢視該專家模型中是否有相關於該知識缺口的一新增知識；當該專家模型中有相關於該知識缺口的該新增知識時，則該知識擴增模組整合或連結該新增知識與該知識缺口的一擴增關聯性；當該專家模型中沒有相關於該知識缺口的該新增知識時，則該知識擴增模組建立該新增知識至該專家模型中。
本發明所示之專家系統及專家方法，達到以下功效：可以評估特定系統的使用率，持續獲取及學習新的或缺漏的知識，以維持專家系統的有效性，生命週期管理方法可以針對各類知識進行汰換，以及提供有效率的知識推薦模式，可應用於快速擴充知識網路。
以下說明係為完成發明的較佳實現方式，其目的在於描述本發明的基本精神，但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。
必須了解的是，使用於本說明書中的”包含”、”包括”等詞，係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件，但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件，或以上的任意組合。
於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件，並非用來表示之間具有優先權順序，先行關係，或者是一個元件先於另一個元件，或者是執行方法步驟時的時間先後順序，僅用來區別具有相同名字的元件。
請參照第1圖，第1圖係依照本發明一實施例繪示之專家系統100之方塊圖。
如第1圖所示，專家系統100包含一知識推薦模組KR、一生命週期管理模組LM及一知識擴增模組KE。
於一實施例中，專家系統100可以是筆記型電腦、桌機、伺服器或其它電子裝置。
於一實施例中，專家系統100更包含儲存裝置(未繪示)，例如為一非揮發式記憶體快速介面規範(Non-Volatile
Memory Express，NVMe)之固態硬碟，儲存裝置用以儲存專家系統100中的所有以程式實作的模組(例如知識推薦模組KR、生命週期管理模組LM及知識擴增模組KE)、檔案(如存取紀錄檔10)、資料庫22。
於一實施例中，專家系統100更包含一處理器(未繪示)，處理器用以存取儲存裝置所儲存之模組(例如(例如知識推薦模組KR、生命週期管理模組LM及知識擴增模組KE))、檔案(如存取紀錄檔10)、資料庫22。
於一實施例中，處理器可以被實施為例如為微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)或一邏輯電路。
於一實施例中，知識推薦模組KR、生命週期管理模組LM及知識擴增模組KE及第1圖中的其他模組可以以軟體、韌體、硬體(如電路、晶片)以實現之。
於一實施例中，專家系統100包含存取紀錄檔10、虛擬專家12、推論引擎14、資料分析模組16、註冊及上線模組18、開發模組20、資料庫22、專家模型36、知識推薦模組KR、生命週期管理模組LM及知識擴增模組KE，此外，專家系統100可以選擇性的包含文件24、訊號26、製造執行系統28、企業資源規劃系統30、客戶關係管理系統32及/或供應鏈管理系統34。
於一實施例中，存取紀錄檔10是指使用者存取系統中各種資料的紀錄檔(log file)。
於一實施例中，虛擬專家12用以接收使用者USR所下的指令，並依據指令將分析、理由、推薦或行動反饋給使用者。於一實施例中，虛擬專家12可以視為專家系統100的使用者介面。換言之，虛擬專家12需要能夠取得或自身具備至少一種專業知識，並且知道如何在特定情境下和使用者進行溝通。
於一實施例中，推論引擎14將現有的資訊經過邏輯性規則推論，再應用到新知識領域。例如可以應用基於規則(rule based)的演算法、基於案例(case based)的演算法或機器學習方式來建構。
於一實施例中，資料分析模組16用以將資料整理成可以分析的格式，例如為多維度的員工資料中，包含員工代碼、職等、薪資...等資料。
於一實施例中，註冊及上線模組18用以介接每個要實際放到專家系統100上的程式，此些程式需要先註冊後(建立程式與專家系統100的信任關係)，才上線(供專家系統100使用)。
於一實施例中，開發模組20用以執行一或多個開發工具、存放開發完的程式碼及/或產生執行檔。
於一實施例中，資料庫22可以儲存於儲存裝置中，專家系統100中各模組(例如註冊及上線模組18、文件24、訊號26、製造執行系統28、企業資源規劃系統30、客戶關係管理系統32及/或供應鏈管理系統34)用到的資料皆可以儲存於資
料庫22中。於一實施例中，開發模組20可以存取資料庫22中的資料。
於一實施例中，專家模型36可以使用機器學習或其他推論方法實現之，舉例而言，專家模型36可以為卷積神經網路(Convolutional Neural Network，CNN)或其他類神經網路實現之。於一實施例中，專家模型36可以由專家替代之。
於一實施例中，文件24是指技術文件或其他文字檔。
於一實施例中，訊號26是指與專家系統100通訊連結的一或多個感應器所偵測到的訊號。
於一實施例中，製造執行系統28是用來幫助企業從接獲訂單、進行生產、流程控制一直到產品完成，主動收集及監控製造過程中所產生的生產資料，以確保產品生產品質的應用軟體。
於一實施例中，企業資源規劃系統30能夠提供高效執行日常營運業務所必需的流程自動化、整合以及智慧功能。企業的多數或所有資料都應儲存在企業資源規劃系統30中，以便提供涵蓋全公司的單一事實來源。
於一實施例中，客戶關係管理系統32能夠整合各種顧客數據資料，將顧客來源、消費內容、顧客行為、產品口碑等指標數據化，為企業提供全方位的管理視角。
於一實施例中，供應鏈管理系統34指的是從原物料的採購到最終產品的交付，與產品或服務相關的商品、資料和財務流程的管理。
於一實施例中，知識推薦模組KR分析一使用者行為及一知識關聯性，產生一推薦知識，並將推薦知識傳送給一虛擬專家12。
於一實施例中，分析使用者行為例如可以透過部門代碼、姓名、對於特定系統的點擊次數…等資訊進行分析。
於一實施例中，生命週期管理模組LM分析對應一資料的一資料使用率，當資料使用率低於一門檻值時，透過虛擬專家12呈現一示警資訊或將此資料刪除。
於一實施例中，知識擴增模組KE分析使用者行為，依據使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型36，透過專家模型36以產生一擴充知識，並將擴充知識傳送到一開發模組20。
於一實施例中，知識擴增模組KE將擴充知識(透過專家模型36)傳送到開發模組20後，開發模組20依據擴充知識產生一執行檔，並將執行檔傳送到一註冊及上線模組18；註冊及上線模組18用以註冊執行檔，並將執行檔上傳到資料庫22後，註冊及上線模組18將執行檔傳送到資料分析模組16，資料分析模組16執行執行檔，產生一多維度資料，並將多維度資料傳送給虛擬專家12。於一實施例中，虛擬專家12可以將全部或部份多維度資料呈現給使用者USR觀看，或作為回應使用者USR的反饋資料。
於一實施例中，處理器執行知識擴增模組KE時，知識擴增模組KE透過一循環式學習演算法以重複執行：分析使用者行為；依據使用者行為獲取對應一知識缺口的一管理知識；將管理知識傳送到專家模型36；以及透過專家模型36以產生擴充知識。
於一實施例中，處理器執行知識擴增模組KE時，當知識擴增模組KE判斷出存在一推論能力不足狀態時，則更新專家模型36。
於一實施例中，處理器執行知識擴增模組KE時，當知識擴增模組KE判斷出存在一知識缺口，則檢視專家模型36中是否有相關於知識缺口的一新增知識；當專家模型36中有相關於知識缺口的新增知識時，則知識擴增模組KE整合或連結新增知識與知識缺口的一擴增關聯性；當專家模型36中沒有相關於知識缺口的新增知識時，則知識擴增模組KE建立新增知識至專家模型36中。
於一實施例中，知識擴增模組KE可以提供例如：追蹤平台的負責人名字、第一次檢查此平台的日期、第二次檢查此平台的日期、點擊率、新增的知識、缺乏的推論能力…等等資訊。
請參照第2~3圖，第2圖係依照本發明一實施例之知識擴增模組KE的運作方法200之示意圖。第3圖係依照本發明一實施例繪示之知識擴增模組KE的運作方法300之流程圖。
由第2圖可看出，知識擴增模組KE是一種循環式學習演算法，其運作方式例如為，使用者USR輸入一查詢問題到虛擬專家12中，虛擬專家12將此查詢問題傳送到存取紀錄檔10中，讓存取紀錄檔10新增此筆紀錄後，在將此查詢問題傳送到一系統使用率模組SU，系統使用率模組SU可以依據查詢問題，輸出追蹤生產速度、設備異常分析、生產效率分析、製造索引、訂定關鍵績效指標(Key Performance Indicators，KPI)，接著將系統使用率模組SU輸出的此些資訊傳送到專家模型36中，專家模型36可以判斷是否新的專家系統沒有被使用到、專家系統100發生的問題、產出變慢的問題、機台變慢的問題…等判斷結果，並將判斷結果傳送到開發模組20，開發模組20將判斷結果傳送到推論引擎14及資料分析模組16後，推論引擎14及/或資料分析模組16各自將判斷結果進行運算，並將運算結果傳送到註冊及上線模組18，註冊及上線模組18完成上線步驟後，將運算結果傳送到虛擬專家12，虛擬專家12將運算結果(可能是文字、數值或其他資訊)顯示給使用者USR。
請參閱第3圖，知識擴增模組KE的運作方法300可以主動透過分析使用者行為、獲取知識、擴充知識，以建立循環式學習演算法。知識擴增模組KE的運作方法300可以透過處理器執行之。
於步驟S31中，知識擴增模組KE建立虛擬專家12平台。
於步驟S32中，知識擴增模組KE分析使用者行為。
於步驟S33中，知識擴增模組KE進行有效性評估。於一實施例中，知識擴增模組KE透過系統使用率模組SU進行有效性評估。有效性評估例如為：設置新的專家系統的目標擊中率(hit)為大於等於80%(一門檻值)，此可以視為新的專家系統需達到的KPI。
於步驟S34中，知識擴增模組KE判斷是否目標擊中率大於等於門檻值，若是，代表新的專家系統使用次數多，進入步驟S36，若否代表新的專家系統使用次數少，進入步驟S35。
於步驟S35中，知識擴增模組KE檢視是否有更好的知識。於一實施例中，知識擴增模組KE可以自動產生問卷或透過人工發出問卷，找出更好的知識或是找到知識缺口。知識缺口例如為無法提供使用者USR所詢問的知識。
於步驟S36中，知識擴增模組KE收集新知識。於一實施例中，知識擴增模組KE可以從資料庫22或存取紀錄檔10中，收集新知識。
於步驟S37中，知識擴增模組KE分析專家系統100目前是否具有知識缺口或推論能力不足。當知識擴增模組KE分析專家系統100目前具有知識缺口，則進入步驟S39。當知識擴增模組KE分析專家系統100目前推論能力不足，則進入步驟S38。當知識擴增模組KE分析專家系統100目前具有知識缺口且推論能力不足，則步驟S38及步驟S39皆會執行，然，執行的順序不限。
於步驟S38中，知識擴增模組KE建立或改善推論引擎14。推論引擎14可以使用機器學習或其他推論方法實現之，舉例而言，當推論引擎14是由卷積神經網路或其他類神經網路實現時，可以透過取得大數據，再次訓練推論引擎14。當完成再次訓練推論引擎14，則進入步驟S33。
於步驟S39中，知識擴增模組KE判斷是否有相關於知識缺口的知識。當知識擴增模組KE判斷有相關於知識缺口的知識，則進入步驟S40。當知識擴增模組KE判斷沒有相關於知識缺口的知識，則進入步驟S41。
於步驟S40中，知識擴增模組KE整合、連結、改善現有功能，使得推論引擎14、資料分析模組16及/或專家模型的知識連結能力增強後，進入步驟S33。
於步驟S41中，知識擴增模組KE建立新的知識。於一實施例中，知識擴增模組KE可以透過專家模型36建立新的知識，或是透過虛擬專家12請專家輸入新的知識。知識擴增模組KE建立新的知識後，進入步驟S33。
請參閱第4圖，第4圖係依照本發明一實施例之生命週期管理模組LM的運作方法400之示意圖。生命週期管理模組LM是一個主動透過分析使用率，自動示警及清理(或刪除)的模組，基於使用者自行開發的發展模式，降低系統管理員的介入與負荷。
於一實施例中，使用者USR輸入一查詢問題到虛擬專家12中，虛擬專家12將此查詢問題傳送到存取紀錄檔10中，讓存取紀錄檔10新增此筆紀錄後，在將此查詢問題傳送到一系統使用率模組SU，系統使用率模組SU可以依據查詢問題，輸出追蹤生產速度、設備異常分析、生產效率分析、製造索引、訂定關鍵績效指標及/或特定系統的使用率，接著將系統使用率模組SU輸出的此些資訊傳送到專家模型36及/或註冊及上線模組18中。
於一實施例中，當系統使用率模組SU依據查詢問題，分析出特定系統的使用率較低(例如低於一預設門檻值)或是此特定系統沒有被註冊時，系統使用率模組SU會產生一示警資訊用以表示特定系統的使用率較低或是此特定系統沒有被註冊，並可依據事先設定，選擇性的產生自動解除此特定系統佈署的提示，接著將示警資訊及/或提示傳送(例如自動以電子信件的方式)到專家模型36。專家模型36收到示警資訊及/或提示後，可以依據過往經驗決定重新註冊此特定系統、解除此特定系統的佈署或重新佈署此特定系統，並將決策傳送到註冊及上線模組18。例如，由於特定系統的使用率較低，幾乎沒有人使用，因此專家模型36判斷將此特定系統下架，將下架的決策傳送到註冊及上線模組18，註冊及上線模組18接著將此特定系統下架並選擇性的解除此特定系統的佈署。
於一實施例中，專家模型36收到示警資訊及/或提示後，可以增加此特定系統的功能及/或知識。於一實施例中，專家模型36可以透過查詢外部資料或是由專家輸入更多知識，並將此些知識傳送到開發模組20，開發模組20將知識寫入此特定系統後，將此特定系統的執行檔傳送到推論引擎14及資料分析模組16，推論引擎14及/或資料分析模組16各自測試此執行檔，以產生一運算結果，並將運算結果傳送到註冊及上線模組18，註冊及上線模組18完成上線步驟後，將運算結果傳送到虛擬專家12，虛擬專家12將運算結果(可能是文字、數值或其他資訊)顯示給使用者USR。
於一實施例中，系統使用率模組SU依據查詢問題，分析出特定系統的使用率較高(例如高於一另一預設門檻值)，則傳送一不解除此特定系統的佈署的指令到註冊及上線模組18。
於一實施例中，註冊及上線模組18將一判斷結果(不解除此特定系統的佈署或解除此特定系統的佈署)傳送到虛擬專家12，虛擬專家12將判斷結果(可能是文字、數值或其他資訊)顯示給使用者USR。藉此，使用者USR可以知道特定系統的生命週期。
請參閱第5圖，第5圖係依照本發明一實施例之知識推薦模組KR運作方法500之示意圖。 知識推薦模組KR是一個透過分析使用者行為及知識關聯性，主動推薦知識給使用者USR的模組。於一實施例中，第5圖的推薦選單RM及選單列表LM可以透過虛擬專家12呈現。
於一實施例中，使用者USR輸入一查詢問題到虛擬專家12中，虛擬專家12將此查詢問題傳送給處理器，處理器會促使選單產生器LR依據此查詢問題，到元資料(meta data)庫MD跟註冊系統資料庫RS進行查詢，以產生推薦選單RM及選單列表LM的內容。
於一實施例中，選單產生器LR可以由軟體、韌體或硬體實現之，只要是在元資料庫MD與註冊系統資料庫RS找到此查詢問題相關的資訊，選單產生器LR會將此些資訊整理後，將整理結果顯示於推薦選單RM及選單列表LM中。
於一實施例中，元資料庫MD中儲存資料存放的路徑、存取的紀錄檔、資料權限…等資訊。
於一實施例中，註冊系統資料庫RS中儲存程式碼作者、聯絡方式(例如查訪名單、存取帳號)、知識排序(例如階層式排序知識)、知識分類(例如透過分類以建立智慧地圖)…等資料。
於一實施例中，推薦選單RM包含喜歡的知識51、最近閱讀的知識52、部門閱讀的知識53、最佳路徑(快捷鍵)54。然而，此處僅為舉例，本案不限於此。
於一實施例中，選單列表LM包含搜尋結果55、智慧地圖56、作者57、查訪名單與存取帳號58。然而，此處僅為舉例，本案不限於此。
藉此，知識推薦模組KR可以依據知識關聯性，找到與使用者USR及查詢問題相關的知識，並主動推薦知識給使用者USR。
本發明所示之專家系統及專家方法，達到以下功效：可以評估特定系統的使用率，持續獲取及學習新的或缺漏的知識，以維持專家系統的有效性，生命週期管理方法可以針對各類知識進行汰換，以及提供有效率的知識推薦模式，可應用於快速擴充知識網路。
本發明之方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可以包含於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，亦或不限於外在形式之電腦程式產品，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之裝置。程式碼也可以透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之裝置。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:專家系統
USR:使用者
10:存取紀錄檔
12:虛擬專家
14:推論引擎
16:資料分析模組
18:註冊及上線模組
20:開發模組
22:資料庫
24:文件
26:訊號
28:製造執行系統
30:企業資源規劃系統
32:客戶關係管理系統
34:供應鏈管理系統
36:專家模型
KR:知識推薦模組
LM:生命週期管理模組
KE:知識擴增模組
SU:使用率模組
200:知識擴增模組的運作方法
300:知識擴增模組的運作方法
S31~S41:步驟
400:生命週期管理模組的運作方法
500:知識推薦模組運作方法
RM:推薦選單
LM:選單列表
51:喜歡的知識
52:最近閱讀的知識
53:部門閱讀的知識
54:最佳路徑
55:搜尋結果
56:智慧地圖
57:作者
58:查訪名單與存取帳號
LR:選單產生器
MD:元資料庫
RS:註冊系統資料庫
第1圖依照本發明一實施例繪示之專家系統之方塊圖。
第2圖係依照本發明一實施例之知識擴增模組的運作方法之示意圖。
第3圖係依照本發明一實施例繪示之知識擴增模組的運作方法之流程圖。
第4圖係依照本發明一實施例之生命週期管理模組的運作方法之示意圖。
第5圖係依照本發明一實施例之知識推薦模組運作方法之示意圖。
100:專家系統
USR:使用者
10:存取紀錄檔
12:虛擬專家
14:推論引擎
16:資料分析模組
18:註冊及上線模組
20:開發模組
22:資料庫
24:文件
26:訊號
28:製造執行系統
30:企業資源規劃系統
32:客戶關係管理系統
34:供應鏈管理系統
36:專家模型
KR:知識推薦模組
LM:生命週期管理模組
KE:知識擴增模組
Claims (8)
- 一種專家系統，包含：一儲存裝置；以及一處理器，該處理器用以存取該儲存裝置所儲存之一知識推薦模組、一生命週期管理模組及一知識擴增模組，以執行該知識推薦模組、該生命週期管理模組及該知識擴增模組；其中該處理器執行：該知識推薦模組以分析一使用者行為及一知識關聯性，產生一推薦知識，並將該推薦知識傳送給一虛擬專家；該生命週期管理模組依據使用者輸入的查詢問題，分析對應一特定系統的一特定系統使用率，當該特定系統使用率低於一門檻值時，透過該虛擬專家呈現一示警資訊或將該特定系統刪除；以及該知識擴增模組以分析該使用者行為，依據該使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型，透過該專家模型以產生一擴充知識，並將該擴充知識傳送到一開發模組；其中，該知識擴增模組將該擴充知識傳送到該開發模組後，該開發模組依據該擴充知識產生一執行檔，並將該執行檔傳送到一註冊及上線模組；該註冊及上線模組用以註冊該執行檔，並將該執行檔上傳到一資料庫後，該註冊及上線模組將該執行檔傳送到一資料分析模組；以及該資料分析模組執行該執行檔，產生一多維度資料，並將該 多維度資料傳送給該虛擬專家。
- 如請求項1之專家系統，其中，該處理器執行該知識擴增模組時，該知識擴增模組透過一循環式學習演算法以重複執行：分析該使用者行為；依據該使用者行為獲取對應一知識缺口的一管理知識；將該管理知識傳送到該專家模型；以及透過該專家模型以產生該擴充知識。
- 如請求項1所述之專家系統，其中，該處理器執行該知識擴增模組時，當該知識擴增模組判斷出存在一推論能力不足狀態時，則更新該專家模型。
- 如請求項1所述之專家系統，其中，該處理器執行該知識擴增模組時，當該知識擴增模組判斷出存在一知識缺口，則檢視該專家模型中是否有相關於該知識缺口的一新增知識；當該專家模型中有相關於該知識缺口的該新增知識時，則該知識擴增模組整合或連結該新增知識與該知識缺口的一擴增關聯性；當該專家模型中沒有相關於該知識缺口的該新增知識時，則該知識擴增模組建立該新增知識至該專家模型中。
- 一種專家方法，包含：透過一知識推薦模組以分析一使用者行為及一知識關聯性，產生一推薦知識，並將該推薦知識傳送給一虛擬專家；透過一生命週期管理模組以分析對應一特定系統的一特定系 統使用率，當該特定系統使用率低於一門檻值時，透過該虛擬專家呈現一示警資訊或將該特定系統刪除；以及透過一知識擴增模組以分析該使用者行為，依據該使用者行為驅動知識獲取，並將獲取的知識傳送到一專家模型，透過該專家模型以產生一擴充知識，並將該擴充知識傳送到一開發模組；其中，該知識擴增模組將該擴充知識傳送到該開發模組後，該開發模組依據該擴充知識產生一執行檔，並將該執行檔傳送到一註冊及上線模組；該註冊及上線模組用以註冊該執行檔，並將該執行檔上傳到一資料庫後，該註冊及上線模組將該執行檔傳送到一資料分析模組；以及該資料分析模組執行該執行檔，產生一多維度資料，並將該多維度資料傳送給該虛擬專家。
- 如請求項5之專家方法，其中，該知識擴增模組透過一循環式學習演算法以重複執行：分析該使用者行為；依據該使用者行為獲取對應一知識缺口的一管理知識；將該管理知識傳送到該專家模型；以及透過該專家模型以產生該擴充知識。
- 如請求項5之專家方法，其中，當該知識擴增模組判斷出存在一推論能力不足狀態時，則更新該專家模型。
- 如請求項5之專家方法，其中，當該知識擴增模組判斷出存在一知識缺口，則檢視該專家模型中是否有相關於該知識缺口的一新增知識；當該專家模型中有相關於該知識缺口的該新增知識時，則該知識擴增模組整合或連結該新增知識與該知識缺口的一擴增關聯性；當該專家模型中沒有相關於該知識缺口的該新增知識時，則該知識擴增模組建立該新增知識至該專家模型中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111135517A TWI813448B (zh) | 2022-09-20 | 2022-09-20 | 專家系統及專家方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111135517A TWI813448B (zh) | 2022-09-20 | 2022-09-20 | 專家系統及專家方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI813448B true TWI813448B (zh) | 2023-08-21 |
| TW202414283A TW202414283A (zh) | 2024-04-01 |
Family
ID=88585927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111135517A TWI813448B (zh) | 2022-09-20 | 2022-09-20 | 專家系統及專家方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI813448B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI235935B (en) * | 2000-06-07 | 2005-07-11 | Insyst Ltd | A knowledge-engineering protocol-suite system |
| TW201014220A (en) * | 2008-09-25 | 2010-04-01 | Chunghwa Telecom Co Ltd | System for automatically monitoring performance and diagnosing problem of mobile network and method thereof |
| CN109947915A (zh) * | 2019-02-25 | 2019-06-28 | 厦门无常师教育科技有限公司 | 一种基于知识管理系统的人工智能专家系统及其构建方法 |
| CN112131393A (zh) * | 2020-08-11 | 2020-12-25 | 淮阴工学院 | 一种基于bert和相似度算法的医疗知识图谱问答系统构建方法 |
| CN112836509A (zh) * | 2021-02-22 | 2021-05-25 | 西安交通大学 | 一种专家系统知识库构建方法及系统 |
| US20210248482A1 (en) * | 2020-02-07 | 2021-08-12 | International Business Machines Corporation | Maintaining a knowledge database based on user interactions with a user interface |
| US20210375488A1 (en) * | 2020-05-29 | 2021-12-02 | Medius Health | System and methods for automatic medical knowledge curation |
| CN113850387A (zh) * | 2021-09-10 | 2021-12-28 | 深圳市中孚恒升科技有限公司 | 专家系统知识库构建方法、问答方法、系统、装置及介质 |
-
2022
- 2022-09-20 TW TW111135517A patent/TWI813448B/zh active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI235935B (en) * | 2000-06-07 | 2005-07-11 | Insyst Ltd | A knowledge-engineering protocol-suite system |
| TW201014220A (en) * | 2008-09-25 | 2010-04-01 | Chunghwa Telecom Co Ltd | System for automatically monitoring performance and diagnosing problem of mobile network and method thereof |
| CN109947915A (zh) * | 2019-02-25 | 2019-06-28 | 厦门无常师教育科技有限公司 | 一种基于知识管理系统的人工智能专家系统及其构建方法 |
| US20210248482A1 (en) * | 2020-02-07 | 2021-08-12 | International Business Machines Corporation | Maintaining a knowledge database based on user interactions with a user interface |
| US20210375488A1 (en) * | 2020-05-29 | 2021-12-02 | Medius Health | System and methods for automatic medical knowledge curation |
| CN112131393A (zh) * | 2020-08-11 | 2020-12-25 | 淮阴工学院 | 一种基于bert和相似度算法的医疗知识图谱问答系统构建方法 |
| CN112836509A (zh) * | 2021-02-22 | 2021-05-25 | 西安交通大学 | 一种专家系统知识库构建方法及系统 |
| CN113850387A (zh) * | 2021-09-10 | 2021-12-28 | 深圳市中孚恒升科技有限公司 | 专家系统知识库构建方法、问答方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202414283A (zh) | 2024-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bilal et al. | Big Data in the construction industry: A review of present status, opportunities, and future trends | |
| US10970634B2 (en) | Methods and systems for capturing analytic model authoring knowledge | |
| US20180137424A1 (en) | Methods and systems for identifying gaps in predictive model ontology | |
| Chan et al. | Overview of the application of “fuzzy techniques” in construction management research | |
| US20200133929A1 (en) | Intelligent data quality | |
| WO2020003325A1 (en) | Integrated skill management and training platform | |
| US20080270356A1 (en) | Search diagnostics based upon query sets | |
| US20210209159A1 (en) | Automated master data classification and curation using machine learning | |
| US20190042950A1 (en) | Learning computing activities and relationships using graphs | |
| Varshney et al. | Predicting employee expertise for talent management in the enterprise | |
| Mandala et al. | Machine Learning Techniques and Big Data Tools in Design and Manufacturing | |
| US20150039555A1 (en) | Heuristically modifying dbms environments using performance analytics | |
| US20230353590A1 (en) | Project failure reduction through generation, structuring, and/or assessment of a critical event objectt | |
| Rashid et al. | Completeness and consistency analysis for evolving knowledge bases | |
| CN115809302A (zh) | 元数据处理方法、装置、设备及存储介质 | |
| WO2021024145A1 (en) | Systems and methods for process mining using unsupervised learning and for automating orchestration of workflows | |
| CN109886434B (zh) | 一种智能钻井平台维护保养系统及方法 | |
| Scherzinger et al. | The best of both worlds: Challenges in linking provenance and explainability in distributed machine learning | |
| US20190042951A1 (en) | Analysis of computing activities using graph data structures | |
| Choudhary et al. | Knowledge discOvery And daTa minINg inteGrated (KOATING) Moderators for collaborative projects | |
| TWI813448B (zh) | 專家系統及專家方法 | |
| US20180150543A1 (en) | Unified multiversioned processing of derived data | |
| US20110078218A1 (en) | Event history storage device, event history tracking device, event history storage method, event history storage program, and data structure | |
| CN117077847A (zh) | 一种基于业务模型的在线推演及推演可视化实现方法 | |
| Reis et al. | Ai2vis4bigdata: A reference model for ai-based big data analysis and visualization |