XiaoMi-AI文件搜索系统
World File Search SystemDendral
第 3.2 章。人工智能
进入专家系统的黄金时代。实际上，1965 年麻省理工学院的 DENDRAL（专门从事分子化学的专家系统）和 1972 年斯坦福大学的 MYCIN（专门用于诊断血液疾病和处方药的系统）开辟了前进的道路。这些系统基于“推理机”，该推理机被编程为人类推理的逻辑镜像。通过输入数据，“引擎”提供了具有高水平知识的答案。 20 世纪 80 年代末 90 年代初，这股热潮再次消退。事实上，编写这样的知识需要付出很多努力，当编写 200 到 300 条规则时，就会出现“黑箱”效应：不清楚机器究竟如何推理。因此，开发和维护变得极其困难，而且，还可以通过许多其他不太复杂且成本较低的方法来解决。值得回顾的是，在 20 世纪 90 年代，“人工智能”一词几乎成为“禁忌”，而其更为温和的变体，如“高级计算”，进入了大学语言。
3-1 人工智能的历史和应用
[Buchanan 68] B. Buchanan、EA Feigenbaum 和 J. Lederberg，启发式 DENDRAL：一种用于生成有机化学解释假设的程序，1968 年 [Shortliffle 76] EH Shortliffe，基于计算机的医疗咨询：MYCIN，1976 年 [Buchanan 84] B. Buchanan 和 E. Shortliffe，基于规则的专家系统，1984 年
人工智能与生物信息学
与此同时，人工智能正在研究复杂的现实世界问题，以促进这门科学的发展，并获得其成果的一些可衡量的影响。DENDRAL 项目是一个从质谱数据识别有机化合物的专家系统，是这些努力的首批成果之一 [Lindsay 等人，1993 年]。它引入了有关问题领域的任务特定知识作为启发式方法的来源，并为蛋白质组学研究铺平了道路。二十年后的首批成功之一是 Protean，该系统旨在解释 NMR 数据以确定蛋白质三维结构 [Hayes-Roth 等人，1986 年]。它还启动了使用 Meta-Dendral 开发实际机器学习应用程序，这是一个从（光谱、结构）对中学习 Dendral 所需规则的系统 [Feigenbaum and Buchanan，1993]。请注意，令人惊讶的是，对质谱解释的帮助在生物学中仍然有很高的需求，无论是研究肽、聚糖或各种代谢物等小物体，还是研究较大的分子复合物。这种共同的兴趣并没有随着时间的推移而减少，毫不夸张地说，人工智能的贡献或需求在生物信息学中随处可见。
计算科学发现集成系统
引言科学事业是人类最令人瞩目的成就之一，而科学发现则是推动科学进步的引擎。人工智能界早已认识到科学发现的重要性，这从该领域四十多年来的活跃研究就可以看出。Simon (1966) 提出了自动化发现过程的想法，第一个显著的成功出现在 20 世纪 70 年代，出现了 DENDRAL（Lindsay 等人，1980 年）和 Bacon（Langley，1981 年）等系统。20 世纪 80 年代和 90 年代，科学事业继续取得进展，研究人员在天体物理学、生物学、化学、生态学、粒子物理学和社会科学等不同领域解决了越来越广泛的科学问题。到世纪之交，有许多计算机辅助发现发表在同行评审的科学文献中的案例（Langley，2000 年）。近年来，计算科学发现变得更加活跃，来自应用数学、物理学、机械工程和其他学科的研究人员加入了发起这一运动的人工智能科学家的行列。早期的方法主要依赖于符号处理和在离散结构空间中的搜索，而后来的许多努力则转向执行参数搜索的统计技术和神经网络。这两个群体的共同点是他们致力于开发能够重现人类发现的全部深度和广度的通用机制。自 1989 年以来，至少有 12 场研讨会和讲习班以及多本报告该领域进展的编辑书籍（Shrager 和 Langley，1990 年；Dˇzeroski 和 Todorovski，2007 年；Addis 等人，2019 年）反映了人们对这一主题的持续关注。
人工智能与项目管理
(5) E. Feigenbaum 和 B. Buchanan，“DENDRAL 和 META-DENDRAL：知识系统和专家系统应用的根源，”Artif. Intell.，第 59 卷，第 1-2 期，第 233-240 页，1994 年。 (6) K. Niwa 和 M. Okuma，“技术诀窍转移方法及其在大型建设项目风险管理中的应用，”IEEE Trans. Eng. Manage.，第 29 卷，第 4 期，第 146-153 页，1982 年。 (7) K. Niwa 和 K. Sasaki，“一种新的项目管理系统方法：基于技术诀窍的项目管理系统，”Project Management Quarterly，第 14 卷，第 1 期，第 65-72 页，1983 年。 (8) K. Niwa，“一种基于知识的人机协作系统， ative system for ill-structured management domains，”IEEE Trans. Syst., Man Cybern., vol.16, no.3, pp.335–342, 1986. (9) HM Leung、VM Rao Tummala 和 KB Chuah，“A knowledge-based system for determining potential projectrisks，”Omega, vol.26, no.5, pp.623–638, 1998. (10) Takeshi Oshima 和 Tomiko Maruyama，“Project management method by visualizing volatilitys in software scale，”Journal of the Society of Project Management, vol.19, no.1, pp.26–31, 2017. (11) C. Jones, Applied softwaremeasurement: global analysis of productivity and quality, McGraw-Hill Education Group, 2008.（Hisashi Tomino 和 Kyoichi Kosaka 译） ，软件开发的定量方法：旨在提高生产率和质量（第三版），Kyoritsu Shuppan，2010年。 14）Katero Inoue，Kenichi Matsumoto，Masahiro Tsurubo和Koji Torii，“实现经验软件工程环境的方法”，信息处理，第45卷，第7期，第722-728页，2004年，2004年。（15） Ademia合作：IT系统开发中质量预测的实用方法，” (16) M. Tsunoda、N. Osugi、A. Kadota、K. Matsumoto 和 S. Sato，“使用协同过滤的软件开发工作量预测方法”，信息处理杂志，第 46 卷，第 5 期，第 1155-1164 页，2005 年。 (17) D. Zhang 和 J. J. Tsai，“机器学习和软件工程”，软件质量杂志，第 11 卷，第 2 期，第 87-119 页，2003 年。 (18) J. Wang 和 C. Zhang，“使用基于 RNN 编码器-解码器的深度学习模型进行软件可靠性预测”，Reliab. Eng. Syst. Saf.，第 170 卷，第 73-82 页，2018 年。 (19) T. Mori 和 N. Uchihira，“在软件缺陷预测中平衡准确性和可解释性”，Empir. Softw. Eng.，第 24 卷，第 2 期，第 779-825 页，2019 年。 (20) R. High，认知系统时代：深入了解 IBM Watson 及其工作原理，IBM Corporation，Redbooks，2012 年。 (21) IBM Cognitive PMO，https://www.ibm.com/jp-ja/marketplace/cognitive- pmo-jp（2020 年 1 月 5 日访问） (22) Naoshi Uchihira，“项目管理中的知识转移”，人工智能百科全书，第 19-10 节， pp.1355-1360，共立出版，2017年。 (23) Fujitsu KIWare，https://pr.fujitsu.com/jp/news/2017/11/28.html（2020/1/5访问） (24) Masatoshi Morisaki，“基于AI的源代码审查～通过深度学习诊断代码之美”，信息处理，第59卷，第11期，第985-988页，2018年。 (25) Takeshi Oshima、Naoshi Uchihira，“用于项目管理的AI知识分类模型～IT企业中AI应用方法的研究～”，国际项目管理期刊，第13卷，第1期，第121-141页，2018年。 (26) Toshiki Mori、Naoshi Uchihira，“项目和计划风险管理中的机器学习和知识创造的综合方法”，国际 P2M 杂志，第 14 卷，第 1 期，第 415-435 页，2019 年。