我从一开始就说我不是程序员，我对不同类型的AI有一个粗略的了解，而且我只是一个构建网络应用程序的商人。
无论如何，我投资开发的网络应用程序是为了我的业余爱好。在这个业余爱好的行业中，有许多零件制造商，产品制造商，升级和插件制造商等用于硬件/产品。目前，我正在为知识渊博的人建立一个众包源平台，并标记这些部分之间的兼容性，因为它们并非总是如此明确：
制造商A制造＆＃34; A＆＃34;类产品，制造商B进行升级/部分通常与班级＆＃34; A＆＃34;产品，但由于某种原因与制造商A特别不相容＆＃34; A＆＃34;类产品。
但是，数据库中的产品/部件的良好块（> 60％-70％）可以通过其属性推断其兼容性，
例如：
第1部分是＆＃34; A＆＃34;用＆＃34; X＆＃34; mm接收器和第2部分也是Type＆＃34; A＆＃34;用＆＃34; X＆＃34;毫米接口，因此两个部分是兼容的..
或
第1部分是8毫米齿轮，因此所有制造商的8毫米轴套都与第1部分兼容。此外，所有齿轮在数据库中只能与套管和齿轮箱具有兼容性关系，但没有任何有意义的兼容性因为这些部件没有接口，所以在齿轮和导轨之间或接收器之间。
现在我想要的是AI能够从众包平台社区的决策中学习，并能够基于其标记属性推断新零件/产品的兼容性，它们是什么类型的零件等。
解决这个问题的最佳AI形式是什么？我在考虑使用专家系统，但明确地设计所有知识规则会让人望而生畏，因为数万字之间的复杂关系零件，数百种零件类型和许多制造商。
ANN（神经网络）是否适合从众包平台用户的众多输入/决策中学习？
非常感谢任何帮助/意见。
答案 0 :(得分：2)
这听起来像约束满足问题。我会尝试使用CSP解决方案解决它，例如最小冲突。
答案 1 :(得分：1)
这听起来足够复杂，可能有理由尝试在任务中训练神经网络。由于决策已经众包，这些决策可用于训练神经网络。
缺点是当时很难达到100％正确的结果。当NN出错时，那应该被用作训练数据，并希望未来避免同样的错误..但这几乎是神经网络的一般缺点：难以理解完全进化的NN背后的逻辑如果这是NN在很长一段时间内学到的东西的结果，有时甚至更难纠正所述逻辑。
或者，如果您能找到一种方法来定义使零件无法比拟的方法，也可以尝试更传统的方法。或者可能将它们分类为兼容性组（我确信这将是一项漫长而艰巨的任务......但这就是众包的用武之地。）
我知道答案不是很多，但我希望它可以帮助你提出一些关于从哪里开始的想法