除了关于机器学习，数据分析和强化学习的所有流行方式之外，专家系统领域和符号AI发生了什么？
在很多领域中，由于各种原因（缺少数据，任务非常关键，需要可重复性...）而无法使用机器学习。如何在当今运营商扮演着重要角色并且其知识被认为是任何学习系统所获得知识的可靠面孔的系统中如何应对学习？
在这样的领域中，传统的嵌入式系统设计仍在使用，在相当陈旧的完全合格的SoC上使用实时嵌入式C语言，有时甚至是汇编语言和VHDL（被认为是需要证明自己的最新技术）。将这项技术与所有先前引用的约束条件（数据，安全性，操作员知识）相结合，我们将成为专家系统，基于知识的系统和基于规则/推理引擎的理想人选。在无需启动新的学习和验证操作的情况下，数据是人类可读/可修改的。
另一方面，在数据量（有时）充足的情况下，机器学习系统被认为是特定任务的良好候选者，例如信号处理，形状识别等。
进行的越多，我们越能看到深度学习算法试图通过从低保真模拟和十亿次尝试中学习来解决决策问题。在高度受限的工业应用中，我有时很难理解ML系统的期望水平，在这些应用中有时可能无法学习新的用例（例如，产品交付给客户并保持机密）。
更准确地说，如何在这样的工业领域中构建智能系统，而又不被认为是提出过时的老式AI的过时工程师，而不是遵循ML /面向数据的趋势？在我看来，专家系统和基于知识的系统有时是引用特定上下文的唯一解决方案。
如今，做出关键决策的应用程序又如何呢？使用哪种推理引擎（银行，汽车，航空）？我们称它们为专家系统吗？从您的角度来看，GOFAI仍然有进步的余量来使当今的系统变得更智能吗？
答案 0 :(得分：0)
像“专家系统”这样的符号化AI方法由于“框架问题”而大为失败，而“框架问题”使世界在专家系统计算答案的同时发生了变化。基本上，系统无法跟上不断变化的世界。
除了AI系统（即封闭的宇宙）的影响之外，世界没有改变的地方，符号AI系统运行得很好。这通常被称为STRIPS假设，因为随后可以使用STRIPS计划程序解决问题。 https://artint.info/html/ArtInt_204.html对此进行了详细说明。
其他符号AI算法（例如A *图形搜索和智能回溯）广泛用于软件工程中。简而言之，专家系统尝试通过应用生产规则序列来找到问题的目标解决方案。这通常包括尝试利用概率信息。
从机器学习的角度来看，符号系统也更加困难。机器学习是可能的，但是通常这些系统需要大型规则库的构建。因此，最近对NN产生了兴趣。
如果您将其重新发布到AI董事会，则可能会得到更多考虑和知情的答复。