Artificial intelligence 什么类型的人工智能用于预测零件兼容性？

我要说的是，从一开始我就不是一个程序员，我对不同类型的人工智能有粗略的了解，我只是一个开发web应用的商人

无论如何，我投资开发的web应用程序是我的一个爱好。在这个爱好的行业中，有许多硬件/产品的零件制造商、产品制造商、升级和插件制造商等。目前，我正在为有经验的人构建一个众包平台，以便他们能够进入并标记这些部件之间的兼容性，因为如果这些部件是：

制造商A生产“A”类产品，制造商B生产通常与“A”类产品配套的升级/部件，但由于某种原因与制造商A的特定“A”类产品不兼容

但是，数据库中的一大块（>60%-70%）产品/零件可以通过其属性推断其兼容性

例如：

第1部分为带有“X”毫米接收器的“A”型，第2部分为带有“X”毫米接口的“A”型，因此这两个部分是兼容的

或

第1部分为8mm齿轮，因此任何制造商提供的8mm衬套均与第1部分兼容。此外，所有齿轮在数据库中只能与衬套和齿轮箱具有兼容性关系，但齿轮和导轨或接收器之间不可能存在有意义的兼容性，因为这些部件没有接口

现在我想要的是AI能够从众包平台社区的决策中学习，能够根据新部件/产品的标记属性、部件类型等推断其兼容性

解决这一问题的最佳人工智能形式是什么？我在考虑一个专家系统，但由于成千上万个零件、数百种零件类型和许多制造商之间的复杂关系，明确地设计所有知识规则将是令人畏惧的

ANN（神经网络）是从众源平台用户的许多输入/决策中学习的理想选择吗？

---

非常感谢您的任何帮助/意见。

这听起来像是一个约束满足问题。我会尝试使用CSP解决方案来解决它，比如min conflicts

这听起来很复杂，也许有理由在任务中训练神经网络。由于决策已经被众包，这些决策可以用来训练神经网络

缺点是，很难实现当时100%正确的结果。当神经网络出错时，应将其用作训练数据，并希望今后避免同样的错误。。但这几乎是神经网络的普遍缺点：很难理解完全进化的神经网络背后的逻辑，有时甚至更难纠正所说的逻辑，如果它是神经网络在很长一段时间内学习的结果

---

或者，如果您能够找到一种方法来定义零件不可压缩的原因，也可以尝试一种更传统的方法。或者通过将它们分成兼容组（我相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）

---

---

我知道答案不多，但我希望它能帮助你产生一些关于从哪里开始的想法

你可能想看看，因为这可能更适合那里的人。@simbabque谢谢，我也会把它贴在那里，看看他们有什么要说的。嗯，没有达到100%的正确结果真的不是什么大问题，因为AI的目的是在未来提出兼容性建议，从而减少众包社区的工作量。这些建议将由社区投票表决，因此在未来AI会提出更好的建议。因此，对我来说，神经网络听起来是个好主意。它的黑匣子方面有点令人担忧，但我想我别无选择。@user1154277对于参与构建和训练它的人来说，黑匣子方面是可以消除的，但是分解东西并窥视里面通常会占用很多时间，我宁愿让它去做（dys）函数，并确保将任何不正确的结果作为培训数据提供给它，如果必要，甚至可能不止一次。啊，好的，将错误作为培训数据提供的函数听起来很容易集成到众源平台中。谢谢，我可能会使用Tremani或FANN for PHP来实现这一点。但它会如何学习呢？通常情况下，在手工更正之前必须知道所有约束，但在许多情况下，您可以相当简单地表达相当复杂的约束（即使对于相当复杂的问题）。在尝试更复杂的解决方案之前，我会这样做。