用什么类型的人工智能来预测零件的兼容性？

Question

我从一开始就会说，我不是一个程序员，我对不同类型的人工智能有粗略的了解，只是一个商人在开发一个网络应用程序。

无论如何，我投资开发的这个网络应用程序是我的爱好。在这一爱好的行业中，有许多零件制造商、产品制造商、升级和广告制造商等。目前，我正在为那些有知识的人建立一个群体资源平台，并标记这些部分之间的兼容性，因为如果它们是这样的话，它们并不总是清晰的：

制造商A制造"A“级产品，制造商B制造与"A”类产品相匹配的升级/部件，但由于某种原因与制造商A特定的"A“级产品不兼容。

但是，数据库中相当一部分(>60%-70%)的产品/部件可以根据它们的特性来推断它们的兼容性，

例如，：

第一部分是带有"X“mm接收器的"A”型，第二部分也是带有"X“mm接口的"A”型，因此这两个部分是兼容的。

或

第一部分是8mm齿轮，因此任何制造商的所有8mm套都与第一部分兼容。此外，所有齿轮只能在数据库中与衬套和齿轮箱具有兼容性关系，但由于这些部件之间没有接口，所以齿轮与钢轨或接收机之间不可能有有意义的兼容性。

现在，我想要的是一个AI能够从众包平台社区的决策中学习，并能够根据它们的标记属性、它们是什么类型的部件等来推断新部件/产品的兼容性。

是解决这一问题最好的人工智能形式是什么？I在考虑一个专家系统，但明确地设计所有的知识规则会让人望而生畏，因为从字面上看，成千上万个零件、数百个零件类型和许多制造商之间存在着复杂的关系。

(人工神经网络)是否是从众源平台用户的许多输入/决策中学习的理想方法？

任何帮助/输入都是非常感谢的。

Answer 1

这听起来很复杂，也许有理由尝试在任务中训练一个神经网络。由于决策已经被众包，这些决定可以用来训练神经网络。

缺点是很难达到当时100%正确的结果。当神经网络发生错误时，就应该用它作为训练数据，并希望将来避免同样的错误。但这几乎是神经网络的普遍缺点:很难分辨出一个完全进化的神经网络背后的逻辑，有时甚至更难纠正所述的逻辑，如果这是神经网络长期学习的结果。

或者，也可以尝试一种更传统的方法，如果您能够找到一种方法来定义使部件不复杂的方法。或者通过将它们分成兼容性组(我确信这将是一项长期而艰巨的任务)。但这正是众包的来龙去脉。

答案不多，我知道，但我希望它能帮助你想出一些关于从哪里开始的想法。

Answer 2

这听起来像是一个约束满意度问题。我会尝试使用CSP解决方案来解决这个问题，比如min冲突。