IBM Watson 工作原理：基于证据的推理

IBM的Watson是人工智能的一个里程碑，从国际象棋中战胜世界冠军，到Jeopardy！上夺冠，再到现在红红火火的医疗健康诊断，表现出了惊人的智能，创造耀眼的成绩。

根据网上的资料，了解一下Watson的工作原理。它的大的框架是利用自然语言处理的各种技术，然后在处理后的结构上利用搜索找到一批候选答案，之后再分析和收集证据，利用证据来计算每个答案的相关性分数和可信度。最后，输出可信度高的答案。

底层的分析使用了统计方法，100多种算法来分析问题和文本的内容，还有算法来排名候选答案。机器学习框架用来权重不同的算法和他们的结果，和在类别内的动态学习来验证类别的解释。

使用了很多的机器资源和内存来获得快速计算。代码使用了Java，C++，和Prolog，组件通过UIMA集成到一起。大概使用了6百万逻辑规则，2亿的文本，和大量的结构化和半结构化的知识库。

看一个例子，Watson是如何使用基于证据的推理来得到一个问题的答案的。下面这句话中“this explorer”指的是谁？

首先，将句子进行句法分析，再根据关键词检索库中是否有相关的句子。根据关键词找到相关的句子作为可能的答案的来源。匹配的关键词都是相关的证据，证据越多，匹配的概率和可信度就越高。例如，在库中找到的一个相关的句子，celebrated，in may，anniversary，等关键词匹配上了，同时，一些reference text，比如，portugal，india，arrival in，等，也匹配了，然后，系统推理出Gary也许是问题的答案。

光是关键词的匹配是比较弱的，需要引入更强的基于语义的匹配，这些语义的匹配，就需要用到人工或是统计或是学习来的语义关系，比如，知识图谱在此就能提供更深层次更强的证据，基于这些证据的推理，将会提供更精确的答案。下面这个相关句子的分析，就用到了时序推理，同义转换，空间推理，等等，而不是简单的关键词匹配。