软件智能：aaas系统中AI众生的“世”和“界” 之4- 时空参照系与机器学习模型的原型组图

本篇将和机器学习有关的词标示到前面的“AI众生世界 之3”篇的组图（图15）中。参考链接

软件智能：aaas系统中AI众生的“世”和“界” 之3-大纲视图的增强版及其rfc （AI的众生相续和世界相续）_ChuanfangChen的博客-CSDN博客

标示后的图应该基本上能反映aaa所需的到机器学习的连接。目的是想看看能否能从中提取出机器学习模型的内部构造及其外部接口。

一个主题(机器学习)拆成两组图。两张原始图和它们总共的三张标示图。其中两张原始图都是前面文章中给出过的，但这里做了少量更改。

1、大纲视图中时空部分（表面模型：机器学习的三个功能对应DDD的三个构造块）

1.1 图示

第一张原始图：(下图前在前面的“AI众生世界 之3”篇的组图“图15  大纲视图中时空部分 的组合图示”基础上增加了图d）

 图15 大纲视图中时空部分 的组合图示【classifacation的值对象】

它的两张标示图：

 图15+ 大纲视图中时空部分 的组合图示【aggreation的聚合根】

图15++ 大纲视图中时空部分 的组合图示【cluster的事件源】

1.2 图的名称说明

蓝框画出的部分，是这组图要说明的机器学习的功能以及这些功能在整个概观总表(一个DDD引擎)中的联系。(DDD领域驱动设计)。

DDD表面模型的构造块只有三种，就是值对象、事件源和聚合根对应关系。 分别封装了事务、事件和话题 。 三者最常见的对应的例子是，网络协议(操作系统--会话层服务程序 )， DBMS（管理系统-表示层服务程序）和 GUI（应用系统--应用层服务程序）。

2、大纲视图中时空部分（意义表征：机器学习模型的三个隐藏层分别与DDD的三种上下文有关）

2.1 图示

第二张原始图：

图14.1 大纲视图中时空部分 的过程图示【演绎推理的两个独立的过程-扩展策略 】 

将前面的“AI众生世界 之3”篇的“图14. 为 解决概观总表“条约”中“小”矛盾的一个转变过程”的说法有误。该图（上面的组图中的左图）描述的是 “为决定大纲视图“规约”中的“大”问题的一个过渡过程“ ，并且补充了与之对应的 “为解决概观总表“条约”中“小”矛盾的一个转变过程transition。

它的标示图：

图14.2 大纲视图中时空部分 的过程图示【计算模型的三个隐藏层-增强方针】 

一个家族中所有理论的最高或最具体的公共概括就是忽略所有缺陷而得到的经典理论。家族中的其他理论是通过扩展一个或多个违约（expanding )的上确界得到的。通过默认逻辑，形式推理的演绎deduction 推理和类比推理的结构映射建立起联系。 

2.2 默认逻辑及其扩展和增强（1+2*2）

图14.1演示了默认逻辑家族的两类扩展策略--形式推理（formal reasoning）的另外两种：

 1归纳induction -用于for增加可证明语句（定理）的数量[大纲中的条约-粗分]，同时减少假设（公理）的数量【概观中的规约-细分】。aaas中通过构造一个图书馆来系统地组织所有的理论集合；

2反绎abduction （诱因，扣减）-通常使用类比来“猜测”或假设一个可能的理论（ a likely theory），其通过推论（演绎 ）得出的预测与进一步的观察结果相比较。aaas中通过建立一个实验室来测试它。

图14.2 说明了默认逻辑家族的 两项指导方针-类比推理-非形式推理（informal reasoning）的另外两种：

 1失效否定（Negation by failure ）【双重否定】：是默认逻辑的一种变体。上确界是由一组给定公理的合取所定义的理论。每次证明某个命题p的失败，都会用否定~p来扩展现有的理论。这是数学类比的方法，是前述建立实验室的 基础设施--提供所需要的仪器仪表等。

2使用确定性因子(certainty factors )或模糊值(fuzzy values )的推理方法(reasoning methods)可被视为viewed 默认逻辑的变体。在该逻辑中，每个命题都有一个近似于世界某个方面respect的元级度量（a metalevel measure）。模糊推理的结果是一个理论，其命题超过了某个最小近似水平（ exceed some minimum level of approximation）。这些推理方法有一个共同的目标（ a common goal）：在格的某个地方发现或构造适当的理论。各种方法的组合可以迭代地应用于推导理论，其模型越来越接近于世界。   这是经验类比的方法，是前述构造图书馆的辅助措施--提供一系列组织、评估、索引和发现其中所包含的书籍和理论的方法。以帮助我们，希望能找到一些隐藏的秘密（位于 图15++ 左下角 的标示 “秘密” ）。

2.3 整体构成复合命题推理

2.4机器学习模型的三个隐藏层分别与DDD的三种上下文有关

（上述两个子标题内容较多，计划作为下面一篇来完成）

3、对机器学习模型及系统的设想

本人并不了解机器学习的技术现状。但 个人认为：

机器学习模型，内嵌一个用来选择机器学习模型的评估标准参照集，外挂一个用来确定评估点如何选择的不同数据结构的现场模型的管理系统就是我想要的机器学习的通用系统了。

前者作为 机器学习模型的SPI，呈现标本库或训练集资源，后者作为机器学习模型的API，控制样本库或数据集信息。

每一个具体应用中的历史数据 和 实时数据 通过 SPI接口API接口 和机器学习主机相连( 分别采用 在场 监视 --附加逻辑标签--   和在线 监听--辅助物理端口 )。机器学习主机则充当机器学习模型的防腐层，默认工作方式为线下。具体功能是实现中的三个隐藏层。

它 封装各种不同的推理方法，并建立一个即能表示交叉验证所需要的输入输出接口，又能兼容各种不同推理方法的统一外观的 机器辅助推理算法。每一次都采用从历史数据中(API接口)训练出来的模型和从SPI接口接收的实时数据进行比对，确定一个成功率进阶规划，并配套  数据采样间隔、测试指标创新和更替策略等等。其中包含了反映用户质量要求的相关参数和指标，可以在得到满足要求的训练模型时按照按照事先和用户约定的更新(调用）策略执行更新。

希望有机器学习技术积累的资深人士，能共同探讨这个问题，并在条件成熟时加入进来，以期能开发一个机器学习的通用系统。

【  --------未完待续-----------】