我一开始就说明，我不是程序员，我对不同类型的AI有一定的了解，我只是一个正在开发网络应用的商人。

无论如何，我正在投资开发的网络应用是为我的一个爱好服务的。这个爱好的行业中有许多零件制造商、产品制造商、升级和附件制造商等。目前，我正在构建一个众包平台，让有知识的人可以进入并标记这些零件之间的兼容性，因为它们的兼容性并不总是很明确，例如：

制造商A生产一个“A”类产品，而制造商B生产的升级/零件通常与“A”类产品匹配，但由于某种原因与制造商A的特定“A”类产品不兼容。

然而，数据库中很大一部分（>60%-70%）的产品/零件可以通过它们的属性推断出兼容性，

例如：

零件1是类型“A”，带有“X”毫米接收器，而零件2也是类型“A”，带有“X”毫米接口，因此这两个零件是兼容的..

或者

零件1是8毫米齿轮，因此任何制造商的8毫米轴承都与零件1兼容。此外，所有的齿轮在数据库中只能与轴承和齿轮箱有兼容关系，但齿轮与导轨或接收器之间没有有意义的兼容性，因为这些零件不互相连接。

现在，我希望有一个AI能够从众包平台社区的决策中学习，并能够根据新零件/产品的标记属性、它们是什么类型的零件等来推断兼容性。

解决这个问题的最佳AI形式是什么？ 我在考虑使用专家系统，但明确地工程化所有知识规则将因为成千上万的零件、数百种零件类型和许多制造商之间的复杂关系而变得令人望而却步。

ANN（神经网络）是否适合从众包平台用户的众多输入/决策中学习？

任何帮助/输入都非常感激。

回答：

这听起来足够复杂，或许可以尝试训练一个神经网络来完成这项任务。由于决策已经在进行众包，这些决策可以用来训练神经网络。

缺点是很难达到100%正确的结果。当神经网络犯错时，应该将其用作训练数据，并希望将来避免同样的错误..但这几乎是神经网络的一般缺点：很难理解一个完全进化的神经网络背后的逻辑，有时甚至更难纠正这种逻辑，如果这是神经网络长时间学习的结果的话。

或者，也可以尝试更传统的方法，如果你能找到一种定义零件不兼容的方法。或者通过将它们分类到兼容组中（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）。

我知道这不是一个完整的答案，但我希望它能帮助你产生一些关于从哪里开始的想法