重新设计过程决策引擎以利用机器学习(以及哪个)

Question

我不确定这是否是正确的论坛，但我真的在寻求有关这方面的建议。

我们有一个过程决策引擎，这是相当初级的，用来决定应用程序的路由。它基本上是串联的多个if-else语句(其中大约有30个)。例如：

if (application.isBlue && (!configs.isBlueAllowed)) { return 1 } ....

此外，我们还将介绍不同的标记和流。例如，如果应用程序包含标记blah，那么它应该跳过一些if-else语句，然后转到不同的处理中心。

我们天真的方法似乎已经达到了极限(当然我们可以更多地切换，但它既不优雅也不漂亮)。

假设这是正确的论坛，请您评论：

• 这种类型的应用程序/进程是否从ML方法(如监督排序)中受益？
• 如果#1是真的，那么哪种ML方法最适合这样做？

Answer 1

这不是提出这个问题的正确方法。

我怀疑您真正想知道的是机器学习是否可以用于改进您的应用程序。有可能。可能不会。我不知道，因为这不是你要求的。

您要问的是，它是否可以改进“过程决策引擎”。这不是要求。这是一个实现。你是在告诉我们问题是怎么解决的，而不是问题是什么。

我相当肯定ML可以用来解决这个类的所有问题。ML可用于异或的求解。每当你需要一个异或时，你都会疯狂地接触到ML。

明白机器收益的力量并不在于它能解决逻辑问题。它可以找到解决逻辑问题的方法，而不需要人类来处理每一个环节。

30 if-else语句听起来可能听起来很多，如果组织得很糟糕，肯定是这样。但是机器学习是微不足道的。不过，这些信息还不足以打电话。

此外，我们还将介绍不同的标记和流。例如，如果一个应用程序包含标签blah，那么它应该跳过一些if-else语句，然后转到不同的处理中心。

这句话让我觉得你最有可能从引入好的老式分解和多态中获益。查找谓词是什么。如果您在一个过程中有30个if-else语句，其中许多语句需要跳过，那么您很可能在一个地方做了很多事情。分手吧。使许多功能和对象只接受他们所需要的，而不主动去学习他们自己的东西。让他们每人只做一件事。

但在进行所有这些重构之前，请编写一些测试，以证明这些东西的工作效果与以前一样好。这样，当你认为你的新设计和旧的设计一样的时候，你就会是对的。

现在已经有了一些测试和新的设计，是时候尝试为新的标记和流添加新的测试了。新的设计应该使添加它们更容易。

但是如果您想让我们评估ML是否是解决这个问题的好方法，那么我们需要更多的信息，然后是如何解决这个问题的。它究竟决定了什么？

Answer 2

我们天真的方法似乎已经达到了极限(当然我们可以更多地切换，但它既不优雅也不漂亮)。

你能使用ML技术吗？是。

我认为您的问题是当输入{P}和计算引擎C变得太复杂时(“不优雅也不漂亮”)。当您有一个定义良好的输入{P}和输出{Q}时，可以使用ML技术获得C“免费”。

基本上，您需要做的是将您的“应用程序”、“信任”转换为具有数值的数据集，例如，布尔值表示"isBlue“、"isBlueAllowed”等，以及所需的“结果”。您必须为所有可能的配置和结果创建此数据集。这是需要得到紧密的拟合数据，所以结果将是确定性的。

此时，当您有这样的数据集时，计算引擎不需要是复杂的，也就是说，它可以像数据集和某个过滤器之间的逻辑计算一样简单，或者如果它更复杂，可以是一些涉及矩阵的操作。只要输出匹配{Q}，我们可能不太关心这个计算是什么。

你的下一项工作是决定如何获得计算引擎C。老实说，会有很多，你必须自己测试才能做出决定。在这一点上，速度可能是最大的考虑因素。

问题是，您有一个决策树，您希望能够生成它，而不是更新代码。最流行的决策树生成器之一是C4.5。

将来当您需要添加另一个配置属性时，只需更新数据集，并更新您所选择的任何算法的模型。

整个过程就是如何应用ML，这并不难。如果要进行比较，则需要在维护培训数据集{P}与开发和维护一段软件之间进行比较。