- 综合排序
- 最热优先
- 最新优先
决策引擎中的敏捷决策平台
现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 此外，敏捷决策平台需要促进信息收集过程，收集有针对性的相关信息，以支持及时、明智的决策。以下是快速收集决策所需信息的五步流程。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
33010编辑于 2025-09-18- 来自专栏全栈程序员必看
介绍篇 决策引擎环节
最重要的事情最后都会讲：建模是始终服务于业务的，没有业务的评分卡就没有灵魂 决策引擎概念简述 在我理解上 决策引擎类似是一个管道、运输系统，连通整个风控流程，所有的规则和评分卡以及流程都覆盖其中，分配到每一个环节 （比如人工），将结果返回给决策引擎，走入下一个流程 决策引擎的使用规则 决策引擎的分流效果 评分卡是内置在决策引擎当中，基于评分卡的分段，评分卡的使用具体参见：评分卡在策略中的使用，进行分流，分流决策的目的是为让好客户以及有借款欲望客户进一步走入下一流程 决策引擎规则的顺序 1 并行和串行并举 客户命中规则 或者 客户在某评分卡的某个阶段，共同作用，即条件A或条件B均可进入C环节 2 规则的先后性 内部规则 优于 外部规则，比如黑名单信息，用户的基本信息等 ，内部规则的准确性实际上要优于外部规则 3 IV很强的变量实际更适合作为决策引擎的规则 一个变量分箱后，里面全部都是坏客户，那么可以直接作为TK规则，而不是放入评分卡中 4 规则的效率 直接结果和二次处理结果的效率是不同的
79230编辑于 2022-09-10 - 来自专栏全栈程序员必看
风控决策引擎经验
一套完整的风控体系，在风控中，少不了决策引擎，今天就浅谈一下风控决策引擎。 一、优先级 风控决策引擎是一堆风控规则的集合，通过不同的分支、层层规则的递进关系进行运算。 所以，整套风控决策引擎的搭建设计思路，基于规则优先级运算的注意要点如下： 1、自有规则优先于外部规则运行 举例说明：自有本地的黑名单库优先于外部的黑名单数据源运行，如果触发自有本地的黑名单则风控结果可直接终止及输出 所以，整个风控决策引擎的搭建设计思路，基于可调整与可维护的注意要点如下： 1、非刚需与必要的风控规则，能够“开关化” 举例说明：一些必要的风控规则，如用户的银行4要素验证是否一致性，这是必要规则，就无需可开关 因为芝麻信用分是否可作为决策依据将主要取决于业务方向与用户群体，因为理论上芝麻信用分的高低主要与用户在芝麻信用体系内的数据绑定维度的多与少相关，并不一定绝对反映用户的信用程度。
2K30编辑于 2022-07-02 决策引擎系统的7个级别
2、3和4级都是监督式机器学习的一种形式，这就是（今天）媒体提到“人工智能”时的典型含义。1-3级被广泛使用，而4级（如ChatGPT）似乎正在迅速采用。 目前有许多商业“规则引擎”被广泛使用。2级基础机器学习这包括使用查找表、参数模型（包括线性或非线性模型和神经网络）或非参数模型的已知统计模型。 我将4级限制在必须训练的技术上，这意味着它仍然是一种监督学习形式。这意味着LLM将始终生成训练数据集中使用的单词和短语。 模型的输入包括可控参数，也称为行动或决策。使用复杂的算法搜索可行区域以优化性能指标。与必须使用训练数据集进行训练的基于机器学习的技术（2-4级）不同，确定性优化不涉及任何训练。 我为最近才出现在公共舞台上的大型语言模型创建了一个全新的级别，即级别4。
31610编辑于 2025-09-17- 来自专栏全栈程序员必看
流程引擎概念_虚幻引擎4
目录 一、流程定义 二、查询流程定义 三、ID与版本 四、挂起流程定义 五、流程实例 六、执行 七、活动实例 八、任务与任务定义 ---- 本部分说明了流程引擎的概念 一、流程定义 流程定义定义了流程的结构 Camunda BPM使用BPMN2.0作为主要的建模语言，可以将BPMN 2.0XML格式部署到流程引擎中。 流程引擎负责创建流程实例并管理状态。 六、执行 流程引擎在流程实例内部创建两个并发执行。 部署流程后，流程引擎会为流程中的每个活动创建任务定义，这将在运行时创建任务。
1.2K10编辑于 2022-11-01 - 来自专栏IT创事记
智能决策优化新引擎的“求解”之道
从某种意义上讲，求解器就像运筹学里的“芯片”，绝大多数复杂系统的决策问题，都需要用求解器寻求最优解决方案。 市场体量的增大与结构性变化的频生，都对智能决策优化的演进创造了良好条件。 罗小渠认为，杉数科技生逢其时，更要把握良机——“目前，我们已形成以求解器COPT为核心计算引擎+决策技术中台+业务场景的完整技术平台，通过对底层技术引擎的升级来驱动更为高效的产品平台和服务，赋能产业向智能化转型 从调度优化到提供端到端的决策优化解决方案，从涉足零售电商到深耕工业互联网，再到成功服务逾20个行业超百家龙头企业，杉数科技的技术引擎一直在迭代更新，而唯一不变的是对客户需求的跟踪与洞察。 复杂业务场景纷繁交织的航空业是决策优化技术的天然拥趸。
1K10编辑于 2022-08-30 一文读懂AI引擎与Together规则引擎重塑智能决策
AI引擎的三大能力革命动态规划能力Together规则引擎通过可视化的DRG图和装箱表达式，把“季度营收增长20%”这样的宏观目标转化为可执行的决策模型。 多工具调用能力基于Together标准化的决策服务接口，AI引擎可以在ERP、CRM等系统间建立决策中枢。 当某次供应链中断事件触发规则库未覆盖的场景时，AI引擎会将决策过程反哺至Together知识库，形成“决策-反馈-优化”的闭环学习。 Together的标准化决策建模语言，企业可以直观验证AI引擎的决策逻辑是否匹配业务需求，避免“伪智能”方案。 当每一次AI引擎的决策都通过Together引擎沉淀为可复用的业务规则资产，当每一个流程优化都能转化为标准化的决策模型，企业管理软件将真正进入“决策即服务”的新纪元。
85910编辑于 2025-09-05规则引擎系统中决策管理的最佳实践
随着时间的推移，很多公司会发现，让业务负责人自己做决策，能让他们从决策管理系统中得到更好的结果。 决策管理系统利用公司已经收集或可以获取的数据来改进决策方式，方法是预测决策可能的结果，而不是什么都不做。决策总是和未来有关，因为它们只能影响未来。公司拥有的所有数据都是关于过去的。 专注于实时评分将使决策管理系统更加强大。把数据挖掘和业务规则结合起来用。很多构建决策管理系统的公司会把基于规则的决策逻辑开发和分析完全分开。 为了提供集成决策改进环境，公司应汇总过去决策制定的日志、使用这些决策所取得的业务成果信息以及决策逻辑/分析管理环境本身。 最佳实践是考虑在这些情况下使用机器学习和自适应分析引擎。在组织中建立对分析工作的信任将越来越多地允许分析系统自己做出更多决策。
31410编辑于 2025-09-09- 来自专栏机器学习/数据可视化
西瓜书4-决策树
决策树介绍 决策树是基于树结构进行决策的，其目的是产生一颗泛化能力强，即处理未见示例能力强的决策树，它是一种有监督分类模型 ? 一颗决策树包含： 一个根节点 若干个内部节点 若干个叶节点；叶节点对应于决策结果 决策树学习 决策树学习的本质上是从训练数据集上归纳出一组分类规则，通过训练数据集估计条件概率模型。 (D_2)=-(\frac{4}{6}log_2\frac{4}{6}+\frac{2}{6}log_2\frac{2}{6})=0.918 Ent(D_1)=-(\frac{1}{5}log_2\frac {1}{5}+\frac{4}{5}log_2\frac{4}{5})=0.722 信息增益 根据上面的计算，得到基于色泽属性的信息增益为 $$ \begin{align} Gain(D,seze 用表中的验证集进行评估，{4,5,8}被正确分类，那么不进行划分的正确率是\frac{3}{7}=42.9% 划分后：针对上面的训练集数据，计算出所有特征的信息增益，具体过程如下： ?
1.5K10发布于 2021-03-02 - 来自专栏机器学习算法工程师
《机器学习》笔记-决策树（4）
章节目录 基本流程 划分选择 减枝处理 连续与缺失值 多变量决策树 1 基本流程 一般的，一颗决策树包含一个根节点，若干个内部节点和若干个叶子节点；叶子节点对应决策结果，其他每个节点对应一个属性测试； 决策树学习的目的是为了产生一颗泛化能力强，即处理未见示例能力强的决策树，基本形式如下图所示（判别习惯是否为好瓜的决策树）： ? 2 划分选择 决策树学习的关键，是如何选择最优划分属性。 因此，我们可用信息增益来进行决策树的划分属性选择。著名的ID3决策树学习算法就是以信息增益为准则来选择划分属性的。 预剪枝是指在决策树生成过程中，对每个节点在划分前进行估计，若当前的划分不能带来决策树泛化性能提升，则停止划分并将当前节点标记为叶节点；后剪枝是先从训练集生成一颗完整的决策树，然后自底向上的对非叶节点进行考察 一般情形下，后剪枝决策树欠拟合风险较小，泛化性能往往优于预剪枝决策树。但后剪枝训练开销比未剪枝决策树和预剪枝决策树都要大很多。 4 连续与缺失值 到目前为止我们讨论了基于离散属性来生成决策树。
93390发布于 2018-03-06 物联网规则引擎：数据驱动决策的分步指南
机器学习和人工智能在数据驱动决策中的主要应用有：预测建模，预测未来会发生什么情绪分析，了解客户怎么想推荐引擎，个性化营销的好帮手异常检测，找出欺诈或错误自然语言处理，分析文本数据像亚马逊这样的公司，用机器学习算法优化供应链 衡量数据驱动决策的影响要真正了解数据驱动决策的好处，组织得有办法衡量它对业务绩效的影响。数据驱动决策的关键绩效指标（KPI）KPI是帮助组织跟踪数据驱动方法有效性的关键指标。 决策质量和速度：这个指标关注决策过程的强化。比如用数据分析和直觉做选择的结果对比，以及实时数据带来的决策时间缩短。通过持续跟踪这些KPI，组织可以量化数据驱动决策带来的好处，并展示它对利润的实际影响。 数据驱动决策的示例数据分析虽然在幕后，但数据驱动决策对消费者的影响可是明摆着的。不同行业数据驱动决策的一些例子包括：电子商务你在网上购物时有没有好奇为啥会收到某些推荐？ 虽然你可能没意识到自己的偏见，但内心的偏见或价值观会影响你做决策的方式。直接根据事实和数字做决策可以使你的决策保持客观和公平。
31910编辑于 2025-09-16一文看懂决策引擎平台必备功能都有哪些
这个决策引擎平台就是为了让公司能轻松管理、执行和部署各种半自动和全自动的决策。随着各种技术的出现，决策自动化越来越受到关注，这些技术设计得特别好，能帮助人工智能在很多公司和行业里无缝工作。 这些报告和数据清楚地告诉我们，人工智能投资的商业预期和人工智能驱动的投资计划的预期回报之间有很大的差距，特别是在决策自动化项目上。幸运的是，公司们可以通过用Together规则引擎来改变这种局面。 Together规则引擎也是一个决策智能平台，主要目标是通过给企业提供一个统一且通用的决策建模平台来弥合这个差距，这个平台满足了决策自动化的所有独特要求，特别是支持完全和半自动化的业务决策。 更重要的是，决策智能平台还必须在必要时为无状态或有状态的决策过程提供人工干预的机会。Together规则引擎让你拥有这些能力。 这凸显了以决策为中心的方法™。Together规则引擎正是实现这些业务价值的工具，通过可视化决策模型的构建将你的管理渗透到你业务的方方面面。
48110编辑于 2025-09-03- 来自专栏vivo互联网技术
探究Presto SQL引擎(4)-统计计数
系列文章：探究Presto SQL引擎(1)-巧用Antlr探究Presto SQL引擎(2)-浅析Join探究Presto SQL引擎(3)-代码生成一、背景学习Hadoop时接触的第一个样例就是word 统计在SQL引擎中可谓最基础、最核心的能力之一。可能由于它太基础了，就像排序一样，我们常常会忽视它背后的原理。通常的计数是非常简单的，例如统计文本行数在linux系统上一个wc命令就搞定了。 对于Presto这种分布式SQL引擎，计数的实现原理值得深入研究，特别是基数统计。关于普通计数和基数计数，最典型的例子莫过于PV/UV。 例如：执行了10轮，可能的结果如下：3,1,4,1,1,2,3,4,1,1执行了100轮，可能的结果如下：1,1,2,1,1,2,1,4,2,1,3,1,1,1,1,3,1,2,1,1,2,4,2,3,2,1,1,1,3,1,2,2,6,1,2,4,1,2,2,1,1,3,1,1,1,1,1,1,1,1,1,4,2,1,1,1,1,1,3,1,2,4,4,4,1,3,2,1,5,1,1,1,1,1,1,1,5,1,1,7,1,1,4,1,3,2,1,1,5,2,1,1,5,2,1,1,4,1,1,1 执行了1000轮，可能的结果如下：1,2,1,2,1,3,3,3,1,1,2,2,1,2,1,1,1,1,1,2,1,7,1,1,1,2,2,1,1,3,5,2,3,2,3,1,1,3,1, ...,4,1,1,1,2,2,1,3,1,1,1,2,1,1,1,2,1,4,2,2,1,2,2,2,1,1,1,2,2,2,1,1,1,2,2,1,1,3,2,6,1,1,1,2,1,1,1,1,1,1,1,2,1,1,1,1,2,1
1.8K20编辑于 2022-11-01 - 来自专栏我有一个梦想
浅谈UE4引擎
游戏引擎就是引擎开发者已经写好的一堆代码框架，游戏开发者可以调用这些代码框架，很容易和快速地做出游戏而不用由零开始。 为什么选用虚幻4引擎？ 首先，现在流行而且出名的商业引擎主要有cocos2dx，Unity3D，UE4，CryEngine等。 为此，《智慧产品圈》专门对Unity3D和Unreal Engine 4(以下简称UE4）这两款主流引擎进行分析比较，希望给读者带来对两款引擎进一步了解。 两者优缺点对比如下： ? 4）UE4是免费的，游戏引擎的源代码可以从Github开源社区下载，这意味着开发者对游戏引擎有着控制权，你可以修改任何东西，包括物流引擎，渲染和图像用户界面。 下图为UE4游戏引擎制作出来的官方示例宣传视频画面： ?
5.4K81发布于 2018-01-19 - 来自专栏开源物联网平台开发
Node-RED 规则引擎：开启物联网时代的智能决策
Node-RED 规则引擎：开启物联网时代的智能决策 随着物联网技术的快速发展，大量的设备和传感器正在不断产生海量的数据。 为了有效处理这些数据，并实现智能决策，规则引擎在物联网领域扮演着至关重要的角色。而 Node-RED 规则引擎则以其灵活性和易用性，在物联网开发领域中引起了广泛的关注和应用。 二、Node-RED 规则引擎的特点 灵活性：Node-RED 支持自定义节点和插件，用户可以根据需求扩展功能，实现个性化的规则设计。 三、Node-RED 规则引擎的应用场景 智能家居：在智能家居领域，Node-RED 可以连接各种智能设备，实现设备的联动控制、自动化场景设置等功能。 四、总结 随着物联网技术的不断发展，规则引擎在物联网应用中的作用将越来越重要。Node-RED 规则引擎以其灵活性和易用性为物联网开发者提供了一个强大的工具，使得开发者能够轻松地构建复杂的物联网应用。
1.9K10编辑于 2024-03-19 - 来自专栏大数据文摘
UE4: 学习虚幻引擎4的16条准则
我花费了许多的时间去重构那些从零开始学习游戏引擎的方法。那些方法就是你最初需要关注什么、哪些是你现在需要避免的。 虚幻引擎4是一个完全的游戏引擎。 所以我们如何从零开始学UE4呢？ ▼ 在这个教程中 你会学习将会指导你 更轻松地学习 虚幻引擎4的16道准则 1.获取虚幻引擎4 首先，下载并且安装虚幻引擎4。它是免费的。 但是作为一个学虚幻引擎4的彻底的新手，你需要的是将这些范围缩小到一个特定的结果。这样当你熟练使用引擎后，你就可以延伸你的知识。但是在学习的早期阶段，还是专一比较好。 但是当你开始时，不要将制作游戏或个性化的游戏环境作为你在虚幻引擎4里的第一个作品。 4.UE4里游戏制作的步骤 当你学习UE4或其他游戏引擎时，你最好对游戏和游戏环境如何制作有个总体的了解。 感兴趣的可以查看这个第一个推荐的项目作为一个完整的教程指南系列“UE4基础”，它将带你通过你需要知道的所有步骤学习虚幻引擎4。
4.5K62发布于 2018-05-25 - 来自专栏7DGroup
性能分析之分析决策树3与4
千江有水千江月,万里无云万里天》今天咱们谈谈7DGroup创始人高楼老师的性能分析之决策树分析法。 分析决策树图一 ? 分析决策树图二 ? 分析决策树图二 ? 每秒写入磁盘块的速率 分析决策树图三 ?
82620发布于 2019-12-11 轻量级规则引擎在数字化决策中的商业优势
决策模型由两个视图组成：决策要求视图和决策逻辑视图。决策要求视图描述了如何将复杂的决策分解为更简单的子决策，以及确切需要哪些数据和业务知识来支持这些决策。它显示了决策的层次结构。右边有个示例。 主题专家发现，创建此视图是引发和巩固他们对关键决策的理解的有效方式。决策逻辑视图（请看左边的示例）定义决策的逻辑。通常（但并非总是）它使用决策表来表示决策如何决定其结果。 这使业务分析师能够准确描述其组织中如何进行决策。决策模型还可以以其他格式（例如，决策树、文本）表示逻辑，或与其他方式集成以做出决策（例如，分析、认知模型和优化引擎）。决策模型不仅仅是关于需求。 这种模型驱动的决策架构方法减少了错误并允许快速更改决策—它为业务决策提供了安全的敏捷性，并确保您的决策规范始终具体且与实施一致。 4．支持敏捷变更管理可以理解和模拟的业务决策的明确定义使业务分析师能够直接控制业务策略的演变，而不必通过拥有实现此策略的系统的IT团队进行调解。
35910编辑于 2025-09-16大交通AI决策新引擎：民航商旅数据驱动实践与价值
破解双高速竞合下的民航商旅决策困局 民航与高铁形成全球独有“双高速”竞合模式（数据来源：航班管家），构建立体交通体系的同时，铁路对民航市场冲击显著：2025年暑运西安咸阳出港部分通航点航班降幅达-100% 核心痛点为数据孤岛阻碍全景洞察，企业决策依赖经验而非数据驱动（王磊，航班管家数据商业部总经理）。 构建大交通AI决策引擎：融合多源数据打破孤岛 携手腾讯地图，以智能引擎为枢纽，融合航班管家数据（航班运行、经营、城市天气、人口迁移、出行方式、常居地、高铁/火车运行及票价、航空器数据）与腾讯地图位置大数据 技术引擎：预测需求弹性，构建动态定价模型，实现“客流与需求预测—动态定价—科学选址与星级定位”智能闭环（数据来源：航班管家）。 选择腾讯地图：技术引擎支撑数据洞察 技术领先性：腾讯地图位置大数据联动多维信息，打破数据孤岛，实现大交通全景洞察（数据来源：腾讯地图、航班管家）。
16310编辑于 2026-04-20- 来自专栏数据猿
金融科技&大数据产品推荐：恒丰银行实时智能决策引擎
4、应用场景、人群 交易反欺诈应用场景 欺诈是一个影响所有行业 (特别是金融服务行业) 的持续性问题，随着经济一体化和金融全球化进程的加速，互联网、移动互联网、互联网+的快速发展，金融机构业务规模的迅猛增长和品种日益丰富 5、产品功能 恒丰银行实时智能决策引擎分为SaaS和私有版本，产品由运营管理和决策引擎2个系统组成。 系统原理图 决策引擎 决策引擎提供一组API接口，用于集成业务系统，业务数据从业务系统实时下发决策引擎，决策引擎根据运营管理系统的资源配置信息、决策模型/规则配置信息，进行分析计算，计算结果实时输出给业务系统 变量定义界面如下图： 4) 外部数据对象配置管理 对象是多个变量的组合，外部数据对象配置是一种特殊规则配置，和传统的决策引擎不一样的是，引擎可以通过配置的方式，调用其它业务系统提供的实时联机接口获取分析需要的数据 风险鉴别能力、定价能力、创新能力、调研能力、学习能力）；大力实施“12345”行动纲领，即:“1”是做金融综合解决方案的提供商，“2”是金融云平台和大数据平台，“3”是数字银行、交易银行、银行的银行，“4”
3.7K90发布于 2018-04-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号