- 综合排序
- 最热优先
- 最新优先
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）。
7710编辑于 2026-04-20重构大交通AI决策引擎：基于位置大数据的民航商旅实践洞察
专家信息：航班管家数据商业部总经理 王磊 剖析立体交通格局冲突：客流分化与“旺丁不旺财”双重挑战 在民航与高铁“双高速”竞合模式下，大交通出行领域正面临深度的结构性挑战与收益瓶颈。 企业决策亟需从传统的经验主义向精准的数据洞察转型，当前行业的两大核心痛点日益凸显： 高铁网络虹吸加剧客流分化：高铁网络的贯通对中短途民航市场产生显著冲击。 (数据来源：航班管家、腾讯地图、民航局统计公报) 构建多维全景洞察：基于时空大数据的AI智能决策体系 针对数据孤岛与单一维度的决策盲区，航班管家依托民航空管局旗下民航电信公司授权的独家航班动态数据底座， 携手腾讯地图位置大数据，构建了覆盖航空、铁路、公路的大交通AI决策新引擎： 全景客流归因与需求识别：引入腾讯地图位置大数据，捕捉城市间人口流动的轨迹、强度与周期性规律。 沉淀时空轨迹底座，实现“数据驱动”战略跨越 引入腾讯地图位置大数据，是构建大交通AI引擎的关键变量。
13810编辑于 2026-04-20一文读懂AI引擎与Together规则引擎重塑智能决策
从1950年图灵提出“机器能不能思考”的问题，到2025年大语言模型驱动的AI引擎在企业管理中自主完成商业决策，人工智能从“工具”变成了“智慧体”。 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。 Together规则引擎的四大赋能场景场景传统方式痛点Together+AI 引擎解决方案供应链异常处理依赖人工判断响应延迟实时匹配200+预置规则，5秒内生成处置方案财务合规审计规则变更需重新编码业务人员直接维护 未来演进方向混合决策架构大语言模型负责非结构化情境理解，Together引擎处理确定性规则执行，形成“LLM+Together”的双脑决策模式。
67710编辑于 2025-09-05决策引擎中的敏捷决策平台
因此，DI的其他关键分析组成部分是需求驱动的分析、AI驱动的分析以及学习和适应的动态反馈循环。决策智能敏捷性的分析组件a.商业分析连续体协同工作。 b.决策智能的敏捷组件。此外，决策智能的敏捷性是关键的执行决策。此外，这不仅仅是关于速度，还关于适应性和持续学习。以下是决策智能的敏捷性组件。即按需分析、AI驱动的分析和持续反馈循环。实时、按需分析。 在这里，强大的计算功能支持快速分析，根据决策者的运营节奏和决策要求提供即时结果。AI驱动的分析。AI可以增强数据分析。它能够处理海量数据集、非结构化数据和基于知识的工具。 此外，它还具有基于代理的AI自主行动能力。此外，AI具有自我们学习能力。持续反馈循环。此外，DI根据实际结果整合反馈也至关重要。因此，它不断学习和适应以提高其决策支持能力。 因此，如果我们利用这个以行动为导向的动手决策框架，我们就可以开发一个UI，将高级分析和AI直接交到高管手中，就像战斗机的驾驶舱一样。
26510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
76130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。
1.9K30编辑于 2022-07-02 - 来自专栏从救火到防火：大模型赋能云原生安全
第 5 期：AI × 云原生安全：如何用大模型打造企业级“风险决策引擎”
我们要回答一个问题：大模型能否帮助企业建立“智能风险决策引擎”？答案是：不仅能，而且效果惊人。一、为什么要用AI做风险决策？前四期我们讲了资产画像、讲了决策模型、讲了流程。 而这，恰恰是LLM（大语言模型）的强项。为什么风险决策是大模型最适合落地的安全场景？大模型天生适合三件事：模式识别复杂信息归因多维信号融合而风险决策正是：大模型的能力与风险决策天然匹配。 ”未来的云原生安全平台，核心将不再是规则引擎，而是基于LLM的推理引擎。 企业级“风险决策引擎”的整体架构（建议落地）核心能力包括：SBOM+资产画像LLM风险解释多维信号融合器攻击图谱生成AI风险路由（自动给出优先级）治理动作（CI/CDGate+Admission+修复建议 第5期（本期）：展望未来，讲解AI×云原生安全，即如何用大模型打造企业级的“风险决策引擎”，实现智能防火。
20210编辑于 2026-01-01 - 来自专栏低代码可视化
智慧城市交通 Sovit3D打造智慧交通可视化决策系统
系统概述物联网（IoT）和人工智能（AI）正在为公路、航空、铁路和水运提供一种新型的智慧交通运输系统（ITS）。 路况监测系统支持对实时交通指数、拥堵路段、交通事故、监控视频等信息进行监测，并可结合专业的模型算法，对辖区路况态势进行科学评估，为交通管理指挥提供科学的决策支持。 应急事件处理智慧交通综合管控平台将应急报警、卡口系统、电子警察、大数据分析系统、专家智能决策系统以及信息发布系统集成组成为应急指挥系统;多部门有序协作和智能联动，快速、高效地处理应急时间，从而降低工作人员的工作强度 ……开发平台智慧交通可视化大屏决策系统，通过对城市交通的全要素状态感知、打通数据底座，实现数据的精准感知与互联互通，有效支撑路段业务的过程管理，将城市交通中的“人、车、路、环境”等因素，综合整合到智慧交通系统中 、人工智能、移动互联网等技术完成交通运输相关产业的转型升级，将各种交通出行模式整合在统一的服务体系与平台中，实现交通出行链条的一体化，建立精准满足出行者需求和满足智慧城市治理要求的大交通一站式智慧交通全生态
1.3K00编辑于 2022-10-10 决策引擎系统的7个级别
现在有无数文章令人喘不过气来谈论“AI”，其中绝大多数都在谈论一种AI，即使用神经网络执行的某种形式的机器学习。这几乎不是人工智能的唯一形式，甚至远非最先进的形式。 然而，在一些结构良好的问题中，计算机可以胜过人类——找到通过交通网络的最短路径就是一个简单的例子。下面我定义了七个层次的智能。级别1包括基于规则的基本逻辑。 基于规则的逻辑并没有接近满足AI的早期期望，但基于规则的逻辑远非完全失败（正如曾经认为的那样），基于规则的逻辑在整个现代机器智能中得到应用。目前有许多商业“规则引擎”被广泛使用。 当“AI”在2010年代出现用于语音识别、面部识别和图像识别时，这就是“AI”现代使用的基础。 AI社区（计算机科学）在“强化学习”的旗帜下研究这个问题，但大约有15个不同的领域，每个领域都有一本书或多本书，使用8种不同的符号系统。这种多样性反映了顺序决策问题的巨大丰富性。
24710编辑于 2025-09-17AI 智能分析决策系统：驱动企业数字化转型的核心引擎
传统依赖经验的管理模式已难以应对现代商业环境的复杂性，而基于机器学习与深度学习技术的 AI 智能分析决策系统，正成为企业突破发展瓶颈、构建竞争优势的关键工具。️ 逐步拓展应用场景保持子系统接口兼容性微服务架构确保系统稳定性全面推广期（5-6 个月）开展员工数字化技能培训培养业务技术复合型人才建立跨部门协作机制 价值创造分析价值维度短期效益长期影响运营成本人力替代效应显现规模效应下边际成本递减决策质量减少人为失误损耗战略前瞻性显著增强创新能力快速试错机会增加商业模式创新可能性打开客户体验服务响应速度提升个性化需求满足深度深化 最佳实践提示避免常见误区避免追求大而全的初期部署重视数据质量而非仅仅数据量平衡技术先进性与实用性的关系持续优化建议建立效果评估与反馈机制保持业务与技术的深度协同培养内部数据分析能力结语AI 智能分析决策系统正成为企业数字化转型的核心驱动力 通过智能化的数据处理、动态化的模型优化和可视化的决策支持，该系统不仅提升了企业的运营效率，更重塑了企业的决策模式和创新路径。 未来已来，智慧决策。那些率先拥抱 AI 智能分析决策系统的企业，将在激烈的市场竞争中赢得先机，开创数据驱动发展的新纪元。
39610编辑于 2025-10-27- 来自专栏高速公路那点事儿
【AI+交通】3-交通数字人产品的探讨
2024年，简璐璐已经升级成为“基于交通大模型的公路数字专家”，成为了公路行业的新质劳动者。（摘自互联网） 那么交通数字人产品到底怎么做？还是从底层驱动开始探讨，先看定义。 01-交通数字人的定义 结合大模型总结，我们可以基本明确交通数字人的定义：具有对话式全新交互系统，结合语音语义理解能力，形成全新交互模式，能够通过对话完成业务处理，依托大模型的知识增强能力与内容生成能力 至于AI智能体如何实现，回头我专门写一篇文章进行介绍。这里不做实操讲解。 但是AI智能体为我们快速实现数字人提供了可行性。 这里有个概念一直模糊：数字人的后端基于AI智能体，那么大模型还需要吗？ 而 AI 智能体则更注重在特定的环境或任务中进行感知、决策和行动，例如高速公路行业的应急处置、机电运维等等。它需要具备与环境交互的能力、根据目标制定策略的能力以及执行动作的能力。 例如：在一个游戏中的智能角色，大模型可以让它能够与玩家进行自然流畅的对话，但角色在游戏世界中的行动决策、与其他角色的互动等，是由其作为 AI 智能体的自主能力来决定的，而不是单纯作为大模型的代理。
22100编辑于 2025-07-03 - 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。
92010编辑于 2022-08-30 《鸿蒙Next的GPU Turbo：决策树在图形AI领域的加速引擎》
在人工智能与图形处理深度融合的时代，如何提升决策树在图形相关人工智能任务中的处理能力是关键课题。鸿蒙Next的GPU Turbo技术为此带来了强大助力。 提升决策树在图形相关AI任务处理能力的方式- 加速数据预处理：在图形相关的人工智能任务中，决策树模型训练前通常需要对大量图形数据进行预处理，如图像的缩放、裁剪、归一化等。 - 增强模型训练与推理：在决策树的训练过程中，需要进行大量的计算来确定最佳的分裂特征和分裂点。 这使得设备在处理图形相关人工智能任务时，能够保持较低的温度，减少因过热导致的降频现象，从而保证决策树模型能够稳定、高效地运行。 应用案例与展望以智能驾驶场景为例，车辆的摄像头会实时采集大量的道路图像数据，利用鸿蒙Next的GPU Turbo技术，决策树模型可以快速对这些图像进行处理，识别出道路标志、行人、其他车辆等目标，为车辆的行驶决策提供支持
52610编辑于 2025-01-15构建企业级Agentic RAG引擎：基于腾讯云ES驱动大模型走向自主决策
分享专家： 李捷 | Elastic 首席解决方案架构师 直面传统检索与大模型集成的战略困境 当前，企业都在寻找与AI的结合点，但生成式AI（GAI）的应用远非简单的概念验证（PoC）。 融合Elastic与腾讯云重构AI数据基座 为推动大模型从“文本生成（Text Generation）”走向“自主决策（Decision Making）”，企业需要从传统RAG转型为Agentic RAG 兑现大模型落地的量化商业价值 部署具备进阶能力（数据融合、查询与分析、LLM友好、可靠安全）的 Agentic RAG 引擎，直接驱动了企业核心运营指标的改善。 ： 腾讯云ES架构解耦了数据解析与处理链路，底层基础能力（分块、向量化、查询改写、重排）无缝对接腾讯云AI生态（如混元大模型、DeepSeek），支撑从基础搜索到高级RAG的多样化场景。 可观测性与安全护栏： 针对大模型的安全盲区，底层引擎内置了 12个Elastic预构建的K8s检测规则 和 5个预构建的APM安全规则，覆盖 LLM01（提示注入）至 LLM06（敏感信息泄露） 等核心风险
900编辑于 2026-04-27AI 数据分析系统：用智能引擎让数据“会说话、能决策、可行动”
该系统的核心逻辑，构建于“接入—理解—洞察—行动”的智能闭环，深度融合大模型技术与企业业务语境。 系统真正的“智能中枢”，是经过行业知识增强的分析大模型。它不仅懂算法，更懂业务逻辑：知道零售业关注复购率与坪效，制造业紧盯设备停机与良品率，金融业严控逾期与欺诈。 其核心能力体现在三大技术支柱：一是自然语言驱动分析（NL2Insight），实现“一问即答、所想即所得”。用户只需像聊天一样提问：“上季度华东区新客留存为什么下降？” 更进一步，系统支持一键创建任务——如“针对流失风险客户启动召回活动”，并直连企业微信、钉钉或工单系统，分配责任人、设定截止时间，真正打通“分析 → 决策 → 执行”最后一公里。 某连锁零售企业上线后，业务部门自主分析占比从 15% 提升至 78%，决策响应速度加快 3 倍。AI 数据分析系统，不再是分析师的专属工具，而是贯穿组织的“数据翻译官”与“决策加速器”。
38510编辑于 2025-11-19炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式
一、引言：AI应用的“决策困境”与AIGA的破局之道当大语言模型（LLM）以“通用智能”席卷全球时，垂直行业AI应用却陷入“能力鸿沟”：通用模型虽能生成流畅文本，却无法理解医疗领域的“ICD-10编码逻辑 模型层：LLM+垂直模型的“双引擎”架构AIGA决策大脑摒弃了“单一LLM通吃所有场景”的思路，采用**“通用LLM底座+垂直行业模型”的双引擎融合架构**：通用LLM底座：基于开源大模型进行二次预训练 应用层：行业专属AI应用的快速落地AIGA决策大脑通过低代码开发平台（LCDP），将决策能力封装为 “智能组件”，支持企业快速构建行业专属AI应用：组件化封装：将“任务分解引擎”“工具调用接口”“上下文记忆模块 三、AIGA决策大脑的核心能力：四大技术突破重构智能决策AIGA决策大脑的核心价值，在于解决了通用AI在垂直行业应用中的三大痛点：“不懂行业规则”“无法动态决策”“决策过程黑盒”。 未来，炎鹊AI将继续深化AIGA决策大脑的技术研发，重点突破 “多模态决策”“跨行业知识迁移”“边缘计算部署”等方向，让AI真正成为垂直行业的“智能引擎”，推动千行百业的数字化转型。
27410编辑于 2026-01-02腾讯混元大模型:引领AI时代的创新引擎
在人工智能快速发展的今天,大语言模型(LLM)正在重塑各行各业的工作方式。作为中国科技巨头,腾讯推出的混元大模型(Tencent Hunyuan)无疑是这一领域的重要玩家。 核心能力:语言创作、逻辑推理与任务执行腾讯混元大模型的三大核心能力使其成为功能全面的AI助手:强大的中文创作能力: 混元模型深谙中文语言的精妙,能够生成流畅自然、富有创意的文本内容。 大模型视频创作引擎: 助力视频内容制作,提升创作效率和质量。应用场景:赋能各行各业腾讯混元大模型的应用范围极其广泛,以下是几个典型场景:企业服务: 智能客服、文档自动生成、数据分析报告等。 AI领域的最新成就。 它不仅是一个强大的技术工具,更是推动各行各业数字化转型的重要引擎。随着技术的不断进步和应用场景的不断拓展,混元必将在未来的AI时代扮演更加重要的角色。
1.2K00编辑于 2024-09-24- 来自专栏xiaosen
AI - 决策树模型
决策树算法 决策树的思想来源可以追溯到古希腊时期，当时的哲学家们就已经开始使用类似于决策树的图形来表示逻辑推理过程。然而，决策树作为一种科学的决策分析工具，其发展主要发生在20世纪。 在20世纪50年代，美国兰德公司的研究人员在研究军事策略时首次提出了决策树的概念。他们使用决策树来分析和比较不同的军事策略，以帮助决策者做出最佳选择。 每一个节点代表一个决策或事件，每一个分支代表一个可能的结果，而树的每一个路径则代表一种可能的决策序列。这种思想的朴素之处在于，它直接模仿了人类在日常生活中做决策的过程。 这些因素可以构成一个决策树，其中每个因素是决策节点，每个选择是方案枝，最终到达叶子节点，即做出决策。 信息增益差值越大，说明该属性对于分类的贡献越大，因此在构建决策树时，我们倾向于选择信息增益大的属性作为节点的划分依据。
74910编辑于 2024-03-24 - 来自专栏灯塔大数据
Uber开放出行大数据 希望影响城市交通决策制定
Uber表示，这些匿名数据最初来自华盛顿特区、悉尼和马尼拉，可作为城市规划者的一个资源，供其分析交通模式并辅助其进行民用基础设施方面的决策。 其交通政策主管Andrew Salzberg表示，出行大数据对一个城市的公共交通基础设施而言属于非常有价值的未开发资源。 Uber表示，希望成为城市交通网络中有价值的一部分，影响决策者制定政策。 最近几个月Uber与几个城市的交通部门进行了合作，以确保数据有用且易读。 出行软件正在成为城市交通中重要的一部分，其自身大数据对城市交通有着重要作用。 去年9月，滴滴发布智能交通云平台，通过收集到的出行大数据，实现区域热力图、OD数据分析、城市运力分析、城市交通出行预测、城市出行报告以及信号灯动态配时等，同时还能在公共出行服务，比如实时路况、实时公交、
84450发布于 2018-04-08 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。 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。 特别是在广告投放等非常大容量、快速响应的情况下，系统会不断收集数据，显示哪些有效，哪些无效。 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。
23810编辑于 2025-09-09
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