- 综合排序
- 最热优先
- 最新优先
决策智能
此外，我将阐明决策智能与决策科学、人工智能、数据科学和商业智能（BI）等同类产品的不同之处。决策智能（DI）定义及其在供应链中的应用 决策智能（DI）是一个相当新的术语。 Gartner3.决策智能不仅仅是一个新的IT营销术语 从积极的角度来看，“决策智能”一词不仅仅是一个IT营销术语。事实上，它在重新调整分析工具（包括现有和新兴工具）或直接支持决策方面非常有用。 这是因为决策智能利用了各种分析工具，例如商业智能、数据科学、决策科学和专家AI系统。此外，决策智能功能最好部署为专门专注于决策的软件平台。 此外，这些DI系统能够衡量和学习以前的决策，以提高决策有效性。决策智能与其他分析学科 什么是决策智能，以及它与其他分析学科（如决策科学、专家AI、数据科学和商业智能）的比较。 因此，决策智能可以快速支持决策周期，甚至自动执行完整的决策流程。从本质上讲，专家系统遵循预定义的规则，而DI平台使用数据和学习算法来提供动态、可扩展的决策支持。3.数据科学与决策智能。
45100编辑于 2025-07-22决策智能与商业智能的3个不同之处
决策智能提供了一种弥合这些洞察差距的方法，帮助用户大规模做出更好、更快、以洞察为导向的决策，并不断改进。 Gartner曾预测，到2023年，33%的大型组织将采用决策智能，决策智能已从默默无闻飙升至2022年的首要战略技术趋势。但是，组织如何确定他们需要哪种解决方案，决策智能还是BI？ 以下是决策智能与商业智能的三个不同之处。 另一方面，决策智能则同时适用于分析消费者和分析师。决策智能通过自动将业务问题（使用自然语言）转换为大数据搜索查询，极大地简化了决策的复杂性。 3)决策智能包含智能自动化 商业智能(BI)专注于可视化聚合数据，而非从海量未聚合数据中挖掘精细洞察。
26100编辑于 2025-07-22- 来自专栏人工智能的秘密
智能决策：人工智能+大数据
从辅助决策到智能决策 答案是肯定的。 智能决策=大数据+人工智能 百分点Deep Matrix智能决策系统融合大数据与人工智能技术，基于动态知识图谱和行业业务模型，具备自适应和自优化的能力，支持复杂业务问题的自动识别、判断并进行推理，进而做出前瞻和实时决策的智能化产品系统 、快速感知和认知、分析和推理、自适应与自优化、行业智能决策这五大能力，进而实现智能、快速、精确的AI决策。 自然语言理解：百分点自然语言理解采用分布式技术部署，基于深度学习来实现，不仅涵盖了金融、3C制造、汽车、医疗、娱乐、APP应用等丰富的行业词库，还支持汉语、英语、阿拉伯语等十多个语种，在小语种的分词、情感分析 ：汇聚行业专家知识，结合6大类50余种社会经济发展综合决策模型，推动政府科学决策水平和决策能力现代化，助推“数据治国”； 智能全媒体服务系统Deep Editor：提供智能专题库、传播影响力分析、全媒体智能用户洞察等服务
6K01发布于 2017-12-21 如何利用YashanDB实现智能决策
YashanDB作为一款高性能的数据库系统，采用了先进的体系架构，特别适合快速处理海量数据，进而为智能决策提供强有力的支持。 本文旨在深入探讨YashanDB的核心技术及其在智能决策中的应用，帮助技术人员和决策者更好地理解和利用这一工具。 智能决策的实现离不开快速、准确的数据访问，这正是YashanDB所具备的能力。灵活的部署架构YashanDB提供多种部署方式，包括单机、分布式和共享集群架构。 这一点对于需要高可用性的智能决策支持系统尤为重要。丰富的分析功能YashanDB内置了丰富的分析函数与存储过程，支持复杂的数据运算和实时分析。 结论YashanDB通过多版本并发控制、高效存储和查询引擎、灵活的部署架构以及丰富的分析功能，为智能决策提供了强有力的支持。
18410编辑于 2025-10-03通过YashanDB实现业务智能决策
通过YashanDB实现业务智能决策可以遵循以下步骤：1. 数据采集与集成- 收集数据：从各个来源（如CRM系统、销售平台、社交媒体等）收集业务相关的数据。 3. 数据分析与挖掘- 数据查询分析：使用SQL或其他查询语言对存储在YashanDB中的数据进行分析，获取关键指标和数据洞察。 - 机器学习与预测分析：运用数据挖掘与机器学习技术对历史数据进行分析，预测未来趋势，辅助决策。4. 决策支持与优化- 决策制定：基于分析结果和可视化仪表板，为业务决策提供数据支持，帮助管理层制定战略。- 持续优化：根据数据反馈不断调整和优化业务策略，以提高效率和盈利能力。6. 总结YashanDB作为一个高效的数据库管理系统，通过有效的数据管理、分析和可视化，可以帮助企业在复杂的商业环境中实现智能决策。关键在于建立系统的数据处理流程，并利用数据驱动的方式持续优化业务策略。
19210编辑于 2025-10-05- 来自专栏AI粉嫩特攻队
ID3决策树
在解决分类问题的决策树中，叶子节点就表示所有的分类，比如这里的分类就有3种：无聊时阅读的邮件、需及时处理的邮件、无需阅读的邮件。 换句话说就是，我们如何知道这颗决策树的各个节点选取什么特征来划分数据才最合适呢？ok,你可能听过一些算法的名字，比如ID3、C4.5、CART等，它们其实就是用来解决这个问题的。 ID3决策树使用信息熵度量数据子集的纯度，信息熵越大，数据越混乱，纯度越低。 然而，ID3还是有缺陷的，比如会偏向选择特征值比较多的特征来划分数据子集，然而如果训练数据中符合这个特征值的数据只出现过很少，甚至是一次，那么将导致构建出的决策树对这个特征的偏见。 另外，ID3无法处理含有连续型数值的特征以及处理回归问题，这类场景下，决策树需要另一种算法——CART，下一篇文章会具体介绍。 ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。
89950发布于 2020-01-07 决策智能是新的人工智能平台吗？
决策智能是一个新领域，通过将数据与决策和结果联系起来，帮助支持、增强和自动化业务决策。它结合使用方法（例如决策映射和决策理论）和技术（例如机器学习、自动化及人工智能平台）来改进公司决策的方式。 决策智能包括持续评估决策结果并通过反馈系统对其进行优化。 2021年10月，Gartner分析师将决策智能确定为2022年最具影响力的技术趋势之一。为什么决策智能很重要？公司的成功取决于决策。这些决策范围从市场选择到人才招聘再到发票支付授权。 例如，他们可以提出这样的建议，“您应该在3月30日之前从供应商A处购买200件产品；这将使您节省20,000美元。”人类可以通过简单地接受建议来根据机器的建议做出决策，也可以与机器合作修改建议。 决策智能的组成部分是什么？决策智能技术是现有技术（包括人工智能和流程自动化）的组合，其能力比单独完成更多的事情。人工智能和机器学习专注于数据；它们可以产生洞察力，但通常与决策的执行和结果脱节。
40310编辑于 2025-09-18- 来自专栏AI科技大本营的专栏
机器学习真能产生智能决策吗？
是否会引发“第二次人工智能革命”？ 正如图灵奖授予珀尔时评价他的工作为“人工智能领域的基础性贡献，他提出概率和因果性推理演算法，彻底改变了人工智能最初基于规则和逻辑的方向。” 但是，许多数据科学领域的研究人员也已经意识到，从当前实践效果来看，机器学习无法产生智能决策所需的那种理解能力。这些问题包括：稳健性、可迁移性、可解释性等。下面我们来看看例子。 数据统计靠谱吗？ 图3 人均牛奶消费量与诺贝尔奖人数 从我们人类的常识认知来说，这些都是伪相关，甚至是悖论。但从数学和概率论的角度来看，表现出伪相关或者悖论的案例无论从数据上还是计算上都是没有问题的。 比如，在决策理论中，因果关系和统计之间的区别更加清楚。决策理论中有两类问题，一类是已知当前环境，拟采取干预，预测结果。另一类是已知当前环境和结果，反推原因。前者称为求果问题，后者称为溯因问题[3]。 尽管机器学习算法可以把这些事做得很好，但是准确的预测结果对于我们的决策是不够，而因果学习为其提供了一种有益的补充。
68130编辑于 2022-12-10 - 来自专栏程序你好
人工智能将改变商业决策
虽然人工智能的未来可能会让机器像人类一样做出决策，但现在已经在影响着人类的决策，尤其是商业决策。在本文中，我们将讨论一些关于人工智能如何(以及将如何)改变企业决策的有趣方法。 人工智能和商业决策 在人工智能问世之前，企业不得不依赖于不一致的数据。因此，决策过程不是很精确。就在那时，人工智能来拯救世界。现在，有了人工智能，企业可以转向基于数据的模型和模拟。 更新后的人工智能系统从零开始，以大数据的常规饮食喂养自己。这是行动中的智慧，最终提供了可以用于精确决策的复杂数据模型。下面是一些基于人工智能的决策的例子。 $ecure使FSS公司能够在几秒钟内做出实时的业务决策。 汽车行业 从汽车设计到销售决策支持，汽车工业已经开发了一套人工智能应用程序。人工智能是智能无人驾驶汽车设计背后的核心原因。 这种人工智能的决策帮助汽车制造商预测了未来无人驾驶汽车的流行趋势。除了设计和制造之外，人工智能还帮助企业做出更好的营销和广告决策。 市场营销行业 在做营销决策时，有很多复杂的问题。
1.6K20发布于 2018-09-29 - 来自专栏决策智能与机器学习
决策智能的关键问题探讨
通常认为是决策类任务，因为他所面对的现实情况是人在回路、环境也是动态变化的，而据此制定策略就变得更加艰难，尤其这种策略的制定是有时间限制的，否则策略所针对的目标会失去意义。 这里面临的决策因素通常涉及到人性和社会关系、环境中的生物、物理和化学问题，而且在时效性限制下必须要在信息不完备、不确定的情况下给出决定并伺机调整。 一些方法包括但不限于数学模型、符号和模糊逻辑系统、决策树、归纳规则集和神经网络。 这样说可能有点抽象，我们举个栗子。 在金融投资中，所谓的圣杯是对终极市场规律的掌握。 展望 至今为止，关于智能背后的基础理论和各种探索试验都还在进展之中，代表着智能技术最为先进的美国DARPA仍然在第三代人工智能的基础理论方面布局了大量研究，如可解释人工智能、终身机器学习机等等，探索通用 、可信、高效的智能技术背后的理论。
54320发布于 2020-08-04 - 来自专栏智瑾财经
筑牢数字金融“底座”能力，决策智能精准优化商业决策模式
决策智能科技推动金融业降本增效国际一流的营商环境、粤港澳大湾区合作的高地、制度创新的先行地……让深圳成为全球科技创新的沃土，新技术、新应用、新产业层出不穷，持续引领科技创新大发展。 专注AI决策智能，萨摩耶云科技集团云原生科技解决方案广泛落地多元场景，实现通过机器来替代大脑判断和决策，开启企业新增长曲线。 利用SaaS+aPaaS产品组合的形式，萨摩耶云科技集团为企业客户提供多元化定制解决方案，打造专属AI决策智能平台。 基于大数据和人工智能技术，这一管理决策体系利用信用风险量化分析与管理、欺诈风险分析与防范及有关信用额度及定价等具体推荐的计算，在贷前审批、贷中放款和贷后资产管理的全生命周期提供智能化风险决策和管理服务， 以决策智能为驱动，萨摩耶云科技集团始终将保护数据隐私安全作为生命线，建立健全严格的数据保护机制和管理体系。
64130编辑于 2022-08-26 炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式
二、AIGA决策大脑的技术架构：四层体系构建智能决策闭环AIGA决策大脑并非单一模型，而是一套 “多模态融合+垂直知识驱动+闭环决策”的四层技术体系，从底层算力到上层应用形成完整的智能决策链路：1. 3. 3. 技术验证：在零售领域的“智能营销”测试中，AIGA决策大脑训练的“爆款商品预测模型”，在运行3个月后准确率从初始的78.2%提升至92.5%；在医疗领域的“慢病管理”场景中，系统通过学习10万+患者的随访数据 生产制造：智能排产与设备预测性维护3.
43610编辑于 2026-01-02- 来自专栏小小程序员——DATA
决策树 ID3 算法
ID3 算法 ID3 算法 ID3 算法最早是由罗斯昆 (J.Ross Quinlan) 于1975年提出的一种决策树构建算法，算法的核心是“信息熵”，期望信息越小，信息熵越大，样本纯度越低。。 ID3 算法是以信息论为基础，以信息增益为衡量标准，从而实现对数据的归纳分类 ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。 ID3 算法步骤： 1.初始化特征集合和数据集合 2.计算数据集合信息和所有特征的条件熵，选择信息增益最大的特征作为当前决策节点 3.更新数据集合和特征集合(删除上一步使用的特征，并按照特征值来划分不同分支的数据集合 ) 4.重复 2，3 两步，若子集值包含单一特征，则为分支叶子节点。 ID3 算法缺点 ID3 没有剪枝策略，容易过拟合 信息增益准则对可取值数目较多的特征有所偏好，类似“编号”的特征其信息增益接近于 1 只能用于处理离散分布的特征没有考虑缺失值
95210编辑于 2023-12-06 - 来自专栏数据挖掘
决策树ID3算法
决策树 (Decision Tree）是在已知各种情况发生概率的基础上，通过构成 决策树 来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。 由于这种决策分支画成图形很像一棵树的枝干，故称 决策树 。在机器学习中，决策树 是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。 Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念，本文着重讲ID3算法。 0 温暖 4 2 正常 6 1 有风 3 3 下雨 3 2 寒冷 3 1 各个天气情况 的信息熵计算为： 天气为晴朗时，2/5的概率外出，3/5的概率不外出，信息熵为0.971 高温 2 2 高 3 4 无风 6 2 外出 9 5 多云 4 0 温暖 4 2 正常 6 1 有风 3 3 下雨 3 2 寒冷 3 1 # 重新整理数据 def Statistics
57720发布于 2019-07-02 智能问数智能体，重新定义决策效率
• 实时数据秒级响应：依托 TDengine 时序数据库的高效存储与流式计算框架，智能体可直接调用实时采集的数据，避免 “数据延迟” 导致的决策偏差。从提问到得到答案，全程毫秒级响应。 为什么智能问数是工业决策的 “加速器”？ • 压缩 “决策闭环”：在新能源集控场景中，当光伏板发电量突然下降，调度人员可立即提问 “当前光照强度与发电效率的关联性”，智能体实时返回分析结果，帮助快速判断是设备故障还是天气影响，决策周期从 “小时级 写在最后：让每个工业人都成为 “数据分析师”当智能问数智能体成为工业场景的标配，我们看到的不仅是决策效率的提升，更是工业数字化的深层变革 —— 数据不再是少数专家的 “专属工具”，而成为每个从业者都能轻松驾驭的 这，正是智能问数智能体的终极意义：让工业数据真正为 “人” 服务，让每个决策都精准、高效、有依据。
46610编辑于 2025-11-14- 来自专栏python前行者
python3构建决策树
本次构建决策树的使用的算法是ID3算法，主要思想是利用不同特征值的信息熵来作为最优划分属性 ? 步骤： 1、将以上列表存为.csv格式文件，读取特征值列表和Class列表 2、将特征值列表和Class列表转换为（0，1）形式 3、运用决策树分类 4、使模型可视化 5、利用测试集进行预测测试 next() 方法 Python 3 中的 File 对象不支持 next() 方法。 Python 3 的内置函数 next() 通过迭代器调用 next() 方法返回下一项。 此外，利用graphviz还可以很方便的将程序过程中生成的.dot文件转化为pdf文件进行显示决策树的样子，具体方法是在终端下输入：dot -Tpdf name.dot -o name1.pdf,在这个程序中生成的决策树如下图所示 决策树归纳算法 （ID3） 1970-1980， J.Ross.
1.1K40发布于 2019-03-25 - 来自专栏AI粉嫩特攻队
理解ID3决策树
在解决分类问题的决策树中，叶子节点就表示所有的分类，比如这里的分类就有3种：无聊时阅读的邮件、需及时处理的邮件、无需阅读的邮件。 换句话说就是，我们如何知道这颗决策树的各个节点选取什么特征来划分数据才最合适呢？ok,你可能听过一些算法的名字，比如ID3、C4.5、CART等，它们其实就是用来解决这个问题的。 ID3决策树使用信息熵度量数据子集的纯度，信息熵越大，数据越混乱，纯度越低。 然而，ID3还是有缺陷的，比如会偏向选择特征值比较多的特征来划分数据子集，然而如果训练数据中符合这个特征值的数据只出现过很少，甚至是一次，那么将导致构建出的决策树对这个特征的偏见。 另外，ID3无法处理含有连续型数值的特征以及处理回归问题，这类场景下，决策树需要另一种算法——CART，下一篇文章会具体介绍。 ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。
98240发布于 2020-01-14 - 来自专栏绿盟科技研究通讯
初探网络安全智能决策
图1、人类认知的两个子系统[3] 符合上述的决策流程且已经落地并逐渐成熟的行业，自动驾驶当属一例。 总结来说，目前安全产品中已经有SOAR完成“驾驶操作”，有各种感知产品完成“周边监控”，只是缺乏智能决策部分对网络防御系统进行“接管”，姑且可以认为网络安全防御的自动化程度已经或者即将到达L3水平，因此不难得出结论 3.数据采集上。 因此，自动驾驶对安全智能决策有一定的借鉴意义，但仍需要专业领域内的定制化处理。 三、安全智能决策功能解耦 3.1名词解析 何为安全智能决策？我们将该问题分解为3个名词“安全”、“智能”和“决策”。 四、已有工作 经过第3小节对安全智能决策功能的分析可以发现，总体上，安全智能决策要实现从攻击理解到最终响应策略确定的一整套流程，笔者整理了一些典型工作供读者参考。
1.1K10发布于 2020-07-06 - 来自专栏决策智能与机器学习
探讨智能决策的框架及量化应用
强调一下，这里主要指的是理性的决策，个人认为的理性是有限条件下的最优化决策，而感性的决策往往就很难做到合理准确，感性本身牵扯到人类各种情绪的产生和影响，如害怕、兴奋、紧张等等。 今天我们尝试探讨智能决策的共性框架，并举一个量化投资的应用案例。 【共性框架】 关于共性框架，个人认为脱离不开一种反馈机制，整体可以认为是一种寻找回报最大化行动方案的反馈优化机制。 交易系统包括3个模块：阿尔法模型、风险模型和交易成本模型。这三个模型构成投资组合构建模型的输入变量，而投资组合构建模型和执行模型又相互作用。阿尔法模型旨在预测交易的金融产品未来趋势。 【小结】 决策框架中如何自适应的学习和成长正是当下智能技术所聚焦的问题，伴随着智能技术的突飞猛进终将被攻克。 在具体场景中的落地应用却还需要场景的精确描述，涉及到行业知识、经验和规律的嵌入，这项工作也是非常庞大且困难的，而且不是智能技术独自能够解决的。
70121发布于 2020-08-04 YashanDB如何配合AI技术实现智能决策
智能决策系统依赖于高效的数据处理和精准的数据分析能力。数据库在智能决策链条中承担着关键的数据存储和计算支撑作用。如何优化数据库查询性能、保障数据一致性并支持海量数据的实时分析，是实现智能决策的基础。 YashanDB依托于其先进的体系架构与存储机制，为AI技术的应用提供坚实的数据基础，助力构建高效、可靠的智能决策平台。 智能SQL引擎与向量化计算加速AI决策YashanDB的SQL引擎采用基于成本的优化器（CBO），依据丰富的统计信息动态生成最优执行计划，灵活响应AI决策所需的复杂查询和多表连接。 流程自动化与智能优化建议根据AI智能决策业务负载特点，合理选择YashanDB的部署形态，单机适合小规模实时决策，分布式适合大数据训练，集群适合多活并发推理。 未来，随着数据规模的持续扩大和AI算法复杂度的提升，数据库系统对于智能决策支持的优化将成为核心竞争力，YashanDB将持续推进技术创新，为智能决策注入更强的动力。
21910编辑于 2025-10-12
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