- 综合排序
- 最热优先
- 最新优先
决策智能
想象一下这样一个世界：软件不仅可以加快业务决策速度，而且可以使业务决策变得卓越。这就是决策智能（DI）的意义所在。它不仅仅是另一种人工智能（AI）。 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。 为了更好地了解什么是决策智能，以下是几个定义。第一个只是DI的简单定义。而第二个定义专门针对供应链的决策智能。 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。
45100编辑于 2025-07-22- 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水…… 这个决策的数学模型是熵。 决策树的模型中，无论是ID3，还是C4.5，亦或者是CART，它们在每个节点做判据的目标都是为了让熵最小化！ 核心的内容已经说完了，具体的内容参见如下的推导，一些数学公式的细节可以自行网查。 决策树的算法推导流程如下： ? 如下示例的题材，最后一列是结果，其他列是输入。 ? ID3的手推示例如下所示： ? ? ? CART的手推示例如下所示： ? ? ? ?
50420发布于 2020-06-05 - 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。 自适应与自优化：百分点DeepMatrix AI决策系统具备自学习和自进化能力，在第一阶段经过人工研判、人工抽选之后，就可以由智能决策系统进行自我学习，实现智能预警、智能研判，适合舆情、情报、推荐等多个场景 ：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 - 来自专栏合集
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。 决策树是最基础且常见的监督学习模型，可以用于处理分类问题和回归问题。 决策树的生成包括：特征选择，树的构造，树的剪枝三个过程。 决策树常用的启发函数 常用的决策树算法有：ID3，C4.5和CART，那么它们的启发式函数是什么？ ID3-最大信息增益 对于样本集合D，类别数为K，数据集D的经验熵表示： ? 其中， ? 提高决策树的泛化能力。 ID3应用于离散变量，C4.5和CART都可以用于连续变量。
58720发布于 2020-06-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。 接下来就来实际绘制一下逻辑回归的决策边界，感性的认识一下决策边界。 逻辑回归的分类本质其实就是对于样本点来说是落在决策边界的上面还是决策边界的下面。如果样本点落在决策边界的上面则将样本分成一类，如果样本点落在决策边界的下面则将样本分成另外一类。 ▲不规则的决策边界的绘制方法 这里只是随便举了一个例子，上图中红色点与蓝色点的边界处就是决策边界，可以看出此时的决策边界非常的不规则。 上图就是kNN算法在三分类上的决策边界，这个决策边界非常的不规则。
3.1K20发布于 2020-02-26 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。 - 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. 数据可视化- 仪表板构建：使用数据可视化工具（如Tableau、Power BI等）构建仪表板，将分析结果以图形化方式展示，便于理解和决策。 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NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下 DecisionTreeClassifier tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度 ，上图的深度是2，它代表决策的次数 深度探索 优点 我们来看决策树的过程：每到一个节点进行一次询问，然后将数据集分向其他的节点，这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这将输出每个类的概率 model = DecisionTreeClassifier(max_depth=2) model.fit(x, y) model.predict_proba(x) 训练算法 决策树的训练算法被称为 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合，我们当然要进行正则化，决策树的正则化通过控制参数max_depth来决定，越大则越可能过拟合 在鸢尾花数据集上训练决策树 from sklearn.datasets
33710编辑于 2024-01-18 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。 在谷歌于2018年推出决策智能部门后，“决策智能”一词在洛里恩·普拉特2019年出版的《链接：如何连接数据、行动和结果以创造更美好的世界》一书中广为流传。 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。 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？ 因为“数据拟合”“所有知识都来自数据本身”为许多重大决策提供了数据统计依据。但是，在进行分析时，我们需要谨慎分析。毕竟，事情可能并不总是乍看之下！一个与我们生活息息相关的案例。 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
，让AI真正成为“懂业务、能决策、可落地”的行业智能中枢。 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. ）；多模态数据接入：支持文本、图像、音频、传感器数据等多模态输入，为决策提供全面的业务信息（如制造领域结合设备传感器数据与生产工单的智能排产）。 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”。 金融服务：智能风控与客户服务五、AIGA决策大脑——垂直行业AI应用的“智能引擎”AIGA决策大脑并非“炫技式”的技术堆砌，而是针对垂直行业AI应用痛点的 “实用型”技术突破——它通过“垂直知识融合”解决了
43610编辑于 2026-01-02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。
26000编辑于 2025-07-22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- 来自专栏绿盟科技研究通讯
初探网络安全智能决策
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”。 “安全”指的是在网络安全领域，因此“安全智能决策”也可称为“网络安全智能决策”。 攻击推理：[6]利用深度学习的方法预测下一步攻击事件，[9]通过分析机器上的二进制文件预测下一步可能被攻击的机器，[7]对终端数据构造图结构进行攻击路径还原。 Springer Nature, 2019. [9] Bilge, Leyla, Yufei Han, and Matteo Dell'Amico. 无人驾驶车辆行为决策系统研究[J]. 汽车技术,2018(08):1-9. [16] 陈永尚.
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。 这里面就涉及到最新的智能技术应用了，通过知识图谱、神经网络等新技术新方法，将现实世界的知识、经验融入，对不完备复杂动态的非线性问题进行精确建模，从而实现预测值向真实值的逼近。 【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- 来自专栏IT创事记
智能决策优化新引擎的“求解”之道
这不仅是一家创业公司发展道路上的里程碑，也标志着智能决策优化技术的国产替代及其对企业数字化转型的全面推动，进入了崭新阶段。 经历实战检验的商业模式 以求解器驱动的智能决策优化领域能保持高速增长，离不开国内数字经济大发展与各行业加快数字化转型的恢宏背景。 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 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
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