- 综合排序
- 最热优先
- 最新优先
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。 本文将从技术架构、核心能力、行业落地价值三个维度，深度解析AIGA决策大脑的技术内核，揭示其如何重构AI应用的决策范式。 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 决策过程的可解释性：从“黑盒决策”到“透明化推理”垂直行业AI应用的落地，往往受困于“决策过程不透明”——例如，医疗领域的AI诊断系统若无法解释“为什么诊断为肺癌”，医生就无法信任其结果；金融领域的风控系统若无法解释 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。
41410编辑于 2026-01-02- 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。 ： 特征选择：选取有较强分类能力的特征 决策树生成 决策树剪枝 ID3 决策树 ID3 树是基于信息增益构建的决策树，算法的核心在于使用信息增益作为属性选择的标准，即在每个节点选择尚未被用来划分的
86510编辑于 2024-03-24 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。
67210编辑于 2022-11-08 - 来自专栏算法无遗策
动画 | 什么是2-3树？
2-3树正是一种绝对平衡的树，任意节点到它所有的叶子节点的深度都是相等的。 2-3树的数字代表一个节点有2到3个子树。它也满足二分搜索树的基本性质，但它不属于二分搜索树。 2-3树查找元素 2-3树的查找类似二分搜索树的查找，根据元素的大小来决定查找的方向。 动画：2-3树插入 2-3树删除元素 2-3树删除元素相对比较复杂，删除元素也和插入元素一样先进行命中查找，查找成功才进行删除操作。 2-3树为满二叉树时，删除叶子节点 2-3树满二叉树的情况下，删除叶子节点是比较简单的。 动画：2-3树删除 -----END---
1.1K10发布于 2020-01-02 - 来自专栏我是攻城师
什么是2-3树
2-3树 VS 二叉搜索树 同样的一组数据，在2-3树和二叉搜索树里面的对比如下： ? 可以看到2-3树的节点分布非常均匀，且叶子节点的高度一致，并且如果这里即使是AVL树，那么树的高度也比2-3树高，而高度的降低则可以提升增删改的效率。 2-3树的插入 为了保持平衡性，2-3树的插入如果破坏了平衡性，那么树本身会产生分裂和合并，然后调整结构以维持平衡性，这一点和AVL树为了保持平衡而产生的节点旋转的作用一样，2-3树的插入分裂有几种情况如下 2-3树的删除 2-3树节点的删除也会破坏平衡性，同样树本身也会产生分裂和合并，如下： ? 总结 本篇文章，主要介绍了2-3树相关的知识，2-3树，2-3-4树以及B树都不是二叉树，但与二叉树的大致特点是类似的，它们是一种平衡的多路查找树，节点的孩子个数可以允许多于2个，虽然高度降低了，但编码相对复杂
2.4K20发布于 2019-04-28 - 来自专栏刷题笔记
2-3 链表拼接 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101050371 2-3 链表拼接 (20 分) 本题要求实现一个合并两个有序链表的简单函数
73440发布于 2019-11-08 - 来自专栏存储公众号：王知鱼
DaaS：AI、数据管道与决策（译文）
Take Away AI对数据管道的影响：更多是演化而非革命 尽管AI备受关注，George Fraser指出，数据管道的基本需求并没有发生剧烈变化。 他认为，目前AI对客户数据管道需求的影响并不大，主要的变化是能让机器处理非结构化的文本数据。 RAG的兴起：增强内部知识库 AI在增强型生成检索（RAG）领域取得了显著进展。 在这种情况下，投资决策可以成为一个很好的反例，展示了在面对错误的证据时，如何进行决策的逆转。你是如何做到的？你把它写下来了吗？当事实与预期不符时，你如何调整决策呢？ George：许多决策，尤其是大决策，根本就不可能完全基于证据做出。事实上，大多数决策都涉及个人心理学的因素。你必须学会接受犯错，并承认自己错了，至少对自己这样做，理想情况下，对他人也要如此。 George：而且，AI在某些问题上依旧力不从心。比如，如果你让一个AI在九进制下做算术，它就做不到。尽管这种数学本身并不复杂，但对这些AI来说却依旧是个难题，表明它们在某些方面仍存在很大的空白。
44910编辑于 2025-02-11 AI解决方案的决策工具
现在公司用AI的地方会越来越多。数字化能让公司像原子一样精细运营，每天能对客户、产品、供应商、资产或交易做出上百万个决策。但是这些决策不能靠在电子表格上工作的普通人来完成。 我们把这些由AI驱动的精细决策叫做“微观决策”。这需要一个彻底的转变，从做决策变成“关于决策的决策”。你们得用规则、参数和算法在新的抽象层面上管理。这种转变正在每个行业和各种决策中发生。 自动化是通过算法（决定微观决策的规则、预测、约束和逻辑）实现的。这些决策算法通常被称作人工智能（AI）。关键问题是，人类管理者怎么管理这些算法驱动的系统呢？从概念上讲，自治系统很简单。 一家财富500强公司正在大力投资使用AI来改善其运营。他们认识到，AI的价值通常来自于帮助人类更好地完成工作。一个例子是帮助调度员更有效地处理票据和路线。 这些系统将代表您做出越来越细粒度的微观决策，从而影响您的客户、员工、合作伙伴和供应商。要取得成功，您需要了解与AI交互的不同方式，并为每个AI系统选择正确的管理选项。
27710编辑于 2025-09-18- 来自专栏奇点大数据
AI是如何做决策的？
太拘泥于细节的AI AI（人工智能）无所不能。据社交网站“脸谱”披露，要想欺骗AI把某个不存在的东西当作真实存在，比你想象的要容易得多。 ? 譬如，在一张高清晰度的图片中，随机地降低某些地方的像素。 他们将能够操纵无人驾驶汽车狂奔，无视红绿灯；或者让犯罪嫌疑人轻易躲过AI控制的监控摄像头。 AI的决策规则不易被人知 为了解决这个问题，这就需要先去了解AI是如何做决策的，但这一直是个难题。 因为AI在自我学习过程中，经过海量的数据训练之后，会自创一套决策规则，但它最后创立的规则到底是什么，这对于AI的设计者有时候都是一个谜。这一点其实跟人也是相似的。 一窥AI的决策过程 格林在给图片分类的一个AI上测试了他的系统。这个AI被训练把图片分成10个类，包括飞机、鸟、鹿和马等。 从这里可以看出，AI做决策的过程迥异于我们人类。面对一张鹿的图，即使把它的角打上马赛克，我们也还是可以根据分叉的蹄子认出鹿来的，但对于“死板”的AI，它很可能就把它认作驴了。
1K10发布于 2018-07-24 - 来自专栏python3
2-3 选项卡控件
2-3 选项卡控件 u本节学习目标： n了解选项卡控件的基本属性 n掌握如何设置选项卡控件的属性 n掌握统计页面选项卡控件页面基本信息 n掌握选项卡控件的功能操作控制 2-3-1 简介 在 Windows 一般选项卡在Windows操作系统中的表现样式如图2-3所示。 ? 图2-3 图片框控件的属性及方法 2-3-2 选项卡控件的基本属性 图片框控件是使用频度最高的控件，主要用以显示窗体文本信息。 其基本的属性和方法定义如表2-3所示： 属性 说明 MultiLine 指定是否可以显示多行选项卡。如果可以显示多行选项卡，该值应为 True，否则为 False。 使用这个集合可以添加和删除TabPage对象 表2-3 选项卡控件的属性 2-3-3 选项卡控件实践操作 1．
2.3K10发布于 2020-01-07 - 来自专栏python3
2-3 T-SQL函数
2-3 T-SQL函数 学习系统函数、行集函数和Ranking函数；重点掌握字符串函数、日期时间函数和数学函数的使用参数以及使用技巧 重点掌握用户定义的标量函数以及自定义函数的执行方法 掌握用户定义的内嵌表值函数以及与用户定义的标量函数的主要区别 我们首先运行一段SQL查询：select tno,name , salary From teacher，查询后的基本结构如图2-3所示。我们看见，分别有三位教师的薪水是一样高的。 图2-3 薪酬排序基本情况 图2-4 row_number函数排序 图2-5 row_number另一使用 我们可以使用Row_number函数来实现查询表中指定范围的记录，一般将其应用到Web应用程序的分页功能上
2.2K10发布于 2020-01-08 - 来自专栏AI科技评论
数据越多，AI决策模型越脆弱
数据在很大程度上决定了AI系统的性能、公平性、稳健性、安全性和可扩展性。 那么，用足够多的数据训练而来的AI系统，能够做出正确的决策么？ 以上这些子问题，对于决策过程异常重要。 假设访问更多数据是决策者做出更好决策的关键，所以研究者希望喂给系统越多数据，AI越好的做出决策，拥有更少的负面影响。 AI很容易受到不良数据的影响，因为我们过分强调了它在分类和识别方面的应用，而低估了它在建议和情境化方面的应用。然而，决策型AI又非常容易被破坏。 这时候，AI决策模型的作用是提示医生将可能的疾病类型纳入他的决策树，所以尽管可能数据不佳，但患者的治疗效果却有所改善。 如果 AI 是改善决策，那么 AI 应该引导决策者进行假设检验，而不是试图超越专家。 当 AI 试图胜过专家，它完全取决于接收到的数据的质量，从而产生了一系列漏洞，攻击者可以轻松地利用这些漏洞。
69930发布于 2021-08-24 AI赋能下的数据驱动决策
这让我突然意识到，我们正站在一个历史性拐点上——AI正在悄然重塑每一个传统行业的DNA。 AI不是工具，是新生产力 很多人把AI理解成简单的工具替代，认为无非就是让机器干点重复性工作。 这种自主决策能力，让工厂从标准化生产进化到智能化制造。 更值得关注的是，AI正在打破传统行业的边界壁垒。 银行开始做电商，电商平台做起金融，滴滴搞起了外卖。 这些看似八竿子打不着的业务跨界，实际上都指向同一个核心——AI赋能下的数据驱动决策。 AI重塑人才结构 AI对传统行业最大的冲击，不是取代某个具体岗位，而是重塑了整个行业的人才结构。 AI变革已经开始了，你准备好了吗？
20810编辑于 2026-02-02- 来自专栏算法进阶
10个解释AI决策的Python库
本文整理了10个常用于可解释AI的Python库，方便我们更好的理解AI模型的决策。 什么是XAI？ XAI（Explainable AI）的目标是为模型的行为和决策提供合理的解释，这有助于增加信任、提供问责制和模型决策的透明度。 因为这些领域的错误决策成本很高（风险很高），所以XAI 变得越来越重要，因为即使是 AI 做出的决定也需要仔细检查其有效性和可解释性。 可解释性实践的步骤 数据准备：这个阶段包括数据的收集和处理。 它提供了以下机器学习框架和包的支持: scikit-learn：ELI5可以解释scikit-learn线性分类器和回归器的权重和预测，可以将决策树打印为文本或SVG，显示特征的重要性，并解释决策树和基于树集成的预测 它是一个用于可解释AI (XAI)的Python机器学习库，提供全方位的可解释AI和可解释机器学习功能，并能够解决实践中解释机器学习模型所做决策的许多痛点。
69610编辑于 2023-11-30 - 来自专栏AI科技大本营的专栏
AI时代，如何缓解CMO的决策焦虑？
李稻葵从经济学角度阐释了人工智能商业决策的万亿市场。在他看来，人工智能的革命会超越电气化蒸汽机的革命，AI 决策将成为改写社会经济发展进程的里程碑。 ▌MIP 亮相，模拟 CMO 决策场景 黄晓南 品友互动创始人兼 CEO 黄晓南表示，将品友的 AI 能力赋能决策者是我们的目的，对此品友推出首个 AI 赋能的营销云决策平台 MIP（Marketing 为了呈现更直观的 AI 决策赋能效果，品友互动联合创始人兼 COO 谢鹏在现场利用 MIP 系统进行了真实的 CMO 决策模拟演示，MIP 是如何将自身的人工智能技术能力悉数赋能给所有企业，帮助 CMO ▌品友与京东云达成战略合作 ，共同打造 AI 营销平台“Matrix智麦” 品友互动宣布与京东云达成战略合作，双方将共同打造 AI 营销决策平台 Matrix 智麦——致力于构建一个完整的营销生态体系， 品友互动创始人兼 CEO 黄晓南强调，在 AI 时代，AI 决策能力将撬动万亿市场价值，深刻影响社会经济发展变革。
66620发布于 2018-07-23 YashanDB如何配合AI技术实现智能决策
针对AI模型的大数据训练，分布式部署支持线性扩展的计算能力，充分利用多节点并行计算，加速模型训练过程。共享集群的多活架构保障实时推理环境的稳定可靠，支持AI实时决策的高可用需求。 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。 分布式执行与高可用机制支撑AI智能决策连续性分布式SQL执行通过协调节点（CN）和数据节点（DN）的多级并行，实现任务拆分和负载均衡，支撑海量数据集上的AI复杂运算。 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。
20710编辑于 2025-10-12- 来自专栏机器学习入门
算法原理系列：2-3查找树
结构缘由 首先，搞清楚2-3查找树为什么会出来，它要解决什么样的问题？假设我们对它的基本已经有所了解了。先给它来个简单的定义： 2-3查找树： 一种保持有序结构的查找树。 而2-3树就是为了规避上述问题而设计发明出来的模型。现在请思考该如何设计它呢？ 这里我们从BST遇到的实际问题出发，提出设计指标，再去思考利用些潜在的性质来构建2-3树。 这部分内容，没有什么理论根据，而是我自己尝试去抓些字典的性质来构建，而2-3树的诞生过程并非真的如此，所以仅供参考。 构建2-3树 字典的两个主要操作为：查找和插入。 我就不卖关子了，直接给出2-3树的其中一个基本定义： 一棵2-3查找树或为一颗空树，或由以下节点组成： 2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点 3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 ！！！
1.2K20发布于 2019-05-26 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 决策问题分类 确定型、非确定型、风险型 决策问题通常分确定型、非确定型、风险型三种。 由于决策问题的性质不同，群体决策与个人决策的差异及决策人个人的风格不同，其决策的时间和决策的方法也不相同。 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。
4.3K20发布于 2020-04-01 AI智能决策分析系统：从数据洞察到精准执行的决策新范式
在数字化转型浪潮中，企业面临的决策复杂度正呈指数级增长。传统依赖经验的决策模式已难以应对海量数据的实时处理与深度挖掘需求。 AI智能决策分析系统应运而生，依托机器学习与大数据技术，将分散的业务信息转化为可视化洞察与可执行策略，助力管理者精准定位问题、科学预测趋势并制定最优路径。 应用场景解析应用场景传统方式痛点AI方案优势市场需求预测人工采样偏差大、周期长全渠道数据融合 + 时序预测模型客户分群管理标签体系固化、更新滞后动态聚类算法 + 行为特征迭代供应链调度经验主义主导、抗风险弱多目标优化算法 总结AI智能决策分析系统正在深刻重塑商业世界的决策范式：从“拍脑袋”到看数据，从凭经验到靠算法，从滞后响应到前瞻布局。 当每个业务决策都能获得智能系统的实时反馈与优化建议时，企业将在日益复杂的竞争环境中构建起可持续的决策优势。
87910编辑于 2025-10-27- 来自专栏U3D技术分享
《游戏引擎架构》阅读笔记-第2-3章
本系列博客为《游戏引擎架构》一书的阅读笔记，旨在精炼相关内容知识点，记录笔记，以及根据目前（2022年）的行业技术制作相关补充总结。 本书籍无硬性阅读门槛，但推荐拥有一定线性代数，高等数学以及编程基础，最好为制作过完整的小型游戏demo再来阅读。 本系列博客会记录知识点在书中出现的具体位置。并约定（Pa b），其中a为书籍中的页数，b为从上往下数的段落号，如有lastb字样则为从下往上数第b段。 本系列博客会约定用【】来区别本人所书写的与书中观点不一致或者未提及的观点，该部分观点受限于个人以及当前时代的视角
1K10编辑于 2022-10-28
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