- 综合排序
- 最热优先
- 最新优先
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。
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 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。 现有的“AI”技术都无法达到这个级别，这是有具体技术原因的。ChatGPT等大型语言模型被描述为在这个级别上执行，但这只是因为它模仿了人们产生的单词模式。 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
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。 ：引擎日均稳定处理超 20万条 航班动态信息及 16万余条 进出站车次数据，底层数据网络覆盖全球 1163家 航空公司、9971座 机场及国内 3065个 火车站。 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 2026-04-20AI 数据分析系统：用智能引擎让数据“会说话、能决策、可行动”
而 AI 数据分析系统的出现，正以自然语言交互、自动建模与智能叙事能力，打破技术门槛，将沉睡的数据转化为可理解、可信任、可执行的业务智慧，让每个人都能“问数据、信数据、用数据”。 ，AI 结合历史策略效果，推荐：“建议优化首单优惠门槛，并定向推送高价值品类券。”整个过程无需拖拽、无需公式，30 秒内完成专业级分析。二是自动洞察发现 + 异常预警，做到“问题未问，答案先至”。 相比人工周报，AI 提前 3–7 天预警异常，准确率达 90% 以上，并附带根因假设与验证路径。三是智能叙事与行动闭环，让洞察“看得懂、落得实”。 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
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 算法层：AIGA决策引擎的核心逻辑AIGA决策引擎是大脑的“中枢神经”，其核心是 “任务分解-工具调用-上下文记忆-结果验证”的闭环算法：任务分解（Task Decomposition）：采用“目标拆解 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 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 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- 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
74910编辑于 2024-03-24 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。
23810编辑于 2025-09-09物联网规则引擎：数据驱动决策的分步指南
基本的数据分析和操作都能做有了这些工具，数据分析师和数据科学家就能做各种分析，比如：描述性分析，就是弄明白发生了什么事儿诊断分析，找出为什么会发生这样的事儿预测分析，预测未来会怎样规范性分析，告诉你该怎么办机器学习和AI 在数据驱动决策中的应用机器学习和人工智能（AI）的加入，让数据驱动的决策能力有了质的飞跃。 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 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。 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。
27010编辑于 2025-09-16- 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。 ”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 ）四、未来趋势：安全团队将从“工具使用者”升级为“风险运营者”AI带来三件事：安全能力产品化风险决策自动化攻防模拟智能化安全团队的角色正在变成：企业风险运营决策中心。 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 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。
38310编辑于 2025-09-03AI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。
21410编辑于 2025-09-18- 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。 传统上，数据库管理员主要关注的是数据库本身、数据模型，而不仅仅是查询引擎或数据库的具体实现方式。而现在，尤其是那些收入最多的公司，已经开始转向供应商中立的数据湖，这使得他们的角色发生了改变。 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：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。
37410编辑于 2025-02-11 - 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。
97310发布于 2018-07-24
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