- 综合排序
- 最热优先
- 最新优先
- 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。 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。 在这种情况下，人的能力不足以遍历所有数据并做出最佳决策。难怪大多数行业都倾向于让人工智能参与决策
1.6K20发布于 2018-09-29 - 来自专栏人工智能的秘密
智能决策：人工智能+大数据
我想大家在16年关注人工智能的话，一定听说过阿尔法围棋（AlphaGo）。 阿尔法围棋（AlphaGo）是一款围棋人工智能程序，由谷歌旗下DeepMind公司的戴维·西尔弗、艾佳·黄、杰米斯·哈萨比斯与他们的团队开发，程序利用“价值网络”去计算局面，用“策略网络”去选择下子。 但是随着人类科技的发展，这类决策系统部分由机器来承担了起来，例如我们前些年经常讨论的BI、近些年讨论的大数据分析，实际上都已经较为普遍的被人类用来做辅助决策，而伴随着人工智能的迅速进化，我们不禁联想，能不能依靠人工智能相关技术 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 ； 强大的分析和推理能力：对数据进行智能分析与推理，分析出业务的真实动向与未来趋势； 自适应与自优化能力：通过对人工配置与机器执行的融合，实现针对应用的智能预警、智能研判； 行业智能决策能力：通过大数据与人工智能的结合
5.9K01发布于 2017-12-21 - 来自专栏EAWorld
偏见：人工智能辅助决策的隐患
和我们看过的大多数科幻电影不同，人工智能给现代生活带来的革命是润物无声的；拥有自主意识的机器人统治人类的场景还没有出现，但人工智已经渗透到我们的生活之中，稳步地侵入了以前人类独有的决策领域。 人们的初衷是，人工智能中的算法能够在公平和高效等方面超越人类既有的水平。世界各地的公司、政府、组织和个人都在使用机器决策，支持这样做的理由有很多：更可靠、更容易、更便宜、更节省时间等。 结语 尽管我们已经阐明了人工智能模型可能带来的许多问题，但仍旧有很多理由可以支撑我们从以人为中心的决策方式转变为基于人工智能的决策方式。正如前面提到的，尽管人工智能存在种种缺陷，但它仍然比人类更客观。 正因为如此，我们看到人工智能在基于决策和预测的任务中的应用仍旧在持续深入。但是，较少的偏见并不等同于没有偏见，当算法做出有偏见的决定时会发生什么？我们如何决定谁应该为此承担责任？ 可以说，跟踪问责制的最佳方法是对人工智能决策过程进行准确和详细的记录。也就是说，做出决定的过程和数据必须是透明的，这样如果有任何问题发生，第三方审计师就能够追溯导致结果的步骤，以找到问题的根源。
1.5K30发布于 2018-12-29 - 来自专栏海仔技术驿站
Python人工智能经典算法之决策树
4.2 决策树分类原理【*****】 1.信息增益 信息增益 = entroy(前) - entroy(后) 注意：信息增益越大，我们优先选择这个属性进行计算 主要看分割的是否纯 4.三种算法对比：【****】 ID3 算法 采用信息增益作为评价标准 只能对描述属性为离散型属性的数据集构造决策树 缺点： 决策树学习者可以创建不能很好地推广数据的过于复杂的树,容易发生过拟合。 2.流程： 1.随机选取m条数据 2.随机选取k个特征 3.训练决策树 4.重复1-3 5.对上面的若决策树进行平权投票 3.注意： 1.随机选取样本，且是有放回的抽取 2.选取特征的时候吗，选择m<<
83710发布于 2020-09-01 - 来自专栏blog-技术博客
人工智能_5_决策树_随机森林
# 决策树,随机森林 # 决策树结构:if-then # 信息熵: # 例:第一届世界杯32支球队 每个队伍冠军概率1/32 # 可得 log32(程序员认为的log一般都默认是以 概率相同时为log(n) # 信息熵越大表示 几率均等,不确定性大 # 决策树的划分依据:信息增益 (最大值对应的特征即为重要特征) # 当得知一个特征条件之后,减少的信息熵的大小 (构建决策树时 H(青年) = 值看青年的数据集 根据目标值 = - ( (目标值1/所有青年数)log(目标值1/所有青年数)+....) # 即可根据此 生成决策树 API # sklearn.tree.DecisionTreeClassifier(Criterion='gini',max_depth=None,random_state=None) # 决策树分类器 ,"St Louis, MO","B-5","24160 L221","2","female" def decision(): import pandas as pd """ 决策树
58130发布于 2020-05-08 - 来自专栏技术翻译
人工智能将如何改变企业的决策？
虽然人工智能的未来可能会让机器像人类一样做出决定，但现在已经在影响人类的决策，尤其是商业决策。在本文中，我们将讨论人工智能改变企业决策的一些有趣方法。 人工智能与商业决策 在AI首次亮相之前，企业不得不依赖不一致的数据。因此，决策过程并不十分精确。现在，通过人工智能，企业可以转向基于数据的模型和模拟。 通过一个基于人工智能的决策支持系统，可以根据实时和最新的数据收集来获得决策支持。这些系统还可以帮助您进行市场预测和行业趋势分析。 当企业高管和决策者通过基于人工智能的决策系统进行可靠的数据分析、跟踪和建议时，他们将做出更好的选择。这样，企业就可以提高每个团队成员的工作效率。人工智能还将提高企业的竞争力。 在这种情况下，人力不足以完成所有数据并做出最佳决策。这就是为什么大多数行业倾向于将人工智能纳入决策的原因所在。
2.7K00发布于 2018-09-11 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。 第一步，他们结合使用规则、优化和基于人工智能的预测等工具做出自主决策。对于第二步，它们自动实施这些决策，无需人工参与。相反，人类有一个高级概览，监控风险和任何异常活动，并定期审查结果以改进系统。 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。 如今，虽然大多数公司都尝试利用人工智能进行转型，但它们都面临着相同的问题：难以扩大转型规模并产生预期的业务影响。 决策智能有助于提供这种能力，它通过构建集成化的人工智能平台，打通数据洞察、决策生成与执行反馈的全链路，有效弥合技术能力与业务价值之间的鸿沟。您是否已经开始了决策转型？
32410编辑于 2025-09-18- 来自专栏企鹅号快讯
人工智能：未来决策制定的机遇与影响
报告信息 Artificial intelligence:opportunities and implications for the future of decision making（人工智能：未来决策制定的机遇与影响 ） 学习翻译者：徐金海 倪红福 时间：2017年12月28日 全文约14000字编辑:Jessie 该文是英国政府发布的第一份人工智能报告，为了继续保持英国在人工智能领域的世界领先地位，发挥人工智能对英国经济的促进作用 为了充分利用人工智能带来的机遇，规避挑战，本报告围绕着什么是人工智能？它是如何被使用的？人工智能对生产力可能带来什么好处？我们如何最好地管理因使用人工智能而产生的任何道德和法律的风险？ 让官员更容易使用更多数据来决策（通过快速访问相关信息），并减少欺诈和错误。使决策更加透明（可能是通过捕获数字记录背后的过程，或通过可视化的数据来为决定做支撑）。 （6）除了人工智能带来的巨大好处之外，人工智能的使用，还会带来一些潜在的道德伦理问题。比如算法歧视以及侵犯人们的隐私等问题。
2.6K60发布于 2018-01-16 - 来自专栏互联网数据官iCDO
15种人工智能营销工具助力商业决策
人工智能无论在商业领域，亦或个人领域，都会对花样繁多的产品和服务产生影响。一家公司保持竞争力最好的办法就是拥抱AI，尤其通过AI帮助企业提升工作效率，从而节约时间和成本。
1.9K71发布于 2018-04-18 - 来自专栏人工智能快报
可帮助完成集体决策的人工智能系统上线
美国卡耐基梅隆大学发布消息称，可辅助集体决策的人工智能系统已经上线。 有争议的总统选举可能引起人们关于当下投票制度能否选出最佳候选人这一问题的质疑。 尽管美国人的投票方式不会发生任何改变，但有一项新的在线服务RoboVote.org可使任何人都能使用最先进的投票方法，从而做出最佳群体决策。 该网站由人工智能驱动，并结合了数十年社会选择研究智慧，以最佳方式结合意见、喜好和兴趣以促成集体决策。 卡耐基梅隆大学计算机科学助理教授Ariel Procaccia说：“我们正在利用最新的优化技术和人工智能技术帮助人们在日常生活中做决定。 我们采用的是经过多年研究验证的最佳集体决策算法，并为其设计了一个人人都能使用的界面。”
1K60发布于 2018-03-07 - 来自专栏人工智能
从零开始学人工智能-Python·决策树·简介
决策树是听上去比较厉害且又相对简单的算法，但在实现它的过程中可能会对编程本身有更深的理解、尤其是对递归的利用 我个人的习惯是先说明最终能干什么、然后再来说怎么实现，这样也能避免一些不必要的信息筛选。 其中，每个 Node 最后那个括号里面，箭头前面是特征取值，箭头后面或者是类别、或者是下一个选取的特征的维度 运用 cv2 的话可以画出比较传统的决策树的可视化图，效果大致如下： 其中红色数字标注了该 白色字母代表着对应数据维度特征的取值 比如说如果样本的第 4 维（从 0 开始计数）是 a、l 的话就判为类别 e，是 c、f、m、p、s、y 的话就判为类别 p，是 n 的话就再看样本的第 7 维、以此类推 虽说我这个决策树暂时不支持连续型特征
64860发布于 2018-01-31 人工智能模型决策过程：机器与人类协作成效
要想做出既可持续又准确的决策，最好的办法就是把人工智能（AI）和人的判断结合起来。这种情况下，数据好不好用特别重要。 现在的人工智能方法特别擅长从一大堆数据里头挑出有用的信息。DI怎么让业务决策更好呢？现在最新的工具就是决策智能，它让传统的商业智能更上一层楼。 这种AI和人的结合，让决策更聪明，业务成果也更好。把人和机器的优点结合起来当需要公平地把各种来源和格式的大数据组合起来，找找里面有什么关联的时候，人工智能就显得特别重要。 适合每个情况的正确DI类型在决策智能的背景下，人工智能和人类决策者之间有三种不同的合作模式，按AI的自主权从低到高排列：决策支持就是用AI来准备数据，提供容易理解的分析。决定还是人来做。 用人工智能的时候，即使在传统IT之外，也得引入新的数据文化。这意味着人得更信任AI基于事实的决策，突破流程评估的局限，走向更扁平的决策层次。所以，成功用AI决策是企业适应大数据驱动业务需求的关键一步。
23210编辑于 2025-09-18- 来自专栏思考是一种快乐
人工智能算法通俗讲解系列(三)：决策树
今天，我们介绍的机器学习算法叫决策树。 跟之前一样，介绍算法之前先举一个案例，然后看一下如何用算法去解决案例中的问题。 这里的案例跟K临近法那一讲里的案例差不多，有一点变化。 我们把最重要的属性放到决策树最上面的节点。 然后在每个分支上，计算剩余属性中最重要的属性，放到二级节点。以此类推。 ? 下面是一段伪代码，createBranch方法用于创建决策树的分支，它是一个递归的结构。 调用函数createBranch并增加返回结果到分支节点中 } return 分支节点 } } 相关文章： 人工智能算法通俗讲解系列 (一)：K临近法 人工智能算法通俗讲解系列(二)：逻辑回归 人工智能算法通俗讲解系列(三)：决策树
96610发布于 2019-09-23 - 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。
4.2K20发布于 2020-04-01 - 来自专栏人工智能
从零开始学人工智能-Python·决策树（三）·节点
为此，我们不妨先看看我们需要实现什么： 一个 fit 函数，它能够根据输入的数据递归生成一颗决策树 一个 handle_terminate 函数，它在 node 成为 leaf 时调用，用于更新它爸爸和它爸爸的爸爸和 leaf 后、需要做的事情有两个： 只要分别实现它们就好了： 其中 计算该 leaf 属于哪一类 更新它列祖列宗的 leafs 变量 prune 函数 需要指出的是，node 的 prune 函数不是决策树的剪枝算法 、而是会在决策树的剪枝算法中被调用。 以下是实现： 这一章有点长，稍微总结一下： 决策树的生长关键是靠递归。 、但它会在决策树的剪枝算法中被调用 下一章我们就要说说怎么建立一个框架以利用这些 node 来搭建一颗真正的决策树了。
82360发布于 2018-01-22 - 来自专栏人工智能
从零开始学人工智能-Python·决策树（四）·树
refer=carefree0910-pyml 这一章就是朴素实现的最后一章了，我们会在这一部分搭建一个比较完整的决策树框架 上一章我们也提过，我们主要还需要做的只有一个：剪枝 同样的，为了简洁（懒）， 当然了、这是通过牺牲效率来换取的简洁，好的做法应该是： 找到决策树“从下往上”的次序 依次判断每个 Node 是否应该剪枝 这样做的话算法复杂度会降低不少、但实现起来也会稍微复杂一点。 在 Python · 决策树（零）· 简介 这一章中，我用到了这么两张图： 它们其实都是在另一种剪枝算法下的最终结果。 以上及之前的各章节加总即是一个比较朴素的决策树的所有实现，它有如下功能： 支持任意形式的离散数据、不必将数据预处理成数值形式 支持可视化最终的决策树模型 支持通过准确率来评估模型的好坏 这不算是一个很完善的决策树 接下来（如果有时间的话）我们会继续做如下事情： 利用 np.bincount 来加速我们的算法 让我们的决策树支持输入样本权重和支持连续型特征 将 C4.5 算法整合到这个框架中 （争取）把 CART
1.2K90发布于 2018-01-05 从感知到决策：人工智能在实战中的技术跃迁
从去年中开始，某地区的一系列高强度系统对抗，意外地成为了人工智能最严苛的天然实验场。 当外界在关注地缘局势的进退时，真正懂行的人正盯着幕后：那里的服务器集群指示灯在疯狂闪烁。 技术特征：没有中心指挥，每个单元自主决策。当部分单元被拦截或失效时，其余单元会自动调整航线、重新分配任务。 大语言模型——从文本生成到“决策心理分析” 大语言模型（LLM）在近两年的演进中，已经从聊天助手变成了决策链条中的“超级大脑”。 这种模式既放大了人类的决策能力，也守住了风险的底线。 结语：AI 向何处去？ 从 2025 到 2026年，人工智能完成了从“感知”到“决策”的关键跃迁。 本公众号聚焦人工智能，云原生和区块链等技术原理，请立即关注亨利笔记 （ henglibiji )，以免错过更新。
14410编辑于 2026-03-04- 来自专栏《C++与 AI：个人经验分享合集》
《为人工智能系上道德缰绳：确保自主决策的伦理遵循》
在科技飞速发展的当下，人工智能（AI）已经逐渐从科幻小说中的想象变为现实生活中的重要存在。 然而，随着 AI 系统的自主性和决策能力不断增强，一个严峻的问题摆在我们面前：如何确保人工智能在自主决策时遵循人类的道德准则？ 当我们赋予 AI 自主决策的权力时，也就意味着将一部分对人类生活产生重大影响的决策交给了非人类的实体。这可能会带来一系列潜在的风险和挑战。 只有当广大民众了解 AI 决策可能带来的道德影响，并积极参与到相关的讨论和决策过程中，才能形成强大的社会监督力量，推动 AI 技术的健康发展。 让我们共同努力，为人工智能系上道德的缰绳，引导其在科技的广袤原野上驰骋，为人类创造一个更加美好的未来。
45510编辑于 2024-12-09 - 来自专栏人工智能头条
人工智能进行连续决策的关键——强化学习入门指南
和监督式学习, 非监督式学习的区别 主要算法和类别 应用举例 1、定 义 强化学习是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 decision making 问题，即自动进行决策 ，并且可以做连续决策。 而且强化学习面对的输入总是在变化，每当算法做出一个行为，它影响下一次决策的输入，而监督学习的输入是独立同分布的。 再如双 11 推荐场景中，阿里巴巴使用了深度强化学习与自适应在线学习，通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝，提高人和商品的配对效率
90720发布于 2018-07-20 - 来自专栏磐创AI技术团队的专栏
危机期间人工智能可以帮助我们做出更好的决策吗？
认为人工智能可以帮助我们成为更好的道德决策者，这似乎有悖常理。在流行文化、科幻小说的编年史中，甚至在当今的现实世界中，人工智能往往被视为恶棍的工具，或者是一种不可避免地、无情地反人类的力量。 斯诺诺特-阿姆斯特朗认为，人工智能如果经过正确的数据训练，可能会在做出复杂的道德决策时提供宝贵的帮助。 人工智能不会被赋予决策控制权，而是能够学习人类参与的伦理思维模式，并利用新的数据集复制这些模式，而不会受到外界干扰、睡眠剥夺或可能影响人类决策的复杂情绪的干扰。 机器学习系统可以对抗疲劳、偏见和混乱。 理论上，人工智能可以获取医生关于病人的相同信息，并生成一系列的建议，这些建议可用于通知人类决策者。相反，将道德决策外包给机器，这些新工具有助于增强我们天生的道德决策能力。 有趣的是，当包含10%随机决策的人工智能玩家时，结果有了显著的改善，而没有随机决策或决策次数超过10%的人工智能玩家则消失了。
1.2K20发布于 2020-05-26
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