- 综合排序
- 最热优先
- 最新优先
决策引擎中的敏捷决策平台
现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 此外，敏捷决策平台需要促进信息收集过程，收集有针对性的相关信息，以支持及时、明智的决策。以下是快速收集决策所需信息的五步流程。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
41410编辑于 2025-09-18决策引擎系统的7个级别
目前有许多商业“规则引擎”被广泛使用。2级基础机器学习这包括使用查找表、参数模型（包括线性或非线性模型和神经网络）或非参数模型的已知统计模型。 6级顺序决策问题在这里，我们解决的问题由序列决策，信息，决策，信息,...鉴于尚未到达的信息的不确定性，必须做出决策。优化问题是找到做出决策的最佳方法（称为策略）。 顺序决策问题的特殊情况包括：决策，信息（这描述了经典的随机搜索问题）和决策，信息，决策（这描述了两阶段随机规划问题）。更一般的问题具有延伸到有限或无限视野的“决策、信息”序列。 这种多样性反映了顺序决策问题的巨大丰富性。顺序决策问题代表了确定性优化模型的重要扩展。与确定性优化一样，顺序决策问题需要对问题的物理和动力学进行建模，并包括一个性能指标，使我们能够确定最佳决策。 创造力–优化涉及从一组定义明确的决策中找到最佳，其中一组决策被清楚地阐明，并带有可用于评估不同决策的绩效指标。当我们有绩效指标但可能没有指定可用的决策时，需要创造力。
43010编辑于 2025-09-17- 来自专栏IT创事记
智能决策优化新引擎的“求解”之道
“十四五”规划提出，未来国内数字经济核心产业增加值占GDP比重将由7.8%提升到10%。 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。 站在面向下一个5年、10年的新起点，罗小渠用“行远自迩、笃行不怠”提醒自己和团队的伙伴：“市场上很多公司说要打造行业的操作系统，坦率讲杉数的目标并非如此，我们不想做大而全的东西，而是要把核心引擎做得更深
1.2K10编辑于 2022-08-30 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。
1.1K10编辑于 2025-09-05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。
39810编辑于 2025-09-09- 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。 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 通过摘要来理解模型提出的决策。该项目由MAIF数据科学家开发。Shapash主要通过一组出色的可视化来解释模型。 # The created TabularExplainer for what if analysis ) dashboard.show() 10
81010编辑于 2023-11-30 物联网规则引擎：数据驱动决策的分步指南
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 衡量数据驱动决策的影响要真正了解数据驱动决策的好处，组织得有办法衡量它对业务绩效的影响。数据驱动决策的关键绩效指标（KPI）KPI是帮助组织跟踪数据驱动方法有效性的关键指标。 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。 例如，你的团队可以使用数据来确定以下目标：客户数量同比增加20%每季度减少20,000元的总体预算支出减少项目预算消费500元每季度增加10名团队成员的招聘将每次招聘成本降低500元如果没有数据，你的公司很难看到他们把钱花在哪里
41010编辑于 2025-09-16一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。 但是，有大概85%的人工智能项目都没能实现决策自动化的目标。还有一个事实，只有不到10%的人工智能试点项目最后能真正用起来。在2019年，公司们在人工智能项目上花了375亿美元。 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。
56210编辑于 2025-09-03Agent决策核心：从规则引擎到LLM驱动的规划器
随着大模型技术工程化落地，运维决策范式完成第三次演进：规则自动化→ 统计模型决策 → LLM认知规划决策。 关键词：AIOps；SRE；LLM Agent；智能规划；ReAct；LangGraph；故障自愈；混合决策架构 一、传统运维决策：规则引擎的能力边界与生产困境 1.1 传统决策体系构成 传统运维自动化体系的决策核心由三类能力构成 10.复盘沉淀 逐步恢复流量、解除熔断、沉淀本次级联故障处置经验至运维知识库。 优化价值：完全贴合资源受限、级联故障、流量博弈、风险权衡的真实生产场景，区别于网络通用理想化案例。 service_name: str = Field(regex="^(order|pay|user-center|stock)$") num: int = Field(gt=0, le=10 , description="生产扩容数量约束1~10")# ========== 2.标准化运维工具定义 ==========def query_log(service_name:str, log_level
39810编辑于 2026-07-14- 来自专栏开源物联网平台开发
Node-RED 规则引擎：开启物联网时代的智能决策
Node-RED 规则引擎：开启物联网时代的智能决策 随着物联网技术的快速发展，大量的设备和传感器正在不断产生海量的数据。 为了有效处理这些数据，并实现智能决策，规则引擎在物联网领域扮演着至关重要的角色。而 Node-RED 规则引擎则以其灵活性和易用性，在物联网开发领域中引起了广泛的关注和应用。 二、Node-RED 规则引擎的特点 灵活性：Node-RED 支持自定义节点和插件，用户可以根据需求扩展功能，实现个性化的规则设计。 三、Node-RED 规则引擎的应用场景 智能家居：在智能家居领域，Node-RED 可以连接各种智能设备，实现设备的联动控制、自动化场景设置等功能。 四、总结 随着物联网技术的不断发展，规则引擎在物联网应用中的作用将越来越重要。Node-RED 规则引擎以其灵活性和易用性为物联网开发者提供了一个强大的工具，使得开发者能够轻松地构建复杂的物联网应用。
2.1K10编辑于 2024-03-19 - 来自专栏侯哥的Python分享
MySQL高级10-InnoDB引擎存储架构
区(Extent)：表空间的单元结构，每个区的大小为1M, 默认情况下，InnoDB存储引擎页大小为16k，即一个区中一共有64个连续的页 页(Page)：页是InnoDB存储引擎磁盘管理的最小单元 ，每个页大小默认为16K,为了保证页的连续，InnoDB存储引擎每次从磁盘申请4-5个区 行(Row)：InnoDB存储引擎数据是按行进行存放的，Trx_id：每次对某条记录进行改动时，都会把对应的事务 要注意的是，在InnoDB存储引擎中，除了系统表空间（System Tablespace），还存在一个叫做表空间文件（Tablespaces）的概念。表空间文件用于存储用户创建的表和索引。 总结：File-Per-Table Tablespace是MySQL InnoDB存储引擎的一个选项，允许每个表使用单独的表空间文件存储数据和索引。 双写缓冲区文件的主要作用是用于在MySQL崩溃或意外断电的情况下，保护InnoDB存储引擎使用的数据页的完整性。
97221编辑于 2023-09-20 - 来自专栏程序员IT圈
10 分钟理解 JS 引擎的执行机制
所以只有满足 (1)3秒后 (2)主线程空闲，同时满足时，才会3秒后执行该函数 如果主线程执行内容很多，执行时间超过3秒，比如执行了10秒，那么这个函数只能10秒后执行了。 觉得本文对你有帮助？
2K91发布于 2018-03-05 轻量级规则引擎在数字化决策中的商业优势
决策建模（DM）是决策管理的一部分，它侧重于使用专为业务分析师和主题专家而非开发人员设计的标准化符号来表示业务决策。通过决策建模，业务分析师可以构建和共享有关其业务决策如何运作的可靠文档。 决策模型由两个视图组成：决策要求视图和决策逻辑视图。决策要求视图描述了如何将复杂的决策分解为更简单的子决策，以及确切需要哪些数据和业务知识来支持这些决策。它显示了决策的层次结构。右边有个示例。 主题专家发现，创建此视图是引发和巩固他们对关键决策的理解的有效方式。决策逻辑视图（请看左边的示例）定义决策的逻辑。通常（但并非总是）它使用决策表来表示决策如何决定其结果。 这使业务分析师能够准确描述其组织中如何进行决策。决策模型还可以以其他格式（例如，决策树、文本）表示逻辑，或与其他方式集成以做出决策（例如，分析、认知模型和优化引擎）。决策模型不仅仅是关于需求。 这种模型驱动的决策架构方法减少了错误并允许快速更改决策—它为业务决策提供了安全的敏捷性，并确保您的决策规范始终具体且与实施一致。
43910编辑于 2025-09-16语义层vs业务规则引擎：该服务计算，还是服务流程决策？
业务规则引擎（Business Rules Engine）则用于将业务决策条件从应用代码和流程程序中抽离，以规则、决策表、条件表达式或决策模型的形式集中管理。 成熟架构应形成清晰链路：语义层把数据计算成事实，规则引擎把事实转化为决策。 、发布关键风险口径漂移决策政策错误或规则冲突假设“高价值客户”的定义从年度消费 10 万元调整为 15 万元，这可能属于语义定义变化；而“高价值客户可以获得 9 折权益”调整为 95 折，则是经营政策变化 如果连“销售额下降 10%”中的销售额都存在三个版本，那么基于这一结果继续执行任何营销或经营规则都没有可靠基础。因此，凡是用于描述企业当前状态、经营表现和分析事实的规则，都更适合进入语义层。 审批阈值、优惠资格、风险处置和流程分支则属于决策规则，更适合放入规则引擎。
16210编辑于 2026-09-22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）。
24910编辑于 2026-04-20- 来自专栏数据猿
金融科技&大数据产品推荐：恒丰银行实时智能决策引擎
恒丰银行实时智能决策引擎凭借和大数据相关技术和服务平台进行结合，例如流处理技术、具有推理能力的规则引擎、分布式微服务计算框架、分布式消息队列、具有海量数据查询和分析能力的内存数据库构建的决策引擎具有实时智能决策能力 5、产品功能 恒丰银行实时智能决策引擎分为SaaS和私有版本，产品由运营管理和决策引擎2个系统组成。 系统原理图 决策引擎 决策引擎提供一组API接口，用于集成业务系统，业务数据从业务系统实时下发决策引擎，决策引擎根据运营管理系统的资源配置信息、决策模型/规则配置信息，进行分析计算，计算结果实时输出给业务系统 评分卡规则定义界面如下图： 8) 路由配置管理 路由是一棵决策树，用于制定规则流，用户可根据业务需要配置多个决策路由;路由为引擎的核心部件，路由的引入，一方面可以定义数据在决策引擎中的决策流程 恒丰银行实时智能决策引擎可解决传统的商业决策引擎产品及其应用技术架构无法兼顾实时决策需要的高并发、低延迟、快速策略规则配置并实时发布的应用场景需要，将极大提升各类风险或反欺诈监测的效率、提高风险发现和防范能力
3.8K90发布于 2018-04-24 TCHouse-P：金融与零售企业的智能决策引擎
在数据驱动的商业时代，金融与零售行业的竞争核心已转向对海量数据的实时洞察与精准决策。 腾讯云数据仓库 TCHouse-P 作为一款基于 MPP（大规模并行处理）架构的云端数仓服务，正成为企业构建敏捷、高效经营分析体系的关键引擎。 TCHouse-P 凭借其高性能算力引擎，能够无缝集成来自 TencentDB、Oracle 等多源异构的业务数据，构建统一的数据分析平台。 多源数据无缝集成：可轻松分析位于对象存储 COS、云数据库 TencentDB、Elasticsearch 等多种数据引擎上的数据，打破数据孤岛。 选择 TCHouse-P，即是选择为企业的未来决策安装一个高效、可靠的智慧大脑。
27510编辑于 2026-04-02- 来自专栏速入大数据
数据炼金术：从报表堆到决策引擎的进化之路
数据炼金术：从报表堆到决策引擎的进化之路凌晨三点的会议室里，市场部李总对着20份Excel报表发愁——用户增长数据在CRM系统，库存情况在ERP里，竞品价格躺在爬虫数据库。 某连锁便利店通过Flink实时计算引擎，把补货决策从48小时缩短到15分钟：val env = StreamExecutionEnvironment.getExecutionEnvironmentval 三、决策民主化：让听得见炮声的人开炮某快消品企业曾要求区域经理申请总部数据权限，走流程需要7个审批环节。 当决策权下放到前线，数据才能真正转化为战斗力。站在2025年的十字路口，企业需要的不是更大的数据仓库，而是更智能的数据神经网络。 未来的商业领袖不会是读报表最勤快的人，而是最懂数据交响乐指挥艺术的决策架构师。当每个毛细血管都能自主感知、快速反应时，企业就拥有了数字时代的进化优势——就像单细胞生物到哺乳动物的跃迁。
31400编辑于 2025-02-26 - 来自专栏施炯的IoT开发专栏
Windows 10 IoT Serials 10 – 如何使用OCR引擎进行文字识别
在Windows 10通用应用程序UWP示例中，包含了OCR应用程序，具体请参考（https://github.com/Microsoft/Windows-universal-samples/tree/ 但是部署到Windows 10 IoT Core设备以后，会出现如下错误：“No available OCR languages.” 、”English is not supported”，如下图所示。 解决方法 上述问题的出现，是由于Windows 10 IoT Core设备上没有OCR的相关资源，导致程序无法正常运行。 解决方法如下： 首先，将Windows 10设备的C:\\Windows\OCR目录拷贝到Windows 10 IoT Core设备的c$\Windows目录，如下图所示。 ? 调试 本次调试在MBM板子上进行，Windows 10 IoT Core设备的OS版本号为v.10.0.16299.192，采用的摄像头为微软LifeCam HD-3000。
3.3K40发布于 2018-03-27 - 来自专栏C 与 Java 数据结构研习志
【机器学习】农业 4.0 背后的智慧引擎：机器学习助力精准农事决策
train_test_split import numpy as np # 假设已有历史数据，精心整理为二维数组格式，每行依次记录 [施肥量, 灌溉量, 产量] data = np.array([[10 tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 定义模型结构，假设输入层有两个特征（施肥量和灌溉量），隐藏层有 10 个神经元，输出层预测产量 model_nn = Sequential([ Dense(10, input_dim=2, activation='relu'), Dense(1, activation 三、精准决策——付诸实践的智慧 当经过精心训练的各类机器学习模型“修炼”完毕，接下来便是它们大显身手，将知识转化为实际生产力，助力精准农事决策的关键时刻。 机器学习赋能下的农业 4.0，彻底改写了传统农业依靠经验决策的历史篇章，让农事决策昂首阔步从经验走向精准科学，大幅提升农业生产效率、降低资源浪费，开启智慧农业的崭新辉煌篇章。
60510编辑于 2025-01-20
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