- 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- 来自专栏Michael阿明学习之路
6. 决策树
中文翻译参考 《统计学习方法》决策树笔记 决策树可以分类，也可以回归，还有多输出任务 是随机森林的基础组成部分 1. filled=True ) 安装好Graphviz，在cmd下输入 dot -Tpng iris_tree.dot -o iris_tree.png # cmd，生成决策树可视化图片 分类预测 决策树特性：不需要太多的数据预处理，尤其是不需特征缩放或归一化 tree_clf.predict_proba([[5,1.5]]) # array([[0. 模型参数 决策树不需要事先设置参数，不添加约束的决策树模型，能很好的拟合数据，容易过拟合 min_samples_split（节点在被分裂之前必须具有的最小样本数） min_samples_leaf（叶节点必须具有的最小样本数 不稳定性 决策树 对旋转很敏感，可以使用 PCA 主成分分析，缓解 ? 决策树 对训练数据的微小变化非常敏感，随机森林可以通过多棵树的平均预测值限制这种不稳定性
55410发布于 2021-02-19 决策引擎系统的7个级别
级别5和6都是优化问题的形式，这意味着它们专注于做出决策，而不仅仅是预测或匹配模式。这些也被广泛使用，尽管它们并不总是与“人工智能”相关联。然而，这些是机器在结构良好的问题上可以胜过人类的唯一级别。 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）。 5级和6级都是一种优化形式，可以生产出优于人类的工具。这些问题可能相当复杂，要么是由于规模（例如规划航空公司时刻表），要么是由于顺序决策问题固有的复杂性。 优化以5级和6级表示，它与机器学习有着根本的不同，因为它不使用训练数据集。相反，优化需要要优化的问题的模型，以及定义明确的决策。
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
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。
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
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。 建立评估标准体系Together的DRD图提供可视化评估框架，企业可以从决策覆盖率、规则冲突率等6个维度量化引擎能力。比如，某银行信贷审批引擎上线后，规则冲突告警下降了76%。 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- 来自专栏TomatoCool
TP6模板引擎
官方手册：https://www.kancloud.cn/manual/think-template/#/catalog
83510编辑于 2023-07-30 - 来自专栏机器学习原理
机器学习（6）——决策树前言：
4 重复上述操作,直到产生的剪枝决策树T只有1个节点 5 得到决策树T0T1T2…Tk 6 使用验证样本集选择最优子树Ta 问题来了，如何计算非叶子节点的剪枝系数呢？ (tre,"model/tre.m") mm = joblib.load("model/mm.m") tre = joblib.load("model/tre.m") x=np.array([[6,3,1,0.1 3深度，训练集上正确率0.75556 4深度，测试集上正确率0.81905 4深度，训练集上正确率0.75556 5深度，测试集上正确率0.81905 5深度，训练集上正确率0.71111 6深度 ，测试集上正确率0.85714 6深度，训练集上正确率0.66667 7深度，测试集上正确率0.85714 7深度，训练集上正确率0.66667 8深度，测试集上正确率0.85714 8深度， 决策树深度对模型的影响 分析：从图中可以看书，随着树的深度的加深，正确率会提高，达到临界值之后（树的深度为6），训练集正确率达到最高，而测试集正确率开始下降，多以决策树的深度越深就会出现过拟合。
1.7K100发布于 2018-04-27 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。 数据驱动决策的示例数据分析虽然在幕后，但数据驱动决策对消费者的影响可是明摆着的。不同行业数据驱动决策的一些例子包括：电子商务你在网上购物时有没有好奇为啥会收到某些推荐？ 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。
41010编辑于 2025-09-16- 来自专栏PPV课数据科学社区
数据挖掘系列（6）决策树分类算法
这篇先介绍分类问题的一些基本知识，然后主要讲述决策树算法的原理、实现，最后利用决策树算法做一个泰坦尼克号船员生存预测应用。 二、决策树分类 决策树算法借助于树的分支结构实现分类。下图是一个决策树的示例，树的内部结点表示对某个属性的判断，该结点的分支是对应的判断结果；叶子结点代表一个类标。 ? 输出：一棵决策树. 在第6步中，对应构建多叉决策树时，离散的属性在结点N及其子树中只用一次，用过之后就从可用属性列表中删掉。 比如我们将一个立方体A抛向空中，记落地时着地的面为f1，f1的取值为{1,2,3,4,5,6}，f1的熵entropy(f1)=-(1/6*log(1/6)+...+1/6*log(1/6))=-1*log
2.1K40发布于 2018-04-23 - 来自专栏xingoo, 一个梦想做发明家的程序员
Tomcat 6 --- 使用Jasper引擎解析JSP
什么是Jasper Jasper是tomcat中使用的JSP引擎，在Tomcat 6中使用的是Jasper 2，相对于原来的版本作了不少的改进，比如：JSP的标签缓冲池、后台编译、页面改变时自动重新编译 目前有很多的JSP解析引擎，Tomcat中使用的是Jasper。 如何利用Japser.Jspc自定义预编译JSP 1 jasper相关jar包 在tomcat6中提供了几个jasper的jar包，相对于之前版本，去掉了jasper-compiler.jar以及 参考 【1】Jasper2 JSP引擎：http://tomcat.apache.org/tomcat-6.0-doc/jasper-howto.html 【2】解读JSP解析过程：http://www.cnblogs.com
2.6K70发布于 2018-01-17 - 来自专栏狗哥的专栏
【ZStack】6.工作流引擎
通过一个工作流引擎，ZStack的每一个步骤，包裹在独立的工作流中，可以在出错的时候回滚。此外，通过在配置文件中组装工作流的方式，关键的执行路径可以被配置，这使得架构的耦合度进一步降低。 工作流引擎 工作流是一种方法，把一些繁琐的方法调用分解为一个个专注于一件事情的、细粒度的步骤，它由序列或状态机驱动，最终完成一个完整的任务。 workflow has failed with error */ } }); } }).start(); 总结 在这篇文章中，我们展示了ZStack的工作流引擎
73510编辑于 2024-01-09 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。
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 6.Observation 服务成功率小幅回升但未达标；支付Agent定位DB连接池配置不足问题。 7.Thought 资源已耗尽无法继续扩容，需通过非核心流量降级、渠道流量削峰补足SLA缺口。 6.4 故障回退兜底体系（关键增补） •LLM推理置信度不足自动降级规则引擎； •工具连续异常触发Agent熔断停止迭代； •全链路异常时启用预定义应急SOP。 graph.add_conditional_edges("action_node", end_condition, ["think_node", END])agent = graph.compile()# ========== 6.
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 - 来自专栏罗西的思考
PyTorch 分布式 Autograd (6) ---- 引擎(下)
[源码解析] PyTtorch 分布式 Autograd (6) ---- 引擎(下) 0x00 摘要 上文我们介绍了引擎如何获得后向计算图的依赖，本文我们就接着看看引擎如何依据这些依赖进行后向传播。 然后将在第6点接受到的send方法插入队列，以便在该worker的本地 autograd 引擎上执行。 此处可以参考设计之中的： 6）当远程主机收到这个请求时，我们使用 autograd_context_id和autograd_message_id来查找适当的send函数。 8）然后将在第6点接受到的send方法插入队列，以便在该worker的本地 autograd 引擎上执行。 ，从下一篇开始，我们开始分析剩下的分布式优化器，此系列可能包括4~6篇。
1.3K30编辑于 2021-12-08 轻量级规则引擎在数字化决策中的商业优势
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。 6．实现标准化DM使用决策模型和符号标准（DMN）对业务运营决策要求的格式进行标准化。DMN是一个开放标准，由ObjectManagementGroupInc.
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。 规则引擎更常在“需要做决策”时执行：客户流失率、客户价值、投诉记录等事实已经准备好，引擎再判断客户是否进入挽回流程。这个执行顺序非常关键。 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。 当企业已经拥有相对稳定的数据事实，但需要将业务政策和决策条件从代码中抽离，实现流程自动化、风控决策、价格政策、营销策略或审批规则集中管理时，业务规则引擎更合适。 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 内部数据对象定义界面如下图： 6) 决策模型/规则配置管理 决策模型/规则的计算结果将输出给对应的业务系统，例如反欺诈系统获取到的计算结果就是风险信号或预警信息。 /规则的使用效能，示例截图如下： 性能监控 产品提供一组性能监控视图，包括CPU、内存、处理延迟、处理吞吐量，相应截图如下： 6、产品优势 SaaS服务和私有版本兼具
3.8K90发布于 2018-04-24
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