第 92 章 prmatic AI
当您考虑智能(AI)时，机器学习和大数据可能会牢记。但是机器学习只是图像的一部分。artificial 智能包括以下技术：
- 机器人：技术、科学和工程集成，以生成能够执行由人类执行的物理任务的计算机
- 机器学习：一组算法的功能可在不明确编程的情况下了解或改进这些算法
- 自然语言处理：需要学习这些过程的一个子集
- 数学优化：使用条件和约束来查找解决问题的最佳解决方案
- 数字决策：使用定义的标准、条件和一系列机器和人工任务来制定决策
虽然在科学欺诈中中填写了所谓的一般情报(AGI)，但其性能比人更好地表现出，无法区别于他们，并在无需人为干预或控制控制的情况下进行学习和发展，Mon AGI 为 10 年。同时，我们目前也有相当多的 AI，这比我们更有用。实用的 AI 是结合的 AI 技术的集合，为预测客户行为、提供自动客户服务以及帮助客户做出采购决策等解决方案提供解决方案。
领先的行业分析报告显示，之前的组织已经使用 AI 技术，因为他们投资了 AI 潜力，而不是如今 AI 交付的实际情况。AI 项目不是工作效率，因此 AI 项目的投资速度和 AI 项目预算的降低。AI 造成这种不动，通常被称为 AI 风向。AI 早已经历了 AI winters 和 AI springs 的几周期，现在在 AI spring 中被决定。各组织发现了 AI 可以交付的实际情况。不知情地意味着实现实践和现实。AI 有一种实用方法，它考虑了目前可用的 AI 技术，结合了有用的技术，并在为实际问题创建解决方案时添加人为干预。
prmatic AI 解决方案示例
pragmatic AI 中的一个应用程序正在客户支持中。客户会提交报告问题的支持票据，例如登录错误。机器学习算法适用于 ticket，以根据关键字或自然语言处理(NLP)与现有解决方案匹配票据内容。关键词可能会出现在很多解决方案中，有些相关，某些不相关。您可以使用数字决策来确定提供给客户的解决方案。然而，有时该算法提出的任何解决方案都适合向客户提出。这可能是因为所有解决方案都有较低的信心分数，或者多个解决方案都有较高的信心分数。如果无法找到适当的解决方案，则数字决策涉及人为支持团队。要根据可用性和专业知识查找最佳支持人员，数学优化通过考虑员工的声音限制来选择最佳支持票务。
如本例所示，您可以组合机器学习，将信息从数据分析和数字决定中提取到人工知识和体验。然后，您可以应用数学优化来安排人为协助。这是适用于其他情况的模式，例如，信用卡争取和信用卡欺诈检测。
这些技术使用四个行业标准：
问题单管理模型和符号(CMMN)
CMMN 用于对包含各种可能按不可预测的顺序执行的各种活动进行建模。CMMN 模型是事件中心的。CMMN 通过支持较少结构化工作任务和由人工驱动的任务，克服了使用 BPMN2 可建模的限制。通过结合使用 BPMN 和 CMMN，您可以创建更强大的模型。
业务流程模型和符号(BPMN2)
BPMN2 规范是一个对象管理组(OMG)规范，用于定义图形表示业务流程的标准，定义元素的执行语义，并提供 XML 格式的进程定义。BPMN2 可以模拟计算机和人工任务。
决策模型和符号(DMN)
决策模型和符号(DMN)是 OMG 制定的标准，用于描述和建模操作决策。DMN 定义了一个 XML 模式，使 DMN 模型可以在 DMN 兼容平台和机构中共享，以便业务分析者和业务规则开发人员能够合作设计和实施 DMN 决策服务。DMN 标准与 相似，可与业务流程建模和符号(BPMN)标准一起使用，以设计和建模业务流程。
预测模型标记语言(PMML)
PMML 是用来代表预测模型的语言，使用统计技术来发现或了解大量数据中的数学模型。预测模型使用他们学习的模式来预测新数据中存在模式。使用 PMML 时，您可以在应用程序间共享预测模型。此数据作为 PMML 文件导出，该文件可通过 DMN 模型消耗。随着机器学习框架继续对模型进行培训，可将更新的数据保存到现有的 PMML 文件中。这意味着，您可以使用由任何应用程序创建的预测模型，将模型保存为 PMML 文件。因此，DMN 和 PMML 易于集成。
全部放在一起
本图显示了预测决策自动化的工作方式。
- 业务数据进入系统，例如来自贷款应用程序的数据。
- 与预测模型集成的决策模型决定是是否批准贷款，还是需要其他任务。
- 例如，一个商业行动结果（例如，拒绝信信或贷款优惠）将发送给客户。
下一部分演示了预测决策自动化管理器如何与 Red Hat Process Automation Manager 配合使用。
