Decision 模型概述

点击工具栏上的 图标可查看和下载本指南的 PDF 版本。

此信息简要概述了适用于 Blue Prism® Hub 4.5 的 Blue Prism® Decision 插件中用于决策的模型。这涵盖了基于规则和基于机器学习 (ML) 模型的训练及准确性统计的基本方法，以便业务用户无需任何数据科学或统计背景即可理解。

Decision 根据提供的输入生成输出，它们按以下顺序处理：

• 如果任何用户定义的规则与输入匹配，则使用与规则关联的决策。
• 否则，如果输入与训练输入之一相同，则做出与所述训练输入相关联的决策。
• 对于所有其他输入，由 ML 模型决定。

基于规则的模型

规则是硬编码的决策，适用于符合指定标准的输入。尽管业务逻辑可以在规则中编码，但我们不建议这样做，因为它可以随着决策逻辑的演变而导致额外的规则维护。但是在某些情况下，硬编码决策是合适的。

规则是与定义的条件关联的决策。条件决定规则适用的输入。当规则由与条件匹配的输入激活时，将制定该决策。

机器学习模型

对于规则或现有训练输入未涵盖的所有决策，Decision 使用机器学习 (ML) 模型。ML 模型根据训练数据中最相似的输入来做决策。

训练 ML 模型有两个阶段：

1. 训练阶段—模型询问用户对于模型选择的输入应采取何种决策。
2. 校准阶段—用户询问模型对于某些输入将做出哪些决策。用户可以验证或更正模型的决策。

准确性和校准

ML 模型的校准是训练的重要组成部分，Decision 为用户提供有助于校准的指标。用户可以访问全局准确性衡量，该衡量代表模型在新输入中预期的执行情况。此准确度的范围是 0 至 1，其中 1 表示最准确。

用户还展示出个人训练样本的可信度。这表示模型在尚未看到决策时的信心有多大。具有低可信度的训练样本表明 Decision 数据水平较低的区域，以进行更可信的评估来创建输出。通过“校准”环节在这些地区提供更多训练样本可能是有益的。

模型的训练和校准是一个迭代过程。如果认为模型不够准确或可信度低，用户可对模型执行进一步的训练和校准，直到达到所需的阈值为止。