1、敬惜助力您的應(yīng)用智能化,根據(jù)情況變化來合理運(yùn)用知識以有效地解決問題 核心問題：知識挖掘 關(guān)鍵能力：自學(xué)習(xí)、自適應(yīng),什么是智能化,互聯(lián)網(wǎng)、信息爆炸使得我們所面臨的環(huán)境出現(xiàn)了重大的變化：一是海量用戶所導(dǎo)致的需求散亂；二是用戶的需求/興奮點(diǎn)多變且變化迅速。這種情況下就導(dǎo)致傳統(tǒng)IT的先總結(jié)經(jīng)驗(yàn)、積累知識然后再編寫業(yè)務(wù)應(yīng)用的模式跟不上用戶需求的快速多變。 因此從海量的歷史數(shù)據(jù)中直接挖掘知識而加以應(yīng)用來有效滿足用戶快速多變的需求就是必然的了。,發(fā)揮計算機(jī)計算能力強(qiáng)的優(yōu)勢，直接從海量的歷史數(shù)據(jù)中挖掘知識，能力形成速度快、反應(yīng)迅速 人腦思考問題的信息量有限，AI（人工智能）則能同時處理海量的信息，在快速、大并

2、發(fā)量、精確等方面比人強(qiáng) 面對海量用戶，能以最低的成本實(shí)現(xiàn)個性化的需求滿足,智能化的優(yōu)缺點(diǎn),優(yōu)點(diǎn),計算機(jī)再先進(jìn)也只是一種機(jī)器，不夠靈活永遠(yuǎn)都是最大的不足 人的需求千差萬別，AI只適合處理某些需求，也做不到一勞永逸 大部分情況下，AI都需要巨大的計算資源（CPU/內(nèi)存）和較長的時間加以復(fù)雜的計算才能完成知識的挖掘,缺點(diǎn),智能化的再認(rèn)識,人類知識的形成過程（意識、實(shí)踐、經(jīng)驗(yàn)總結(jié)、知識化）是緩慢而成本高昂的，而且人類知識如果不夠精確則應(yīng)用起來也有很大的困難；如果信息量巨大，受限于人腦的處理能力也就無法形成相應(yīng)的知識。而AI就是用計算的復(fù)雜化來換取某些情況下知識凝聚的快速化、精確化，代價當(dāng)然是計算資源的

3、巨大消耗。 AI是設(shè)計好的機(jī)器按既定規(guī)則從海量的歷史數(shù)據(jù)中挖掘出某些知識，所以其應(yīng)用就只能是數(shù)據(jù)積累豐富且人為因素或外部不可知/不可控因素影響較小的環(huán)境，也就是說應(yīng)用場景對效果好壞的影響比較大，尤其是在講關(guān)系、講變通、講悟性的中國其應(yīng)用領(lǐng)域的限制較大。,知識就是力量！,分類,知識的基礎(chǔ)就是對事物的識別，大千世界、萬物生滅，如果只針對單個事物那人如何一一識別？所以識別的前提就是歸類，將相同、相似、相近的事物按其特征進(jìn)行歸納后形成一個個的群體，這樣人就不需要去記憶一個一個具體的事物而是只要記住特征就可以識別一群事物了。 從一大堆歷史數(shù)據(jù)中提取事物分類的特征并把事物特征和已知類別聯(lián)系起來就是提取決策

4、規(guī)則。利用決策規(guī)則就可以將一個新事物分類到某個已知類別中。 知道了事物屬于哪個已知類，那么就可以利用事物的相似性、相近性對剛分好類的事物套用該類的其它特征加以利用。如判斷下來某用戶偏好吃辣那么網(wǎng)站就可以向用戶推薦其所在位置附近的湘菜館。,敬惜選取的分類技術(shù)是基于粗糙模糊集的算法，不需要人為的主觀判斷，可以從海量歷史數(shù)據(jù)中直接挖掘出基于用戶偏好的決策規(guī)則,粗糙集,處理不確定和不精確問題的數(shù)學(xué)工具，是智能計算的基礎(chǔ)理論之一 不象模糊集那樣需要人給出一個主觀的隸屬度函數(shù)，而是從數(shù)據(jù)自身直接處理不確定性，比較客觀，尤其適合人類認(rèn)知不多、數(shù)據(jù)量巨大的情況，如電商網(wǎng)站的用戶行為模式提取、大型設(shè)備或系統(tǒng)故障

5、檢測規(guī)則挖掘等 核心思想：知識就是對事物的分類能力 下近似：R(X)_ = x|(x U)(xR X) 上近似：R(X) = x|(x U)(xR X ) 下近似即肯定屬于X的最大子集，上近似即包含X的最小子集，如果兩者不等即意味著X對于知識R存在不確定性，也就是說知識R對于事物X無法準(zhǔn)確分類 利用粗糙集理論就可以通過對決策屬性關(guān)于條件屬性的辨識能力進(jìn)行檢測與壓縮，從而實(shí)現(xiàn)對決策規(guī)則的提取 現(xiàn)實(shí)情況中會出現(xiàn)條件屬性相同但決策屬性不同（同一個人今天吃辣明天吃甜）的不相容現(xiàn)象，所以我們導(dǎo)入了模糊集進(jìn)行支持度判定,用戶偏好識別,對電商來說用戶偏好就是用戶有傾向性的購買。因此我們把用戶屬性分為用戶的特

6、征屬性、用戶的行為屬性、用戶的業(yè)務(wù)屬性（用購買來刻畫）。 經(jīng)過這樣的劃分，用戶偏好的識別就是從海量的歷史交易記錄中把用戶屬性和產(chǎn)品的業(yè)務(wù)屬性之間的關(guān)聯(lián)關(guān)系找出來。 識別出了用戶偏好，我們就可以： 對老用戶進(jìn)行預(yù)分類，使之下一次登錄時就可以根據(jù)其偏好對其界面、產(chǎn)品推薦、廣告展示等進(jìn)行個性化的定制，以促進(jìn)有效點(diǎn)擊率的提高 對當(dāng)前用戶的興趣點(diǎn)做出及時的反應(yīng) 用戶偏好的個性化,預(yù)測,知識最大的價值就是在某些事情尚未發(fā)生前就有所估計，從而未雨綢繆、提前準(zhǔn)備、不打無準(zhǔn)備之仗。這在風(fēng)險識別、前景評估、輔助決策等方面有巨大的應(yīng)用價值。 AI中的預(yù)測是在事情剛發(fā)生時，根據(jù)當(dāng)前所掌握的不完全的信息就對目標(biāo)問題做出

7、一個基本判斷。如車壞半路了，根據(jù)用戶看到的幾個故障現(xiàn)象就預(yù)判故障點(diǎn)所在而不需要全面檢修；剛接觸一個新客戶，根據(jù)第一次接觸所收集到的信息就預(yù)判成案概率以決定打單的資源投入力度。 預(yù)測是否有效取決于知識的性質(zhì)，如果知識是基于因果關(guān)系的，顯然預(yù)測的結(jié)果更為可信；如果知識是基于相關(guān)性的，那么在一定程度上還是可信的；如果知識是基于相似性或相近性的，那么顯然就是僅供參考了。,敬惜利用蟻群算法求解貝葉斯網(wǎng)模型的相關(guān)技術(shù)可從歷史數(shù)據(jù)中挖掘出基于因果關(guān)系的貝葉斯網(wǎng)模型，預(yù)測結(jié)果較為可靠、易于理解,貝葉斯網(wǎng),主觀概率：概率即合理信度，反映的是個體的知識狀態(tài)和主觀信念 不確定性是智能計算所要解決的主要問題，這是因?yàn)?/p>

8、我們對外部世界的觀測存在誤差、解決問題總是需要對世界進(jìn)行簡化和抽象從而導(dǎo)入了偏差、智能計算所面臨的問題大多是人類還沒有充分認(rèn)識的問題。因此種種，概率論就是一個比較有力的數(shù)學(xué)工具，它非常直觀得反映了我們對于事物的相信程度，所以在智能計算中越來越重要 貝葉斯網(wǎng)即是將系統(tǒng)中各個相關(guān)變量的因果（作用）關(guān)系的連接成網(wǎng)狀結(jié)構(gòu)，這反映了事物之間的相互作用關(guān)系，同時還包含了這些變量的先驗(yàn)概率的分布。這樣，當(dāng)?shù)玫讲糠肿兞康漠?dāng)前狀態(tài)后，就可以利用貝葉斯公式對其它變量的當(dāng)前狀態(tài)進(jìn)行概率推導(dǎo) 貝葉斯公式：P(A/B)_ = P(A)*P(B/A)/P(B) 將后驗(yàn)概率轉(zhuǎn)換為先驗(yàn)概率和已知證據(jù)的運(yùn)算，實(shí)現(xiàn)了事情預(yù)測 貝

9、葉斯網(wǎng)模型（包括結(jié)構(gòu)和參數(shù)）的挖掘是非常消耗CPU資源的NP難問題，敬惜利用蟻群算法實(shí)現(xiàn)了高效的模型挖掘,策略推薦,策略就是用戶的行動方案，我們把用戶提交的數(shù)據(jù)分為用戶屬性、所采取的策略、最終效果（目標(biāo)變量），對這樣歷史數(shù)據(jù)我們就可以生成一個策略模型。 當(dāng)新的用戶到達(dá)時，我們根據(jù)用戶屬性，計算各種策略的不同組合下最終效果的預(yù)測概率，這樣就可以按照最終效果的概率排序來確定最優(yōu)策略。 這種策略推薦技術(shù)可用于用戶偏好匹配、營銷方案規(guī)劃等。 目前敬惜所實(shí)現(xiàn)的策略推薦方案可以支持目標(biāo)變量為單字符串變量或多個數(shù)值變量等情況： 單字符串變量按取值的概率進(jìn)行推薦 數(shù)值變量則可以計算該變量的期望值或期望值的和來

10、進(jìn)行推薦。,技術(shù)架構(gòu),目前敬惜提供兩種訪問接口：Http接口和SOA接口。Http接口使用簡單而且支持全手工操作（即直接在敬惜的BIZM平臺上實(shí)現(xiàn)數(shù)據(jù)提交、推理查詢等功能）；使用SOA接口需部署敬惜提供的基于.net的編程訪問接口，具有推理在用戶本地實(shí)現(xiàn)，速度更快，可靠性更高，但需要用戶編程訪問。,Web服務(wù)器,App服務(wù)器,互聯(lián)網(wǎng),敬惜BIZM平臺,Web服務(wù)器,用戶的應(yīng)用/Web服務(wù)器,App服務(wù)器,App服務(wù)器,用戶瀏覽器,SOA服務(wù)器,數(shù)據(jù)庫服務(wù)器,敬惜以SaaS模式提供智能計算服務(wù) 用戶可以通過敬惜的BIZM管理平臺手工使用我們的智能計算服務(wù)，或通過敬惜提供的SOA接口在自己的軟件產(chǎn)

11、品中直接嵌入敬惜的智能計算服務(wù)，即可讓自己的軟件產(chǎn)品輕松實(shí)現(xiàn)智能化 用戶使用敬惜智能計算計算服務(wù)有兩個過程： 提交數(shù)據(jù)：用戶以文本文件（用空格或TAB分隔）提交歷史數(shù)據(jù)，敬惜在后臺進(jìn)行模型挖掘的計算，由于模型挖掘非常消耗計算資源，所以模型的生成一般都需要一個較長的時間 推理：在模型（知識挖掘的成果）生成后，用戶即可提交當(dāng)前數(shù)據(jù)進(jìn)行推理以獲取相應(yīng)的結(jié)果，推理速度比較快可以即查即用；SOA的實(shí)現(xiàn)將推理部分在客戶端實(shí)現(xiàn)，速度更快，可靠性更高,敬惜智能計算服務(wù),基于.Net的WebService實(shí)現(xiàn)，用戶通過敬惜編寫的本地駐留接口訪問，和調(diào)用本地函數(shù)無區(qū)別，使用簡單 歷史數(shù)據(jù)提交： 用UserID/P

12、WD聲明訪問對象: AIWSClinet wsc = new AIWSClinet(1, 123456); 上傳樣本數(shù)據(jù): wsc.UploadCaseFile(car2.cas); 提交計算請求: wsc.WantBuild(test, test, AIType.BN, null, null); 由于模型計算非常消耗CPU時間，目前敬惜所提供的模型計算服務(wù)只能提供隔天交付,SOA接口使用提交樣本數(shù)據(jù),推理過程（以貝葉斯網(wǎng)模型為例）： 先聲明訪問對象: AIWSClinet wsc = new AIWSClinet(1, 123456); 根據(jù)模型的類型（貝葉斯網(wǎng)/粗糙集）創(chuàng)建推理對象: Re

13、asoning_BN reason = new Reasoning_BN(wsc, aiid); 下載模型: reason.GetModel(); 根據(jù)當(dāng)前采集到的數(shù)據(jù)設(shè)置查詢條件等: reason.PreSetVarValue(varName, varValue); 開始推理并獲取推理結(jié)果 reason. Start(); var rs = reason.GetRS_Probability(); SOA的推理部分的實(shí)現(xiàn)是本地化的，大大縮短了HTTP接口下要通過網(wǎng)絡(luò)連連接到BIZM平臺執(zhí)行推理所帶來的網(wǎng)絡(luò)延遲，速度更快、可靠性更高,SOA接口使用推理,缺省每天可提交的模型計算次數(shù)：1 缺省可同時下載用于推理的模型數(shù)：2 總共可擁有的模型數(shù)：不限 每天可提交計算次數(shù)和同時下載模型數(shù)可根據(jù)用戶的業(yè)務(wù)需要按需購買 由于所需CPU資源非常巨大，所以敬惜按優(yōu)先級處