介绍
我们的经验表明，除了最简单的情况外，机器学习（预测分析）从决策管理中受益匪浅，可以提供真正的商业价值、提高可解释性并降低风险。反过来，仅基于简单决策表的业务规则的静态业务决策的日子已经屈指可数。决策管理需要机器学习来满足数据驱动型企业的需求-以提供能够进行统计推理并对不断变化的业务条件做出反应的决策：学习决策。简而言之，机器学习和决策管理形成了强大的合作伙伴关系。
在本文中，我将讨论如何将决策管理用作统一框架，将机器学习（ML）模型和业务规则（通常表示为决策表）集成到可学习的决策中。我将展示为什么这种合作关系对ML和决策建模都有好处。使用BPMN，这些学习决策可以集成到业务流程中，从而产生一个强大、连贯的平台，用于自动化动态业务运营。我们断言，决策管理框架对于机器学习对自动化业务流程的任何完整、负责任的应用都是必不可少的。
“仅基于简单决策表的业务规则的静态业务决策的日子屈指可数了”
关于机器学习
ML被称为预测性、规范性或描述性分析，甚至是AI——我在这里避开了这些营销术语，而选择了机器学习，因为这些算法是能够在业务环境中学习和提供可作见解的机器。
机器学习可以是监督式的，也可以是无监督式的。我所说的监督式机器学习是指一系列技术和算法，这些技术和算法使用数据属性（特征）的重要子集来预测有关新数据的重要事实（标签），因为它们暴露于标记的旧数据。这些包括标签是许多离散值之一的分类器（例如，交易是否欺诈）或标签是连续值的回归器（例如，一个人的薪水）。无监督机器学习不使用标签。它包括从数据分布中获取可作见解的算法，通常是高维度的（例如，聚类、异常值检测），并且对给定此分布的新数据实例进行断言（例如，预测、分类）。
ML也经常分为深度学习和浅层学习。深度学习使用通常非常适合图像或音频分类的神经网络，这些网络提供自动特征检测，但需要额外的计算资源。而浅层学习使用一系列替代线性和非线性技术，这些技术通常更有效，并且对表格数据产生良好的结果，但需要领域专家提前明确识别特征。这与监督式或非监督式ML无关。
我相信，机器学习的商业使用，无论是有监督的还是无监督的，深度的还是浅层的，都将变得越来越普遍，作为做出更智能、实时的运营决策和实现学习决策的一种手段。
机器学习：缺失的部分
机器学习的适用范围非常广泛。各个行业都将其用于各种任务，例如预测现有药物的新用途、预测信用违约、实时检测欺诈、预测客户流失以及从Twitter和报纸文章中确定市场情绪。尽管一些公司取得了一些非常有希望的成果，但许多公司发现他们的机器学习首次应用令人失望。它经常受到以下因素的损害：
匆忙实施，结果缺乏理解、共同愿景和对真正业务需求的满足。机器学习很有趣，而且ML项目通常是在非常不明确的业务目标下开始的
数据差，对数据理解差，在完全理解数据以及获得干净的数据集和特征集之前就跳到构建模型
浪费的业务专业知识，将机器学习与公司的人类主题专家（SME）的现有知识集成，经常导致ML模型得出专家已经知道的结论
道德和监管问题（例如GDPR），对于结果可能影响人们生活的模型，需要哪些保障措施？
在某些情况下，通常表现良好的模型中令人不快的意外、不连续性可能会产生令人惊讶的糟糕结果。例如，一些神经网络模型可能会被欺骗，通过对输入数据进行微小的更改来产生滑稽的结果（例如，当被试佩戴小徽章时，面部识别系统出现故障）
可解释性差，机器学习模型可以产生准确的结果。然而，他们通常无法解释其结果的基本原理或他们所依赖的具体数据。同样，机器学习模型无法显示大小写中的哪些更改会产生不同的结果
如果模型漂移处理不当，机器学习模型最初可以表现良好，但其预测性能会随着时间的推移而下降。这通常是由于协变量或先验漂移，即变量之间的关系或其分布随时间的自然变化
由于有偏差的训练数据，甚至是有偏差的模型或属性选择而导致的无意偏差
与业务流程的集成不佳，因此无法安全地实施机器学习的结果
相互冲突的目标，尝试使用单一机器学习算法同时解决许多问题，从而产生次优模型（对于其中任何一个）
没有量化的好处，无法考虑业务环境，无法连接和促进业务关键绩效指标
不完整，无法捕捉更高层次的人类标准，如同情心、道德、商业目标和常识
我们如何解决这些问题？
决策管理如何提供帮助
决策管理是一个框架，用于表达、维护和执行业务决策，并支持将其集成到业务流程中，以产生可用的见解，无论是在人工作员的支持下还是自动的。决策管理可以将业务规则（包括决策表）、机器学习模型和外部服务的调用组合到一个模型中（使用称为DMN的符号在决策模型中表示），该模型：
l 是公开透明的。可由业务主题专家（而不仅仅是开发人员或数据科学家）理解和维护
l 支持流程自动化。可以完全集成到BPMN中的自动化业务流程中，并直接支持具有量化业务绩效指标的可执行模型
l 加强控制。清晰表达所有运营的数据依赖关系、业务目标和绩效指标
我们可以通过使用这个框架来解决机器学习上述问题。
专注于商业利益
决策管理侧重于业务需求和利益。决策的所有要素（机器学习或其他）都由对这些因素的深刻理解驱动。每个决策都明确与业务目标和关键绩效指标(KPI)相关。示例业务目标包括达到某些监管标准、降低成本或留住更多客户。KPI更具体，提供特定的度量目标和时间表。示例KPI包括：“总负利润率不应超过投资组合价值的5%”、“报价拒绝率每季度应至少下降1%”或“需要人工监督的案例数量应保持在3%以下”。许多决策管理堆栈允许衡量和跟踪这些业务目标。
通过这种方式将学习决策与强大的业务目标联系起来，我们可以避免模糊的机器学习项目。此外，机器学习的结果可以被视为可以付诸行动以实现业务利益的见解。利用这些结果的决策可以直接与公司的业务流程相结合，从而提高业务绩效和责任感。
提供强大的数据来源和道德合规性
决策管理有助于全面理解做出决策所需的所有输入数据、业务规则和机器学习模型以及它们之间的依赖关系。这以高度明确和可见的方式表达。这在应用机器学习时非常有价值。
所有机器学习模型都与输入数据的特定属性（称为特征）明确相关联。决策管理在每个输入数据属性与依赖它的业务决策和结果之间提供了清晰的证据链。这提高了机器学习应用的严谨性，并使决策模型成为监管和道德控制的理想工具，例如欧洲GDPR和美国CCA。决策管理可以支持诸如主动对抗影响缓解(AAIM)之类的技术，该技术决定了您的模型预测受保护属性（例如性别或种族）的有效性。如果可以，则表明您的某些特征是这些属性的代理，并将导致模型有偏差。如果您手动或自动（例如，使用神经网络）选择特征，则此方法有效。
通过这种方式，决策模型可用于避免在机器学习中使用受保护属性，无论是直接使用还是作为推断或代理属性。决策模型甚至可用于检测和解决这些意外依赖性引入的偏差。
利用专家知识增强机器学习模型
缺乏经验的数据科学家经常会假设机器学习模型是每个业务决策的最佳解决方案。所需要的只是一个足够大的先前观察及其相关决策结果（标签）的数据集和一个通过交叉验证进行训练和优化的监督模型。此后，人们可以用训练好的模型取代决策过程。通过这种方法，我们当然可以学会仅使用机器学习来自动化任何业务决策？这种方法通常很糟糕，因为：
在某些情况下，这是不可行的，因为可能无法获得以前的观察结果，即使可以，结果的有效性也是未知的，并且可能会有偏差。
“学习”现有的商业专业知识（在人类专家的头脑中）效率低下。它需要大量的时间和计算机资源。如果决策过程中存在复杂但确定性的因素，这些因素很容易理解，确实需要重新学习，那么这些因素可以更好地表示为由人类专家创建的决策表网络。即使这些并不完美，它们也可以通过机器学习得到改进，而不是从头开始学习一切。
有些逻辑，例如合规性，本质上是易变、复杂且定义明确的。将其作为机器学习模型的重点是不明智的，否则将需要频繁（且昂贵）的重新训练。
人类专家创建的决策表网络比机器学习模型具有更高的可解释性，尽管机器学习模型准确度高，但往往无法阐明其原理。自动化决策的许多方面都面临着越来越大的压力，需要解释其结果。例如，法规要求决策证明，换句话说，它们不存在种族、性别或其他受保护标准之间的偏见。在某些情况下，他们不得以任何方式使用受保护的标准。使用静态业务规则更容易实现这一点，而且更重要的是更容易证明这一点。
有时不可能训练机器学习模型具有与主题专家构建的决策模型相同的召回率和精确度，因为训练数据可能很嘈杂，并且训练过程本身并不完善。
决策结果通常是多个独立决策的结果，将它们组合成一个优化的机器学习模型会增加其复杂性，从而损害其准确性和可解释性。更好的解决方案是将一组重点狭窄、定义严格的机器学习模型嵌入到决策中，并可以根据需要使用传统业务规则对其进行扩充。信贷奖励决策就是一个例子，它可能由一个机器学习模型组成，用于确定违约可能性，以及一个支持决策表网络，用于提供合规性支持和奇偶校验。
简而言之，我们应该根据需求结合使用机器学习和传统决策，并使用决策建模作为整合两种方法的手段。
提高机器学习的安全性和性能
可以从决策模型中监控机器学习模型的预测性能，并且可以通过决策的整体逻辑来控制和解决任何漂移或不连续性，从而提高结果的稳健性。
使用决策管理，机器学习模型可以与来自主题专家的业务知识相结合，这些知识以决策表等规则的形式表达出来。这些规则可以利用现实世界的业务专业知识来增强模型，提高其预测准确性并缩短其训练时间。此外，这些规则还可用于根据所需的控制来约束机器学习组件。当然，还有其他方法可以建立这些控制，但只有决策管理才能以对非技术业务专家透明的方式组合机器学习模型和控制。
决策管理还可用于跟踪在线机器学习模型，这些模型在处理生产数据时进行学习并不断地重新训练。
增强机器学习的能力和可解释性
在决策模型中，可以将不同的ML模型组合成一个整体（或一组替代专家），这些模型相互协作以提高整体业务绩效。这有助于将具有不同适用范围的现有模型集成在一起。
决策模型具有高度的透明度，这些技术可用于提高难以理解的机器学习模型的可解释性，使业务主题专家能够全面了解它们，并具体了解它们如何在生产中产生每个结果。这种方法更适用于处理表格数据的浅层机器学习，而不是处理图像数据的深度学习。然而，即使在这里，也可以使用样例、注意力和边界框等技术来证明神经网络的结果。这促进了数据科学家和商业中小企业在机器学习模型的设计和治理方面建立平等的伙伴关系。
结论
尽管最初的设计目的是仅基于决策表来管理业务决策的表达、治理和执行，但决策管理正在迅速成为将机器学习（尤其是在线机器学习）集成到强大的端到端业务流程中的最佳手段。机器学习和决策管理相互加强：
l ML为决策模型提供了通过从数据中学习到的有效行为来补充决策的能力
l 决策管理的好处是能够更好地与业务目标保持一致并提高可解释性。
