决策模型和符号(DMN)

一、什么是 DMN?

决策模型和表示法™ (DMN™) 是一种国际标准建模语言和表示法,用于精确规范可重复的业务决策和业务规则。

DMN 为业务和IT用户提供了一种业务友好的符号,以使用决策表和标准表达式语言来表达战略、战术和运营决策。参与决策管理的不同人员(包括指定规则并监控其应用程序的业务人员以及 IT 专业人员)可以轻松读取 DMN。DMN、BPMN(业务流程模型和符号)和CMMN™(案例管理模型和符号™),所有OMG可视化建模标准,都可以独立使用,但被设计为互补。DMN 通常与 BPMN 或和CMMN 一起使用,以对工作流和案例中的决策步骤进行建模。

DMN标准利用标准化,可验证的可视化模型,其中模型既作为人类可读的文档,又作为决策自动化引擎的可执行源。DMN的设计使得可执行的决策逻辑可以由主题专家(即非程序员)完全定义和测试。DMN 将决策作为特定的、可重用的业务逻辑模块,这些模块是高级有形业务资产工件,通常由业务主题专家(SME)创建和维护。DMN 业务决策可以直接从可视化模型自动化到决策引擎,而无需 IT 翻译。

DMN 的工作原理是定义业务决策,其中决策回答了特定的业务问题。决策的答案(输出)基于决策逻辑的预定义输入变量的值,以“输入→决策逻辑”→“答案”(输出)样式。DMN 还提供足够友好的表达式语言 (FEEL),这是一种简单但功能强大的方式,可提供业务人员做出决策所需的逻辑、文本、数学、列表处理、间隔、日期/时间和其他功能,从而支持 IT 专业人员和主题专家(SME)。

您是否知道决策建模符号(DMN 规范)定义了软件实现中的三个增量一致性级别?符合某一级别的产品还必须符合任何先前的级别。DMN 一致性级别3是包含一致性级别1和2中的要求的级别,完全支持足够友好的表达式语言 (FEEL) 表达式、全套盒装表达式和完全可执行的决策模型。这是最高的 DMN 一致性级别。Together支持 DMN 一致性级别 3。

二、谁使用 DMN?

由于 DMN 是独立于供应商的标准,而不是供应商专有的业务规则管理系统(BRMS),并且由于 DMN 专注于决策而不是规则,因此 DMN 作为 BRMS 的替代品一直在快速增长。

DMN 决策模型表示法的典型用例分为以下三类之一:

①定义手动/人工决策

②指定自动化决策的要求

③代表一个完整的、可执行的决策模型

第三个用例已成为数字化转型实践的新标准,因为DMN决策建模是决策自动化的先决条件,而决策自动化又是大多数数字业务自动化的先决条件。决策自动化可确保一致且准确地做出可重用的业务决策。使用 DMN 封装业务决策逻辑还允许业务流程工作流或业务决策更改而不会相互影响。

与传统的业务规则方法相比,使用 DMN 可提供额外的好处。使用BRMS,业务规则侧重于逻辑实现,而决策方法首先呈现高层次的大局视图,而不是在没有解决方案决策上下文的情况下立即进行低级实现。DMN还为决策表提供了适当的决策建模符号样式,促进了协作和重用,并为预测分析项目提供了一种有效的需求建模方法,该方法可以在可解释的上下文中结合人工智能(AI)和机器学习(ML)。所有这些使得使用DMN进行实际决策建模适合共享的战略、战术和运营决策,同时提供更高的业务敏捷性以适应不断变化的市场和技术条件。

DMN几乎可以用于商业和政府部门,包括政府各级部门、零售、农业综合企业、金融服务、医疗保健、运输和能源等。DMN决策建模符号也作为主要组件包含在其他标准中。

国际商业分析研究所(IIBA)BABOK已将DMN作为商业分析的标准,因此非常重视业务分析师的决策。

BPM+ Health™,一个医疗保健社区,使用 DMN、BPMN和CMMN建模开发最佳实践,以共享临床路径、临床指南和其他医疗保健知识,以最大限度地提高其实用性并提高其采用率。

MISMO®(抵押贷款行业标准维护组织)被宣布为美国抵押贷款金融行业交换信息和开展业务的“贷款语言”,已使DMN标准成为MISMO批准的标准,用于记录、实施、执行和交换整个抵押贷款行业的业务规则和决策。

金融服务中的DMN

决策管理系统在金融领域得到广泛使用,包括零售和商业银行、保险、抵押贷款、投资等。

DMN(一种国际标准)在控制复杂的金融科技工作流程路径中的使用正在变得普遍,并且将人工智能(AI)和机器学习(ML)与DMN相结合正在迅速增长。DMN对决策需求的全局视图在金融服务行业中非常重要,其中业务决策通常有两个平行维度:业务维度和监管维度。

DMN建模和自动化完全符合金融科技标准日益广泛的应用,例如抵押贷款行业标准维护组织(MISMO),金融业业务本体(FIBO),房地产标准组织(RESO)和合作运筹与发展协会(ACORD)标准在保险业。

金融业正在见证金融科技初创企业的颠覆性新商业模式,这些模式正在模糊传统机构职能之间的界限,以及政府实体越来越多的法规,使合规成为一个严重且代价高昂的问题。此外,这些规定经常变化,并且因地而异。有关风险管理和流动性管理的法规需要持续监控和看似无穷无尽的披露文件。DMN 自动化为管理有关以下方面的关键策略和程序决策的庞大数量和不断变化提供了实际解决方案:

  1. 法规合规性
  2. 监管风险评估
  3. 操作风险评估
  4. 消费者保护活动
  5. 欺诈检测活动

金融领域的DMN决策管理解决方案也被用于许多其他复杂的决策,例如:

  1. 风险缓解决策
  2. 定价决策
  3. 反偏见决策
  4. 理赔决策
  5. 投诉处理和缓解决策
  6. 薪酬利润分享决策
  7. 奖金决定
  8. 日终模式
  9. 信用评分
  10. 一般和特定承保
  11. 贷款发放
  12. 贷款服务
  13. 交叉销售和追加销售决策
  14. 贸易评论
  15. 了解您的客户 (KYC) 流程
  16. 投资交易验证决策

医疗保健领域的DMN

医疗保健是一个高度动态的行业,监管要求、新程序、新药物、新保险规则和快速发展的技术不断产生变化。

每个医疗保健组织都必须能够快速制定与其数据相关的指导方针和政策,并根据各自的交付系统和业务模型进行定制,从而可以直接衡量和持续改进服务质量、成本控制和患者满意度。

医疗保健自动化需求已经变得如此关键和普遍,以至于为了正面解决这些问题,已经创建了一个实践社区BPM+ Health。BPM+ Health 是建立在使用开放的、基于标准的符号的基础上建立的,包括 DMN(决策管理)和其他开放 IT 标准,允许所有类型的卫生组织、专业协会和供应商记录他们的护理路径和工作流程,以便它们是可共享、可发现和可自动化的。

像这样的医疗保健模式需要多个决策,通常需要特定的患者数据。其中一些决策基于预设的外部要求,如医疗保险政策,而另一些则特定于决策组织的政策。一种尺寸并不适合所有人,因此模型要有效,必须有充分的文档记录,并且易于更改以反映不断变化的政策。DMN 决策服务解决方案使医疗保健组织能够轻松定义和部署业务解决方案,以及与循证最佳实践相关的临床解决方案。

  1. DMN 解决方案用于:
  2. 改进临床指南
  3. 护理管理
  4. 事先授权
  5. 账单和付款
  6. 标签外处方政策
  7. 其他诊断
  8. 将 AI/机器学习添加到决策中
  9. 临床决策支持
  10. 欺诈管理
  11. 精算和风险管理
  12. 保险/索赔计算
  13. 呼叫中心脚本
  14. 复杂的过程自动化路径

数以百计的医疗保健计算器

目前国内DMN的应用还在起步阶段,BRMS决策引擎/规则引擎基本以后端引擎为主,没有图形化建模界面,需要由业务主题专家(SME)将决策或规则需求转交专业IT开发人员编写相关脚本才能执行,使用维护成本较高,因此只在业务规则变化比较快的高频领域有应用,比如金融、电商等。

三、Together对DMN建模的支持

Together完全支持DMN建模标准和决策自动化引擎,用于构建自动化DMN 模型。支持包括完全符合3级(DMN最高级别)和对最新版本标准的支持。Together决策模型的创建、测试、管理和管理以及自动化库管理、管理、配置、调试、模拟都是基于可视化和浏览器的,这使得Together提供完整的决策管理和自动化解决方案。

Together的DMN决策服务支持SaaS 服务,包括 API 优先设计,允许在移动、云和本地服务器环境中从几乎任何编程语言调用自动决策。这些自动化DMN决策服务是无状态的、原子的,并提供可扩展的高性能直通式处理。Together自动化决策服务和决策自动化引擎的结构也旨在为当今复杂的可用性需求提供全面支持,包括容器化和docker技术。Together的DMN平台的建模和自动化完全基于浏览器,可以在任何现代浏览器环境中运行,包括Chrome,Edge,Safari,Firefox等。Together自动化服务器可以部署在包括本地和公共/私有云,如阿里云,华为云,腾讯云等。

Together还扩展了决策管理平台,包括对人工智能/机器学习等先进技术的具体支持,在建模环境中包含PMML模型,在自动化环境中包含PMML执行引擎。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/876906.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

PsExec横向:IPCPTHPTT

一.IPC下的PsExec 二.PTH下的psexec(CS操作) 三.PTT下的psexec PsExec工具: psexec 是 windows 下非常好的一款远程命令行工具。psexec的使用不需要对方主机开方3389端口,只需要对方开启admin$共享和ipc$ (该共享默认开启&#…

Spring boot 后端向前端发送日期时间发现少了8小时

问题 数据库 后端的控制台输出 前端控制台输出 可以发现少了8小时 问题 springboot 向前端响应数据是默认 Json 格式,所以会有类型转换,springboot 就通过 Jackson 来对 data 类型数据进行转换,但是Jackson 类型的时区是 GMT,与…

Google AI非坦途

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗?订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同,从行业内部的深度分析和实用指南中受益。不要错过这个机会,成为AI领…

Pytorch框架之神经网络

一、全连接神经网络的整体结构 二、全连接神经网络的单元结构 找出一组w,b使得结果最优 三、常见激活函数 四、前向传播 学习率是指训练模型时每次迭代更新模型参数的步长。 五、梯度下降法 六、反向传播计算 七、总结 1、准备数据 2、搭建模型 3、开始训练(设置学习率、…

【TS】TypeScript中的接口(Interface):对象类型的强大工具

🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈| 炫酷HTML | JavaScript基础 ​💫个人格言: "如无必要,勿增实体" 文章目录 TypeScript中的接口(Interface):对象类型的强大工具引言1. 接口的基本概念1.1 什…

【基于PSINS】UKF/SSUKF对比的MATLAB程序

UKF与SSUKF UKF是:无迹卡尔滤波 SSUKF是:简化超球面无迹卡尔曼滤波 UKF 相较于传统的KF算法,UKF能够更好地处理非线性系统,并且具有更高的估计精度。它适用于多种应用场景,如机器人定位导航、目标跟踪、信号处理等。…

【人工智能】深度剖析:Midjourney与Stable Diffusion的全面对比

文章目录 🍊1 如何选择合适的AI绘画工具1.1 个人需求选择1.2 比较工具特点1.3 社区和资源 🍊2 Midjourney VS Stable Diffusion:深度对比与剖析 2.1 使用费用对比 2.2 使用便捷性与系统兼容性对比 2.3 开源与闭源对比 2.4 图片质量对比 2.5 上…

19145 最长无重复子数组

这个问题可以使用滑动窗口的方法来解决。我们可以使用两个指针,一个指向子数组的开始,一个指向子数组的结束。然后我们使用一个哈希表来记录每个元素最后出现的位置。当我们遇到一个已经在子数组中出现过的元素时,我们就将开始指针移动到这个…

Mac文件拷贝到移动硬盘怎么做Mac拷贝之后Win电脑里看不到

在日常使用mac电脑的过程中,我们经常需要将一些重要的文件备份到外部硬盘上,以防止数据丢失或电脑故障。传输文件到硬盘可以通过多种方法实现,比如拖拽或者复制至移动硬盘,但有时也会遇到移动硬盘无法粘贴,或拷贝后无法…

SSRF (服务端请求伪造)

🎼个人主页:金灰 😎作者简介:一名简单的大一学生;易编橙终身成长社群的嘉宾.✨ 专注网络空间安全服务,期待与您的交流分享~ 感谢您的点赞、关注、评论、收藏、是对我最大的认可和支持!❤️ 🍊易编橙终身成长社群&#…

图像生成中图像质量评估指标—PSNR的详细介绍

文章目录 1. 背景介绍2. 实际应用3. 总结和讨论 1. 背景介绍 峰值信噪比(Peak Signal-to-Noise Ratio,简称PSNR)是一种广泛应用于图像和视频处理领域的客观图像质量评价指标。它主要用于衡量图像的噪声水平和图像质量,可以用来评…

Python酷库之旅-第三方库Pandas(051)

目录 一、用法精讲 186、pandas.Series.is_monotonic_increasing属性 186-1、语法 186-2、参数 186-3、功能 186-4、返回值 186-5、说明 186-6、用法 186-6-1、数据准备 186-6-2、代码示例 186-6-3、结果输出 187、pandas.Series.is_monotonic_decreasing属性 187…

嵌入式人工智能(34-基于树莓派4B的红外传感器、紫外传感器、激光传感器)

这三种光传感器都是不可见光传感器,光是由电场和磁场交替传播而形成的波动现象。光是一种电磁辐射,属于电磁波的一种。下图是电磁波的频谱范围,生活中多数光是看不到的,但是确真实存在,本文介绍几种光传感器&#xff0…

C++从入门到起飞之——友元内部类匿名对象对象拷贝时的编译器优化 全方位剖析!

🌈个人主页:秋风起,再归来~🔥系列专栏:C从入门到起飞 🔖克心守己,律己则安 目录 1、友元 2、内部类 3、 匿名对象 4、对象拷⻉时的编译器优化 5、完结散花 1、友元 • 友元提供…

基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台

在现代招聘领域,数据驱动的决策已成为提升招聘效率和质量的关键因素。基于爬虫技术和机器学习算法,结合Django框架和Bootstrap前端技术,我们开发了一套完整的招聘数据分析与可视化系统。该系统旨在帮助企业从海量招聘信息中提取有价值的数据&…

学习Numpy的奇思妙想

学习Numpy的奇思妙想 本文主要想记录一下,学习 numpy 过程中的偶然的灵感,并记录一下知识框架。 推荐资源:https://numpy.org/doc/stable/user/absolute_beginners.html 💡灵感 为什么 numpy 数组的 shape 和 pytorch 是 tensor 是…

等保2.0测评 — 容器测评对象选取

之前有小伙伴提问到,关于容器到底要测评哪些内容,也就是测评对象的选取。 首先要区分的是容器与容器集群这两个概念。容器集群概念可参考该篇文章。 不使用容器扩展要求情况 当仅使用容器技术时,采用安全通用要求,无需使用容器…

昇思25天学习打卡营第15天|探索 Diffusion 扩散模型:从构建到应用的全过程

目录 环境配置 构建Diffusion模型 位置向量 ResNet/ConvNeXT块 Attention模块 组规一化 条件U-Net 正向扩散 数据准备与处理 训练过程 推理过程 环境配置 首先进行环境配置、库的导入和一些设置操作,具体代码如下: %%capture captured_output …

土体的有效应力原理

土体的有效应力原理 有效应力原则1. 总应力的测定2. 孔隙水压力的测定3. 有效应力的确定 有效应力的重要性 土体中的有效应力原理是卡尔太沙基在1936年提出的重要理论之一。它是总应力和孔隙水压力之间的差值。下面简要说明土壤中有效应力的更多特征和测定。 有效应力原则 有…

人工智能入门第一篇:简单理解GPU和CPU

目录 1,GPU就是显卡吗2,CPU和GPU到底是什么区别3,CUDA是什么4,为什么人工智能离不开GPU 1,GPU就是显卡吗 ‌不是,显卡和‌GPU是两个相关但不完全相同的概念,GPU是显卡的核心部分,但…