ICS 35.240 CCS L67 YD 中华人民共和国通信行业标准 YD/T XXXX XXXX 智能决策系统和工具技术要求 Technical requirements for intelligent decision making systems and tools （报批稿） XXXX-XX-XX发布 XXXX-XX-XX实施 中华人民共和国工业和信息化部发布 III 前言 本文件按照GB/T1.1一2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规则起 草。 本文件由中国通信标准化协会提出并归口。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别这些专利的责任。 本文件起草单位：浙江邦盛科技股份有限公司、中国信息通信研究院、南京新一代人工智能研究院 有限公司、厦门渊亭信息科技有限公司、华为技术有限公司、同盾科技有限公司、杭州海康威视数字技 术股份有限公司、吉利汽车研究院（宁波）有限公司、马上消费金融股份有限公司、北京芯盾时代科技 有限公司、亚信科技（中国）有限公司、上海浦东发展银行股份有限公司、中国移动通信集团有限公司、 中国电信集团有限公司。 本文件主要起草人：王新根、张丹、陶玥、王新宇、张学强、王倩、王刚、曹峰、董晓飞、王雷、 高杨、陶秋雨、王倩娜、孟悦、周婧、王怡茹、洪万福、黄勇、鲍首熙、钱智毅、陈光浣、陈勇、蒋忠 林、任现、薛峰、张秋显、陆铁文、朱疆成、李栋、伍丝琪、孙悦、季文东、王雪、董纪伟、姜伟浩、 丛亚、郝勇刚、陈诚、蒋宁、刘志强、李晓辉、王宗学、方冀翔、王正元、颜思瀛、周骏、白翠琴、张 伟、钱兵、孙佩霞。 II 引 言 随着产业数字化转型的不断加深，智能化逐渐深入企业工作流程的各个环节。智能决策运用大数据 人工智能等技术，基于数据精确解析、精准设计决策过程、建立决策模型，管理、评估和改进决策，实 现决策智能化，变革了企业决策方法和运营模式，是企业数字化转型的核心要素。目前已广泛应用于智 能风控、智能营销、路径规划、智能选址、智能路由等场景，充分赋能金融、医疗、交通、制造、电商、 农业等众多行业。为了引导产业有序发展、规范行业自律，并为用户提供选型参考，特联合相关单位开 展《智能决策系统和工具技术要求》的编制工作， YD/T XXXX—XXXX 智能决策系统和工具技术要求 1范围 本文件规定了智能决策系统具备的基本框架、功能指标及相关工具技术指标，主要包括 策略开发、测试发布、运营管理、分析评估、底层支撑五个维度。 本文件适用于指导智能决策系统技术方开展产品研发，可为智能决策系统应用方产品选 型、系统建设、应用管理等方面提供参考。 2规范性引用文件 本文件没有规范性引用文件 3术语和定义 下列术语和定义适用于本文件。 3. 1 决策decision-making 为了完成特定任务，在信息收集、加工基础上，借助一定的工具，对影响任务完成的诸 因素进行分析、计算和判断选优，对未来行动做出决定的过程。 3. 2 智能决策系统intelligentdecisionsystem 通过智能技术及工具利用数据和知识针对既定目标分析建模以实现决策支持、决策增强 或决策自动化的系统。 3. 3 特征feature 从原始数据中提取的一系列可供算法和模型使用的处理后数据。 3. 4 规则rule 基于特征及参数阅值量化的一个准则，将多个条件通过有序的与、或等（例如非、包含 等）关系组织起来，能够反映特定行为模式或风险特征。 3. 5 模型model 基于数据通过算法训练构建的模型。 3. 6 决策流decisionflow 1 YD/T XXXX—XXXX 根据业务场景需求，覆盖系统执行决策过程各个节点、由不同的规则或模型自定义组合 形成的集合。 3. 7 策略strategy 用于决策的规则、模型或决策流。 4缩略语 下列缩略语适用于本文件。 AI 人工智能 Artificial Intelligence AIOps 智能化运维 Artificial IntelligenceforITOperations CPU 中央处理器 Central Processing Unit CV 计算机视觉 Computer Vision DDPG 深度确定性策略梯度 DeepDeterministicPolicyGradientDeep DQN 深度Q学习网络 Deep Q Network GPU 图形处理器 Graphics Processing Unit ML 机器学习 Machine Learning NLP 自然语言处理 Natural Language Processing ONNX 开放神经网络交换 OpenNeural Network Exchange PMML 预言模型标记语言 PredictiveModel Markup Language PPO 近端策略优化算法 Proximal Policy Optimization RL 强化学习 Reinforcement Learning SAC 柔性动作-评价 Soft Actor-Critic 双延迟深度确定性策 Twin Delayed Deep TD3 Deterministic 略梯度 PolicyGradient 5基本框架 智能决策系统由支撑能力和核心能力组成，基本框架见图1。核心能力部分覆盖智能决 策从策略开发、测试发布、运营管理到分析评估的全流程。其中，策略开发基于数据和知识 通过规则或AI算法构建决策流程；测试发布通过模拟真实环境对策略的效果进行预测及验 证：运营管理对系统的运行状态、工作情况进行跟踪监测；分析评估基于评估指标量化分析 策略执行的效果并提供优化建议反馈至策略开发。支撑能力部分包括数据中心、知识中心、 算法工具库以及系统管理。数据和知识是影响和实现智能决策的重要输入；算法工具库提供 智能决策系统建立决策模型的算法工具；系统管理保障用户安全、稳定地使用系统。 N YD/T XXXX—XXXX 核心能力 设计开发 测试发布 运营管理 分析评估 特征开发 人工干预 评估优化 规开发 在线运维 统计分析 灰度发布 模型开发 监控告警 支撑能力 知识中心 算法工具库 系统管理 知识图谱 知识库 FAQ 机器学习 强化学习 深度学习 用户管理 权限管理 数据中心 BI工具 AI算法 日志管理 安全管理 运筹优化 实时数据 离线数据 第三方数据 图1基本框架 6技术要求 依据智能决策系统框架，智能决策系统从策略开发、测试发布、运营管理、分析评估和 底层支撑五方面综合对智能决策产品综合能力进行要求，具体指标设置如表1所示。 表1 智能决策系统和工具技术要求 策略开发 测试发布 运营管理 分析评估 底层支撑 特征开发 仿真测试 人工干预 评估指标管理 数据管理 规则开发 灰度发布 在线运维 可视化看板 知识管理 模型开发 / 风险告警 策略评估 算法工具库 决策流开发 系统管理 / 6.1 策略开发 6.1.1 特征开发 特征是实现决策规则和模型的基础，特征源自业务数据、业务日志、事件、知识、环境 等。特征开发提供各种基础工具，帮助用户对数据进行加工，提取特征、分析特征、变换特 征，以支撑决策能力。该项主要考察包括但不限于以下内容：特征定义、特征生成、特征提 取、特征衍生、特征选择、特征管理等。 应包含以下基本功能： a）特征定义：支持自定义特征，可根据预置的指标模板选择相关的特征库，指标定义 可参考行业相关业务专家和建模专家设计输出； b) 特征生成：支持通过外部导入特征，能够通过自定义的方式实时、批量加工特征， 支持生成的特征类型两种或以上，具体示例见表2； ) 特征提取：支持对数据的基本特征、波动特征、分位点特征提取，每种特征支持两 种或以上，具体示例见表2； 特征衍生：支持通过特征计算、特征转换、特征融合等方式组织为新的特征，支持 d): 两种或以上方式，具体示例见表2； 3 YD/TXXXX—XXXX e）特征选择：支持两种或以上方式的自主特征选择，包括基于规则和基于模型的特征 选择，具体示例见表2： f）特征管理：支持对特征信息的基本操作（见附录A表A.1），其中元数据包括名称、 数据源、处理方式、创建和更新时间等。 宜包含以下高阶功能： a）特征异常处理：支持特征监控、特征异常评估，如异常特征检测、异常特征平滑等； b）自动特征工程：支持两种或以上自动特征工程功能，具体示例见表2； c）图特征提取：支持两种或以上图节点重要度、结构性相关特征的提取，具体示例见 表2。 表2特征开发涉及示例 序号 类型 示例 1 特征类型 数值特征、向量特征、范围特征、自定义维度特征等 2 基本特征 缺省、异常、最大值、最小值、平均值等 3 波动特征 方差、标准差、峰度、偏度、集中度等 4 分位点特征 1%、5%、25%、50%、75%、95%、99%等分位点 5 图特征 图节点边距离、局部领域重叠、全局领域重叠等 6 特征衍生方式 降维、标准化、归一化、分箱、组合、计算等 7 特征选择方式 卡方选择器、BestKS、RFormula、向量切分等 8 自动特征工程功能 自动特征选择、自动特征衍生、自动特征数据增强等 6.1.2 规则开发 规则是描述决策流程的一种方式，用以明确定义在某种条件下作某种决策。规则开发通 过人工对业务的认知，结合不同类型的业务规则设计工具，实现业务规则的可视化构建、编 辑、更新、管理等。该项主要考察包括但不限于以下内容：规则生成、规则集配置、规则管 理、规则设计工具等。 应包含以下基本功能： a）规则生成：支持通过比较操作符、阅值