逻辑规则融合机器学习是必然趋势

1、“逻辑规则”在业务决策中的应用

在商业场景中，管理者一般如何进行决策？在数据分析并未普及时，人们通常会依赖于行业专家们将行业经验融合逻辑思维，形成可描述、可复用的“规则”。当行业累积了大量数据后，人们发现对数据本身进行分析（比如利用BI等工具），可以总结出仅靠人工经验无法获得的结论，数据分析和逻辑规则可以互相验证和补充。随着业务的发展，人工规则受到主观思维限制，已经不足以支撑逐渐复杂的业务场景；而数据逐渐累积后，数据分析领域也趋于专业化，从数据中寻找结果成为主流，其中就包含用机器学习模型解决具体问题。

2、“机器学习”的“黑盒”问题

机器学习特别是深度学习，以神经网络为代表，在具有足够多标注数据的情况下，往往效果惊人。但是，当标注数据匮乏时，神经网络的性能就会大打折扣。此外，机器学习作为“黑盒”，其缺乏可解释性、难以融入外部知识的问题也一直为人诟病。人们往往更相信直观可见的“证据”、人为积淀的经验、或通过现有知识推理出的可解释性结论，所以在实际场景中经常需要结合人工规则进行决策。

3、逻辑规则与机器学习融合

机器学习中的“规则”可以描述为“若……则……”形式的自然语言，规则可以由模型训练而成，也可以人工经验得出，然而两者都存在一定局限。对于智能决策领域而言，机器学习模型对业务来说是“黑盒”，它的结论缺少可解释性，用户不了解结果产生的原因，难以仅通过模型进行业务决策。但人工规则依赖行业专家经验，受到人脑思维局限、难以满足大数据场景下的需求。因此，一个融入逻辑规则的可解释的机器学习引擎很有可能成为智能决策领域的突破口。

关河因果系统：从理论到技术的突破

关河因果数据分析系统以自研嵌入机器学习的统一逻辑框架为基础，结合图关联规则理论、分布式图计算理论，实现大规模图数据下规则的自动发现，充分挖掘数据中隐藏的“规律”。作为“融合逻辑规则与机器学习”的新型数据分析与决策系统，关河因果具备以下亮点：

逻辑规则的优势：可解释、可累积

机器学习的优势：自动化、摆脱人力依赖

二者结合的优势：高精准、全量化、泛化能力强

亮点解析：

系统自动发现大规模图数据下的关联规则，摆脱对人工经验的依赖。对比人工总结规则，系统可以找到数据之间全量关联关系，尤其对于人脑无法联想到的复杂规则，系统的优势更加明显。规则可以解读为“若……则……”形式的自然语言，每条规则都可以找到支撑的实例，对比机器学习，其规则发现的过程更具可解释性。系统通过规则应用实现流式增量数据对规则的匹配，让机器学习结果与逻辑规则进行交叉验证，提高规则精度的同时，还赋予模型一个泛化能力强的结果，并将这类结果通过规则库进行积累。

关河因果系统以数据分析领域全球领军人物——樊文飞院士的原创理论为基础， 实现“逻辑规则+机器学习”技术的产品化，让用户低代码、轻量化地进行数据分析，对数据分析感兴趣的朋友可以在yinguo.grandhoo.com进行试用。关河因果可解释的规则将会成为业务决策的支撑，赋能各行各业，释放大数据的潜在价值。