定义
基于模型的流程（MBW）是一种操作流程，其中流程、决策制定和执行步骤由一个或多个分析性或预测性模型根本性地控制或驱动。它不完全依赖于僵化、预定义的“如果-那么”逻辑，而是利用经过训练的模型（例如分类分数、预测风险水平或生成的建议）的输出来决定序列中的下一步操作。
为什么它很重要
MBW 将组织从简单的任务自动化提升到智能自动化。它们允许系统处理传统基于规则的工作流程无法有效管理的变异性和复杂性。通过将智能直接嵌入到流程中，企业可以实现更高的自主性、提高决策质量并更高效地扩展运营。
工作原理
实施通常遵循几个阶段：
- 数据摄取： 原始数据进入系统。
- 模型执行： 数据被输入到相关的 AI/ML 模型中（例如，情感分析模型或需求预测模型）。
- 决策触发： 模型输出一个结果（例如，“高风险”、“紧急”或“预测需求：500 个单位”）。此输出充当工作流引擎的触发器或输入变量。
- 流程路由： 工作流引擎使用此模型输出来动态路由任务、分配优先级或选择下一个自动化步骤。
常见用例
- 客户支持分流： NLP 模型分析传入的工单，自动分类紧急程度和主题，并立即将其路由到正确的专家团队。
- 欺诈检测： 预测模型实时对交易进行评分；如果分数超过阈值，工作流程会自动标记该交易以供人工审核或完全阻止它。
- 供应链优化： 需求预测模型决定库存重新订购点，当预测库存水平低于安全裕度时，自动触发采购工作流程。
主要优势
- 提高准确性： 决策基于从海量数据集中学习到的统计模式，减少了人为错误。
- 可扩展性： MBW 可以在不按比例增加人工监督的情况下处理波动的工作量。
- 适应性： 底层模型可以根据新数据进行再训练，以使工作流程的行为适应不断变化的业务条件。
挑战
- 模型漂移： 随着现实世界数据模式的转变，模型可能会随着时间的推移而性能下降，需要持续的监控和再训练。
- 可解释性（XAI）： 理解模型做出特定路由决策的原因可能很复杂，这对于审计和合规性至关重要。
- 集成复杂性： 将复杂的 ML 服务集成到遗留工作流引擎中需要强大的 MLOps 实践。
相关概念
该概念与智能自动化（IA）、机器人流程自动化（RPA）和决策引擎有显著重叠。虽然 RPA 自动化任务，但 MBW 是基于预测洞察来自动化决策的。
