智能决策支持系统（IDSS）是一种基于计算机的信息系统，通过机器学习、知识表示和推理等人工智能（AI）能力，增强传统决策支持系统（DSS）的功能。传统DSS通常依赖数据检索、基于模型的分析和用户交互，而IDSS则主动应用AI方法从数据中学习、推断模式，并生成建议或解释。其目标是在半结构化或非结构化情境中支持人类决策者，这些情境下纯算法或纯人工方法均显不足。
该概念出现于20世纪80年代末和90年代初，当时研究人员试图将DSS的分析能力与专家系统的符号推理相结合。早期IDSS实现常使用基于规则的引擎来编码领域知识，但该领域此后已发展至纳入机器学习、深度学习和大型语言模型。现代IDSS平台部署于医疗、金融、物流和公共管理等行业，通常嵌入基于云的服务中。
架构与组件
典型IDSS由四个主要组件组成：数据管理子系统、模型管理子系统、基于知识的子系统和用户界面。数据子系统处理数据提取、清理和存储，常使用数据仓库或数据湖。模型子系统包含定量模型，如优化或模拟程序，可按需执行。知识子系统以规则、本体或训练好的机器学习模型形式存储领域专业知识。用户界面呈现结果并接受查询，有时通过由大型语言模型驱动的自然语言界面实现。
与传统DSS不同，IDSS中的知识子系统能够对不确定或不完整信息进行推理。例如，它可能使用概率推理或模糊逻辑来处理不精确输入。这些组件的集成使系统不仅能计算结果，还能在上下文中解释结果、提出替代方案，并论证其建议。
IDSS中的AI技术
现代IDSS实现利用多种AI技术。机器学习算法，包括分类、回归和聚类，用于从历史数据构建预测模型。深度学习，尤其是通过神经网络，能够处理图像、文本和传感器流等非结构化数据。例如，用于医疗诊断的IDSS可能使用卷积神经网络分析放射影像，而金融IDSS可能使用循环网络预测市场趋势。
大型语言模型和Transformer架构最近已被集成到IDSS中，以改善自然语言交互和解释生成。这些模型可以总结数据、回答用户问题并起草决策备忘录。然而，其使用引发了对可靠性和偏差的担忧，因此许多系统将其与基于规则的验证层结合。其他技术包括用于自适应决策策略的强化学习和用于提高鲁棒性的集成方法。
应用
在医疗领域，IDSS工具协助临床医生进行诊断、治疗规划和资源分配。例如，像Commure和Intuitive Surgical这样的系统集成AI以支持临床工作流程和手术决策。在交通领域，TomTom和Waymo使用IDSS原理进行路线优化和自动驾驶车辆导航。在农业领域，Fermata应用计算机视觉检测作物病害，并向农民提供建议。
金融机构使用IDSS进行信用评分、欺诈检测和投资组合管理。政府机构将其用于政策模拟和应急响应规划。在制造业中，IDSS有助于预测性维护和供应链优化。共同点是将数据驱动的洞察与人类监督相结合，通常在高风险环境中，错误代价高昂。
挑战与局限
一个主要挑战是数据质量和可用性。IDSS模型的质量取决于其训练数据，有偏差或不完整的数据集可能导致有缺陷的建议。另一个问题是可解释性。许多AI技术，尤其是深度学习，作为黑箱运作，使用户难以信任或验证输出。像Carlos Guestrin和Aleksander Madry这样的研究人员已研究可解释性方法来解决此问题。
与现有组织流程的集成也非易事。决策者可能抵制那些看似凌驾于其专业知识之上的系统。包括隐私、问责和公平在内的伦理问题需要谨慎治理。此外，训练和运行大型模型的计算成本可能过高，尽管像Amazon Web Services和Microsoft Azure这样的云提供商提供可扩展基础设施。
未来方向
IDSS的未来在于更深入的人机协作。系统正从被动推荐引擎转向主动伙伴，能够解释其推理、提出澄清问题并适应用户偏好。生成式AI的进步，如Generative AI模型，正在实现更自然和上下文感知的交互。因果推断和神经符号AI的研究旨在结合神经网络的模式识别与符号推理的逻辑严谨性。
另一个趋势是将IDSS部署在边缘设备上，用于远程或延迟敏感场景中的实时决策支持。像Groq和SambaNova这样的公司正在开发专用硬件以加速推理。随着AI的持续发展，IDSS可能会变得更加普及，嵌入日常工具和跨行业的决策过程中。
参见
参考文献
本文基于截至2025年关于决策支持系统和人工智能的一般知识。由于条目性质，未引用具体来源。