用简单规则引擎还是上机器学习？

本文建议阅读时间约为5分钟

在实际业务数据消费系统中，我们常常面临这样的选择：是否需要采用简单的规则引擎，或者应该引入更为复杂的机器学习技术。这是一个值得探讨的问题。在这篇文章中，Capital One的杰出工程师Andy Bonham分享了他在业界十多年的经验，讨论了规则引擎和机器学习之间的关键差异，并指导我们如何在不同场景下合理选择使用规则引擎或机器学习。

关键区别与应用场景

机器学习正在迅速发展，许多拥有规则引擎的公司也开始利用机器学习进行商业决策。然而，这两种技术适用于不同的场景。规则引擎主要用于执行那些需要100%准确性的离散逻辑任务，而机器学习则侧重于从输入数据中学习并预测结果。

Andy Bonham详细分析了规则引擎和机器学习各自的优点，并提出了它们的最佳应用场景。他还介绍了如何将规则引擎与机器学习结合起来使用，例如，可以先运行一个机器学习模型，然后将该模型的输出作为规则引擎的输入，反之亦然。Bonham还通过实例演示了这种结合方法的应用。

Andy Bonham简介

Andy Bonham是Capital One的杰出工程师，拥有超过18年的构建实时高事务决策和工作流应用程序的经验。他的专长领域包括微服务、反应式架构、案例管理、BPMS产品、规则引擎、映像解决方案和企业通用功能。Bonham拥有计算机科学学士和硕士学位，专注于信息安全领域，并持有多个行业认证，如AWS认证解决方案架构师-Associate、CISSP和CSSLP。此外，他还在Red Hat和Reactive峰会上发表过演讲，并在Medium上发表了多篇关于微服务的文章。

目录

（注：由于原文包含大量图片，此处省略）

通过这篇文章，读者可以更好地理解规则引擎和机器学习的区别，并掌握如何根据具体需求选择合适的技术工具。希望各位读者能够从中受益，在实际工作中做出更加明智的选择。