【决策科学院】复杂逻辑控制与智能规则引擎

在规则引擎出现之前，许多企业建立IT团队，由他们接受来自业务部门的需求，提炼出业务规则并将其转化为代码写入到程序中。这种模式的产生是非常自然的，因为业务规则总是可以表达为If…Then…的逻辑表达式，而这种基本的逻辑表达式在各种程序语言中是必然存在的。但是随着公司业务的迅速发展，这种方式很快就会受到巨大的挑战，这种挑战主要来自两方面。

首先，调整业务规则需要进行大量的检查。越来越多的业务部门会提出需求，每次的变更和调整都要求IT团队重新审视所有的代码，确保逻辑的一致性和准确性，这种检查的工作量是非常巨大的。为了保证程序的可靠性，IT团队还需要对变更后的程序进行大量的测试，排除各种可能的Bug。

其次，规则的执行效率非常低下。当业务规则是以If…Then…的方式嵌入在代码中，程序需要顺序地逐条执行完所有的规则才能获得最终的结果。假设程序中存在100条业务规则，每条规则需要1s的执行时间（不考虑IO），那么一次规则集的检查和执行需要花费100s。 当然，如果可以将规则集以矩阵的方式进行计算判别（相当于进行并行计算），那么规则集的整理执行时间可以缩短到接近单条规则的时间（忽略使用矩阵运算的额外开销）。但是一个企业的业务规则通常不会那么简单，这里需要引入“推断（Inference）规则”的概念。如果A规则的结果是B规则的执行条件，那么B规则为推断规则，或者说B规则的执行与否依赖于A规则的执行结果。由于推断规则的存在，使得直接使用矩阵并行执行所有规则变得不可能，因为有些规则的执行条件一开始是”未知“的。因此程序中需要存在循环检查的机制：一旦有规则成功运行，那么程序需要检查所有的规则，看是否有新的规则可以被执行。可以容易的看出，这种检查-执行的方式会浪费大量的资源（为了少数可能被执行的规则而检查整个规则集）。

从业务层面上看，以上两方面问题导致了需求从提出到实施需要非常长的时间（通常需要1个月），并且系统处理规则的吞吐量是很有限的（大量的资源浪费在了没有价值的等待和检查上）；从成本上看，IT团队需要安排大量的人力对规则进行乏味而冗长的录入、检查和调试工作。

规则引擎的产生解决了业务规则系统耗时长、效率低的状况。目前所有主流的规则引擎都是基于Rete算法发展起来的，Rete算法是Forgy博士于1974年提出的一种高效组织并处理规则的算法。Rete算法需要先对规则集进行编译，建立起表达规则依赖关系的网络（Rete网络），并通过联合节点来组织规则。由于Rete网络最大程度的利用了重复被使用的数据，在数据更新时（或推断规则的条件被更新时）只检查相关的后续节点，从而大大提高了运行效率；而规则录入则被规范为具有固定格式的文档（例如DMN）,这使得业务人员也可以很方便的制定或修改规则，最重要的是发布这些规则不需要再调试程序了，整个业务规则系统完全可以由业务人员自行管理。

图1是Rete算法的工作原理示意图，可以看到规则运行所依赖的条件以属性的方式存在于数据对象之下。例如ObjectA可以是申请人，而A1则可以是年龄，并且这些属性是可以被多条规则复用的。Joint Node则负责把多个属性连接起来，指向某个具体的行动，这个行动的内容可以是任意的内容；其触发则是由其依赖的属性变化引发的。

图1 Rete工作原理图

Fig1. Working diagram of Rete

在图1中，A1，B1两个属性是当前已知的条件，最初只有Joint Node1对应的规则满足执行条件，于是Rete执行动作，对A2进行赋值。此时由于Object A的属性发生了变化，算法对依赖于A2的Joint Node进行检查（而不是对所有的Joint Node）。由于A2此时已经具有了值，而B1是之前已知的，因此Joint Node2对应的行为被执行（给B2赋值），进而触发了Joint Node3的检查和执行，并最终得到了Accept的结论。从这个例子可以看出，数据，规则的执行条件和行为被很好的分开，新增规则（Joint Node）可以视为对数据（属性）进行不同的组合，而算法只有当数据（属性）变动时才检查必要的规则，这种处理规则的方式无疑是非常高效的。

通过规则引擎，CLC的每一个子逻辑块都可以视为一个小型的Rete网络，把这些网络连接起来就形成了完整的风控规则系统。如图2所示，CLC中逻辑块所依赖的事实存放在基本信息、个人信用、CLC等对象的属性中，Rete算法根据规则的依赖关系编译生成Rete网络，有效的执行和管理规则。逻辑块的执行也不总是完全按照顺序进行，例如R1.1基本信息核查出错，那么就没有必要进行后续的检查（节约时间或者查询数据的费用），图中的红线就是代表这种异常的跳转。可以看到，CLC的逻辑块最终和Rete算法中的数据对象、连接节点（Joint Nodes）联系起来，最终产生了行动（Actions），这意味着CLC中蕴含的业务逻辑的完美落地。

图2 CLC 结合规则引擎的应用

Fig2. Application of CLC implemented by rules engine

近年来规则引擎的技术还在进一步发展，不仅能够提供规则的有效组织和运行，还能够通过机器学习自动建模发现新的规则。例如明策决策引擎，它是由美国硅谷团队开发的使用最新一代Rete算法（Rete-NT）的规则引擎，不仅具备了更有效的组织和运行规则的能力，而且提供了机器学习的功能，能够完成变量的离散化、变量选择、自动建模、模拟测试等一系列的功能，从而发现更多更好的规则。

李彦宏说：“AI技术能把人从重复、低效、繁重的脑力劳动中解放出来“。这是对AI更为准确的一种定义：机器视觉处理（例如CNN神经网络）应用在工厂质检上解放了质检员的繁重工作；机器语言处理（例如RNN神经网络）应用在自然语言上解放了人类大量查阅资料的工作；当前研究的自动驾驶也会在未来解决人类长时间驾驶的痛苦。规则引擎已经解放了程序员编写业务规则程序、检查代码以及测试发布的繁重、冗长以及痛苦的工作，CLC和智能规则引擎的结合则会进一步减少业务人员设计、检查业务规则的难度以及花费的时间，并通过机器学习发现新规则的方式使得人工和智能有机的结合起来，创造更大的价值。