数据驱动策略中认知不确定性与觉知的表示

人工智能（AI）与大数据 diffusion 正重塑决策过程：在增加支撑决策的信息量的同时，减少与数据和经验证据的直接交互。这种范式转移引入了新不确定性来源，因为有限的数据可观测性导致模糊性与可解释性缺失。对数据驱动策略恰当分析的需求，促使人们寻找能够描述此类有界知识获取的新模型。本文提出一种用于知识表示中不确定性及其由智能体中介之传递的新理论模型。我们通过赋予模型比较与组合知识状态的结构，给出知识状态的动力学描述。具体地，更新通过组合表示，其可解释性基于在不同维度表示中的一致性。我们从推断多样性、偏好关系与信息度量角度考察不等价知识表示。此外，我们以两个场景定义形式类比，用其阐释非经典不确定性：模糊性（Ellsberg 模型）与关于由观测他者数据的智能体中介之知识的推理（Wigner 之友）。最后，我们讨论所提模型对数据驱动策略的一些启示，特别关注关于业务价值维度的不确定性下推理及其评估测量工具的设计。