将神经网络用于决策过程的主要挑战之一是决策机制的透明度。我们倾向于给予算法更多的信任和信任，我们可以看到一些中间推理步骤。

众所周知，神经网络是黑盒算法，其中中间步骤在很大程度上对开发人员和/或用户来说是模糊的。

为此，使用一种方法来解释神经网络的决策机制，例如石灰或某种代理模型方法，通过决策树或线性模型等替代模型类型来表达网络做出的决策，这更适合自己解释使我们能够解决神经网络的这一特性。

也就是说，使用神经网络作为决策系统的基础没有直接障碍。任何获取数据并输出规定决策的函数都可以满足这个标准。

真正的诀窍是确保您自己（作为算法的开发者）网络做出的决策与您希望它做出的决策一致，并通过证据向算法的利益相关者建立信心：

1. 引擎正在做出他们需要的决定
2. 他们对如何做出该决定有足够的了解，以相信它可以正确地做出决定
3. 算法使用的机制是“公平的”——因为它不会以可能产生严重的道德、监管或法律后果的方式对一个或另一个群体产生不利影响——以及算法实施带来的其他风险表达其预期目的。这个例子被认为是自动驾驶汽车决策的特定风险。自动驾驶汽车具有潜在的巨大好处，但忽视为自动驾驶汽车提供动力的人工智能可能出错的方式（至少）是不负责任的。

值得一提的是，上面的最后两点通常没有被利益相关者很好地理解，因此应该由开发人员作为应该了解与他们正在使用的方法相关的风险的人来主动解决。

我想了解有关您的实际问题的更多详细信息，但这是我将人工神经网络应用于决策制定的建议。

• 解决这个问题的一种方法是使用先验作为深度神经网络的参数之一。这可以被视为具有监督学习基础的分类问题。
• 可以标记所需的决策及其参数，并且输出层可以具有与所需决策数量一样多的神经元。然后可以进行一系列的训练和验证，直到训练达到预期的准确性。

最好的，Sangathamilan Ravichandran。