智能风控平台之决策引擎介绍
前言：最近刚接触了决策引擎，所以搜了一点关于决策引擎的资料看，下面针对资料进行回溯。
partone
本part主要讲解了现在市面上主流风控决策引擎产品包含的核心功能模块，其中主要是规则、评分卡、表达式、模型、决策流等功能模块。互联网金融的兴起，金融科技向传统金融渗透，智能风控平台应运而生。决策引擎担任着智能风控平台的核心角色，在当代的互联网金融浪潮中至关重要，在介绍决策引擎之前，首先要明白什么是大数据风控。
什么是大数据风控？百度百科解释：大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。
抽象出来就是：
风控决策引擎作为模型的载体，实际上就是实现大数据风控的工具。
什么是风控决策引擎？风控决策引擎是对复杂的业务逻辑抽象化剥离出来的业务规则进行不同的分支组合、关联，然后层层规则递进运算，最终输出决策结果的产品。
传统的风控决策引擎主要实现规则的逻辑判断，例如：女厕所的规则可以制定成“性别为女，才能进入，否则不能进入”，因此在数据段输入的人性别为“男”时，则规则判断为不能进入；现有通常使用的风控决策引擎，在传统的基础上功能更加丰富，可以实现规则、评分卡、模型、表达式等多种类型的逻辑嵌套，实现层次更加丰富的逻辑运算，满足现在的互联网金融业务要求；高阶的风控决策引擎，是在现有的风控决策引擎上融入了自言语言处理平台、流计算平台等，提升了现有决策引擎的算力和处理时效；现在主要还是介绍通常使用的风控决策引擎平台，包含的常用功能模块主要是规则、评分卡、模型、表达式、决策流。
规则模块规则模块常用的产品实现方式主要有规则集、规则表、规则树。
规则集其中规则集分为普通规则、循环规则，普通规则由变量、表达式、条件值、决策结果组成，如下：
变量：会员年龄表示、表达式：大于等于、条件值：18，这只是规则集的一条规则，其中规则与规则之间存在且、或逻辑关系，然后就是决策结果：满足rule1，输出会员名名称“金牌会员”，不满足输出会员名称“普通会员”。
循环规则可以对集合对象进行循环的执行规则，一个循环规则可以有一个或者多个循环单元，每个循环单元都是一个普通的规则，定义的方式同普通规则。只是在执行的循环规则时，需要添加循环条件，以及循环结束后输出的决策结果，在风控决策引擎中，循环规则运用的较少，这里不做详细的讲解，感兴趣的可以留言讨论。
规则表规则表是一种表格形式的规则工具，在处理判断条件较多的时候，决策结果较多的情况时，可以快速定义出决策规则。
规则表分为条件列、决策列，其中上图借款人年龄、借款人是否有驾照、借款人命中黑名单是条件列，决策结果是决策列。
现在虽然风控决策结果输出的结果类型不要求多样化，但是规则种类、数量很多，采用规则表方案实现规则的决策配置可以更加便捷、清晰。
规则树规则树也是规则集的另一种表现形式，在展示上更加形象，在风控业务上通过规则树、规则表进行规则的配置可以更加形象、快捷。
其中每条规则的实现方式同普通规则，都有变量、表达式（条件）、条件值、决策结果（变量赋值）构成。
评分卡模块评分卡是对目标的信息进行分析打分的表达方式，表示此人或此机构由于信用活动的拒付行为所造成损失风险的可能性，评分通常用于对个人或机构的风险管理与评估。
评分卡实际也是规则的变形，通过有变量、表达式、条件值、得分四部分组成，当然评分卡还会有得分的计算方式，例如求和、加权求和等。
模型模块通过主观意识借助实体或者虚拟表现构成客观阐述形态结构的一种表达目的的物件（物件并不等于物体，不局限于实体与虚拟、不限于平面与立体），风控决策引擎中使用的模型更多的是数据模型，描述的是目标的行为和特征。
模型在决策引擎中，对于决策引擎平台实际是一个已经封装好了的产品，决策引擎只会负责入参变量的配置、出参变量的配置以及模型的调用，所以这个模块的核心主要是考虑模型的类型（py、model）、调用逻辑、入参以及出参变量的配置。
表达式模块表达式模块主要是规则、评分卡等逻辑判断实现困难时，可以直接通过代码自由编辑实现决策的规则判断，其中规则的表达式、条件值、决策结果都是通过编码实现，通过这样的方式可以运用于更多小众难实现的决策场景，灵活性更大。
表达式模块类似模型模块，规则的入参和出参配置也是重点。
决策流模块决策流它实现整个分开工决策引擎的工作流配置，用来对已有的规则、评分卡、模型、表达式进行执行顺序的编排，清晰直观的实现大型、复杂的风控规则。
决策流核心的构成包含“开始节点、规则/评分卡/模型等已封装好的规则包节点、决策节点、分支节点、聚合节点。
开始节点为一个决策流开始的地方，决策流程必须有始有终且必须以开始节点作为开始；规则包节点，实际就是用来添加之前在规则、评分卡、模型、表达式中已经创建好的规则产品；决策节点是在决策时，根据为其下流出连接配置的条件来决定究竟应该走哪条连接的节点，所以根据这一特性，决策节点下流出连接至少要有两条，否则决策节点就没有意义了；分支节点实现规则流多条并行的节点，通过这个节点，可以根据当前节点下流出连线数量，将当前规则流实现拆分成若干条子的规则流实例并行运行；聚合节点用来聚合由分支节点拆分出来的多个子的规则流，实现多条规则流的汇合；有始有终，决策流程的结束，一般是伴随着决策总、分的流程的执行，执行到最后节点自动结束，输出决策结果。
决策引擎除了以上核心功能模块以外，实际上为了风控决策引擎灵活多变，能够实现尽可能多的风控业务场景，通常会实现规则、评分卡、表达的相互嵌套调用，这样可以更好应对不同的风控业务场景。
以上只是对风控决策引擎做了简要的介绍，其中的规则、评分卡等功能在风控业务复杂的情况下还可以对规则和评分卡进行产品升级，实现复杂规则、复杂评分卡的决策能力。
实际应用中的产品只靠风控决策引擎是远远不够的，风控决策引擎的应用还会搭配指标平台、接口管理平台、风控报告等产品一同服务于风控业务。
parttwo:
在第一part中，只是对风控决策引擎的核心功能规则、评分卡、模型、表达式、决策流等模块做了简介。
大数据风控，大数据输入决策引擎通过规则、评分卡、模型、表达式、决策流等功能模块就能输出理想的风控结果了吗？
实际业务中的风控流程依靠这几个功能模块是无法完全达到风控目的，成熟的风控方案有一套严谨的策略体系，风控决策引擎要结合风控策略体系，最终才能达到风险控制的目标。
大数据风控通用流程主要为贷前、贷中、贷后全信贷生命周期风控，分别对应的评分卡有A卡（Applicationscorecard）申请评分卡、B卡（Behaviorscorecard）行为评分卡、C卡（Collectionscorecard）催收评分卡。评分卡的开发需要丰富的数据支撑，在信贷业务初期由于数据不充分，则不具备评分卡的开发，这时候就会选择规则判断进行初期的风控。
信贷通用的风控都是包含了规则和评分卡两部分，贷前流行的风控策略流如下：
基于准入、反欺诈（黑名单）、信用评级、定额定价四部分构成，具体的信贷场景在此基础上也会有部分调整，在自有存量客户较大的时候，新上线信贷产品之前很多厂家都会在准入之前加入预授信策略。
无论是准入、反欺诈、授信评级中的规则还是评分卡，通常是都是通过决策引擎进行逻辑判断，在智能风控平台之决策引擎（一）中介绍了四个常用的决策引擎功能模块，其中决策流配置模块就是用来配置信贷风控策略流，评分卡模块配置评分卡模型进行封装成规则包、规则模块配置规则进行封装成规则包，在通过决策流配置模块配置风控流程。
信贷风控流程就是决策引擎对于传入数据的组合运算，有风控策略流程就有规则的优先级运算也就有数据传入的优先级概念，优先级制定的原则主要是从数据源、规则的强弱（强规则命中直接拒绝、弱规则需要组合判断决策）、数据成本、效率、数据积累等方面进行考虑：
自有数据源对应的规则优于三方数据源对应的的规则
自有数据源在接口请求、性能、价格等方面都优于三方数据源，如自有的黑名单库数据，在命中黑名单规则可以直接拒绝。
强规则（强规则命中直接拒绝）优于弱规则（弱规则需要组合判断决策）
很多决策引擎的性能伴随着规则数量的增加下降，考虑更好的利用决策引擎的资源，强规则决策优于弱规则决策。例如命中前科拒绝这种强规则，应该优于命中多头借贷且命中逾期3次拒绝这种组合的弱规则。
低成本数据对应的规则优于高成本数据对应的规则
大数据风控，数据的费用在整个智能风控中占据着较重的比列，在制定的风控策略流程的时候，低成本规则优于高成本规则。三方数据服务主要由查得、查询两种计费模式，其中查得是指三方数据返回有结果进行计费；查询是指请求三方数据，不管三方数据是否返回结果就进行计费，因此查得对应的规则优于查询对应的规则。
效率高的规则优于效率低规则
有些规则比如规则甲只需要一个接口A就能做出决策，而规则乙则需要三个接口B/C/E才能做出决策，因为接口的请求是需要时间，这时候就需要考虑规则效率，效率高的由于效率低的规则。
需要积累数据的规则优于无需积累数据的规则
在模型冷启动的时候，有些变量作为后期模型潜在核心变量，需要尽可能多的收集这些数据，此时需要积累数据的规则优于无需积累数据的规则。
以上的优先级原则不都是固定不变的，很多规则优先级的制定都是基于几个原则的综合考虑。
由规则的优先级原则，对于风控决策引擎在决策运算时的功能要求是，能够对于决策流程命中拒绝结果后实现决策流程的决策终断以及决策继续，决策流程不仅可以在大的决策流上实现决策流程开关，而且也可以对小的支流某条规则实现决策流程的开关。
数据接入优先级确认，传入决策引擎进行规则、评分卡、模型的决策，此时还需考虑数据缺失时，数据缺失太多规则、评分卡等的风控也会失灵，那此情形下的决策引擎应该怎么处理呢？
通常规则类的策略，在命中数据缺失的时候，可以在规则中配置决策结果直接输出缺失的结果。但是评分卡类的策略，如果在数据缺失时通过配置其得分，最后计算总得分，依据总分进行评分卡的结果决策，这样很难保证评分卡的效果。例如评分卡中的变量丰富的时候，其中核心变量是不能允许缺失，但是如果决策引擎没有对于的判断机制，在核心变量缺失时，其他变量没有缺失同时其他变量的得分较高，此时拉高了整体的评分卡的得分，最后的得分做出决策为通过，实际该客户因为核心变量缺失需要通过人工审核，因此在这种情形下并不能准确的判断客户的征信情况。那么决策引擎应该怎么去解决这个问题呢？
设计决策引擎产品下到规则集、评分卡的每一条决策判断，上到规则包、模型包的决策判断都需要进行数据信息值的计算，在决策引擎中的规则、评分卡配置上需要具备信息值的配置、信息值的阈值配置以及信息值的决策结果配置等。决策引擎在进行规则的判断的时候，首先应该计算的是信息值，然后在进行策略的运算，通过对缺失值的管控，实现更精准的风控效果。
决策引擎主要的用户是模型策略人员，风控策略伴随着业务的发生，会进行不断地调整、迭代，同时不同的业务场景所使用的模型策略也是不同的，因此决策引擎还需要满足模型版本管理、模型对比的功能，可以更方便用户配置操作、支撑更多的业务场景。
模型的优化、迭代是需要丰富的历史数据作为支撑，这里的历史数据可以分为两部分：一是传入决策引擎的元数据，二是决策引擎计算出来的结果数据包含规则、评分卡等数据。数据在传入决策引擎进行计算后需要对元数据和结果数据进行存储，这里的存储也会存在两种方式：一是缓存，这样可以避免同一个客户在规定的时间内重复调用三方数据，造成不必要的成本浪费；二是存储所有的风控数据，便于后期模型的调优、迭代，同时也可以用于贷中、贷后的管理。数据存储的功能，更多的规划在决策引擎的配套产品接口管理平台中，在后面决策引擎配套产品介绍中会详细的介绍。
实际业务中，风控的结果输出，不仅仅只是“通过”、“拒绝”、“人工审核”，还会有很多详细的内容包含触发的规则、预警的规则等，这就要求需要一个详细的风控报告输出，以备人工审核的人员获取数据，这也是决策引擎配套的风控报告产品。参考以下博文：https://blog.csdn.net/qq_43036596/article/details/100697541
智能决策支持系统
智能决策支持系统（IntelligenceDecisionSupportingSystem，IDSS）
什么是智能决策支持系统智能决策支持系统是人工智能（AI，ArtificialIntelligence）和DSS相结合，应用专家系统（ES，ExpertSystem）技术，使DSS能够更充分地应用人类的知识，如关于决策问题的描述性知识，决策过程中的过程性知识，求解问题的推理性知识，通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。
IDSS的概念最早由美国学者波恩切克（Bonczek）等人于80年代提出，它的功能是，既能处理定量问题，又能处理定性问题。IDSS的核心思想是将AI与其它相关科学成果相结合，使DSS具有人工智能。
智能决策支持系统的结构较完整与典型的DSS结构是在传统三库DSS的基础上增设知识库与推理机，在人机对话子系统加入自然语言处理系统(LS)，与四库之间插人问题处理系统(PSS)而构成的四库系统结构。
1、智能人机接口
四库系统的智能人机接口接受用自然语言或接近自然语言的方式表达的决策问题及决策目标，这较大程度地改变了人机界面的性能。
2、问题处理系统
问题处理系统处于DSS的中心位置，是联系人与机器及所存储的求解资源的桥梁，主要由问题分析器与问题求解器两部分组成。
1）自然语言处理系统：转换产生的问题描述由问题分析器判断问题的结构化程度，对结构化问题选择或构造模型，采用传统的模型计算求解；对半结构化或非结构化问题则由规则模型与推理机制来求解。
2）问题处理系统：是IDSS中最活跃的部件，它既要识别与分析问题，设计求解方案，还要为问题求解调用四库中的数据、模型、方法及知识等资源，对半结构化或非结构化问题还要触发推理机作推理或新知识的推求。
3、知识库子系统和推理机
知识库子系统的组成可分为三部分：知识库管理系统、知识库及推理机。
1）知识库管理系统。功能主要有两个：一是回答对知识库知识增、删、改等知识维护的请求；二是回答决策过程中间题分析与判断所需知识的请求。
2）知识库。知识库是知识库子系统的核心。
知识库中存储的：是那些既不能用数据表示，也不能用模型方法描述的专家知识和经验，也即是决策专家的决策知识和经验知识，同时也包括一些特定问题领域的专门知识。
知识库中的知识表示：是为描述世界所作的一组约定，是知识的符号化过程。对于同一知识，可有不同的知识表示形式，知识的表示形式直接影响推理方式，并在很大程度上决定着一个系统的能力和通用性，是知识库系统研究的一个重要课题。
知识库包含事实库和规则库两部分。例如：事实库中存放了“任务A是紧急订货”、“任务B是出口任务”那样的事实。规则库中存放着“IF任务i是紧急订货，and任务i是出口任务，THEN任务i按最优先安排计划”、“IF任务i是紧急订货，THEN任务i按优先安排计划”那样的规则。
3）推理机
推理：是指从已知事实推出新事实(结论)的过程。
推理机：是一组程序，它针对用户问题去处理知识库(规则和事实)。
推理原理如下：
若事实M为真，且有一规则“TFMTHENN”存在，则N为真。
因此，如果事实“任务A是紧急订货”为真，且有一规则“IF任务i是紧急订货THEN任务i按优先安排计划”存在，则任务A就应优先安排计划。
[编辑本段]智能决策支持系统的特点1、基于成熟的技术，容易构造出实用系统。
2、充分利用了各层次的信息资源。
3、基于规则的表达方式，使用户易于掌握使用。
4、具有很强的模块化特性，并且模块重用性好，系统的开发成本低。
5、系统的各部分组合灵活，可实现强大功能，并且易于维护。
6、系统可迅速采用先进的支撑技术，如AI技术等。
[编辑本段]智能决策支持系统的运行效率由于在IDSS的运行过程中，各模块要反复调用上层的桥梁，比起直接采用低层调用的方式，运行效率要低。但是考虑到IDSS只是在高层管理者作重大决策时才运行，其运行频率与其他信息系统相比要低得多，况且每次运行的环境条件差异很大，所以牺牲部分的运传效率以换取系统维护的效率是完全值得的。
[编辑本段]同名图书基本资料
作译者：黄梯云编
ISBN号：7-5053-6348-4/TP.3435
出版日期：2001-01
丛书名：软件系统工程丛书
字数：409.6千字
页码：249
开本：16开
内容简介
“智能决策支持系统”一书在介绍智能决策支持系统有关概念、结构和功能的基础上，将专家系统的IDSS、人工神经元网络的IDSS、机器学习和遗传算法等引入IDSS的理论和方法中,探讨了基于面向对象的IDSS和基于知识的模型生成等内容。作为作者在该领域多项研究成果的总结，本书内容丰富，阐述系统严谨，就许多新技术提出了值得借鉴的的解决途径，具有较高的理论价值和实际价值。
该书作为高等学校信息系统和管理专业、计算机应用专业用书，也可供计算机应用软件开发人员等作为参考书。
图书目录
第1章决策支持系统和智能决策支持系统
1．1决策支持系统和决策科学
1．2决策支持系统的基本模式和分类
1．3决策支持系统的组成
1．4智能决策支持系统概述
第2章决策支持系统的基本体系结构
2．1决策支持系统的两类基本结构
2．2决策支持系统中模型库系统的结构
2．3模型库的内容及分类
2．4传统决策支持系统中模型在计算机内的存储方式
2．5模型库管理系统
2．6决策支持系统中数据库的组成和数据析取问题
2．7决策支持系统中的人机对话系统
2．8一个专用决策支持系统的设计与实现
2．9交互式语句型存储模型管理系统设计
第3章智能决策支持系统的模型系统
3．1智能决策支持系统中模型系统的功能
3．2智能决策支持系统中的模型表示方法
3．3智能决策支持系统的模型管理系统
3．4模型操纵与模型表示之间的关系
3．5一个具有模型自动选择功能的决策支持系统的设计方案
第4章基于面向对象方法的模型管理
4．1面向对象方法的发展及其对模型管理的支持
4．2模型类的定义和复合
4．3模型例化、模型结构和模型事例
第5章人工神经网络与智能决策支持系统
5．1人工神经网络的发展
5．2多层前向神经网络的结构和反向传播算法
5．3神经网络在管理中的应用
5．4基于神经网络的智能决策支持系统的模型自动选择
5．5基于神经网络的趋势外推预测模型结构的选择
5．6一种具有模型自动选择功能的模型管理系统
5．7神经网络和专家系统的集成
第6章机器学习与智能决策支持系统
6．1机器学习及其发展
6．2归纳学习的理论
6．3基于机器学习的智能决策支持系统的体系结构
6．4基于机器学习的智能决策支持系统的多属性知识库和知识表示系统
6．5基于机器学习的智能决策支持系统的归纳学习
6．6基于机器学习的智能决策支持系统的控制策略
6．7一个基于机器学习的智能决策支持系统的设计与实现
第7章基于自然语言理解的模型自动选择
7．1自然语言理解及其关键技术
7．2基于自然语言理解的模型自动选择理论
7．3基于自然语言理解的模型选择方法
第8章遗传算法与智能决策支持系统
8．1遗传算法及其管理应用
8．2基于遗传算法的模型结构选择
8．3基于遗传算法的模型实例确定
8．4一个基于遗传算法的模型自动选择实例
第9章基于知识的模型自动生成
9．1产生式推理模型的定义
9．2专家系统推理模型与管理模型的连接
9．3模型选择专家系统的知识表示
9．4一个基于类的建模支持系统的实现
参考文献
序言/前言
智能决策支持系统是将人工智能技术引入决策支持系统而形成的一种新型信息系统。它是以信息技术为手段，应用管理科学、计算机科学及有关学科的理论和方法，针对半结构化和非结构化的决策问题，通过提供背景材料、协助明确问题、修改完善模型、列举可能方案、进行分析比较等方式，为管理者做出正确决策提供帮助的智能型人机交互式信息系统。在席卷全球的信息革命浪潮中，智能决策支持系统作为管理领域信息系统的一个重要方面已经成为计算机管理应用研究的热点和主要的发展方向‘实践表明，只有当决策支持系统具有较丰富的知识和较强的知识处理能力时，才能向决策者提供更为有效的决策支持。研制、建设和利用智能决策支持系统对于增强知识开发和利用的能力，改善决策的智能化水平，提高系统的应用效果具有重要的理论意义和实际价值。
本书作者长期从事决策支持系统和管理信息系统的理论研究和应用实践，先后完成了大庆测井公司经营决策支持系统、微型决策支持系统生成器、油田测井管理及其决策支持系统、管理模型类库及其管理系统和中国长江三峡总公司所属管理信息系统等许多研究项目。有关研究曾获得四项国家自然科学基金资助。作者发表了与此有关的六十余篇学术论文。本书正是对这些研究成果的总结。
全书系统地评述了智能决策支持系统的发展，研究了与发展智能决策支持系统有关的各种新技术，提出了存在的问题和可能的解决途径。
全书共九章，分别为：决策支持系统和智能决策支持系统、决策支持系统的基本体系结构、智能决策支持系统的模型系统、基于面向对象方法的模型管理、人工神经网络与智能决策支持系统、机器学习与智能决策支持系统、基于自然语言理解的模型自动选择、遗传算法与智能决策支持系统和基于知识的模型自动生成。
本书研究工作得到国家自然科学基金项目资助，这些项目是：
微型经营决策支持系统生成系统研究(7897O027)；
油田测井管理及其决策支持系统研究(79170026)；
基于人工神经元网络的模型自动选择理论和方法研究(79270041)；
管理模型类库及其管理系统研究(79670023)。
参加这些研究工作并发表有关论文的有黄梯云、李一军、李明星、刘晶珠、冯玉强、崔宝灵、刘建国、张玉红、卢涛、汤军其、韩世欣、周宽久、吴菲、杨璐、柴守平、孙华梅、祁巍、陈洁、樊玉臣、邹屹和王庆超等同志。
本书的出版得到了哈尔滨工业大学研究成果专著出版基金的资助，在此深表感谢。
智能决策支持系统是一个新的研究领域，内容丰富，需要进一步研究的问题很多，希望本书出版能起到抛砖引玉的作用。书中错误和不当之处在所难免，敬请读者指正。
智能空调有哪些类型其发展趋势是怎样的
图片18
目前传统空调已经经历了普及期，变频空调份额超过定频空调成为市场主流。变频空调与智能感应、自动检测、云服务等功能相结合的智能空调，已成为空调产品的发展趋势。
近年来，随着物联网技术的不断创新，空调智能化已开始从单一产品升级到智能家居的整个家庭互连行业。在此基础上，人机交互、远程操纵等功能更丰富，还可进行智能检测、主动提醒、自主运行等智能化操作，这也是新一代空调技术区别于以往的关键。同时，空调企业也在加强与IT企业的合作，共同探索新的产品应用模式。
智能空调可分为基础型、终端型和混合型智能空调三种类型。
基础型智能空调除传统的基本软、硬件外，还包括智能感知系统、智能决策系统、控制系统和能理解决策信息和反馈状态的执行器。这类空调采用了一种或多种智能技术，使其具备一种或多种智能特征。基础型智能空调还可通过简单的USB接口或网络通讯模块等外部数据接口，实现与外部数据的交换和智能空调的远程操作。
终端式智能空调相对于基本型并不具有智能决策能力，而是通过网络通讯系统连接到智能家电服务平台，根据空调的参数和智能决策算法，服务平台进行智能分析、决策，空调器仅完成相应传感器信息的接收和决策信息的接收和执行。有些产品中，终端型智能空调甚至可以没有复杂的人机交互部分，仅保留非常简单的人机提示，完全受服务平台控制。这一模式对网络的依赖性很强，在目前网络普及不够完善的情况下，推广程度有限。
混合智能空调系统本身具有一些简单的决策功能，通过智能家电服务平台进行更复杂的决策。
今后的智能空调将朝着三个方向发展：多种智能化、自适应、网络化。
智能空调要尽可能地以其独特的功能来模拟多个人的思想和智力活动，使一个机械装置成为一个具有智能的装置。空调器智能的实现技术主要是人工智能与控制相结合而形成的交叉应用技术，如模糊控制、神经网络控制、专家控制技术等；另外，传感网、M2M、云计算等也会得到大规模应用。
适应性是指智能空调能够根据自身条件和外部环境，自动地优化其工作模式和过程，使设备处于高效、节能、优质的状态。举例来说，在节能方面，智能空调可以根据内外条件的综合计算，自动调整其特性，实现太阳能、风能、电能等多种能源的交替使用，时时保持最佳的节能状态。
网络是家用电器社会建设的基础，网络家用电器可以实现远程监控和控制，而且家用电器之间还能实现互连。家用电器网络的实现技术很多，有线方式有以太网、PLC、LonWorks、CEBus等，无线方式有WiFi、HomeRF、Bluetooth、ZigBee等。将来，智能家电将形成一个巨大的“社会网络”，智能空调也将是其中的一部分。