直到最近，这些模型大多由数据模型（由统计、AI/ML 算法提供支持）组成，旨在寻求将影响因素（特征）与期望的可衡量结果（目标）联系起来的最佳解决方案。根据技术的不同，因果关系并不总是很清楚。事实上，通常很难区分相关性和因果关系。这种不透明性在制造决策中通常是不可接受的，并且一直是业务用户大规模采用的主要障碍之一。
另一项技术发展被称为因果人工智能，它通过将典型数据模型与基于领域专业知识的知识模型配对来抵消黑匣子的影响。因果人工智能技术以因果模型为基础，使用因果关系而不是相关性进行推理。因此，组织能够使用这种方法通过导致特定结果的原因来解释决策。
案例：订单履行
一家纸浆和纸张制造商开发了一个智能用例，该用例以实时客户和供应链数据作为输入，以确定如何最好地管理其订单。从表面上看，如果不考虑机器、生产线、工厂和配送中心网络中几乎无限的潜在生产路线排列，这项活动听起来很简单。为了做出“最佳”决策，这项活动需要 90% 以上的订单由人工处理。他们开发了一个组合模型，该模型基于历史绩效衍生数据模型和由客户特定知识、企业知识、供应链和主题专业知识组成的知识模型。实施该模型后，无接触订单的百分比增加到 90% 以上，处理每个订单的平均时间不再以天为单位，而是以秒为单位。同一家制造商继续实施有关原材料采购和生产吞吐量优化的用例。
因果人工智能中使用的方法之一，基于长期理解的原理，被称为因果图建模。因果图是 Portugal电子邮件列表 由变量集合（节点）组成的图形，通过箭头（边）连接以显示它们之间的因果关系。有两种方法可以确定因果图：1）专家领域知识和 2）因果发现算法。对于此制造应用，我们将重点关注前者。
为了使因果 AI 在决策智能中发挥作用，需要创建知识模型，通过应用约束和查询来帮助指导数据模型。知识模型可以从任意数量的适用领域专业知识来源构建，包括人类专家、故障和操作理论、设备和流程手册。小型语言模型 (SLM) 是生成式 AI 的子技术，可以非常有效地实现摄取。生成式 AI 的另一项进步是大型语言模型 (LLM)。LLM 可以生成、提取、匹配、聚类、分类、汇总和重写文本，就像它是由人类编写的一样。这可用于以可理解的人类和业务术语生成组合决策模型输出的解释。
至少有三个原因可以解释为什么现在正是制造业采用由因果人工智能驱动的决策智能的时机：
人工智能领域的进步将大规模的领域专业知识融入知识模型。
高速大规模制造数据日益普及并变得随时可用。
这是制造商在激烈竞争的环境中凭借决策速度脱颖而出的急速平台。