DMN1.6对外部AI模型支持解读

最新的DMN1.6测试版规范于2024年9月发布，通过FEEL语言和盒装函数定义提供了对外部AI模型（如ONNX）的标准化支持。它将ONNX模型视为一种外部定义的函数，允许业务决策逻辑直接调用训练好的机器学习模型。

以下是DMN1.6支持ONNX模型的具体实现方式：

1.外部函数定义与映射

在DMN建模中，ONNX模型被定义为一个具有外部特性的函数。其映射信息必须遵循特定的FEEL上下文格式：

• 格式：{onnx:{file:IRI,functionsignature:function-signature}}。

• file：指向ONNX文件的资源标识符（IRI）。

• functionsignature：一个包含张量（Tensor）定义的字符串，指定ONNX类型和张量维度（例如[a,b,c]）。

2.图形化表示（BoxedFunction）

在决策逻辑层，用户可以使用盒装函数定义（BoxedFunctionDefinition）来表示。在函数框的“Kind”部分明确标注为ONNX，此时函数体不再是FEEL表达式，而是上述的映射信息。

3.数据类型映射与张量（Tensor）处理

DMN定义了FEEL数据域与ONNX域之间的严格映射规则，以确保数据能够正确传递给AI模型：

• 基本类型映射：FEEL中的number可以映射为ONNX的FLOAT、INT32、DOUBLE等；string映射为STRING；boolean映射为BOOL。

• 张量（Tensor）表示：在FEEL中，每个张量被表示为一个上下文（Context），其中包含ONNX类型名称字符串、表示维度的列表以及具体数值列表。

• 集合处理：FEEL的list类型被映射为ONNX的连续数组（Contiguousarray）。

4.调用与执行逻辑

• 参数识别：DMN实现工具通过分析ONNX模型的protobuf数据结构来确定所需的输入参数及其张量类型。

• 自动转换：当调用该函数时，输入参数会自动从FEEL类型转换为ONNX类型。如果无法转换，则代以null。

• 结果返回：如果ONNX模型返回单个预测输出，该值将直接作为函数的返回结果。

• 语义约束：DMN规范建议外部定义的函数应当是无副作用且确定性的，即相同的输入应始终产生相同的模型输出。

通过这种方式，DMN1.6将“规则驱动”的决策与“数据驱动”的AI模型有机结合，使企业能够在统一的决策图（DRD）中管理复杂的分析预测逻辑。