Drools 7.67.0 + DMN 1.2 + SpringBoot3 构建规则引擎

1.Working Memory（工作内存）
2.Rule Base（规则库）
3.Inference Engine（推理引擎）

1.Pattern Matcher（匹配器）
2.Agenda（议程）
3.Execution Engine（执行引擎） 

1.Working Memory：工作内存，Drools规则引擎会从Working Memory中获取数据并和规则文件中定义的规则进行模式匹配，
所以我们开发的应用程序只需要将我们的数据插入到Working Memory中即可。
2.Fact：事实，是指在Drools规则应用当中，将一个普通的javaBean插入到Working Memory后的对象就是Fact对象。
Fact对象是我们的应用和规则引擎进行交互的桥梁或通道。
3.Rule Base：规则库，我们在规则文件中定义的规则都会被加载到规则库中。
4.Pattern Matcher：匹配器，将Rule Base中的所有规则与Working Memory中的Fact对象进行模式匹配，匹配成功则被激活并放入Agenda中。
5.Agenda：议程，用于存放通过匹配器进行模式匹配后被激活的规则。
6.Execution Engine：执行引擎，执行Agenda中被激活的规则。

在AI领域，DMN可以和机器学习、专家系统等技术结合使用。例如，一个复杂的AI系统可能会使用机器学习模型来处理大量的输入数据，并生成一些初步的结果。然后，
这些结果可以被输入到一个DMN决策模型中，以便应用更高级别的业务规则和逻辑。此外，DMN也可以用于解释AI决策。由于DMN模型可以被人类理解，因此它们可以用来解释
AI系统是如何根据输入数据做出决策的。这对于提高AI系统的透明度和可信度非常重要。然而，虽然DMN在某些情况下可以和AI技术结合使用，但它并不是AI技术本身。
DMN是一种决策建模工具，而AI是一种用于处理和理解数据的技术。

DMN（Decision Model and Notation）在AI领域的应用还可以包括以下几个方面：
1. 自动化决策制定：AI系统经常需要做出复杂的决策。通过使用DMN，我们可以创建详细、精确且可执行的业务规则模型来指导这些决策过程。这种方式不仅提高了效率，
也使得结果更加可预测和一致。3. 解释性AI (Explainable AI): DMN 可以作为一个工具帮助人们理解和信任 AI 决策过程。例如，在金融服务中，如果一个贷款申请被拒绝, 使用 DMN 
的逻辑模型能够清晰地展示哪条规则或条件导致了该结果, 这样就增强了系统对用户而言的透明度.
2. 集成与协同工作: 在许多情景下, 机器学习算法生成预测值是第一步, 然后再结合业务规则进行最后决定输出(如风险评估、审批流程等). 这时候就需要把ML和
Rule Engine 结合起来共同工作.
3. 优化决策过程：在某些情况下，AI系统可能需要处理大量的决策变量和约束条件。DMN可以帮助建立一个清晰的决策模型，使得优化算法能够更有效地找到最优解。
4. 模拟和预测：DMN模型可以用于模拟不同的决策路径和结果，从而帮助预测未来的业务情况。这对于战略规划和风险管理非常有用。