KI kann in diesem Zusammenhang Variablen berechnen und im Sinne der Augmented Intelligence Entscheidungswege vorschlagen oder zukünftig durch Autonomous Intelligence einen präskriptiven Weg errechnen.

Im Geschäftsleben nutzen prädiktive Modelle Muster aus historischen und transaktionalen Daten, um Risiken und Chancen zu identifizieren. Modelle erfassen Beziehungen zwischen vielen Faktoren, um die Bewertung von Risiken oder Potenzialen im Zusammenhang mit einer bestimmten Reihe von Bedingungen zu ermöglichen und die Entscheidungsfindung für Bewerbertransaktionen zu leiten.

Der entscheidende funktionale Effekt dieser technischen Ansätze besteht darin, dass die prädiktive Analytik für jeden Einzelnen (Kunde, Mitarbeiter, Patient, Produkt-SKU, Fahrzeug, Komponente, Maschine oder andere Organisationseinheit) einen prädiktiven Wert (Wahrscheinlichkeit) liefert, um organisatorische Prozesse zu bestimmen, zu informieren oder zu beeinflussen, die sich auf eine große Anzahl von Personen beziehen, wie z.B. in den Bereichen Marketing, Kreditrisikobewertung, Betrugserkennung, Fertigung, Gesundheitswesen und Regierungsoperationen einschließlich Strafverfolgung.

Predictive Analytic wird in den Bereichen Aktuarwissenschaften, Marketing, Finanzdienstleistungen, Versicherungen, Telekommunikation, Einzelhandel, Reise, Mobilität, Gesundheitswesen, Kinderschutz, Pharmazeutika, Kapazitätsplanung, soziale Netzwerke und anderen Bereichen eingesetzt.

Eine der bekanntesten Anwendungen ist das Credit Scoring, das in allen Finanzdienstleistungen eingesetzt wird. Scoring-Modelle verarbeiten die Kreditgeschichte, den Kreditantrag, die Kundendaten usw. eines Kunden, um Einzelpersonen nach ihrer Wahrscheinlichkeit, zukünftige Kreditzahlungen rechtzeitig zu leisten, zu ranken.

Die Prescriptive Analytics antizipiert nicht nur, was passieren wird und wann es passieren wird, sondern auch, warum es geschehen wird. Darüber hinaus schlägt die präskriptive Analytik Entscheidungsoptionen vor, wie man eine zukünftige Chance nutzt oder ein zukünftiges Risiko mindert, und zeigt die Auswirkungen jeder Entscheidungsoption auf. Die Prescriptive Analytics kann kontinuierlich neue Daten aufnehmen, um sie neu zu prognostizieren und neu zu verschreiben, wodurch die Vorhersagegenauigkeit automatisch verbessert und bessere Entscheidungsoptionen vorgeschrieben werden. Die Prescriptive Analytics nimmt hybride Daten auf, eine Kombination aus strukturierten (Zahlen, Kategorien) und unstrukturierten Daten (Videos, Bilder, Sounds, Texte) sowie Geschäftsregeln, um vorherzusagen, was vor uns liegt, und um vorzuschreiben, wie man diese vorhergesagte Zukunft nutzen kann, ohne andere Prioritäten zu gefährden.

Alle drei Phasen der Analytik können durch professionelle Dienstleistungen oder Technologie oder eine Kombination durchgeführt werden. Um skalierbar zu sein, müssen die Technologien der präskriptiven Analytik angepasst werden, um dem wachsenden Datenvolumen, der Geschwindigkeit und der Vielfalt der Daten Rechnung zu tragen, die die meisten unternehmenskritischen Prozesse und ihre Umgebung produzieren können.

Eine Kritik an der präskriptiven Analytik ist, dass ihre Unterscheidung von der Predictive Analytics schlecht definiert und damit schlecht durchdacht ist.

Im Allgemeinen sind Designs, die gut funktionieren, nicht darauf angewiesen, geheim zu sein. Obwohl nicht zwingend erforderlich, bedeutet angemessene Sicherheit in der Regel, dass jeder das Design kennen und verstehen darf, weil es sicher ist. Dies hat den Vorteil, dass viele Menschen den Computercode betrachten, was die Wahrscheinlichkeit erhöht, dass Fehler früher gefunden werden (siehe Linus‘ Gesetz). Angreifer können auch den Code erhalten, was es ihnen erleichtert, ebenfalls Schwachstellen zu finden.

Außerdem ist es wichtig, dass alles mit den geringstmöglichen Privilegien funktioniert. So kann beispielsweise ein Webserver, der als administrativer Benutzer („root“ oder admin) läuft, die Berechtigung haben, Dateien und Benutzer zu entfernen, die nicht dazugehören. Ein Fehler in einem solchen Programm könnte das gesamte System gefährden, während ein Webserver, der innerhalb einer isolierten Umgebung läuft und nur die Privilegien für die erforderlichen Netzwerk- und Dateisystemfunktionen besitzt, das System, auf dem er läuft, nicht gefährden kann, es sei denn, die Sicherheit um ihn herum ist an sich ebenfalls fehlerhaft.

Secure by Design findet rege Anwendung im Bereich des Machine Learnings.

Der Ansatz von Cavoukian in Bezug auf den Datenschutz wurde als vage, schwer durchsetzbar, schwer anwendbar auf bestimmte Disziplinen, sowie als Vorrang der Unternehmensinteressen vor den Interessen der Verbraucher und als unzureichende Betonung der Minimierung der Datenerfassung kritisiert.

Die europäische GDPR-Verordnung berücksichtigt den Datenschutz durch Design.

KIs könnten in naher Zukunft Konzepte auf Basis von Privacy by Design entwickeln und etwaige Schwächen ausgleichen. Siehe auch Machine Learning.

Die Kernidee eines Clusters ist, dass Objekte im selben Cluster über „ähnliche“ Eigenschaften verfügen und sich von Objekten, die nicht im selben Cluster sind, dadurch unterscheiden.

In der Entscheidungsanalyse kann ein Entscheidungsbaum verwendet werden, um Entscheidungen und Entscheidungsfindungen visuell und explizit darzustellen. Im Data Mining beschreibt ein Entscheidungsbaum Daten (der resultierende Klassifikationsbaum kann jedoch eine Entscheidungsgrundlage sein).