Amazon供应链异常：模型怎样把业务判断学成可执行规则

供应链指标突然下降，可能是故障，也可能是改善；长期为零后略微升高，模型又可能在“正常”与“异常”之间反复摇摆。Amazon 的作者没有把每周海量检测都交给在线模型，而是让模型先参与标注和规则学习，最终执行一套明确、可读的条件。

值得拆解的不只是“离线智能、在线规则”这个结论，而是业务判断怎样进入标签，规则怎样依据误报与漏报改动，以及为什么一次新生成不会自动替换原规则。论文v1，§II

标签同时保存判断与理由

标注输入包括时间序列图、业务背景和领域指导，输出包括异常／正常及判定理由。作者选择图形输入，一方面便于与专家的观察方式对照，另一方面希望减少模型处理长数值序列的精度问题；这不意味着图形本身提供了独立真值。

为减少随机差异，方法使用两层共识：每个模型对同一点多次判断，先取该模型的多数票；不同模型的多数结论一致时，才接受该标签。相同输入仍可能在边界情况上分歧，因此专家抽查一致与不一致样本，调整指导和必要的确定性过滤规则。§II-A

论文给出的真实研究观察是：长时间为零以后中度升高，会造成不稳定判断。模型反复标注使这个模糊边界变得可见，专家再明确何时应算异常。人的工作不是替模型逐点重做所有标注，而是负责定义系统究竟在识别哪种业务问题。

这一步留下三个后续输入：时间序列、标签、理由。理由不是附加装饰，它将继续用于提炼规则。

规则原型结合语义模式与普通统计

原型生成分两路准备材料。模型从标注理由里提取“近期”“明显更高”“打破既有趋势”等定性模式；普通 Python 统计则计算历史分布、标准化偏离、趋势和零值模式。推理模型结合两路材料，输出符合指定格式的可执行规则。§II-B1

数值计算没有交给模型凭语言完成。标注阶段提供的业务语义，也没有要求原型生成时从头猜一遍。两部分共同约束候选：解释提供应关注的模式，统计提供可以计算的条件。

规则一旦形成，就能检查、版本化和快速执行。它适合可表达成稳定条件的判断；若工作仍需要开放式调查，规则只能筛出值得追查的对象，不能代替调查结论。

一轮修改怎样被接受或拒绝

论文 Algorithm 1 区分了当前规则和迄今最佳规则，还保存修改轨迹。用中文展开其控制关系如下：

1. 执行当前规则，得到精确率、召回率与F1，并从混淆矩阵区分过于保守或过于激进。前者可能漏掉真异常，后者可能制造过多误报。
2. 将当前规则、错误模式和历史轨迹提供给模型，要求它提出有方向的修改，而不只是“提高准确率”。
3. 执行新候选并重新评分。只有比最佳结果更好，才更新最佳规则；只有比当前结果更好，才把它作为下一轮出发点。
4. 重复至算法预算结束，返回最佳规则、指标与轨迹，而非最后一次模型输出。

轨迹包含过往规则、表现和修改结果，使之后的生成能参考失败尝试。重要控制是“生成候选”和“接受候选”分开：模型可以提出修改，执行与指标决定是否推进。论文也考虑规则执行失败等边界，不能只给可以正常运行的候选计分。§II-B2、Algorithm1

外围学习过程还有学习／验证划分、多起点以及目标分数、最大轮数和连续无改善等停止条件。论文把一部分用于最终候选选择的数据称为 held-out test；这个名称不能自动证明它从未参与选择。准备复现时，应分别保留调参、候选选择和最终报告数据的用途，避免把选择集成绩又当成独立泛化证明。§II-B3

检测条件与业务类别不要悄悄互相改写

第三阶段为规则增加业务类别，例如不同程度的缺货或库存压力。作者明确说明，这个增强层不修改原检测逻辑：它解释命中的异常属于什么，而不是为了得到更顺畅的说明改变告警。

这使两种变化可以分别验收。检测逻辑改动，要看漏报、误报与运行；类别改动，要看是否正确解释命中条件、能否帮助分析人员处理。类别名称仍不是已证实根因，规则命中也不等于某项补货或促销动作已经获准。§II-C

生产披露与实验，回答的是不同问题

作者报告规则已用于周度商品检测。公开评价使用10K商品、53周数据，学习数据与该评价集不重叠；标签仍来自模型标注及专家审阅，并非全部记录的独立人工金标。

在表III中，规则F1为92.01%，论文在SageMaker ml.r7i.48xlarge环境中报告，规则处理这批10K商品耗时4.27秒。直接模型对照的部分F1更高，但慢得多，且重复检测并不完全一致。这解释了为何批量生产可能选择明确规则，而不是证明规则在所有目标上更好。节假日滚动窗口的实验还检查了分布变化，但私有指标定义与完整数据没有公开，读者不能把论文条件直接迁到自家库存。§III、表III、图3

先定义一条告警交给谁

迁移时可以先选一个已有行动队列的指标，保留人工或现有规则基线。把模型学习留在离线，候选先并行检测而不直接改变业务动作。对旧新规则分歧，记录人工判断、是否触发有效处置、处置人和审阅时间；另查未告警样本，避免只统计已收到的告警。

是否引入这套学习环节，还取决于规则维护的真实负担。少数稳定条件由人维护可能更便宜；反例与更新已经难以扩展时，才值得增加标注、优化、回归与版本回退成本。试点的交付应是一套有依据、能执行、能解释、能退回的规则，而不是一批看似聪明的异常理由。