📚 课程目录第4章 AI辅助决策点的识别

4. AI辅助决策点的识别

本章聚焦于如何在已建模的流程中系统性地识别可引入AI能力的决策点，并对每个决策点给出三种机制——判断规则、机器学习、异常处理——的适用性判定。识别结果直接决定后续建模阶段采用何种AI策略，是需求建模从“流程描述”跨入“智能设计”的关键门槛。

4.1 适用场景

三种决策机制在流程中的适用边界有明显差异，需根据决策点的确定性程度、数据丰裕度和业务容忍度做首次筛选。

决策机制	适用场景特征	典型流程示例	不适用反例
判断规则	逻辑确定、条件可枚举、无歧义	审批金额阈值、状态机流转、权限校验	语义理解、模糊匹配、动态策略
机器学习	模式复杂、数据充沛、允许概率输出	信用评分、影像分类、意图识别	强监管要求全可解释、样本极少
异常处理	需要监控偏离、故障容错、人工兜底	系统超时重试、数据漂移告警、违规操作阻断	正常态高频决策、延迟敏感型（ms级）

    要点：一个决策点可同时部署多种机制（如规则兜底 + ML主决策 + 异常监控），但首次建模建议先选择主导机制，避免过度设计。

4.2 前置条件

流程节点已建模：至少完成L3级（活动级）BPMN或流程图，每个节点有明确的输入输出定义。
决策点初筛清单：已通过人工走查或自动化扫描标记出所有包含“判断/分支/条件/异常”的节点。
历史数据可用：对于ML适用性评估，至少需要3个月以上的决策日志（含特征与结果）。
业务规则文档化：现有规则手册或决策表需经业务方确认版本有效。

4.3 操作步骤

标记流程中的决策节点
遍历流程模型，将包含“如果…则…否则…”、“当…时触发”、“异常转人工”等逻辑的节点列入候选清单。
采集决策特征与历史记录
从流程日志、数据库、业务系统中提取每个决策节点的输入特征、决策结果、执行耗时和异常标记。
评估决策确定性
按确定性从高到低分为三级：确定型（单一条件可完全描述）、统计型（存在概率分布）、未知型（无法预定义逻辑）。确定型优先分配规则，统计型评估ML，未知型纳入异常监控。
配置决策机制参数
根据评估结果为每个决策点编写机制配置。规则引擎配置示例：

{
  "decision_point": "invoice_approval",
  "primary_mechanism": "rule",
  "rules": [
    {
      "id": "R001",
      "condition": "invoice_amount <= 10000 AND risk_level == 'low'",
      "action": "auto_approve",
      "fallback": "escalate_to_manager"
    },
    {
      "id": "R002",
      "condition": "invoice_amount > 100000 OR risk_level == 'high'",
      "action": "block_and_review",
      "notify": ["finance_ops", "compliance"]
    }
  ],
  "anomaly_trigger": {
    "metric": "approval_latency",
    "threshold_ms": 30000,
    "action": "switch_to_ml_predict"
  }
}

异常检测阈值配置示例（YAML 格式）：

anomaly_detection:
  point_id: "order_routing"
  sliding_window: 300s
  triggers:
    - metric: "error_rate"
      operator: "gt"
      value: 0.05
      cooldown: 120s
      action: "redirect_to_fallback_queue"
    - metric: "throughput_drop"
      operator: "lt"
      value: 0.3
      duration: 60s
      action: "alert_operator"
  ml_fallback:
    enable: true
    min_confidence: 0.75
    retry_count: 2

交叉验证与机制确认
将配置后的决策机制与业务方、数据方进行三方评审，确认每个决策点的机制选择符合业务预期，并签署确认记录。

4.4 输入输出物

物料名称	类型	说明	来源/去向
流程模型（L3+）	输入	含活动节点、网关、事件流的可执行流程定义	流程设计阶段输出
决策点候选清单	输入/输出	标记了所有待评估决策点的表格，含节点ID、类型、候选机制列	流程分析师提供，本章输出最终版
决策机制配置包	输出	每个决策点的规则配置、ML模型需求说明、异常触发器配置（JSON/YAML）	交AI工程团队实现
决策机制评估报告	输出	含确定性分级、数据充足性检查、机制对比矩阵	归档至项目知识库

4.5 责任边界

角色	职责	交付物	决策权限
流程分析师	标记决策节点、采集特征、编写规则配置	决策点清单、规则配置JSON	建议机制，无最终决定权
AI工程师	评估ML可行性、提供模型选型建议	ML适用性评估表	对ML机制有一票否决权（若数据或算力不足）
运维工程师	配置异常触发器、设定告警阈值	异常检测配置YAML	对生产级阈值有调整权
业务负责人	确认业务逻辑、签署机制选择	评审确认记录	最终审批权

4.6 记录材料

决策点登记表（模板）：字段包含节点ID、节点名称、流程名称、决策类型、候选机制、确定性等级、数据可用性、备注。
决策机制评估表（模板）：字段包含决策点ID、规则完整性评分、ML数据量评估、异常可监控性、推荐机制、评审结论。
三方评审会议纪要：记录业务、流程、AI三方对每个决策点的最终决议及遗留问题。

模板建议：使用统一ID前缀（如 DP-{流程编号}-{序号}）管理决策点，便于后期追溯和配置关联。

4.7 异常处理

异常A — 决策点遗漏
现象：评审时发现流程中存在未被标记的隐性决策点。
处理：回溯流程模型，补充遗漏节点并重新执行步骤1-3；在登记表中标注“补录”。
异常B — 规则逻辑冲突
现象：同一决策点的多条规则出现条件重叠且结论相反。
处理：触发规则冲突检测算法，按优先级+特例优先原则消解；若无法消解则升级为ML机制。
异常C — ML数据量不足
现象：评估时发现历史样本 < 1000条或特征缺失率 > 40%。
处理：标记为“ML待定”，临时使用规则兜底；同时启动数据补采计划，达标后再评估。
异常D — 异常误触发
现象：配置的阈值在生产环境中频繁误告警（> 5%误报率）。
处理：触发阈值自修正流程，基于最近7天数据重新计算P95/P99阈值，并通知运维审核。

注意：异常处理本身也需要设置“防抖”和“冷却期”，避免因瞬时波动导致机制频繁切换，影响流程稳定性。

4.8 验收标准

决策点识别完整率 ≥ 95%：以业务方最终确认为基准，遗漏决策点数量 ≤ 总决策点数的5%。
机制选择合规率 = 100%：每个决策点均完成确定性分级 + 数据检查 + 三方评审，且评审记录签字归档。
配置可执行率 ≥ 90%：输出的规则配置和异常触发器配置可通过语法校验，并在测试环境一次性加载成功。
异常覆盖度 ≥ 80%：对每个决策点至少识别出1种潜在异常场景并配置了对应触发器或兜底策略。