1. 课程导入与全景认知

工程项目风险预测与预警，核心任务不是“做一个AI模型”，而是把施工现场、合同、进度、成本、质量、安全、环境等多源信息，转化为可提前判断的异常信号，并在损失发生前触发分级响应。学习本课程后，你应当能够回答四个问题：风险从哪里来、数据如何变成指标、模型如何给出预警、预警如何落到管理动作。这四问构成了从数据到预警的总体框架，也是后续各章反复使用的分析主线。

先明确几个核心概念。风险指未来可能发生、且一旦发生会对进度、成本、质量或安全目标造成不利影响的不确定事件；风险预测是在事件尚未发生或尚未完全暴露时，估计其发生概率与影响程度；风险预警则是在预测基础上，按阈值和规则输出分级信号，并绑定责任人与处置时限。三者关系可以概括为：风险是对象，预测是判断，预警是行动。AI介入的价值边界也由此确定：AI擅长从高维、非线性、时序数据中发现弱信号和模式，但不替代合同解释、现场判断和最终决策。模型输出的是“概率与证据”，管理者输出的是“决策与责任”。

从数据到预警的总体框架，可以拆成五层。第一层是数据采集层：包括进度计划与实际完成量、成本台账、安全检查记录、设备运行参数、环境监测值、合同变更与签证记录等。第二层是特征与指标层：把原始数据加工成可比较、可追踪的风险指标，例如进度偏差率、成本偏差率、隐患重复发生率、设备超限频次。第三层是模型与规则层：用统计方法、机器学习或规则引擎，对指标进行概率估计和异常检测。第四层是预警分级层：按阈值把风险划分为不同等级，并匹配响应策略。第五层是处置与反馈层：把预警推送给责任人，记录处置结果，并将结果回流为模型更新和阈值调整的依据。这五层不是单向流水线，而是带反馈的闭环。

为了更直观地理解这一框架，下面用一张结构关系图展示从数据源到预警响应的主要对象、流向与反馈路径。图中同时标出了AI介入的位置和人工决策的边界。

图中左侧的示例指标说明了“数据如何变成可判断的信号”。以进度偏差率为例，若某分项工程计划完成量为1000单位，实际完成量为850单位，则进度偏差率为15%。这个数值本身不是预警，只有把它与历史同期、合同允许偏差、关键路径影响结合，才能判断是否触发预警。假设该项目关键路径允许偏差为8%，当前15%已明显超出，且连续两周扩大，则可判定为橙色预警。这里的关键不是公式本身，而是参照系的选择：偏差率的分母是计划完成量，正负号表示滞后或超前，全文和图示必须保持一致。

再看成本偏差率。若预算成本为200万元，实际成本为218万元，则成本偏差率为9%。如果合同约定成本偏差超过5%需启动纠偏，那么9%已经越线。但AI系统不会只输出“9%”，而应同时给出证据：哪几项费用超支、超支发生在哪个时间段、是否与某次设计变更相关。这样管理者才能判断这是趋势性风险还是偶发波动。这也是本课程强调“证据链”的原因：预警必须可追溯、可解释、可复核。

AI介入的价值边界，可以用三句话概括。第一，AI擅长处理高维、时序、非线性的数据关系，例如从设备振动、温度、电流的微小变化中提前发现故障征兆。第二，AI不擅长处理合同语义、责任归属、现场突发社会因素等需要经验和授权的问题。第三，AI的输出应当定位为决策支持，而不是自动决策。一个可用的预警系统，必须让管理者看懂“为什么预警”，否则再高的准确率也会被现场忽略。

从工程实践角度看，风险预测与预警的落地通常遵循“先规则、后模型、再闭环”的路径。初期可以用专家规则和阈值快速建立预警能力，例如“进度偏差率连续两周超过8%触发黄色预警”；中期引入历史数据训练模型，提升对复杂组合风险的识别能力；后期把处置结果回流，形成“预警—处置—评估—优化”的持续改进循环。这条路径不追求一步到位，而是让系统在使用中逐步变得可靠。