AI校验系统架构：五层模型怎么落地？

说实话，我第一次接触AI药物批次校验的时候，脑子里也是一团乱麻。数据怎么来？模型怎么跑？结果怎么给审计看？这些问题如果不从架构层面想清楚，后面全是坑。

我2019年参与第一个AI药品检验项目的时候，团队就犯过这个错 — 代码先写起来了，架构回头再补。结果呢？数据采集接口换了三版，模型部署路径改了五次，合规文档直接重写。从那以后，我养成了一个习惯：不管项目多急，先把架构层画清楚。

今天我就把这套五层架构掰开讲给你听。

架构总览：一个串起来的管道

AI校验系统不是单点工具，它是一整条链路。我习惯把它分成五层：

• 数据采集层 — 从设备和系统里把原始数据捞出来
• 处理层 — 把脏数据洗干净，变成模型能吃的特征
• 模型层 — 运行校验算法，给出推荐结论
• 应用层 — 把模型结果包装成业务人员能用的功能
• 合规层 — 保证每一步都有据可查，经得起审计

你想想看，这就像一条生产线。原料进来，经过五道工序，最后出来的是合格品。哪一道出问题，整批都得废。

数据采集层：源头决定质量

这一层就干一件事 — 把设备、LIMS系统、ERP系统里的原始数据搬到校验系统里来。听起来简单？实际操作起来全是细节。

我在项目中遇到过一种情况：某台液相色谱仪输出的CSV文件居然不带时间戳。你想想看，批次校验里时间戳是命根子，没有它你根本没法追溯。后来我强制要求所有数据源必须提供 采集时间、设备ID、批次号 三个字段，缺一不可。

采集方式一般有三种：

处理层：原始数据到可用特征

原始数据大多是脏的。空值、乱码、格式不统一、单位错误 — 我见过一张表里同时出现 "mg/mL" 和 "g/L"，还没做备注。处理层的任务就是把这些乱七八糟的东西变成标准化的特征向量。

我的做法是三步走：

• 清洗 — 去重、补缺失值、剔除异常值。异常值怎么判？业内常用3σ规则或者IQR方法
• 转换 — 单位统一、时间戳格式化、文本归一化。我习惯把所有时间统一转成UTC
• 特征工程 — 从原始字段里衍生出业务特征。比如从「检测时间」和「批号」算出「批次日产量」

处理层的输出是一张特征宽表，每一行对应一次检测，每一列是一个标准化特征。模型层直接拿这张表干活。

模型层：推荐与决策

模型层运行的是已经训练好的校验模型。我这里说的「模型」不一定是深度学习 — 随机森林、XGBoost、甚至简单的规则引擎都有可能，关键看业务场景。

模型层要做的事情包括：

• 加载模型文件（ONNX、PMML 或者直接用 pickle 存）
• 对输入特征做推理
• 输出校验结果 — 通过/不通过 + 置信度
• 如果置信度低于阈值，标记为「人工复核」

我建议模型层的输入输出都用 JSON 格式，方便上下游对接。举个例子：

{
  "batch_id": "BATCH-202504-001",
  "features": {
    "assay_pct": 98.7,
    "impurity_ppm": 12.3,
    "dissolution_rate": 85.2
  },
  "model_output": {
    "prediction": "PASS",
    "confidence": 0.94,
    "threshold": 0.85
  }
}

应用层：连接算法与业务

模型层输出的是技术结果，应用层要把它翻译成业务人员能理解的东西。说白了，就是做界面、做报警、做报告。

我在项目中习惯把应用层拆成三个模块：

• 结果看板 — 展示批次校验状态、合格率趋势、异常批次清单
• 复核工作台 — 给质检人员用的，展示模型结论和原始数据，支持人工修改
• 报表生成 — 按批次或按时间段生成PDF/Excel报告，格式要符合GMP要求

这里有个细节：应用层不能直接改模型层的输出。如果质检员人工复核后判定不一样，应用层要开一条「复核记录」，而不是覆盖原结果。合规层就靠这个。

合规层：让审计安心

这一层是AI校验系统区别于普通ML系统的地方。没有合规层，模型再准也没人敢用。

合规层做的事情很「重」：

• 全链路审计日志 — 谁在什么时间改了哪个批次的数据？模型版本是多少？全得记下来
• 模型版本管理 — 每个批次用哪个模型版本校验的，必须能追溯。我建议用Git LFS存模型文件，每次部署打tag
• 电子签名 — 关键操作（比如人工复核改结论）必须走电子签名流程，符合21 CFR Part 11
• 数据完整性检查 — 定期算校验和，保证数据在存储和传输中没有被篡改

合规层不是后加的装饰，它必须贯穿整个架构。我习惯在每一层的接口设计时就留好 trace_id 和 operator 字段，后面补的话代价太大。

小总结：这五层怎么跑起来？

一张图讲清楚整个流程：

1. 数据从采集层进来，带上批次号和采集元数据
2. 处理层清洗转换，生成特征宽表，同时写一条「处理完成」审计日志
3. 模型层读取特征，跑推理，输出结果，再写一条「推理完成」日志
4. 应用层展示结果，如果人工复核了，再写一条「复核记录」
5. 合规层随时可以查任意批次的完整链路 — 从原始数据到最终结论，一个不漏