「报一次误报,模型学一次」这句话本身没问题,但它容易被读成一个自动过程:报了就会变好。实际发生的事有三段——归因、入集、验证——任何一段缺失,反馈就只是在记账。更要紧的是,这条路是双向的:同一个机制既能把边界推向更准,也能把它推向放过真缺陷,而后一种每次都让误报数字更好看。
本文用到的 ACI 是「自动认知检测」(Automated Cognitive Inspection)的缩写—— AI AOI 的下一代提法:保留 A(自动)与 I(检测),把 O(光学)换成 C(认知),因为判定依据是认知而不是成像方式。完整论证见从 AI AOI 到 ACI。
一、一次翻转到底给了模型什么
先看信息量。一次复核翻转说的是:某一张图上的某一个判定,人认为反了。这是一个样本上的一个比特,凭它本身改不动任何模型。
让它变得有用的是归因。「这个位号的这张图是好的」几乎没有价值,因为这个位号下次就不在那儿了;「这一类元件在这种表面状态下是好的」才有价值,因为这句话对以后所有同类元件都成立。
所以反馈的第一步不是训练,是归类。归不到类的翻转,不管记录得多完整,都只是一条日志。
二、学习的单位是元件类别,不是那张图
判据挂在元件上之后,良品的描述是按元件类别组织的。一次翻转做的事,是把这个样本收回它所属类别的良品集,那一类的边界因此往外推一点。
推多少由分母决定。类别里已经有几百个样本时,一次翻转几乎推不动;只有十几个时,一次翻转的影响很大。
新料号反馈见效快、成熟料号「没反应」——不是失灵,是分母不同。
这解释了产线上一个常见的困惑。它也提示了一件事:对成熟类别,单条反馈不该被期待有立竿见影的效果,该看的是一段时间内同类翻转的聚集位置。
三、「越用越准」需要三个条件
这句话成立有前提,三个条件缺一条,反馈学习就退化成一张误报记录表:
- 可归因:翻转要能落到一个元件类别与一种变异类型上。复核只写「OK」时它落不下去。
- 可留存:样本本身要留下来,不能只留结论。只留结论等于知道答案不知道题目,重训时无从用起。
- 可验证:更新之后要能量出变了什么。量不出来就分不清变准了还是变松了——而这两者的短期表象完全一样。
三条里最常缺的是第一条,而它恰恰是唯一一条要在复核工位上解决的:界面上有没有让人顺手选一个原因,决定了后面两条有没有原料。
四、反向的风险:反馈也能教会模型放过真缺陷
误报的定义把裁决权交给了复核,而复核会错。赶产量的那几个班次里被「先放行」的件,如果照常进了良品集,边界就往真缺陷那一侧推了一段。
这种漂移有三个性质,合起来让它很难被发现:它是单向的,因为纠正它需要有人主动把件退回来,而没有人会去退一个已经判好的件;它是缓慢的,每次只推一点;而且它每次都让误报数字变得更好看。
换句话说,模型学坏的过程,在所有日常看的指标上都表现为进步。它不会自己暴露,通常要到某一次批量流出才被回头查出来。
五、所以必须有一份冻结的对照集
应对办法只有一个方向:留一批样本,不参与任何反馈更新,其中包含已经确认过的真缺陷。每次更新之后在它上面跑一遍,只问一件事——原来抓得到的,现在还抓不抓得到。
这份集子的全部价值在「冻结」二字。一旦它开始跟着反馈一起更新,它就和被测对象同源了,判别力归零:它会对任何变化都报告一切正常,而那份报告与真正的一切正常逐字相同。
这是「批改与验收不能共用同一依据」这条规矩在反馈学习上的具体形态。冻结集要按时间或按产线与训练数据切开,并且它的更换要走一次显式决定,不能顺手补几个进去。
六、反馈修不了的两类问题
分清这两类,能省掉大量「为什么一直学不会」的排查:
- 成像上看不见:缺陷在当前照明、视角或分辨率下根本没有留下信号。再多反馈也学不出不存在的东西,这一类要改的是成像不是模型。
- 判据本身是几何规格:共面度、高度差这类有明确公差,规则层直接给答案更可靠,不该交给学习去逼近。
有一个简单的分辨办法:把那几个漏掉的件调出来,让人在同一张图上看。人也看不出来,就是第一类;人一眼能看出来而模型没报,才轮到反馈学习。
七、谁有权教它
反馈是一种写权限——它改变的不是这一件的判定,是之后所有同类件的判定。按写权限对待它,有三件事要安排:
- 角色分开:报误报的人和批准样本入集的人不必是同一个,尤其在赶产量的时候。
- 成批生效而不是逐条即时:即时生效听起来快,但它让「一次误判入集」与「产线判定变化」之间没有任何缓冲。
- 有版本、可回退:说不清某次更新改了什么的系统,出问题时只能整体推倒重来。
八、怎么验证一次反馈真的生效了
不能只看「后来没再报」。那件东西可能根本没再出现过,而「没出现」与「学会了」在报表上是同一个数字。
可用的做法是两件一起做:把同类的历史样本调出来重跑,看判定有没有按预期变化——这一件证明它学到了;再在冻结对照集上跑一遍,确认原来抓得到的还抓得到——这一件证明它没学坏。
只做前一件,验的是学会没有;只做后一件,验的是有没有学坏。两件都做,才回答得了「这次更新值不值得发」。
九、什么时候不必上反馈学习
不适用情形同样要说清:
- 误报总量本来就低:复核不是瓶颈时,这套机制的维护成本换不回等量的收益。
- 产品生命周期很短:模型还没积累到能看出聚集,机种就换了,分母永远起不来。
- 现场没有稳定的复核流程:反馈学习的输入质量上限就是复核质量,复核随意时它只会更快地学坏——这种情况下不上反而更安全。
第三条值得强调:反馈学习不是一个能独立运转的模块,它是把人的判断规模化。人的判断不稳时,规模化放大的是不稳。
良品集为什么是闭集、边界往哪推,见缺陷是开集,良品是闭集。
「不能用同一批数据既调又验」的完整论证,见阈值是一条曲线,不是一个数字。
这一步在产品上的样子,见反馈学习。
常见问题
报一次误报,模型立刻就变了吗?
通常不会,也不该。一次翻转是一个样本上的一个比特,它对边界的影响由那一类元件里已有的样本数决定——成熟类别里几乎推不动,新料号上影响很大。而且即时生效会让「一次误判入集」和「产线判定变化」之间没有缓冲,成批生效加一次批准更稳妥。
反馈学习会不会把模型教坏?
会。误报的裁决权在复核手里,而赶产量时被先放行的件如果照常进良品集,边界就往真缺陷那一侧推。这种漂移单向、缓慢,而且每次都让误报数字更好看,所以不会自己暴露。唯一的对策是留一份不参与更新的冻结对照集,每次更新后确认原来抓得到的还抓得到。
怎么证明一次反馈真的生效了?
不能只看「后来没再报」——那件东西可能根本没再出现。要两件一起做:把同类历史样本调出来重跑,看判定有没有按预期变化(证明学到了);再在冻结对照集上跑一遍,确认没有退步(证明没学坏)。只做一件都回答不了这次更新该不该发。
本场景的完整方案：AI AOI 软件系统 的完整检测方案
本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。