-
玩转SPC系列05：SPC如何结合AI大模型
玩转SPC系列文章：
AI进入SPC，首先要明确它不做什么
制造业的数据越来越多，AI也开始进入质量管理领域。
从控制图识别、异常分析到大模型生成报告，AI与SPC正在产生越来越多的结合方式。但真正落到质量工作中，首先需要回答的并不是“使用哪个模型”，而是：
AI应该在SPC中承担什么工作？
斌果SPC的思路很明确：
专业计算交给专业工具，AI负责理解和解读结果。
SPC的数值计算，不能交给AI
SPC首先是一套严谨的统计方法。
中心线和控制限如何确定，哪些数据点触发了判异规则，过程是否稳定，Cp、Cpk、Pp、Ppk如何计算，都有明确的统计定义和计算过程。
这些结果需要能够重复计算，也要能够追溯和验证。在相同的数据、参数和规则下，无论什么时候重新分析，都应该得到一致的结果。
大模型擅长理解语言、整理信息和归纳内容，但它并不是专业的统计计算引擎。如果直接让AI根据原始数据计算控制限、能力指数或者判异结果，答案就可能受到模型版本、提示词和上下文的影响。
对于普通内容生成，这种差异也许可以接受；但对于质量分析，关键数值不能随着模型变化。
因此，在斌果SPC中，AI不负责重新计算SPC，也不替代已有的统计分析方法。
千万不能把一组数据直接发给AI让他算控制图、CPK PPK
先由SPC计算，再由AI解读
斌果SPC采用的是一条比较清晰的处理路径：
原始数据 → 专业统计计算 → 结构化分析结果 → AI解读
控制图、过程能力、判异规则、正态性检验和分布拟合，首先由SPC统计引擎完成。AI接收到的，是已经形成的分析上下文，而不是一项等待它自行计算的统计任务。
在检测项目的SPC分析页面中，提供给AI的内容包括项目与规格信息、子组设置、自定义控制限、当前查询条件，以及页面上已经生成的控制图。
每张控制图还会带有中心线、上下控制限、启用的判异规则、异常点及相应数据明细。已经完成的过程能力、正态性检验和分布拟合结果，也会一并作为分析依据。需要结合图形判断时，还可以把控制图发送给AI。
在这些结果之上，AI可以说明当前过程是否稳定、哪些异常信号值得关注、能力不足可能表现在哪些方面，并将分散在图表和指标中的内容整理成一份SPC分析报告。
单独的过程能力分析也采用相同方式。Cp、Cpk、Pp、Ppk、预估不合格率、正态性检验、Box-Cox变换和控制图判异均由专业工具完成，AI只负责解释这些结果之间的关系。
另外生成的专业分析图表，一般人看起来还是有难度的，这样图表也可以直接发给AI解读。
关键不是让AI“再算一遍”，而是让它把已经算出的结果讲明白。
MSA同样遵循这一原则
SPC关注过程是否稳定、是否具备持续满足要求的能力；MSA关注测量系统本身是否可靠。
两者分析的对象不同，但对结果的要求相同：必须准确、可重复、可追溯。因此，MSA也不能把关键指标交给AI自由计算。
在交叉量具R&R和嵌套量具R&R中，方差分析、方差分量和量具评估先由MSA工具完成。AI在这些结果的基础上，进一步解读重复性、再现性以及主要变差来源。
在线性与偏倚研究中，回归系数、各参考值的偏倚、显著性和拟合结果先完成计算，AI再说明量具是否存在显著偏倚，以及偏倚是否随测量范围发生变化。
在属性一致性分析中，检验员自身一致性、检验员之间的一致性、与标准的一致性，以及Kappa、Kendall等统计量，同样先由专业工具计算。AI负责把这些指标整理成更容易理解的测量系统评价。
计算的依据仍然是MSA方法，AI补充的是对结果的理解。
统计分析也保持相同边界
这一分工也延伸到了方差分析和回归分析。
方差分析中的平方和、自由度、均方、F值和P值，由统计工具计算。AI可以进一步解释组间差异是否显著，以及这些结果能够支持怎样的判断。
回归分析中的模型拟合、回归方程、系数、R²和P值，同样由统计工具产生。AI负责解读变量之间的关系、模型的拟合程度，以及使用结果时需要注意的限制。
公式属于专业计算，含义属于分析解读。把两者分开，统计结果才能保持稳定，AI的优势也才能真正发挥出来。
AI可以更换，统计结果不能漂移
企业可以根据自身需要接入不同的大模型，也可以设置模型的角色、分析口径和表达方式。
模型可以升级，报告的语言风格也可以改变。但在相同数据和分析条件下，控制限、Cpk、%GRR、F值和P值不能随着模型变化。
AI输出的是对统计结果的理解，而不是统计事实本身。所有重要结论，都应该能够回到SPC或MSA页面上的计算结果，回到具体控制图、异常点和统计指标。
这也是斌果SPC对AI的定位：不是用AI替代传统统计方法，而是在专业计算完成之后，帮助使用者更快读懂结果、抓住重点，并形成便于沟通和决策的分析内容。
SPC和MSA负责把结果算准确，AI负责把结果讲明白。
本页面文章与公众号同步。
微信扫码关注