AI良率损失归因定制：工序时序对齐与贡献度分解

产线良率波动时，常见的排查方式是逐工序看曲线。问题往往不在算法，而在数据本身没对齐：各设备时钟不同步、参数按点位采集、质量结果按批次落库，几套 ID 之间缺少映射，工程师常常先花大半天手工对齐，再去猜原因。

数据分析实验室近期的实验，把这件事拆成两步。第一步是数据侧对齐：以批次/载具 ID 为主键，将各工序过站事件、设备参数与检测结果统一到同一时间基准，形成「批次—工序—参数」事件表，并保留每条记录的时间偏移量，便于回溯时钟漂移与补采。第二步是归因：在事件表上用树模型配合贡献度分解（Shapley 值一类方法），对每个不良批次计算各工序参数的贡献度，输出主责工序与可疑参数区间，而不只给一个异常点位。

要点：
· 阶段进展：在某电子组装线试点，覆盖 9 道工序、约 40 个关键参数，Top-3 归因工序的人工复核通过率约七成，单次异常排查由小时级降到十几分钟量级。
· 下一步：引入轻量的干预检验思路，把相关关系筛成可干预因素，并验证跨车间迁移时模型是否需要重新标定。