AI来料检验抽样定制：AQL映射与风险分级

来料检验的抽样方案长期依赖固定AQL表，物料差异、供应商波动与批次历史难以反映到抽样强度上。本实验尝试把抽样决策拆成两个可验证环节：风险分级与样本量映射。

做法上，先用IQC历史记录、供应商交付表现、物料关键度与工艺敏感度构建特征，输出批次风险分；再按风险分在AQL框架内给出加严、正常、放宽的抽样量建议，并保留人工复核入口。为避免模型自证，实验采用时间切分回测：前12个月数据训练，后3个月验证，重点关注漏检代价与检验工时的平衡。

阶段性进展：在某电子组装厂试点中，高风险批次样本量提升后，关键尺寸漏检较原固定方案下降约两成；低风险批次检验工时下降约15%，整体检验量未明显增加。当前仍依赖离线数据，实时性有限。