AI工单派单定制：故障描述分类与技能匹配

不少工厂的报修入口仍是微信群加电话，调度员凭经验派单，夜班或老调度休假时就容易压单。我们做过的这类定制，目标不是全自动，而是把派单准确率稳定在九成以上，让人只处理被标记为不确定的工单。 两个决定成败的工程细节： 1）标签体系先收敛。把近两年工单导出，人工归并成两级：设备系统（空压、输送、制冷）与故障现象（异响、泄漏、跳停、精度超差）。客户起初想做几十个细分标签，但多数类别样本不足百条，模型学不动；最终收敛到二十余类，长尾统一进“其他”交给人工。 2）文本规范化比换模型有效。现场描述错别字、拼音、位号混写普遍，需维护内部词表（设备别名、常见错写、班组简称）做归一，再把振动报警、停机记录等结构化字段拼进输入。实测这一步的收益大于单纯换更大参数的模型。 派单还要接技能矩阵与排班：模型给出故障类别后，用规则层筛出有对应资质、当班且在附近的维修工。 上线保留置信度阈值，低于阈值转人工待办并回流标注。三个月后自动派单覆盖约八成，误派率从人工的约8%降到3%以内，平均到场时间缩短约20分钟。算力上没上GPU，一台普通服务器足够，真正的长期成本在词表与标注维护。