AI来料检验定制：供应商批次差异与抽样判定

来料检验是很多工厂质量管理的薄弱环节：不同供应商的批次波动大，抽多少、判合格还是让步接收，往往靠检验员经验。把 AI 用在这里，关键不是替代检验员，而是把历史判定数据变成可复用的判定规则。 落地路径通常分三步。第一，先梳理近 6~12 个月的来料检验记录，重点提取三类字段：批次号与供应商、关键尺寸或性能实测值、最终判定结果（合格/让步/退货）。第二，按供应商和物料族分别建模，而不是全厂一个大模型。同一物料在不同供应商之间的分布差异往往比物料本身差异更大，分组建模后误判率明显下降。第三，输出不是「合格/不合格」二值，而是给出风险等级和推荐抽样量，检验员仍有最终决定权。 两个容易踩的坑： 1. 数据里「让步接收」记录往往缺失原因，先补字段再建模，否则模型会把「勉强能用」学成「正常合格」。 2. 新供应商冷启动阶段没有历史数据，可先用同类物料或行业标准做先验，累积 20~30 批后再切换到独立模型。 衡量效果建议看两个指标：漏检率（不合格被判合格）和误退率（合格被判退货）。前者关联客诉风险，后者直接体现为供应商关系成本和重复检验工时。 这类定制项目周期通常 3~6 周，前提是企业已有结构化的检验记录；若仍用纸质表单，需要先做一轮数据整理，否则模型无从训练。