链上镖师 / Chain Biaoshi
IJPE|制造供应链1%质量事件：大模型编排风险检测
622924条航空制造交易验证四阶段本地管线，三类风险F1提升5.1至18.4个百分点
论文让本地大模型编排特征工程、供应商分群、集成预测和SHAP解释，在622924条航空制造交易上提高了三类稀有风险的识别表现。
- 01：样本覆盖622924条交易和约7000家航空制造供应商。
- 02：质量逃逸、部件缺陷和交付逾期的正类占比仅为0.7%至1.7%。
- 03：缺陷风险F1由0.742提高至0.926，提升18.4个百分点。
- 04：全部分析计算保持确定性，大模型可部署在本地基础设施上。
622924条交易中的1%难题
论文关注制造供应链中发生率低于约1%的质量逃逸、部件缺陷和交付逾期事件。这些事件在总体交易中极少出现，仍可能触发停产、返工、安全审查和网络级扰动。若模型只追求总体准确率，即使持续预测多数类也可能得到较高分数，实际却遗漏最需要干预的供应商风险。
供应商绩效指标的描述性统计，多个风险指标的中位数和90分位数均为零。来源：Table 2
数据共含622924条原始记录；完成领域约束检查后保留532279条，占原样本的85.4%。三类预测目标的正类比例约为0.7%至1.7%，评价因此同时采用ROC-AUC、PR-AUC、F1、MCC和平衡准确率。
四阶段大模型编排框架
研究将大模型放在分析流程的配置与解释位置。列分类、参数范围建议、模型组合规划和结果叙述由大模型辅助完成；UMAP、HDBSCAN、SMOTE、XGBoost、随机森林与SHAP承担可复现计算。技术任务温度设为0.1，解释任务设为0.25，并通过固定随机种子、模式校验和参数约束拦截无效输出。
大模型驱动的四阶段供应商风险建模管线。来源：Fig. 1
1阶段1｜识别字段类型、生成特征、编码类别并筛查共线性
2阶段2｜使用UMAP降维和HDBSCAN分群，搜索参数并解释供应商群组
3阶段3｜对三类风险执行SMOTE、XGBoost与随机森林软投票集成
4阶段4｜计算SHAP贡献并将主要风险信号映射到运营行动
大模型增强流程将生成特征由3个扩展到45个，并增加27个编码类别特征和共线性检查。来源：Table 3
分群标签怎样进入稀有事件模型
预处理先检查非负字段和交付核算恒等式，再将低于1%频率的高基数类别合并编码，并删除3个相关系数超过0.95的特征。随后使用UMAP和HDBSCAN形成供应商群组，群组标签进入监督模型。每个风险目标都按是否至少发生一次不良事件转为二元分类，SMOTE仅作用于训练集，测试集保持原始失衡分布。
三类供应商风险任务的类别比例、SMOTE参数、基学习器与特征配置。来源：Table 5
大模型增强分群的轮廓系数、稳定性、簇内方差和噪声点表现均获得改善。来源：Table 4
大模型增强方案将供应商群组数从10个扩展至20个，噪声点比例由9.04%降至0.84%；轮廓系数由0.507升至0.549，调整兰德指数由0.684升至0.841，簇内方差由12.419降至2.433。
三类风险预测提升了多少
自助法检验显示，大模型引导管线在三类任务的全部报告指标上均优于手工配置基线，差异达到论文标注的1%显著性水平。质量逃逸任务原本已经具有较高基线，F1仍增加5.1个百分点；部件缺陷任务提升最明显；交付逾期任务的绝对水平较低，PR-AUC、F1和MCC仍同步上升。
大模型引导流程与传统流程的预测性能对照，结果基于1000次自助抽样。来源：Table 6
部件缺陷风险F1
0.742→0.926
交付逾期风险F1
0.197→0.279
三项F1分别提升5.1、18.4和8.3个百分点。部件缺陷任务的平均综合得分由0.842升至0.940；交付逾期任务的ROC-AUC由0.794升至0.856，PR-AUC由0.163升至0.233。
模型判断由哪些供应商信号驱动
SHAP分析将预测拆解到具体交易与供应商特征。质量逃逸风险最受缺陷件数影响，部件缺陷风险的首要信号是应交行数，交付逾期风险同样以应交行数居首。到货件数在三类任务中均进入前三位，说明业务量、质量记录、履约压力和供应商群组共同构成模型使用的关联信号。
质量逃逸、部件缺陷和交付逾期风险模型的前十项SHAP特征。来源：Fig. 2
三类风险的主要SHAP驱动因素与归一化贡献率。来源：Table 7
质量逃逸风险中，缺陷件数贡献27.5%；部件缺陷风险中，应交行数贡献19.2%；交付逾期风险中，应交行数贡献26.5%，供应商群组17贡献17.7%。这些数值表示模型重要性份额，不代表因果效应。
从风险信号到供应商行动
论文进一步把SHAP排名组织为行动矩阵，将高缺陷件数连接到供应商审计、缺陷遏制和根因诊断，将高到货量连接到分层检验和入库监控，将应交行数连接到生产计划、交付预警和供应商记分卡。每项建议同时绑定KPI与0至7天或8至30天的实施窗口，形成可跟踪的治理清单。
SHAP风险信号到供应商管理行动的转化矩阵。来源：Table 8
01质量逃逸：优先检查高缺陷供应商，并按到货规模校准检验强度。
02部件缺陷：把缺陷指标接入生产计划与供应商治理评审。
03交付逾期：围绕应交行数和高风险群组建立预警与分群改进方案。
Table 8中的改善幅度属于大模型生成的管理目标，论文尚未通过现场实施验证这些目标。其用途是帮助管理者组织干预假设、关联指标和时间窗口，不能视作已经实现的运营收益。
本地部署条件与研究边界
论文报告特征工程处理约60万条记录需要165秒，据此估算每周处理约240万条全球供应商记录需要约11分钟，运行环境为8 GB内存和4核CPU。开源权重模型可在本地处理受保密协议约束的供应商数据，固定种子、低温度、模式校验和参数边界共同支持流程复现。
传统流程与大模型增强流程的计算效率和人工投入对照。来源：Table A.2
✓数据仅来自一家航空制造企业，跨企业、行业和市场环境的有效性尚待验证。
✓特征限于采购系统内部交易指标，未覆盖财务健康、地缘风险和商品波动。
✓极端失衡下的误报率需要结合组织风险容忍度和监控能力重新校准。
✓SHAP解释和管理建议尚未经过结构化专家评价或受控现场试验。
✓GPT-4、Gemini等云端模型因数据保密限制未进入稳健性测试。
该框架适用于拥有结构化供应商交易数据、需要本地处理敏感信息并具备质量管理承接能力的组织。论文证据支持其预测性能和计算可行性；跨行业外推、因果解释、现场收益以及管理者对解释结果的接受度仍需后续验证。
论文：The 1% problem: LLM orchestration for rare event detection in manufacturing supply chains
作者：Justin Dang，Joshua Della Vedova，Yanyan Yang
期刊：International Journal of Production Economics
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
