Как выбрать порог AI-эскалации с разной ценой пропуска и ложной тревоги

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Метки [1,0,1,0], вероятности [0.9,0.6,0.4,0.1]; пороги 0.5 и 0.7. Учебные стоимости 4 и 3 условные единицы; 0.7 выигрывает лишь на этой фикстуре при указанных ценах. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Попросите предметного владельца задать цены FN и FP для конкретного процесса и срок действия допущений. Согласуйте, что вероятность p относится именно к классу срочности. Запустите оба порога и проверьте вручную T с p=0.6: это ложная тревога при 0.5 и правильный отрицательный прогноз при 0.7. Зафиксируйте выбранный порог до независимого теста. Для реального потока добавьте стоимость ручной проверки и последствия отказа от решения.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
cases=[(1,0.9),(0,0.6),(1,0.4),(0,0.1)]
COST_FN=3;COST_FP=1
def evaluate(threshold):
    pred=[int(p>=threshold) for _,p in cases]
    fn=sum(y==1 and v==0 for (y,_),v in zip(cases,pred))
    fp=sum(y==0 and v==1 for (y,_),v in zip(cases,pred))
    return fn,fp,COST_FN*fn+COST_FP*fp
assert evaluate(0.5)==(1,1,4)
assert evaluate(0.7)==(1,0,3)
print('0.5:',evaluate(0.5),'0.7:',evaluate(0.7))

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Стоимость может меняться со временем и по сегментам; подгонка порога на финальном тесте делает его не независимым. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Выбрать порог отправки оператору по явной цене двух типов ошибок, не смешивая стоимость с вероятностью модели. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Метки [1,0,1,0], вероятности [0.9,0.6,0.4,0.1]; пороги 0.5 и 0.7. При успешном тесте ожидается: Учебные стоимости 4 и 3 условные единицы; 0.7 выигрывает лишь на этой фикстуре при указанных ценах. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Стоимость может меняться со временем и по сегментам; подгонка порога на финальном тесте делает его не независимым. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.