預警轉建議模組 × SHAP 可解釋 AI
模型不只要會「預警」，還要說得出為什麼，才能轉成現場可以執行的建議。
不良率預測 ‧ 梯度提升
8
50
--%
▦ 模擬生產批次資料 射出成型 ‧ 50 筆
點選任一批次 → 右側解析| 批次 | 機台 | 模溫°C | 壓力bar | 保壓s | 含水率% | 濕度% | 預測不良率 | 風險 |
|---|
--
--
--%
--
⚙ Shapley 排列抽樣計算 Monte Carlo Permutation Sampling
0 / 300 次排列抽樣
各特徵 φ 值收斂過程
抽樣即時日誌
待命中 — 按「開始計算」播放抽樣過程
每次迭代：抽 1 筆背景樣本 z + 1 個特徵排列 π，
依序把特徵換成目標批次的值，量測 f 的變化（邊際貢獻）。
依序把特徵換成目標批次的值，量測 f 的變化（邊際貢獻）。
≋ SHAP 瀑布圖 基準值 → 各特徵貢獻 → 模型預測
基準 --% +
Σφ -- =
預測 --%
⚑ 預警 → 建議行動 由 SHAP 正貢獻自動生成
完成 SHAP 計算後，系統會把主要風險因子轉換成可執行的改善建議。
▥ 全廠特徵重要性 mean |SHAP| ‧ 50 批次
፨ SHAP 依賴圖 特徵值 vs 風險貢獻 ‧ 50 批次
判讀：每一點是一個批次。橫軸是這個特徵的實際量測值，縱軸是它把該批次的不良率 推高（紅，φ>0）或拉低（綠，φ<0）幾個百分點。 黃色虛線是製程規範值 —— 一眼就能看到「超出規範後，風險貢獻快速放大」。