背景与挑战
原系统以即时状态仪表板呈现超过3000个设备节点的运行状态(运行中/离线/停止/警报),但本质上是反应式监控——操作人员只能在异常已经发生后才看到警报。这次延伸探索的核心问题是:能不能让系统从「事后告知」进化为「事前预警」,同时避免陷入「AI乱报警、操作人员直接忽略」的陷阱。
项目背景
现有仪表板将24则警报以扁平列表呈现,操作人员需要逐一查看才能判断哪个最急迫。当警报数量增加时,真正需要立即处理的高风险设备,容易被淹没在大量低优先级警报中。
核心痛点
反应式监控的滞后性： 设备从「正常」到「离线/警报」往往是渐进过程(温度缓升、震动异常增加),但现有系统只在跨过阈值那一刻才提示,错过了提前介入的窗口 警报优先级扁平化： 24则警报视觉权重相同,操作人员必须逐条判读,无法一眼看出「这台真的快出事了」跟「这台只是轻微波动」的差别
重构目标
探索在现有监控框架基础上,加入预测性风险评分,让真正需要优先处理的设备自然浮现,同时不让操作人员对AI判断失去信任。
设计方法论与决策逻辑
A. 风险评分,而非二元判断
不用「正常/异常」的二分法,改用连续的风险分数(如 0-100)搭配趋势箭头,呈现设备「正在往哪个方向走」,而非只呈现当下状态。分数旁固定显示依据的关键指标(如温度趋势、震动频率),避免变成不可追问的黑箱数字。
Befor
After
现有系统已累积连续型时序数据,这是建构风险评分模型的资料基础
B. 告警伫列重新排序,而非新增告警
不新增一个独立的「AI预测」分页增加操作人员的认知负担,而是直接把现有24则警报列表按风险分数重新排序,并用单一视觉标记(如左侧色条)区分「已发生」与「预测高风险」两种类型,让操作人员在原有工作流程里就能自然接收到预测资讯。
Befor
现有系统已累积连续型时序数据
After
建构风险评分模型的资料基础
C. 可验证的回馈机制
操作人员可以对每则预测标记「确认有问题」或「误判」,这个动作不只是关闭提示,而是作为模型调整的回馈依据。刻意不承诺「模型会自动变准」这种难以验证的说法,而是诚实呈现这是一个需要持续人工校准的机制。
Befor
将原确认机制扩展为结构化的回馈分类,作为模型校准依据
After
将原确认机制扩展为结构化的回馈分类,
作为模型校准依据
D. 警告优先级的视觉整合
Befor
当前报警部分
仅显示状态为（待处理/已解决）的警报列表。
After
（与标签确认功能集成）
集成版本
操作员可以查看每个预测结果，并将其标记为「已确认问题」或「误报」，以持续改进。
背景与挑战
原系统以即时状态仪表板呈现超过3000个设备节点的运行状态(运行中/离线/停止/警报),但本质上是反应式监控——操作人员只能在异常已经发生后才看到警报。这次延伸探索的核心问题是:能不能让系统从「事后告知」进化为「事前预警」,同时避免陷入「AI乱报警、操作人员直接忽略」的陷阱。
项目背景
现有仪表板将24则警报以扁平列表呈现,操作人员需要逐一查看才能判断哪个最急迫。当警报数量增加时,真正需要立即处理的高风险设备,容易被淹没在大量低优先级警报中。
核心痛点
反应式监控的滞后性： 设备从「正常」到「离线/警报」往往是渐进过程(温度缓升、震动异常增加),但现有系统只在跨过阈值那一刻才提示,错过了提前介入的窗口 警报优先级扁平化： 24则警报视觉权重相同,操作人员必须逐条判读,无法一眼看出「这台真的快出事了」跟「这台只是轻微波动」的差别
重构目标
探索在现有监控框架基础上,加入预测性风险评分,让真正需要优先处理的设备自然浮现,同时不让操作人员对AI判断失去信任。
设计方法论与决策逻辑
A. 风险评分,而非二元判断
不用「正常/异常」的二分法,改用连续的风险分数(如 0-100)搭配趋势箭头,呈现设备「正在往哪个方向走」,而非只呈现当下状态。分数旁固定显示依据的关键指标(如温度趋势、震动频率),避免变成不可追问的黑箱数字。
Befor
After
现有系统已累积连续型时序数据,这是建构风险评分模型的资料基础
B. 告警伫列重新排序,而非新增告警
不新增一个独立的「AI预测」分页增加操作人员的认知负担,而是直接把现有24则警报列表按风险分数重新排序,并用单一视觉标记(如左侧色条)区分「已发生」与「预测高风险」两种类型,让操作人员在原有工作流程里就能自然接收到预测资讯。
Befor
现有系统已累积连续型时序数据
After
建构风险评分模型的资料基础
C. 可验证的回馈机制
操作人员可以对每则预测标记「确认有问题」或「误判」,这个动作不只是关闭提示,而是作为模型调整的回馈依据。刻意不承诺「模型会自动变准」这种难以验证的说法,而是诚实呈现这是一个需要持续人工校准的机制。
Befor
将原确认机制扩展为结构化的回馈分类,作为模型校准依据
After
将原确认机制扩展为结构化的回馈分类,
作为模型校准依据
D. 警告优先级的视觉整合
Befor
当前报警部分
仅显示状态为（待处理/已解决）的警报列表。
After
（与标签确认功能集成）
集成版本
操作员可以查看每个预测结果，并将其标记为「已确认问题」或「误报」，以持续改进。
背景与挑战
原系统以即时状态仪表板呈现超过3000个设备节点的运行状态(运行中/离线/停止/警报),但本质上是反应式监控——操作人员只能在异常已经发生后才看到警报。这次延伸探索的核心问题是:能不能让系统从「事后告知」进化为「事前预警」,同时避免陷入「AI乱报警、操作人员直接忽略」的陷阱。
项目背景
现有仪表板将24则警报以扁平列表呈现,操作人员需要逐一查看才能判断哪个最急迫。当警报数量增加时,真正需要立即处理的高风险设备,容易被淹没在大量低优先级警报中。
核心痛点
反应式监控的滞后性： 设备从「正常」到「离线/警报」往往是渐进过程(温度缓升、震动异常增加),但现有系统只在跨过阈值那一刻才提示,错过了提前介入的窗口 警报优先级扁平化： 24则警报视觉权重相同,操作人员必须逐条判读,无法一眼看出「这台真的快出事了」跟「这台只是轻微波动」的差别
重构目标
探索在现有监控框架基础上,加入预测性风险评分,让真正需要优先处理的设备自然浮现,同时不让操作人员对AI判断失去信任。
设计方法论与决策逻辑
A. 风险评分,而非二元判断
不用「正常/异常」的二分法,改用连续的风险分数(如 0-100)搭配趋势箭头,呈现设备「正在往哪个方向走」,而非只呈现当下状态。分数旁固定显示依据的关键指标(如温度趋势、震动频率),避免变成不可追问的黑箱数字。
Befor
After
现有系统已累积连续型时序数据,这是建构风险评分模型的资料基础
B. 告警伫列重新排序,而非新增告警
不新增一个独立的「AI预测」分页增加操作人员的认知负担,而是直接把现有24则警报列表按风险分数重新排序,并用单一视觉标记(如左侧色条)区分「已发生」与「预测高风险」两种类型,让操作人员在原有工作流程里就能自然接收到预测资讯。
Befor
现有系统已累积连续型时序数据
After
建构风险评分模型的资料基础
C. 可验证的回馈机制
操作人员可以对每则预测标记「确认有问题」或「误判」,这个动作不只是关闭提示,而是作为模型调整的回馈依据。刻意不承诺「模型会自动变准」这种难以验证的说法,而是诚实呈现这是一个需要持续人工校准的机制。
Befor
将原确认机制扩展为结构化的回馈分类,作为模型校准依据
After
将原确认机制扩展为结构化的回馈分类,
作为模型校准依据
D. 警告优先级的视觉整合
Befor
当前报警部分
仅显示状态为（待处理/已解决）的警报列表。
After
（与标签确认功能集成）
集成版本
操作员可以查看每个预测结果，并将其标记为「已确认问题」或「误报」，以持续改进。