QIF 信心過濾與例外治理：品質判定不是只有通過與不通過

成熟的自動化系統不會急著回答所有問題。它會先判斷資料來源、可信程度、適用條件與風險邊界。

以報帳 OCR 為例，電子發票 XML 可以直讀，QR code 可以解碼，PDF 文字層可以抽取，影像才需要 OCR，手寫件則應進入人工覆核。這不是因為系統能力不足，而是因為不同資料來源的風險不同。把所有資料都丟給同一個模型、同一條規則、同一個自動判定結果，才是真正危險的設計。

品質系統也是一樣。量測結果不是只有「合格」或「不合格」。它還包含量測設備、檢驗方法、抽樣條件、版本、環境、特徵定義、判定規則與資料完整性。如果系統只留下最後的 PASS / FAIL，而沒有保留判定依據，當結果出問題時，工程團隊很難知道錯的是產品、量具、規則、資料來源，還是自動判定流程。

報帳場景很適合拿來理解例外治理，因為它同時存在結構化資料、半結構化文件、影像辨識與人工判斷。

例如站名白名單，不只是文字比對，而是把可接受的資料範圍先定義出來。OCR 可能把字看錯，使用者也可能上傳不清楚的票據；如果系統知道哪些站名屬於可接受名單，就能把明顯不合理的結果擋下來，避免錯誤資料直接進入後端流程。

再例如車牌與個資遮蓋。系統可以先抽取必要資訊，但後續呈現或留存時必須尊重遮蓋規則。這代表資料判讀不是單純把文字辨識出來，而是要知道哪些資訊可以被使用、哪些資訊要被隱藏、哪些操作要留下痕跡。

手寫件待覆核也是同樣道理。手寫辨識可能不是完全不能做，但若風險高、錯誤成本高，就不應把低信心結果包裝成確定答案。正確做法是把它標示為「需要人工確認」，讓人接手，而不是讓系統假裝有把握。

談到信心過濾時，很容易誤會成「分數高就是對，分數低就是錯」。這個理解太粗糙。

信心分數比較適合被看成分流訊號，而不是真理標籤。高信心代表系統內部訊號比較一致，不代表結果一定正確；低信心代表系統偵測到不確定，不代表內容一定錯。真正重要的是企業如何設計後續動作：自動通過、提示檢查、要求補件、進入人工覆核，或禁止進入正式流程。

這一點對品質 AI 很關鍵。AI 可以協助判讀量測報告、比對圖面要求、檢查供應商資料、提示異常趨勢，但 AI 的輸出不應直接等同品質結論。

製造品質資料比報帳文件更複雜，因為它牽涉設計意圖、量測方法、設備能力、製程條件與客戶規範。

同樣一個尺寸結果，可能因為量具不同、治具不同、抽樣位置不同、資料版本不同，而有完全不同的解讀。某個孔徑量測值看起來在公差內，但如果量測設備未校正、檢驗計畫版本錯誤，或特徵對應到錯誤的 CAD / PMI 定義，這個「合格」結果就不值得信任。

QIF 的價值，不在於替企業決定信心門檻，而在於提供品質資料可被組織與關聯的語意骨架。公開資料中，DMSC 對 QIF 的說明強調它能定義、組織並關聯量測計畫、結果、PMI、資源、統計分析等品質資訊。NIST 的 QIF overview 也把一份 QIF 文件拆成 Product、Plans、Results、Statistics、Resources、Rules 等模組。

換句話說，QIF 提醒我們：品質結果不應只是數字，而是「數字加上它被產生、被判定、被採信的條件」。

很多 AI 導入失敗，不是因為模型完全不能用，而是因為系統沒有設計「不確定」的位置。

在品質場景裡，不確定性很正常。新產品、新材料、新製程、供應商文件格式變動、量測設備更換、圖面版本更新，都可能讓原本有效的規則失效。若 AI 系統仍然硬給答案，反而會降低品質管理的可信度。

品質系統的可靠性，不是來自系統永遠回答，而是來自系統知道自己的邊界。

報帳規則中的信心門檻、白名單、遮蓋、人工覆核，看起來只是文件自動化的小規則；但放到品質管理裡，它們其實指向同一件事：自動化必須有可控邊界。

QIF 能提供的，不是把 AI 變成永遠正確的判定者，而是讓品質資料有規則、有結果、有資源、有計畫、有統計脈絡。當這些脈絡被保存下來，企業才有能力管理例外，而不是掩蓋例外。

真正成熟的品質 AI，不是看起來很自動，而是能清楚說明：這次為什麼可以自動判定，為什麼不能自動判定，以及當它不能判定時，誰應該接手。