生物统计 · 决策科学 · AI 赋能的决策系统

构建可信赖的决策支持系统。

定量模型衡量信号与不确定性。

语义 AI处理无法整齐装进数据表的证据。

人的判断负责背景、后果与最终决定。

我构建结合定量模型、语义 AI、不确定性与人的判断的可信赖决策支持系统。

目标不是为了自动化而自动化,而是让证据真正支持更好的决策:假设可见,不确定性被保留,人的责任明确。

证据优先不确定性可见决定权在人
证据 / 定量 + 语义
不确定性:随答案传递
模型权限:有边界
最终决定:由人负责
01 — 从证据到决策

模型只是决策系统的一部分。

有用的决策支持,需要把可测量的信号、可解释的语义证据、仍然存在的不确定性,以及人真正需要作出的决定连接起来。

01 / 定量

衡量信号

统计模型把观察转化为估计、预测、比较和不确定性。假设与验证过程保持可见,而不是被压缩成一个分数。

02 / 解释

使用语义证据

并非所有有用信息都是数值。专门化 AI 可以整理文本、指南、审阅意见和代码,但这些输出是需要评估的证据,而不是自动获得权威的答案。

03 / 决策

让判断留在人手中

证据可以改变决定,却不等于替人作决定。背景、后果、价值取舍、升级、拒答和最终责任必须明确由人承担。

运行原则
不确定性应该随答案一起传递。

系统应保留足够证据,让人知道建议基于什么、还不知道什么,以及什么时候不应该行动。

数据,是现实的投影。模型,是数据与假设共同塑造的投影。而现实,大于两者。

02 — 决策系统方法

从决定开始,而不是从模型开始。

这套结构可以用于预测、分析审阅、AI 辅助分析,以及由规则约束的智能体工作流。

01

决定

系统要支持什么选择、升级、预测、审阅或行动?什么样的证据才真正有用?

已定义
02

证据

有哪些定量与语义证据?哪些信息缺失、有偏、不能安全暴露,或根本不在观察范围内?

有边界
03

模型 + 不确定性

选择合适的统计、计算或语义模型,验证并比较它们,把不确定性、分歧与拒答继续传递到下一步。

已评估
04

人的判断

当推断要转化为有后果的行动时,把可审阅的证据和明确的边界交给人,由人保留最终决定权。

由人负责

更好的自动化有价值;更好的判断才是目标。

03 — 现有工作,同一个主题

不同系统,解决的是同一个决策问题。

这些项目不是彼此独立的方向。它们分别解决同一条链条上的问题:怎样把不完整的证据转化为有用的决定,同时不隐藏不确定性,也不把人的责任交出去。

旗舰 / PAGe

预测仍在发生的未来,同时保留不确定性。

PAGe 是一个按流行阶段对齐的传染病预测系统。它把预测当作决策支持问题:识别正在出现的阶段,估计下一步可能发生什么,保留概率不确定性,并把可解释的证据交给人,而不是只给一个不透明的预测值。

生物统计预测概率证据验证人工解释
定量统计预测
概率保留不确定性
验证样本外评估
人工支持决策,不自动作主

决策系统

证据 → 行动

PAGe 支持传染病预测;Which 探索校准、拒答、模型比较和语义证据的显式决策与评估层;aiR 支持统计分析,同时把假设与解释留给分析者;SSC Review Agent 使用检索证据和结构化规则支持审阅,但最终判断仍由人作出。

可信与控制基础设施

有边界的 AI

DataGangeR 用合成替身减少源数据不必要的暴露;HMA 把证据和批准绑定到工作流阶段;AgentPorter 约束智能体可访问和可执行的范围;clientAgent 把请求转化为可审阅的候选成果,而不给智能体发布权。

可复现证据系统

溯源 + 验证

OPCC 与 ONgeoR 让公共卫生链接和地理处理具备可复现、可追溯的证据链;Cranary 把确定性的软件包检查证据与语义审阅结合起来。重点不是一次性分析,而是让证据可以被检查、复用和维护。

AI 扩展了我们能表示的内容——不等于扩展了自动可信的范围。

统计提供明确的假设、校准、验证和不确定性;语义 AI 处理难以编码成传统变量的证据;工作流控制则保留溯源、边界和审阅。

共同的问题因此不是“哪个模型最聪明”,而是“什么证据支持这个决定、还不确定什么、什么时候系统应该拒答,以及谁有权采取行动”。

证据?校准?不确定性?拒答?溯源?权限?
04 — 部分实现实例

方法必须经得住真实工作的检验。

这些实例作为实现能力的辅助证据:统计工具、数据系统和可用界面都应当能被别人检查、操作和复用。

Biostats.AI Demo Lab — 端到端分析工作流新标签打开 ↗
实验室检测工具包 — 为具体统计流程设计新标签打开 ↗
ONgeoR — 可复现的公共卫生地理处理新标签打开 ↗

演示数据边界:这些公共演示不用于个人、健康、机密或客户所有的信息。参见隐私说明。ONgeoR:源码 · 文档。

Biostats.AI Demo Lab —— 端到端分析工作流在新标签页打开 ↗
实验室检测工具包 —— 围绕实验室流程定制在新标签页打开 ↗
ONgeoR —— 安大略公共卫生地理在新标签页打开 ↗

演示数据边界:这些公开演示不适合处理个人、健康、保密或客户所有的信息。请参阅隐私说明。ONgeoR:源码 · 文档。

关于

为什么我会这样构建系统。

这些哲学影响解释了为什么我的专业工作强调不确定性、证据、边界与人的责任。

李也 Lennon Li,PhD,P.Stat.

统计教我怀疑确定性。
哲学提醒我不要把表征当成现实。
AI 让这两件事变得更重要。

我是生物统计师、公共卫生数据科学家、研究者和 AI 工作流构建者。统计训练让我习惯面对部分观察、抽样、偏差、假设与不确定性,也不断追问:现有证据究竟支持多强的结论。

道家把这个问题推得更远:能被命名、描述或建模的,不是存在的全部。佛家提醒我们,不要因为眼前的“相”足够鲜明,就把它当成完整现实。AI 让表征、预测与生成更强大,也更容易让人忘记表征与现实之间的距离。

所以我更愿意构建这样的系统:证据留下来,不确定性和偏差看得见,重要判断仍由人承担。目标不是消灭不确定性,而是看得更清楚,同时知道这个视角的边界。

15+ 年应用公共卫生
45+ 项论文与学术成果
20+ 人研究生指导
统计

量化我们知道的,也量化我们不知道的。

部分观察、抽样、偏差、假设、竞争性解释与不确定性,不是分析之外的麻烦;它们本来就是分析的一部分。

道家影响

描述可以帮助理解,但描述并不是全部。

道可道,非常道。《道德经》

这里借用的是关于语言与命名边界的思想影响:模型、概念和语言帮助我们理解现实,但不应被误认为现实本身。

这是现代语境下的思想联系,并不是把《道德经》解释成统计学论述。

佛家影响

使用表征,但不要执着于表征就是完整真相。

凡所有相,皆是虚妄。若见诸相非相,即见如来。《金刚般若波罗蜜经》 · 鸠摩罗什译

这里的“相”可以提醒我们:眼前的观察、图表、估计、模型输出或 AI 答案都可以有用,但理解它们的局限,同样属于理解的一部分。

《金刚经》当然不是在讨论统计或 AI;这里说的是它对“表象与执着”的思想影响。

AI

表征越丰富,对边界的自觉越重要。

AI 能快速综合大量信息,给出非常有说服力的结果。这种能力很有价值,也提高了我们忘记“观察了什么、推断了什么、还不知道什么、谁应该负责”的代价。

统计教我们在不确定中推理;道家提醒我们语言与模型的边界;佛家提醒我们不要执着于眼前之相;AI 则在考验,我们是否真的记住了这些。
那些仍未被看见的

能够被模型描述的现实,不是现实的全部。

重点不是消灭不确定性,而是看得更清楚,知道自己看见的边界,检验不同解释,认识偏差,也为模型没有看见的部分留下空间。

仔细观察 · 谦逊建模 · 有意识地决定