Die neuronale Engine

Was sie entscheidet

Ein Netz mit mehreren Köpfen (ein ReLU-Stamm mit einem Sigmoid-Kopf je Entscheidung, etwa zweitausend Parameter, reines NumPy, Gewichte als eine einzige versionierte Datei ausgeliefert) beantwortet fünf Fragen:

• Merkmale sind verhaltensbezogene Basiswerte: Z-Werte gegenüber der eigenen 30-Tage-Historie der Person, Verspätung relativ zu Kolleginnen und Kollegen, Kalenderkontext. Rohe Mitarbeiterkennungen und historische Übersteuerungsraten sind bewusst ausgeschlossen, damit das Modell nicht lernen kann, dass einer bestimmten Person immer vergeben wird.

Modi und Bereiche

Jede Entscheidungsstelle protokolliert die Merkmale, die Aktion der Regel und später das Ergebnis. Dieses Protokoll ist der Trainingsdatensatz. Der wirksame Modus wird global gesetzt und kann je Kopf und je Team übersteuert werden.

• Automatikbereich: Wahrscheinlichkeit ab 0.85 (neural.auto_threshold). Prüfbereich: 0.40 bis 0.85 (neural.review_low). Darunter keine Aktion.
• Jeder Fehler im neuronalen Pfad fällt auf die eigene Entscheidung der Regel zurück; er kann nie einen Sendepfad des Bots unterbrechen.

neural.mode
neural.mode_auto_approve_pto
neural.auto_threshold
neural.review_low
neural.max_actions_per_week
neural.min_tenure_days

Leitplanken, im Code durchgesetzt

Jede automatische Entscheidung wird mit ihrer Wahrscheinlichkeit und der Begründung erfasst, Admins als erledigt mitgeteilt statt als Frage gestellt, und ist rückgängig zu machen. Die Genehmigung oder Ablehnung eines Admins im Chat wird zum Referenzlabel für diese Entscheidung.

• Verwarnungen werden nie autonom ausgesprochen; uphold_strike bleibt bei Assistenz, wie auch immer die Regler stehen.
• Niemand auf der Nie-DM-Liste wird zum Ziel einer Aktion, unabhängig von der Wahrscheinlichkeit.
• Standardmäßig höchstens fünf automatische Aktionen je Mitarbeiterin oder Mitarbeiter und Woche.
• Keine Aktion bei Personen mit weniger als 14 Tagen Zugehörigkeit; es gibt noch keinen Basiswert.
• Sind mehr als die Hälfte der Kolleginnen und Kollegen einer Person heute verspätet, werden alle verspätungsbezogenen Aktionen unterdrückt: Das ist ein Ausfall, kein Fehlverhalten. Eine einzelne verspätete Person zählt nie als ihr eigener Beleg.
• Die automatische Urlaubsgenehmigung ist auf Krankheitstage und halbe Tage beschränkt, gewährt nie Urlaub über das Kontingent hinaus, rührt nie einen rückdatierten Antrag an und kann blockiert werden, solange die antragstellende Person noch offene Aufgaben hat (pto.require_handover). Urlaube gehen immer an einen Menschen.
• Eine Leitplankenprüfung, die einen Fehler wirft, schließt sicher.

Training

• Ergebnisse labeln sich stündlich selbst: Ein Anstoß wird danach gelabelt, ob innerhalb von 30 Minuten ein Check-in folgte; das Nichterscheinensrisiko danach, ob der Tag mit einem Check-in endete; eine Verwarnung ist erst nach 72 Stunden ohne Rücknahme und mit Belegen dafür, dass ein Admin tatsächlich aktiv war, ein schwaches Positiv.
• Zweimal täglich (13:00 und 19:00 UTC) wird die Historie nachgefüllt, ein Kandidat trainiert und mit dem Champion verglichen. Kandidaten, die nie befördert wurden, scheiden nach sieben Tagen aus; die Dateien bleiben auf der Festplatte, sodass ein Rollback immer möglich ist.
• Die Architektur richtet sich nach der Anzahl der Labels, nicht nach Ehrgeiz: Unter 300 Zeilen wird das Training verweigert; unter 1500 ist es logistische Regression; unter 5000 eine verborgene Schicht; darüber zwei. Aufteilungen sind zeitlich, nie zufällig.
• Ein besserer Kandidat wird nur automatisch befördert, solange der Modus noch Schatten ist; sobald das Modell handeln kann, ist die Beförderung ein menschlicher Klick. Jeder Wechsel wird protokolliert.

Drift-Monitor

Jeden Morgen um 07:00 laufen zwei Gesundheitsprüfungen. Die Merkmalsdrift vergleicht die protokollierten Merkmalsvektoren der letzten 14 Tage mit den Trainingsstatistiken des Champions; jedes Merkmal, dessen Mittelwert sich um mehr als eine halbe Trainings-Standardabweichung verschoben hat, wird in einer Admin-Warnung benannt. Die Rückkopplungswache löst aus, wenn eine einzelne Person in 14 Tagen mehr als 40% der positiven Entscheidungen auf sich vereint, denn das ist eine entstehende Schleife, keine schlechte Mitarbeiterin oder ein schlechter Mitarbeiter.

Personensignale

Die Seite „Neural“ enthält außerdem deterministische, erklärbare Personenanalysen ganz ohne Modell: Echte Abwanderungslabels sind zu selten, als dass eine trainierte Wahrscheinlichkeit ehrlich sein könnte. Jeder Wert ist eine gewichtete Summe belegter Faktoren, verglichen mit dem eigenen Basiswert der Person (die letzten 14 Tage gegenüber den 6 Wochen davor), nie mit Kolleginnen und Kollegen.

• Abwanderungsrisiko (0 bis 100: niedrig, beobachten, erhöht, hoch) und ein Loyalitätsindex (neu, im Aufbau, solide, stark, außergewöhnlich; unter 90 Tagen immer „neu“) tragen jeweils ihre Faktorenliste.
• Eine Kulanz nach Abwesenheit und die Erkennung von Zeitplanänderungen unterdrücken die klassischen Fehlalarme; unsichere Werte lösen nie eine Warnung aus.
• Nur für Admins und beratend: Nichts hiervon handelt, schreibt Mitarbeitenden, erscheint in einem Mitarbeiterbericht oder berührt die Vergütung. Warnungen gehen an die Admin-Benachrichtigungszentrale, dedupliziert auf eine je Person und 14 Tage.

neural.drift_recent_days
neural.drift_baseline_days
neural.quitrisk_alert_band