O motor neuronal

O que decide

Uma rede multi-cabeça (um tronco ReLU com uma cabeça sigmoide por decisão, cerca de dois mil parâmetros, NumPy puro, pesos entregues num único ficheiro com versão) responde a cinco perguntas:

• As características são linhas de base comportamentais: z-scores face ao histórico de 30 dias da própria pessoa, atraso relativo aos pares, contexto de calendário. Os identificadores brutos de colaborador e as taxas históricas de anulação são deliberadamente excluídos, para que o modelo não possa aprender que uma determinada pessoa é sempre perdoada.

Modos e faixas

Cada ponto de decisão regista as características, a ação da regra e, mais tarde, o resultado. Esse registo é o conjunto de treino. O modo efetivo é definido globalmente e pode ser substituído por cabeça e por equipa.

• Faixa automática: probabilidade igual ou superior a 0.85 (neural.auto_threshold). Faixa de revisão: 0.40 a 0.85 (neural.review_low). Abaixo disso, nenhuma ação.
• Qualquer falha no percurso neuronal degrada para a decisão da própria regra; nunca pode quebrar um percurso de envio do bot.

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

Salvaguardas, aplicadas em código

Cada decisão automática é registada com a sua probabilidade e a razão, anunciada aos administradores como feita, em vez de colocada como pergunta, e é reversível. A aprovação ou recusa de um administrador no chat torna-se a etiqueta de verdade para essa decisão.

• As penalizações nunca são emitidas de forma autónoma; uphold_strike fica limitado a assistido, sejam quais forem as definições.
• Ninguém na lista de quem nunca recebe mensagens diretas é alvo de ação, seja qual for a probabilidade.
• No máximo cinco ações automáticas por colaborador por semana, por defeito.
• Nenhuma ação sobre quem tem menos de 14 dias de antiguidade; ainda não há linha de base.
• Se mais de metade dos pares de uma pessoa estiver atrasada hoje, todas as ações relacionadas com atrasos são suprimidas: isso é uma falha, não má conduta. Um colaborador atrasado sozinho nunca conta como a sua própria evidência.
• A aprovação automática de ausências limita-se a dias de baixa e meios-dias, nunca concede ausências além do saldo, nunca toca num pedido retroativo, e pode ser bloqueada enquanto o requerente ainda tiver tarefas abertas (pto.require_handover). As férias vão sempre para um humano.
• Uma verificação de salvaguarda que dê erro falha de forma fechada.

Treino

• Os resultados etiquetam-se a si próprios de hora a hora: um lembrete é etiquetado consoante um check-in se lhe seguiu em 30 minutos; o risco de não comparência consoante o dia terminou com um check-in; uma penalização só é um positivo fraco após 72 horas sem reversão e com evidência de que um administrador esteve efetivamente ativo.
• Duas vezes por dia (13:00 e 19:00 UTC) o histórico é preenchido, um candidato é treinado e comparado com o campeão. Os candidatos que nunca foram promovidos são reformados ao fim de sete dias; os ficheiros ficam em disco, para que a reversão seja sempre possível.
• A arquitetura é escolhida pela contagem de etiquetas, não por ambição: abaixo de 300 linhas recusa treinar; abaixo de 1500 é regressão logística; abaixo de 5000 uma camada oculta; além disso, duas. As divisões são temporais, nunca aleatórias.
• Um candidato melhor é promovido automaticamente apenas enquanto o modo ainda for sombra; assim que o modelo pode agir, a promoção é um clique humano. Cada troca é auditada.

Monitor de deriva

Todas as manhãs às 07:00 correm duas verificações de saúde. A deriva de características compara os últimos 14 dias de vetores de características registados com as estatísticas de treino do campeão; qualquer característica cuja média se tenha deslocado mais de meio desvio-padrão de treino é nomeada num alerta aos administradores. A vigilância de ciclo de retroalimentação dispara quando um colaborador absorve mais de 40% das decisões positivas em 14 dias, porque isso é um ciclo a formar-se, não um mau colaborador.

Sinais sobre pessoas

A página Neural traz também análises sobre pessoas determinísticas e explicáveis, sem modelo algum: as verdadeiras etiquetas de saída são demasiado raras para que uma probabilidade treinada seja honesta. Cada pontuação é uma soma ponderada de fatores evidenciados, comparada com a linha de base da própria pessoa (os 14 dias recentes face às 6 semanas anteriores), nunca com colegas.

• O risco de saída (0 a 100: baixo, vigilância, elevado, alto) e um índice de fidelização (novo, em construção, sólido, forte, excecional; abaixo de 90 dias lê-se sempre novo) trazem cada um a sua lista de fatores.
• A tolerância pós-ausência e a deteção de mudança de horário suprimem os falsos positivos clássicos; as pontuações sem confiança nunca alertam.
• Reservado a administradores e consultivo: nada aqui age, envia mensagens a um colaborador, aparece num relatório de colaborador ou toca no salário. Os alertas vão para o centro de notificações de administração, deduplicados a um por pessoa por 14 dias.

neural.drift_recent_days
neural.drift_baseline_days
neural.quitrisk_alert_band