定义

基于模型的信号是源自复杂计算模型（如机器学习模型、模拟或知识图谱）的内部状态、预测或输出，而非直接源自原始传感器数据或用户输入的衍生、可操作的信息。

与传统信号（如温度读数或点击事件）不同，基于模型的信号代表了关于底层系统状态或未来事件的推断或计算出的概率。

为什么它很重要

这些信号对于使系统超越简单的被动响应，转向主动、智能的行为至关重要。它们使应用程序能够预见需求、优化资源分配，并做出仅使用表面数据无法实现的复杂决策。

在商业环境中，它们将复杂的算法计算转化为可量化的指标，从而推动自动化并提高运营中的决策质量。

工作原理

该过程通常涉及将原始数据输入到经过训练的模型中。模型通过其学习到的参数处理这些输入并生成一个输出。当该输出被结构化和解释时，它就成为了基于模型的信号。例如，欺诈检测模型不仅仅是标记一笔交易；它会输出一个“风险评分”——这个分数就是信号。

然后，该信号可以被下游系统（如自动化引擎或 UI 组件）消费，以触发特定操作或显示相关信息。

常见用例

• 预测性维护： 模型预测设备在未来一周内发生故障的概率，生成一个“故障风险”信号。
• 推荐引擎： 模型为某项生成一个“相关性得分”，该得分作为优先展示的信号。
• 异常检测： 当输入数据超出预期模式时，系统模型会输出一个偏差分数，从而发出异常信号。
• 资源分配： 模拟模型根据预测的流量生成指示最佳服务器负载分布的信号。

主要优势

• 主动性： 使系统能够在问题显现或需求变得关键之前采取行动。
• 抽象化： 将高维、复杂的数据转换为简单、可消费的指标。
• 效率： 通过根据计算出的必要性而非原始数量来集中资源，优化流程。

挑战

• 模型漂移： 如果底层现实世界系统发生变化而模型未重新训练，信号的准确性可能会下降。
• 可解释性： 理解模型生成特定信号的原因（“黑箱”问题）可能很困难，这会影响信任。
• 计算成本： 生成高保真信号通常需要大量的计算资源。

相关概念

• 推理
• 特征工程
• 预测分析
• 状态估计