圖片來源：White-Lab 製作（AI 生成／Canva 設計）
AI 疵檢測：一次搞懂 Recall、Precision、False Negative
🎙️ 日野遼的觀測紀錄：
「在 White-Lab 裡，沒有任何深奧的演算法，能扛得住阿嬤的一句：『寧可錯殺，嘛毋通放過！』」
今天，我們不親自下場，也不談艱深的數學公式。
我們直接把鏡頭切到 CNC 工廠現場，帶你一秒看懂：👉 Recall
👉 Precision
👉 False Negative
這些 AI 專家們到底在吵什麼。
在實驗室裡，閃爍著冷藍色的科技光芒，全息投影的數據面板在半空中懸浮。
一隻穿著實驗袍的黑貓（墨星）跟一隻戴著耳機的猩猩（宙猩），正為了 AI 視覺辨識的邏輯爭論不休。
這時，自動門「嘶——」地一聲打開。
一個穿著紫色碎花上衣、踩著紅白拖的阿嬤，提著裝滿高麗菜的茄芷袋走進來。
她把袋子往全息投影台上一放，皺著眉頭說：
「夭壽喔，冷氣開這麼冷，電費是不用錢膩？」
全場瞬間從賽博龐克（Cyberpunk）切換成戲說台灣。
既然阿嬤的戰鬥力這麼強，連 MoE（混合專家模型）都能被她秒殺，那我們今天這塊「CNC 視覺瑕疵檢測」的 iPAS 特級生肉，就直接交給阿嬤來切吧！
🎬 白話小劇場：阿嬤的產線督導
阿嬤拉了一張紅色的塑膠板凳，大剌剌地坐在 CNC 工廠的產線旁，盯著那台正在篩選零件的 AI 機器。
🐈墨星（推了一下單片眼鏡，開始背誦公式）：「關於瑕疵檢測，我們必須考量混淆矩陣（Confusion Matrix）。True Positive 代表正確抓出瑕疵……」
👵 阿嬤（打斷墨星，揮了一下手裡的甘草芭樂）：「停停停！黑貓仔你在念經喔？講人話！」
阿嬤轉頭看向一旁滿頭大汗的工廠老闆，眼神瞬間變得無比銳利：
「頭家啊，阿嬤問你。你剛剛不是才說『寧可錯殺一百個好的零件丟進報廢桶，也絕對不能把一個壞的零件出貨給郎客』，對吧？因為出一個壞的，郎客就翻桌退貨，賠都賠死。」
「所以，你現在要盯這台機器（AI 模型）的什麼能力？阿嬤用白話翻譯給你聽，你選一個。」
- (A) 準確率 (Accuracy)： 算總帳啦，整體看下來有沒有準？
- (B) 精準率 (Precision)： 機器叫它挑出來的這堆報廢品裡面，「到底有幾個是真的壞掉的？」（機器挑得精不精？）
- (C) 召回率 (Recall)： 工廠裡所有真正壞掉的零件，「到底有沒有全部被你叫回來（抓出來）？」（機器抓得漏不漏？）
- (D) F1 分數 (F1-Score)： 阿嬤數學不好，反正就是 B 跟 C 混在一起打分數啦。
阿嬤把甘草芭樂遞給老闆：「來，大老闆，做生意最講究抓重點。你說這台機器你要叫它拚命拉高哪一個分數？A、B、C 還是 D？」
圖片來源：White-Lab 製作（AI 生成／Canva 設計）
✅ 正解揭曉：(C) 召回率 Recall
這是工廠老闆半夜接到客訴，會直接睡不著的思維。
👵 阿嬤白話一句破題：「我寧可錯殺好的，嘛毋通放過壞的。」
在產線上，
AI 最怕的，
不是亂抓。
是「沒抓到」。
因為： 👉 好的零件被誤殺，最多只是浪費。
但： 👉 壞的零件漏出去，可能直接出事（客訴、品牌信譽受損、停線求償）。
這種「漏抓」，在 AI 裡就叫做 False Negative（偽陰性）。
因為你最怕「漏抓」。
所以： 你必須拼命衝高 Recall（召回率）。
它代表的是： 👉 在所有真正有瑕疵的零件裡， AI 到底成功抓出了多少個？
這就是製造業的保命關鍵。
❌ 那為什麼答案不是 Precision（精準率）？
Precision 在意的是：你抓出來報廢的那些零件裡，真的壞掉的比例高不高。
它比較像是幫你守住成本（不要誤殺太多好零件、減少材料浪費）。
這當然也很重要，但如果題目或現實情境已經明講：「寧可錯殺一百個，也不能放過一個」，那麼唯一的正解就是 Recall。
🎬 White-Lab 劇場續集
👵 阿嬤（坐在紅板凳上）：「好的零件丟掉只是心痛，壞的出貨可是要賠錢啦！」
🐈 墨星 默默地把混淆矩陣的投影片收了起來，在一旁低頭筆記。
🦍 宙猩（看著阿嬤手裡的袋子，小聲偷問）：「那……有瑕疵的甘草芭樂還能吃嗎？」
👵 阿嬤（瞪）：「你就是 FN 啦，漏教養的那種！」
圖片來源：White-Lab 製作（AI 生成／Canva 設計）
📌 考前秒殺記憶法
給 5 月 16 日準備上考場的大家，在考卷上或實務中遇到 AI 模型指標的選擇題，直接套用「阿嬤的產線思維」：
🚨 看到關鍵字： 「不能漏掉瑕疵」、「寧可誤判」、「安全第一」、「客訴風險極高」
➡️ 請秒選 Recall（召回率／查全率）。
💰 看到關鍵字： 「不要浪費成本」、「好零件別亂丟」、「行銷預算有限」
➡️ 請選 Precision（精準率）。
😎 阿嬤一句封神總結：
「抓壞的有沒有抓乾淨，看 Recall；
抓出來的到底準不準，看 Precision！」
🧩 White-Lab AI 知識圖譜進度：
【阿嬤插隊考前特急件】 混淆矩陣 × Recall × Precision
(阿嬤說這題一定考，叫我們別管編號先發出去啦！)
💬 你的產線也是「寧可錯殺不可放過」嗎？還是成本優先呢？
在場外看完阿嬤的開示，底下留言告訴日野遼，你們家是用 Recall 還是 Precision 當標準！
記住：
AI 最怕漏抓，
考生最怕漏分。
希望考卷上的 FN，絕對不要是你自己。
🔥 White-Lab 與阿嬤，先幫大家把 Recall 拉滿！
(預祝 5 月 16 日準備上戰場的 iPAS 考生們，高分通關！)
