张师傅正在揉面，听到陈曦的道歉，脸上的神色缓和了一些，但语气还是带着一丝委屈：“小陈，我做桂花糕几十年，什么样的力度，什么样的手法，我心里都有数。前几天我感冒发烧，浑身没力气，揉面的时候，力度确实比平时小，速度也慢，可那确实是我亲手做的糕团，怎么就被你们的系统判成AI做的了？要是以后再出现这样的情况，我的客户看到溯源结果，还以为我偷懒，用AI代替手工，那我的名声，几十年的坚守，不就毁了吗？”

“张师傅，我非常理解您的心情。”陈曦耐心地解释道，“这次误判，确实是我们的疏忽，我们的模型，没有考虑到您生病时的身体状态波动，默认了手工操作的力度是稳定的，才出现了这样的问题。您放心，我们已经在优化模型，新增了历史数据对比模块，会记录您正常状态、生病状态下的操作特征，以后再出现类似的情况，系统会标记需人工复核，不会再轻易误判。”

本小章还未完，请点击下一页继续阅读后面精彩内容！

小李也连忙说道：“张师傅，我们想请您回忆一下，您生病时，除了揉面力度变小，还有哪些操作习惯和平时不一样？比如揉面的速度、面团的湿度控制、塑形的手法，这些细节，对我们优化模型非常重要，能帮助我们更好地识别您不同状态下的手工操作特征。”

张师傅看着陈曦和小李真诚的眼神，心里的委屈渐渐消散。他放下手中的面团，坐了下来，仔细回忆道：“那天我发烧，浑身没力气，揉面的时候，力度比平时小了一半还多，平时揉面力度大概在10N左右，那天最多也就4N；揉面的速度也慢，平时揉10分钟就能揉好的面团，那天揉了15分钟；还有，塑形的时候，因为手没力气，褶皱比平时浅一些，也没那么规整。另外，我生病的时候，手心容易出汗，面团的湿度，也比平时稍微大一点。”

陈曦和小李，一边认真倾听，一边详细记录，小李还拿出笔记本，画出张师傅生病时的揉面力度曲线、塑形手法示意图，确保每一个细节都不遗漏。“张师傅，您说的这些细节，对我们太重要了。”陈曦笑着说道，“我们会把这些‘个人状态参数’，加入到您的专属特征模型中，以后系统检测到类似的操作数据，就会自动对比，不会再出现误判了。”

张师傅看着两人认真的样子，心里满是欣慰，感慨地说道：“小陈，小李，说句心里话，这次误判，我确实有点生气，也有点担心。但看到你们这么重视，亲自跑过来向我道歉，还这么细致地收集我的操作习惯，连我身体不舒服的情况都考虑到，我就放心了。你们这个系统，是真的为我们老匠人着想，不是单纯追求精度，这样的团队，我们愿意信任，也愿意继续配合你们。”

“谢谢您的理解和信任，张师傅。”陈曦感动地说道，“您的信任，是我们前进的最大动力。我们一定会尽快优化好模型，不让您再受委屈，也不让其他老匠人再遇到类似的误判问题。”

拜访完张师傅，陈曦和小李立刻赶回研发中心，将收集到的张师傅生病时的操作数据和个人状态参数，交给技术组。李工带领技术组，立刻将这些数据融入到“历史数据对比模块”中，同时扩大数据范围，收集其他老匠人不同身体状态下的操作数据，完善个人专属特征模型，确保模块能精准识别老匠人的状态波动，避免误判。

此时，江南大学的技术团队，也完成了微生物检测算法的优化，成功加入了“微生物分布均匀度”“微生物集中区域”等特征维度，能够精准区分“自然残留微生物”和“人工添加微生物”。他们通过大量样本测试，验证了优化后算法的有效性——对于人工添加微生物的AI生成糕团，识别准确率达到了99%，再也不会出现误判的情况。

接下来的两天，技术组将“历史数据对比模块”和优化后的微生物检测算法，融入到整体模型中，进行了反复的训练和调试。他们调取了200组老匠人不同状态下的操作数据、50组人工添加微生物的AI生成糕团数据，以及100组正常手工、正常AI生成的糕团数据，对优化后的模型进行全面测试，不断调整参数，提升模型的识别精度和稳定性。

小李也全程参与到模型测试中，凭借自己对老匠人操作特征的了解，协助技术组，排查测试中出现的问题。“陈姐，李工，你们看，这个数据有问题。”小李指着一组测试数据，说道，“这是周爷爷疲劳时的操作数据，力度波动接近AI，但根据历史数据对比，和他平时疲劳时的波动规律一致，系统应该标记‘需人工复核’，但现在却直接判定为手工，参数设置还有问题。”

李工立刻上前，查看数据，调整模型参数：“你说得对，是我们的阈值设置不合理，我们把历史数据对比的相似度阈值，从80%调整到75%，这样就能更精准地识别老匠人的状态波动，既不会误判，也不会遗漏异常情况。”

经过两天两夜的紧张调试，模型优化工作终于完成。研发中心的所有人，都屏住呼吸，等待着最终的测试结果。李工启动测试程序，屏幕上的精度数值，一点点跳动——94%、95%、96%！当数值稳定在96%时，误判率同步降至1.5%，远超企业要求的“误判率低于3%”的试用标准，也彻底解决了两起边缘场景的误判问题。

“成功了！我们成功了！模型优化成功了！”李工激动地大喊，双手紧紧握拳，脸上满是喜悦和疲惫。经过无数个日夜的奋战，团队终于解决了边缘场景误判的难题，将系统识别准确率提升至96%，误判率降至1.5%，不仅挽回了企业的信任，也打消了老匠人的顾虑。

陈曦看着屏幕上的测试结果，眼眶微微湿润。这段时间，团队经历了企业质疑、老匠人信任动摇的困境，但他们从未放弃，始终坚守初心，认真复盘案例，细致优化模型，终于攻克了难关。“太好了，大家辛苦了！”陈曦语气激动地说道，“现在，我们可以向合作企业汇报优化结果，也可以向老匠人们证明，我们的系统，是可靠的，是真正为他们着想的。”

小主，

陈曦立刻联系两家合作企业，详细说明了误判原因、优化方案，以及优化后的测试结果，同时邀请企业代表，前往研发中心，现场观摩模型测试。企业代表来到研发中心，亲眼看到优化后的模型，能够精准识别老匠人状态波动、人工添加微生物等边缘场景，没有出现任何误判，对系统的稳定性和精准度，给予了高度认可。

“陈总，非常感谢你们能在这么短的时间内，解决误判问题，优化后的系统，完全满足我们的试用要求，也让我们看到了你们团队的专业和负责。”其中一家企业的代表，笑着说道，“我们愿意继续与你们合作，尽快全面启用你们的溯源系统，助力我们的产品品质管控。”

另一家企业的代表也补充道：“之前我们确实有些担心，但看到你们的优化方案和测试结果，我们彻底放心了。尤其是你们针对老匠人状态波动的优化，考虑得非常细致，既保证了系统精度，又尊重了老匠人，这样的系统，值得我们信赖。”

企业的信任，让团队成员们备受鼓舞。陈曦也第一时间，将模型优化成功的消息，传达给了所有试点老匠人，尤其是误判案例中的张师傅。“张师傅，告诉您一个好消息，我们的系统模型已经优化好了，新增了历史数据对比模块，把您生病时的操作特征和个人状态参数，都加入到了模型中，以后再也不会出现误判的情况了。”陈曦在电话中，兴奋地说道。