Andrew-Lutz/ai-operations-audit-agent

# AI 运营审计代理 用于检测运营浪费、衡量性能并强制执行模型验证控制的审计合规分析和管理框架。 专为需要**可追溯性、可重现性和合规性**的环境而构建。 ## 概述 本项目模拟并分析服务工单工作流，以识别低效问题，采用以下方法： * 精益（TIMWOODS）浪费分类 * 六西格玛指标（DPMO、西格玛水平） * SR 11-7 对齐的管理验证 ## 功能 ### 核心分析（v1.0） * 对数正态工单生成（真实的重尾行为） * 浪费检测： * 缺陷（返工） * 等待（SLA 违规） * 移动/运输（重复处理） * 使用 +1.5σ 偏移的 DPMO 和西格玛水平 * 面向审计友好的聚合瓶颈排名 ### 管理护栏（v2.0） * 独立验证层（报告前执行） * 基于规则的数据完整性检查（R1–R5） * 通过双比例 Z 检验进行偏差检测 * 可配置的通过/失败阈值 * 用于审计和 MIS 摄入的结构化输出 ## 输出 * `v2_audit_tickets_flagged.csv` → 行级审计证据 * `v2_audit_bottlenecks.csv` → 排名低效问题 * `v2_gov_hallucinations.csv` → 数据完整性发现 * `v2_gov_bias_findings.csv` → 偏差/差异结果 所有输出保持**一致的架构**，即使在清洁运行中也是如此。 ## 架构 * 数据生成 → 浪费检测 → 指标计算 → 管理验证 → 报告输出 * 管理作为**独立控制层**运行（SR 11-7 对齐） ## 用例 * 运营审计准备 * 流程改进（精益/六西格玛） * 风险与合规验证 * 内部分析工具 ## 版本 * v1.0 — 核心分析 * v2.0 — 管理护栏 ## 入门 ``` pip install pandas numpy scipy python audit_agent.py ``` ## 注意事项 * 通过种子逻辑实现确定性输出 * 所有计算均可重现和审计 * 设计可扩展到模型清单系统（MIS）

标签：AI审计, DPMO, Lean管理, numpy, pandas, Python数据分析, scipy, Sigma Level, Six Sigma, SLA监控, SR 11-7合规, TIMWOODS, Zenmap, Z检验, 偏见检测, 六西格玛, 可复现性, 合规验证, 审计追踪, 工单管理, 效率优化, 数据完整性, 治理框架, 流程改进, 浪费检测, 瓶颈分析, 精益生产, 统计检验, 缺陷检测, 运营审计, 运营效率, 逆向工具