在医药合规圈（HCC），「道高一尺魔高一丈」的故事每天都在上演。随着飞检越来越严格，那些企图通过P图、假签到来套取费用的手段也在升级。但抱歉，在今天的AI技术面前，这些小聪明可能真的不够看了。
今天带大家拆解一下，一套成熟的会议合规智能审查系统背后，到底用了哪些硬核技术？
1. 图像取证：ELA与向量数据库的降维打击
你以为P个时间戳就能骗过系统？Too Naive。
- ELA误差级别分析 (Error Level Analysis)： 系统会对照片进行多层次的压缩痕迹分析。如果一张照片被PS过（比如修改了横幅上的日期），修改区域的压缩率会和原图其他部分不一致。在AI眼里，那个被P过的日期就像黑夜里的萤火虫一样显眼。
- pHash + Milvus 向量搜索： 为了防止「一图多用」（拿着去年的照片报今年的会），系统使用了感知哈希算法 (pHash) 计算图片的指纹，并存入 Milvus 向量数据库。哪怕你把图片裁剪了、调了亮度，只要汉明距离≤5，系统就能在毫秒级内从海量历史库里把你抓出来。
2. LBS围栏：时空一致性的「测谎仪」
照片看着是在医院会议室，其实是在家拍的？
- GPS元数据提取： 系统不仅看EXIF里的经纬度，还会校验设备指纹。如果EXIF被暴力抹除，或者拍摄设备型号与记录不符，直接标记异常。
- 地理围栏计算： 系统自动计算照片拍摄点与申报会议地址的直线距离。超出预设范围（比如500米），系统直接报警「地理位置异常」。
3. 多模态大模型：看懂「违规场景」
这是最前沿的技术应用。利用通义千问VL等视觉大模型，AI具备了理解场景的能力。
- 娱乐场所识别： 系统不需要你定义什么是KTV，大模型「看」到昏暗的灯光、点歌台、麻将桌、骰子，结合上下文就能判断这是非学术场景。置信度≥60%即标记高风险。
- 奢侈品与烟酒： 桌面上的茅台、中华烟，甚至名牌包包，AI都能通过目标检测技术识别出来，防止利益输送嫌疑。
4. 笔迹分析：OCR的高阶玩法
签到表是造假的重灾区。
- 笔迹相似度检测： 系统不仅是用OCR把名字认出来，还会分析签名的笔迹特征。如果整张表看起来都是一个人的字迹（代签），或者同一个名字在不同位置重复出现，系统会立刻标记「疑似代签」。
- 人头数数： 还在数人头？AI自动识别照片里的面部数量，并与签到表上的有效名字数量做比对。签到50人，照片里只有5个人？对不起，请解释。
写在最后
技术不讲情面，但也最讲道理。对于药企来说，拥抱这些「黑科技」，不是为了监控员工，而是为了在合规的红线内，让业务跑得更稳、更远。