答:AI项目立项最核心的准备工作是先把"业务问题定义清楚"和"数据家底摸清楚"这两件事做完,再谈技术选型和预算,否则立项书写得再漂亮,落地时也会卡在数据质量或场景不清上。具体来说,准备工作可以拆成五个维度来看。
一、业务场景的可量化定义
立项前要能把目标写成一个可测量的指标,比如"将某条SMT产线的AOI误判率从当前水平降低若干个百分点",而不是"用AI提升质检水平"。场景选择上,优先挑高频、规则相对清晰、人工判断耗时长的环节,像外观缺陷检测、设备预测性维护、工艺参数寻优、排产调度这几类在制造业里落地路径比较成熟。假设一家汽配企业要做铸件表面缺陷检测,立项时就得明确缺陷类别有哪几种、判定标准谁来定、误判和漏判哪个代价更高,这些直接决定后续数据标注的口径。
二、数据基础的三层盘点
数据基础不是"有没有数据",而是要看三个层面。第一层是数据可得性:目标场景相关的数据是否已经被采集、存在哪个系统里(MES、SCADA、ERP、QMS还是纸质记录)、采集频率够不够。第二层是数据质量:标签是否准确、时间戳是否对齐、缺失率和异常值占比多少,工业现场常见的问题是设备数据采样频率不统一、人工录入字段大量为空。第三层是数据治理:有没有统一的物料编码、设备编码、工序编码,这决定了多源数据能不能关联起来。图像类场景一般需要每个缺陷类别有足够数量的标注样本,且要覆盖不同光照、不同批次、不同工位的差异;时序类场景则要求历史数据跨度能覆盖季节性波动和异常工况。
三、跨部门组织与责任人
AI项目立项时必须明确三方角色:业务方(提需求、定标准、最终验收)、数据方(IT或数字化部门,负责数据打通和接口)、算法方(内部团队或外部厂商)。缺少业务方深度参与的项目,最容易在标注口径和验收标准上反复扯皮。建议立项阶段就指定一名业务侧的"场景owner",对判定标准签字确认。
四、基础设施与集成条件
要评估现有网络、算力、存储能否支撑,尤其是视觉类项目对带宽和边缘算力有要求,时序类项目对数据存储周期有要求。同时要确认AI系统与现有MES、QMS的集成方式,推理结果是否需要回写工单、是否触发报警,这些接口工作量常常被低估。
五、投入产出的估算逻辑
立项书里要写清成本构成:数据采集与标注、算力硬件、软件平台、实施集成、后期运维,以及业务侧投入的人力时间。收益侧尽量用可核实的口径,比如减少的复检工时、降低的废品率,而不是笼统写"提升效率"。
相关追问一:数据量要多少才够立项?
没有统一数字,取决于场景复杂度。图像缺陷检测通常要求每个缺陷类别有数百到数千张有效标注样本,且类别分布不能严重失衡;设备预测性维护更看重数据的时间跨度和故障样本覆盖度,而非绝对条数。立项阶段建议先做小样本可行性验证,用现有数据跑一轮基线,再判断缺口。
相关追问二:没有历史数据能不能做AI项目?
可以,但路径不同。一种是先用规则或传统视觉算法兜底,同时启动数据采集;另一种是借助预训练模型做小样本迁移。要清楚这类项目的周期和不确定性都更高,立项时应把"数据积累期"单独列为阶段目标。
相关追问三:立项时要不要先做POC?
建议做,但POC的目标要定成"验证数据可行性和业务标准可对齐",而不是追求demo效果。POC阶段把标注规范、验收指标、集成接口跑通,后续正式实施的返工率会明显下降。
适合与不适合的边界:业务问题清晰、数据可采集、有业务方深度参与的场景,适合按上述流程立项推进;如果场景本身判定标准模糊、数据分散在纸质记录且短期无法数字化、或业务方只想"先上一个AI"而没有明确验收指标,这类项目建议先缓一缓,把基础数字化补课做完再启动,否则很容易做成一次性演示。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商经验也说明,工业软件的价值往往取决于数据底座的扎实程度,AI项目同理。