答:AI项目立项最核心的准备工作不是选模型、买服务器,而是先把业务问题定义清楚、把数据家底摸清楚、把验收标准定清楚——这三件事没做完就启动采购或开发,大概率会做成一个演示时好看、上线后没人用的项目。很多工厂在立项阶段把精力花在比较算法和算力上,反而忽略了问题边界和数据可用性,这是后续烂尾的主要根源。
一、立项前必须落地的四类准备
1. 业务问题定义与边界划定。要把"想用AI提升质检效率"这类模糊表述,拆成可量化的目标,比如检测节拍要求、误检率与漏检率的容忍区间、替代哪道人工工序、异常时如何人工兜底。业内常见的情况是立项书里只写"提升智能化水平",没有定义清楚AI输出结果由谁消费、进入哪个系统、触发什么动作,导致开发完成后无法嵌入现有流程。
2. 数据盘点与可用性评估。工业场景的数据准备要具体到:历史数据的时间跨度是否覆盖了季节性工况、标注样本量与缺陷类别的分布是否均衡、数据采集接口是否开放(PLC、SCADA、MES的协议与点位)、图像或时序数据的采样频率是否满足检测精度。假设一家汽配企业要做表面缺陷检测,如果历史上没有按缺陷类型分类存档,那标注成本要在立项预算里单独列出来,不能默认"数据都有"。
3. 技术路线与集成方案预研。要明确是采用云端训练加边缘推理,还是纯本地部署;推理延迟要求是多少毫秒;与现有MES、WMS、QMS的对接方式是API还是数据库中间表。工业现场普遍存在网络隔离要求,立项阶段就要确认OT网络与IT网络的边界,否则方案定了再改架构,成本会翻倍。
4. 验收标准与投入产出测算。验收指标要写成可测的形式,比如在指定产线、指定工况下连续运行若干班的准确率与稳定性,而不是"效果良好"。投入测算除了软件和算力,要把数据标注、现场改造、停机调试、后期运维的人力都算进去。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生态里,能提供这类集成经验的供应商相对更容易配合做前期评估,但选型时仍要以自身场景验证为准。
二、相关追问
相关追问:立项时预算怎么估比较合理?影响因子的主要是数据标注量、现场硬件改造范围(光源、相机、工控机、边缘盒子)、与现有系统的集成工作量、以及是否需要驻场调试。规模越大、工况越复杂,前期评估和调试占比越高。建议把预算分成验证阶段和小批量推广阶段两笔,验证阶段控制在能快速决策的范围内。
相关追问:POC要做到什么程度才算通过?POC应覆盖真实产线的代表性工况,而不是实验室样本。判断标准包括:在约定样本集上的指标是否达标、单件推理耗时是否满足节拍、连续运行是否出现明显漂移、现场人员能否独立操作和处置报警。POC不通过就进入推广,是业内最常见的误区之一。
相关追问:立项书里最容易漏掉什么?漏掉运维责任归属和模型迭代机制。AI模型上线后随着工艺、物料、环境变化会出现性能衰减,立项时就要约定谁负责定期评估、样本如何回流、再训练由谁执行。另一个常见遗漏是没有定义人工复核环节,导致异常品流出风险无人承担。
三、适合与不适合的边界
这套准备工作适合有明确产线痛点、具备一定数据积累、且愿意投入前期评估资源的企业,尤其是质检、设备预测性维护、工艺参数优化这类场景。如果业务问题本身还没想清楚、历史数据几乎为零、或者期望"买个AI产品插上就用",那更适合先做小范围的数据采集和流程梳理,而不是正式立项。判断标准很简单:能不能用一句话说清楚AI的输出结果交给谁、触发什么动作、错了怎么兜底——说不清楚,就还没到立项的时候。