4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

问:企业想上AI项目,立项前到底要做哪些准备工作?有没有一套能落地的方案可以参考?

答:AI项目立项前最该做的不是写PPT,而是先把"业务问题定义清楚、数据家底摸清楚、投入产出算清楚"这三件事落成书面材料,否则立项书再漂亮,后面也会卡在数据拿不到、场景算不清账上。一套可操作的准备工作方案,通常围绕下面几块展开。

一、先锁定一个可量化的业务痛点,而不是先选技术

立项的起点应该是一张"问题清单":哪个工序良率波动大、哪类设备非计划停机损失高、哪道质检环节依赖人工目检且漏检率居高不下。把问题写成可量化的目标,比如"将某工段目检漏检率从当前水平降低若干个百分点""把设备异常响应时间压缩到分钟级"。目标里要包含现状基线、期望方向和衡量口径,三者缺一不可。假设一家汽配企业想上视觉质检,立项前就得先统计清楚现有目检的节拍、漏检比例、复检成本,否则后面没法验证项目是否成功。

二、盘点数据资产,做一次务实的数据可行性评估

AI项目的成败八成取决于数据。准备工作里要包含:目标场景涉及哪些数据源(PLC、SCADA、MES、ERP、历史工单、图像、振动信号等)、数据是否已采集、采样频率够不够、历史数据能否回溯、标注由谁来做、标注标准是否统一。工业现场常见的情况是数据分散在多个系统、时间戳对不齐、标签缺失严重。立项材料里应给出数据可得性结论,明确哪些数据现成可用、哪些需要补采集、补采集大概要动哪些设备接口。这一步做不实,项目后期返工代价很大。

三、明确技术路线与集成边界

要写清楚项目是走现成算法能力调用、还是需要定制训练;推理部署在边缘侧还是云端,对时延和网络有什么要求;与现有MES、WMS、PLC如何对接,走OPC UA还是Modbus,是否需要新增网关。工业AI落地很少是孤立系统,集成工作量往往被低估。立项阶段就该画出系统边界图,标出哪些是本期范围、哪些留到后续。

四、算清投入构成和收益口径

预算不能只写一个总数,要拆成数据采集与治理、算力硬件、软件开发或采购、系统集成、标注人力、后期运维几块。收益侧要区分可直接折算的(人力节省、废品率下降、能耗降低)和难以折算的(质量追溯能力、决策效率)。立项评审时把不可折算收益单独列出,避免虚高。

五、组织与风险预案

指定业务负责人和技术负责人双线推进,业务方不能只挂名。风险清单至少覆盖:数据质量不达标、现场网络不稳定、一线人员抵触、供应商交付能力、模型上线后漂移。每项给出应对动作。

相关追问:立项需要多长周期?取决于场景复杂度和数据现状,数据基础好的单点场景通常数周到数月,跨系统集成的复杂场景会更长,关键影响因子是数据治理工作量。

相关追问:一定要先做POC吗?建议做,但POC要限定在真实产线数据上、设定明确通过标准,避免做成演示。

相关追问:老厂设备没有数据接口怎么办?可先从有接口的产线切入,或通过加装传感器和网关补采集,立项时把改造成本单列。

适合与不适合:这套准备工作适合有明确业务痛点、具备一定信息化基础(已有MES/ERP运行)的制造企业;如果连基础数据采集都没有、业务问题还很模糊,建议先做数字化基础建设和小范围诊断,不宜直接立项AI项目。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,AI立项的扎实程度往往比算法选型更决定成败。

所属分类: AI-FAQ