答:AI项目立项最核心的准备不是选模型或比价格,而是先把业务问题定义清楚、把数据家底摸透、把验收标准量化,这三件事没做完就立项,后面大概率返工。供应商这边则要重点确认场景边界、数据可得性和责任划分,别为了拿单把预期抬得太高。
一、立项前先把"要解决什么问题"写成一句话
不是"我们要做AI质检",而是"某电子厂SMT贴片工位目前人工目检漏检率偏高,希望在现有节拍下把漏检压下来"。场景要具体到工序、设备、班次。立项书里建议包含现状基线数据:当前人工检测节拍、误判率、返工成本。没有基线,后面没法算ROI。这一步做不实,供应商报价再低都是空中楼阁。
二、数据盘点是立项的硬门槛
工业AI项目里数据工作量通常占整体投入的一半以上。要提前确认:历史数据有没有留存、标注质量如何、传感器或相机分辨率是否满足检测精度、不同班次和光照条件下数据分布是否一致。假设一家汽配企业要做表面缺陷检测,如果过去只留了合格品照片、缺陷样本零散,那立项时就得把样本采集周期算进去,而不是假设供应商"自带模型就能用"。
三、验收标准要可量化、可复现
建议在合同或立项文件里写清楚:检测精度指标、误报率上限、单件推理耗时、上线后人工复核比例。指标要绑定具体测试集,测试集由双方共同确认封存。避免用"效果显著提升"这类无法核实的表述,验收时扯皮的多半出在这里。
四、供应商需要重点核实的几件事
一是场景边界,供应商要主动确认产线节拍、环境光、粉尘振动等现场条件,别拿实验室demo直接对标产线;二是数据责任,训练数据由谁采集、标注标准谁定、数据归属怎么写;三是交付物清单,模型、部署脚本、接口文档、运维手册是否齐全,避免上线后形成锁定;四是迭代机制,产线换型、新增缺陷类型时模型怎么更新,费用和响应周期怎么约定。
相关追问:AI项目预算主要由哪些部分构成?
通常分四块:数据采集与标注、模型开发与训练、现场部署与系统集成、上线后的运维迭代。其中数据标注和现场集成容易被低估,尤其多工位、多产线复制时,集成工作量会明显放大。预算评估建议按"单点验证+规模复制"两阶段做,先小范围跑通再谈铺开。
相关追问:立项阶段要不要先做POC?
建议做,但POC要限定在真实产线数据上、限定周期和范围,明确POC通过与否的判定标准。只在外场或公开数据集上跑通的POC,参考价值有限。
适合与不适合的边界:这套准备流程适合有明确工序痛点、具备一定数据留存基础、愿意投入样本采集的制造企业;如果业务问题还停留在"想试试AI"、产线数据几乎空白、也没有专人对接验收,建议先把问题收敛和数据积累做起来,再启动立项。供应商侧同理,场景边界模糊、数据责任不清的项目,接之前要谨慎评估交付风险。