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

问:AI项目立项需要哪些准备工作?这些准备工作背后的核心技术原理是什么?

答:AI项目立项的准备工作,核心不是先买服务器或选大模型,而是先完成三件事:把业务问题定义成可量化的预测或决策任务、确认数据在时间跨度与标签质量上撑得住建模、划定人机协同的流程边界。这三件事分别对应机器学习的问题建模原理、数据分布一致性原理和人机回环(Human-in-the-loop)原理,缺一个,立项书再漂亮也会在POC阶段翻车。

一、业务问题转译为建模任务,对应的是监督学习与评价指标原理

立项第一份材料不该是技术方案,而是把"想用AI提升质检效率"这类模糊诉求拆成具体任务:是图像分类(缺陷有无)、目标检测(缺陷定位)还是分割(缺陷面积)?标签从哪来、由谁判定、判定一致性怎么保证?核心技术原理在于,监督学习的上限由标签质量决定,评价指标必须和业务损失对齐——漏检和过杀的成本不对称时,准确率就是误导性指标,该用召回率、误检率或代价敏感矩阵来定义验收标准。建议从"当前人工判断的错误分布"入手,先统计现有流程的误判类型和占比,这比讨论算法选型有用得多。

二、数据可行性评估,对应的是独立同分布假设与数据泄漏原理

模型上线后效果衰减,多数不是算法退化,而是训练数据和现场数据分布不一致。准备工作要核查:数据覆盖的时间跨度是否包含季节性、换班、换料等波动;训练集与验证集是否按时间切分而非随机切分(随机切分在时序场景会造成数据泄漏,让离线指标虚高);标签是否存在滞后标注问题。工业场景还要关注传感器漂移和工况漂移,这决定上线后要不要配套漂移监测和定期再训练机制。相关追问:数据量要多少才够?没有固定门槛,取决于任务复杂度和特征维度,图像分类任务通常每类数百到数千样本起步,但更关键的是样本多样性和标签一致性,而不是绝对数量。

三、流程与组织准备,对应的是人机回环与责任边界原理

AI在工业现场很少全自动运行,多数是"模型给建议、人做确认"或"模型初筛、人复核异常"。立项阶段要画清楚:模型输出进入哪个工位、置信度低于阈值时如何转人工、误判由谁追溯。这背后的原理是,模型的不确定性需要被显式表达并纳入流程设计,否则一线会因偶发误判而整体弃用系统。相关追问:立项要不要先做POC?建议做,但POC的验收标准要提前写死,用固定测试集和业务指标衡量,避免"看着还行"这类主观结论。

四、投入结构的判断,对应的是总拥有成本原理

预算不能只算软件和算力,要覆盖数据标注、系统集成、现场部署调试、上线后的运维与再训练。相关追问:哪些投入不能省?标注规范和测试集建设最不能省,它们决定了后续所有评估是否可信;其次是推理侧的算力与网络时延验证,工业现场常卡在实时性上而非模型精度上。

适合与不适合的边界:适合立项的情形是业务指标可量化、历史数据可回溯、存在人工判断环节且容错空间明确;不适合仓促立项的情形是业务目标还停留在"提升智能化水平"这类表述、关键数据没有沉淀或标签无人负责、现场网络与算力条件尚未摸清。这类情况建议先做数据盘点和流程梳理,再谈AI。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看,立项阶段多花两周把评价指标和数据切分方式定清楚,往往比提前一个月启动开发更能决定项目成败。下一步该重点关注的是:验收指标是否写进了立项文件、测试集是否独立封存、上线后的漂移监测由谁负责。

所属分类: AI-FAQ