人工智能项目选型与采购指南

这篇文章写给正在考虑第一个 AI 项目的企业决策者。多数失败的项目不是败在算法上,而是败在立项阶段:目标定得太大、数据条件没摸清、验收标准没写进合同。我们把这几年在现场踩过的坑整理成一份决策清单,供你在找供应商之前自查。

一、先判断问题类型,再谈技术

企业想用 AI 解决的问题大致分四类:看(视觉检测与识别)、算(预测与估算)、排(调度与优化)、查(检索与问答)。不同类型的可行性与成本结构完全不同。"看"类项目对成像条件敏感,光照与工位决定成败;"算"类项目对数据历史长度敏感,通常需要至少一年以上的有效数据;"排"类项目难在约束梳理,算法反而是成熟环节;"查"类项目门槛最低,但对文档质量与权限体系有要求。判断错类型,后面的预算和周期都会失真。

二、评估你的数据条件

在联系任何供应商之前,先回答五个问题:数据存在哪、以什么频率产生、由谁维护、有没有标注过的样本、有没有明确的字段口径。多数制造企业的数据"有但散"——MES 里有一份、报表里有一份、老师傅的本子上还有一份,三者对不上。这种情况下,数据治理本身就是项目的第一阶段性工作,预算里必须为它留出份额。跳过治理直接建模,是返工率最高的做法。

三、定制开发与成品工具的取舍

不是所有需求都值得定制。下表列出常见的取舍判断:

判断维度适合成品工具适合定制开发
需求与通用场景的差异通用报表、通用文档检索与自身工艺、物料强绑定的检测与调度
数据条件数据在第三方系统内已结构化数据散落在自有系统中需要打通
验收方式功能可用即可需要量化指标(漏检率、误差范围)
部署环境允许云端 SaaS要求内网或断网私有部署
迭代频率供应商统一升级随工况变化需要按月再训练

经验法则:如果一家供应商在没看过你的数据之前就报出整包价格,这份报价的可信度有限。我们自己的做法与此一致——服务项目里的每一项都从现场调研起步,调研费用独立计算、额度很小,目的是让双方都低成本地确认方向。

四、把验收指标写进合同

模糊的验收条款是纠纷的主要来源。"系统运行良好""识别效果明显提升"这类表述无法执行。可执行的验收指标有三个特征:一是量化,如"指定缺陷类型漏检率不超过约定上限";二是用新数据测试,明确排除用训练集回测;三是约定测试环境,即在实际产线工况下采样测试而非实验室环境。预测类项目写误差范围与统计窗口,调度类项目写场景化耗时或人工对比项。签订前,让工程师(不是销售)逐条解释指标的含义。

五、为上线之后留预算

模型会随工况漂移:换了一批原材料、换了一盏灯、季节变化,都可能让上线时合格的系统逐渐退化。预算里应为运维留出每年一笔的费用,覆盖指标监控、月度报告与再训练。同样重要的是留下知识:再训练流程、误检标记方法、常见故障的排查步骤,这些应该作为交付物移交,而不是锁在供应商手里。我们建议在合同里明确约定代码与模型的移交条件。

六、立项前的自查清单

  • 问题能归入看、算、排、查中的哪一类?
  • 有没有人能说出数据的存放位置与口径?
  • 有没有可量化的成功标准,且业务部门认可?
  • 预算里是否包含数据治理与上线后运维?
  • 是否接受了"先小规模验证、再扩大投入"的节奏?

五条都答得上,项目就具备了立项条件。答不上来的部分,欢迎带着问题阅读我们的常见问答,或者直接联系我们约一次免费交流。