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?