人工智能选型与采购指南

这篇指南写给正在考虑引入人工智能系统的制造企业与机构。它不谈技术原理，只谈决策：怎么判断问题值不值得做、数据怎么准备、供应商怎么比较、合同里必须写清什么。如果你读完之后想进一步讨论具体场景，欢迎查看我们的服务项目或直接联系我们。

一、先判断问题是不是"算法型"问题

不是所有效率问题都适合用算法解决。一个简单的判断方法：这个环节目前靠人做判断的依据，能不能变成可记录的数据？质检员看照片判断缺陷、录入员看单据抄字段，这些判断背后有明确的视觉或文本模式，属于算法型问题；而依赖人际沟通、多方博弈的环节，上算法往往解决不了根因。另一个信号是重复度：同一类判断每天做几百次，算法介入的收益才够覆盖开发成本；一天做三次的环节，改善流程比训练模型划算得多。我们还建议先问一句"这个问题现在是怎么兜底的"——如果目前没有任何兜底手段、错误代价很高，第一阶段应该先建记录机制攒数据，而不是直接上系统。

二、盘点你手里的数据

数据是算法项目的原材料，盘点要从三个维度做。一是数量：视觉检测类项目通常需要每种缺陷类别几十到几百张有效样本，"有效"指图像清晰、缺陷位置可辨认，模糊照片不算数。二是质量：历史数据是否标注过、标注标准是否统一，口径混乱的数据清洗成本经常超过重新采集。三是可得性：数据在谁手里、导出需要什么审批，这些流程时间常常比技术周期更长。盘点结果直接决定项目路线——数据充足可以走模型路线；数据稀薄则先做规则系统加数据积累，条件成熟再升级。

三、怎么比较供应商与方案

比较供应商时，建议盯住以下几件事，而不是演示效果。演示环境的数据往往被筛过，你要问的是"这个指标在客户现场的真实数据上测过吗、测了多少轮"。要求对方写清楚数据前提：样本量、设备接口、网络环境，任何一项含糊都可能变成后期的扯淡点。看交付物清单而不只是系统本身：有没有部署脚本、操作手册、指标解读文档，这决定了你换供应商时会不会被卡住。下表是常见的两种采购模式对比：

两种模式并不互斥：常见场景可以先试标准化产品验证价值，确认值得深入后再做定制化改造，这样试错成本更低。

四、合同里必须写清的条款

算法项目合同最常见的纠纷集中在三处，签约前逐条核对。第一是验收指标：必须写明在什么数据集上、用什么方式测量、误检率漏检率各是多少，"效果良好"这种表述没有可执行性。第二是数据权属：训练用的样本归谁、项目结束后如何销毁或返还，敏感数据要明确不出内网的处理方式。第三是运维边界：上线后的指标波动哪些属于免费排查范围、哪些属于新的开发需求，增量训练的触发条件与费用怎么算。把这三块写清楚，项目中途改需求、上线后出问题，双方都有据可依。

五、实施期的三个常见坑

坑一：样本采集阶段业务方不参与，标注标准由算法工程师单方面理解，结果模型"技术上达标、业务上不认可"。对策是让质检员或业务骨干全程参与标准制定，每个缺陷类别先标十张样例对齐理解。坑二：部署环境比预期复杂，工控机算力不足、相机接口老旧，开发环境跑得好好的系统装不上产线。对策是调研阶段就记录目标设备的型号与配置，部署方案提前做兼容验证。坑三：验收之后没人管，指标慢慢漂移没人发现。对策是验收时同步建立指标监控与告警，把运维协议和响应方式写进合同，而不是等项目"感觉不对"了再联系。

六、一个朴素的建议

如果只记住一件事，就记住这句：算法项目的成败，七分在数据与标准的准备，三分在模型本身。立项之前，把"什么算对"用你和业务人员都能确认的语言写下来，把样本和数据的家底盘清楚，项目的走向基本就定了。剩下的部分——选技术路线、比较方案、谈条款——欢迎带着你的清单来找我们聊，也可以先读读常见问题详解看看别人都在问什么。