什么时候需要AI定制开发
当业务对象、拍摄条件、传感器数据或判断规则具有明显专用性，通用API无法稳定输出；或项目需要离线运行、低延迟、私有化部署和设备控制时，才有定制开发价值。若规则明确且传统算法足够，应优先采用更简单、可解释的技术。
从业务问题转成可训练任务
第一步不是选模型，而是定义输入、输出和错误代价。例如视觉检测需要明确缺陷边界、严重等级、拍摄工位和误检漏检成本；动作分析需要明确关键点、阶段、规则和个体差异；传感器分析需要明确采样频率、时间窗口和标签来源。
数据与评估体系
- 设计覆盖真实分布的数据采集规范
- 建立一致的标注说明与复核流程
- 分离训练、验证和独立评估数据
- 按关键场景查看错误，而不是只看总体平均指标
- 记录模型、数据、参数和部署版本
算法与系统架构
数据可来自摄像头、深度相机、红外、音频、惯性和其他传感器。算法层根据任务采用检测、分割、关键点、时序模型、多模态融合或大模型能力。推理层部署在边缘设备、私有服务器或云端，业务层负责规则、权限、工作流、报告和反馈闭环。
工程化交付
模型文件本身不是完整交付。可交付内容还包括数据规范、评估脚本、推理接口、运行环境、监测日志、模型与配置版本、部署说明和与业务系统的集成接口。边缘部署还需验证模型转换后的精度变化和持续运行表现。
常见技术指标
| 指标 | 应如何理解 |
|---|---|
| 精确率/召回率 | 分别反映误报和漏报，不应脱离业务代价看待 |
| mAP/IoU | 用于检测和分割，但需结合目标尺寸与场景分析 |
| 延迟/吞吐 | 应测端到端链路，而不只是模型单次推理 |
| 鲁棒性 | 关注光照、角度、设备、人群或材料变化 |
实施路径
需求和指标定义 → 样本审查 → 基线模型 → PoC评估 → 数据补齐 → 工程化接口 → 目标环境部署 → 业务联调 → 上线监测与迭代。
真实案例可参考二手手机AI估价回收系统 的视觉检测和业务定价闭环，以及智能功夫桩 的多模态动作分析。
常见问题
是否一定需要训练自己的大模型？
不一定。应先比较规则、传统算法、预训练模型、检索增强、微调和定制训练的成本与效果，选择满足业务目标的最小方案。
如何约定AI项目验收？
需要固定评估集、标注规则、指标口径和关键场景，并同时约定推理速度、部署环境和可接受的失败边界。