ai-project-lifecycle

## Source Metadata Original cangjie-skill frontmatter from the distillation run: ```yaml id: f18 title: "AI项目生命周期 — 从立项到落地的完整流程" book: "AI for Everyone" author: "Andrew Ng" source: p08, p09, p10 tags: [ai-project-lifecycle, project-management, execution, workflow] related_skills: - slug: ml-workflow, relation: composes-with - slug: triple-due-diligence, relation: depends-on ``` ## R — 原文引用 (Reading) > "AI项目的生命周期包括：明确业务目标、收集数据、训练模型、部署上线、持续监控和迭代。每个阶段都需要不同的技能和团队协作。"（p08-p10 综合） ## I — 解读 (Interpretation) AI 项目不是纯技术项目，而是**业务+技术**的融合。完整的生命周期包含六个阶段： 1. **明确业务目标**：AI 要解决什么业务问题？成功指标是什么？ 2. **数据收集与准备**：获取、清洗、标注数据——这通常是最耗时的阶段 3. **模型训练与验证**：选择合适的算法，训练模型，用验证集评估 4. **部署上线**：将模型集成到生产环境，与现有系统对接 5. **持续监控**：跟踪模型性能，检测数据漂移和性能下降 6. **迭代优化**：根据反馈和数据持续改进 关键洞察： - 每个阶段需要**不同的技能**（业务分析、数据工程、ML工程、DevOps） - 数据准备往往占项目时间的 60-80% - 部署不是终点，而是持续迭代的起点 ## A1 — 过往应用 (Past Application) **案例 1：智能客服系统** 某电商公司用 AI 替代部分人工客服。项目周期：2周明确业务目标（处理80%常见问题）→ 4周收集和标注历史对话数据 → 3周训练意图识别和回答生成模型 → 2周部署到客服系统 → 持续监控回答准确率并迭代。 **案例 2：制造业缺陷检测** 工厂用计算机视觉检测产品缺陷。关键挑战是数据收集——需要大量缺陷样本，但实际生产中缺陷稀少。团队用数据增强和合成数据解决，最终部署到产线实时检测。 **案例 3：金融风控模型** 银行构建贷款违约预测模型。项目重点在特征工程和合规审查——模型不仅要准确，还要可解释、符合监管要求。部署后持续监控模型在不同人群上的表现，确保公平性。 ## A2 — 未来触发 (Future Trigger) **触发场景：** - 启动一个新的 AI/ML 项目 - 评估 AI 项目的进度和风险 - 规划 AI 团队的工作流程 - 向管理层汇报 AI 项目计划 **语言信号：** - "AI项目流程"、"机器学习项目"、"模型部署"、"数据标注"、"模型监控"、"项目里程碑" **关键区分：** - 这是**从0到1**的新项目还是**迭代优化**现有系统？ - 项目的**主要瓶颈**是什么？（数据？算法？部署？业务理解？） ## E — 执行 (Execution) 1. **定义业务目标**：明确 AI 要解决什么问题、成功指标（准确率、ROI、用户体验等）、项目范围 2. **评估数据可用性**：现有数据是否足够？需要收集什么新数据？数据质量如何？ 3. **制定项目计划**：估算各阶段时间（数据准备通常最长），设定里程碑 4. **组建团队**：确保有业务分析、数据工程、ML 工程、DevOps 各方面人才 5. **迭代开发**：先做 MVP（最小可行产品），快速验证可行性，再逐步完善 6. **部署与监控**：建立模型监控仪表板，设置性能下降告警 7. **持续迭代**：根据生产环境反馈和数据持续优化模型 **完成标准：** 完成项目计划书，明确各阶段交付物、时间节点、负责人和成功指标。 ## B — 边界 (Boundary) **不适用场景：** - 纯研究探索（没有明确业务目标） - 已有成熟流程的常规优化（不需要完整生命周期） - 数据隐私或合规不允许使用 AI 的场景 **失败模式：** - 跳过业务目标定义，直接跳到技术实现（"拿着锤子找钉子"） - 低估数据准备时间，导致项目延期 - 部署后没有监控，模型性能下降未及时发现 - 过度追求模型复杂度，忽视业务价值 **作者盲点：** - 实际项目中各阶段**不是线性的**——经常需要回到上一阶段 - 组织协作和沟通往往比技术更难——跨部门协作、管理层期望管理 - 很多 AI 项目失败不是因为技术，而是因为**业务目标不清晰**或**组织准备不足** ## 相关 skills - **[ml-workflow](/books/ai-for-everyone/ml-workflow/)** — *composes-with*：AI项目生命周期中的"模型训练与验证"阶段遵循ML工作流（收集→训练→部署→迭代），两者结合覆盖从项目立项到技术执行的完整流程。 - **[triple-due-diligence](/books/ai-for-everyone/triple-due-diligence/)** — *depends-on*：在启动AI项目前，需要先通过三重尽职调查验证项目值得投入，生命周期管理建立在项目选择正确的基础上。