ai-project-lifecycle

name	ai-project-lifecycle
description	应用从 AI for Everyone 蒸馏出的「AI项目生命周期 — 从立项到落地的完整流程」方法论。Use when the user needs practical guidance, diagnosis, workflow design, decision support, or an action plan related to ai-project-lifecycle.

Source Metadata

Original cangjie-skill frontmatter from the distillation run:

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 — 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 — 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。