用真实历史数据验证一个工厂 AI 决策
本项目不接受一个背后没有决策支撑、泛泛而谈的"AI 试点"。它聚焦一个明确命名的决策、一位负责人、一个预测周期和真实历史数据，在承诺任何模型之前先运行数据就绪门槛检查，并将结果与一个简单基线（而非与"无"）对比。
验证我的 AI 应用场景与制造工程师沟通这是您需要解决的问题吗？
- 存在"用上 AI"的压力，却没有任何决策会因此改变。
- 此前的模型在笔记本里看起来很出色，却从未有人根据其输出采取行动。
- 数据虽然存在，却没人检查过它能否真正回答所提出的问题。
- 没人计算过一次误报对实际运营的代价。
主要对接人: 数字化转型负责人 · 运营总监 · 数据与 AI 负责人 · 工厂负责人 · 可靠性经理
这个 PoC 要验证什么
建议的试点范围
- 恰好一个用例，带一个命名的决策和一位命名的决策负责人。
- 一个明确的预测周期——如果答案在决策之后才到达，就毫无用处。
- 有代表性的历史数据，在用例需要时带有标签或结果。
- 一个在训练任何模型之前就约定好的对比基线方法。
- 每个输出所导向的运营行动。
PoC 期间将实际运行的内容
这个 PoC 如何推进
周期为典型值，并非承诺。会拉长进度的因素包括：数据缺失或不完整、安全与网络审批、硬件交期、样品收集、安装作业许可、生产排程、ERP 测试环境权限，以及贵方团队评估结果所需的时间。
不预期出现非计划停机。任何安装窗口或受控中断都会事先与贵方约定，并围绕生产计划安排。
如何衡量成功
| 指标 | 如何定义 | 数值来源 | 类型 |
|---|---|---|---|
| 数据覆盖度与完整性 | 所需周期和变量中实际存在的占比，列出缺口和已知的工艺变更。 | 贵方 ERP 或现有系统 | 技术 |
| 基线对比 | 在同一保留数据和同一指标上，模型相对于简单基线的表现。 | 预留的验证数据集 | 技术 |
| 适合该用例的性能指标 | 分类问题用精确率和召回率，回归问题用误差指标——在调研阶段选定，而非结果出来后才决定。 | 预留的验证数据集 | 技术 |
| 决策提前量 | 输出相对于决策时点能提前多久提供，对照负责人所需的周期。 | 预留的验证数据集 | 运营 |
| 误报成本 | 每周预计的误报次数乘以每次误报给运营带来的调查成本。 | 现场观察与用户访谈 | 财务 |
| 可行动性 | 决策负责人确认真正会据以行动的输出占比。 | 现场观察与用户访谈 | 采纳度 |
| 漂移监测方案 | 部署后将监测什么、在什么阈值下、性能下降时通知谁。 | MSF 平台数据 | 技术 |
在实施之前，MSF 与贵方团队会共同约定每项指标的计算方式、基线来源、需要排除的数据，以及哪种结果足以支撑推广决策。本页列出的是要测量的内容；具体目标值写在书面 PoC 范围里，而不是写在营销承诺里。
需要您提供的内容
- 数据字典及历史数据本身，附带可靠的时间戳。
- 用例需要时的标签或结果，以及对其质量的如实说明。
- 工艺背景和已知变更——历史中途的一次产线改造，会使一个忽略它的模型失效。
- 每个方向上答错的业务成本，以及能评判输出的领域专家。
各方职责
Meta Smart Factory 提供
- 调研工作坊与范围界定的组织推进
- 按约定范围完成方案配置
- 该范围内的集成与接入工作
- 报价中列明的 MSF 硬件
- 试点用户培训
- KPI 定义与验证方法
- 试点期间的问题跟踪与支持
- 最终结果报告与推广方案设计
- 在承诺任何性能之前发出的数据就绪判定。
- 与约定的简单基线进行的可复现评估，并附带错误分析。
贵方提供
- 指定的业务负责人与技术负责人各一名
- 及时提供对用户、产线、设备与授权系统的访问
- 对工艺流程与主数据的如实说明
- 网络、电源、安装位置与安全作业许可
- ERP、PLC 与供应商文档，以及熟悉这些内容的专家
- 有代表性的样品或历史数据
- 确认基线值是公平的
- 反馈意见与验收决定
- 一位会根据输出采取行动、而不只是审阅的指定决策负责人。
- 能够判断模型所犯错误是否属于可承受类型的领域专家。
在书面报价中约定
- 工业平板电脑、平板设备、服务器与 GPU 服务器
- 相机、镜头、光源与防护外壳
- 扫描枪、打印机、RFID 设备、仪表与传感器
- 差旅、安装、运输、进口税费与本地电气施工
- 硬件采取租赁还是购买
- PoC 费用是否可抵扣推广费用
商务条款、硬件归属、差旅、集成范围以及是否抵扣推广费用，均在书面 PoC 报价中约定。这些条件并非对每个产品都相同，本页也不作承诺。
您最终得到什么
- 带明确判定的数据就绪报告。
- 包含基线对比的可复现模型评估。
- 业务解读：这些数字对该决策意味着什么。
- 标明失败案例的错误分析。
- 运营工作流设计——输出、接收人、行动。
- 监测设计以及扩展或不推进的建议。
前提条件、不含内容与边界
本 PoC 依赖以下条件
- 对所选周期而言足够长、足够干净的历史数据。
- 一位全程可参与、而非只在最终汇报时出现的决策负责人。
本 PoC 不包含
- 不与任何决策挂钩的开放式数据探索。
- 生产部署、模型运维和再训练基础设施。
在标签和历史数据不足的情况下，不会主张任何预测能力——就绪门槛存在的意义正是在花钱之前把这一点明确说出来。模型性能和业务影响也会分开报告：一个模型可以在统计上表现优异，却仍然什么都改变不了。
继续、调整还是停止——决策点
常见问题
你们为什么坚持要一个明确命名的决策？
因为这正是模型与结果之间的区别。没有决策，就无法选择指标，无法核算错误成本，也没有人会因为输出到达而改变行为。大多数失败的工厂 AI 项目恰恰就是在这一点上失败的。
什么是数据就绪门槛？
在承诺任何性能之前，对覆盖度、完整性、时间戳、标签质量和工艺变更进行的结构化检查。它经常得出的结论是，如实的第一步是采集更好的数据——这在第三周知道比在第六个月知道便宜得多。
为什么要与一个简单基线对比？
因为模型必须值得它自身的运营成本。如果一个移动平均线或阈值规则表现相近，规则就会胜出：更便宜、可解释、也不会漂移。只与"零"对比会让任何模型都显得令人印象深刻。
你们能在这个项目下做预测性维护吗？
可以，当存在可供学习的带标签失效历史时。当不存在时，如实的方案是设备维护 PoC，进行状态监测和数据基线构建，本页会引导您前往那里，而不是用从未被记录过的故障训练一个模型。
相关产品与 PoC 项目
申请这个概念验证
请描述您设想的范围，我们会以书面 PoC 方案回复：接入哪些内容、贵方提供什么、成功如何衡量，以及最终的决策形态。