本文目录5 个章节
很多团队把 AI 视觉采购理解为模型选型：比较识别率、接口、算力和价格。但真正决定项目能否上线的，往往是现场流程、数据闭环、人工复判和责任边界。已有公开文章提出，让质检员“陪线两周”，比单纯调参更能暴露落地问题。该信号值得关注，但原文内容、适用行业与具体结论仍应在采购前核验。
一、先确认问题，而不是先选模型
- [ ] 是否写清检测对象、缺陷类型、相机位置、节拍、光照和遮挡条件？
- [ ] 是否定义漏检、误检、延迟、可用率和人工复判的业务口径？
- [ ] 是否确认结果用于提示、拦截、放行，还是作为质量追溯依据？
- [ ] 是否安排质检员、设备工程师和一线主管连续观察真实生产，而非只看样本图片？
- [ ] 是否区分必须自动判断的任务与适合人机协同的任务？
不要只要求供应商展示理想样本。应提供连续生产片段、边界样本、异常样本和设备重启后的结果，并记录每次判断如何进入业务流程。
二、模型选型的关键指标
采购评估至少应覆盖四类指标：
- 效果指标：按缺陷类别分别查看召回、误报、稳定性和置信度分布，不能只看一个综合分数。
- 工程指标：关注端到端延迟、并发能力、部署位置、断网可用性、版本回滚和接口兼容性。
- 运营指标：确认新增数据如何标注、谁负责复判、模型多久评估一次、漂移如何发现。
- 经济指标：核算相机、边缘设备、云资源、集成、标注、维护和停线测试成本，而非只比较模型调用价格。
当模型在中间置信度区间集中出现不稳定判断时，采购方应要求供应商说明阈值策略、人工复判机制和持续优化责任，而不是简单承诺“再训练即可”。
三、风险控制与验收
- [ ] 是否签署数据处理、权限、保密、留存和删除条款？
- [ ] 是否限制原始图像、生产参数和人员信息的访问范围？
- [ ] 是否提供日志、审计、告警、备份、回滚和故障响应机制？
- [ ] 是否以真实产线进行分阶段验收，并保留不可上线的退出条件？
- [ ] 是否明确误判造成返工、漏检造成损失时的责任分工？
四、供应商决策清单
要求每家供应商用同一批数据、同一环境、同一口径回答：
- 能否提供可复现的测试方案和原始结果？
- 是否支持私有化、边缘部署或混合架构？
- 是否开放模型版本、阈值、日志和数据导出能力？
- 交付团队是否具备现场调试、标注治理和系统集成经验？
- 合同是否写明服务等级、升级影响、退出方式和知识产权归属？
五、最终决策原则
只有当现场信号、验证数据、责任机制和总拥有成本都清楚时，才进入采购。若关键问题仍依赖演示承诺，应先延长试点，而不是扩大部署。趋势可以帮助发现机会，不能替代验收证据。