15、AIoT 项目关键要素与数据策略解析

AIoT 项目关键要素与数据策略解析

1. AI 模型的精准性与预测时间

在当前的 AI 应用中，不仅需要精确的模型，还需对模型结果的确定性进行量化。如博世的 AI 专家 Eric Schmidt 所说，这样的确定性测量有助于设置接受或拒绝模型结果的阈值。以自动驾驶为例，如果自动驾驶车辆无法对其环境进行足够准确的分析，最坏的情况会导致不可接受的事故率，最好的情况也会出现过多不必要的急刹车请求或手动接管请求。

预测时间也是一个关键因素，它指的是模型实际进行预测所需的时间。在不同的应用场景中，预测时间的重要性有所不同。例如，在基于使用行为保险（UBI）的场景中，由于通常是按月批量执行，预测时间可能不是关键因素；但在自动驾驶场景中，若不能（近乎）实时识别路过的行人，可能会导致致命后果。再如，在手动操作车辆中，若 AIoT 解决方案识别的限速信息显示有很大延迟，用户可能不会认为该功能有用。

2. 发布最小可行产品（MVP）

在敏捷开发领域，MVP 起着重要作用，它能确保团队尽早将产品推向市场，获取有价值的客户反馈，并保证产品的可行性。现代云功能和 DevOps 方法使得基于 MVP 逐步丰富产品变得更加容易，始终以实际客户反馈为依据。

对于大多数 AIoT 项目而言，发布 MVP 比纯软件项目更为重要。因为对硬件设置（包括用于生成 AI 处理数据的传感器）进行任何更改都更难实现。在制造业中，产品开始生产（SOP）后，更改硬件设计通常需要对制造设置进行昂贵的修改，甚至更改已部署在现场的硬件还需要进行代价高昂的产品召回。因此，明确智能咖啡机、扫地机器人或电动汽车等产品的 MVP 至关重要。

一些公司正从传统的开发模式转变，传统开