12 KiB
12 KiB
| uid |
|---|
| 121b98ff-946a-44c5-a875-3177b348f379 |
第一部分:事实复盘
一、目标 vs 结果
| 维度 | 任务书目标 | 实际状态(截至2026.10) | 差距分析 |
|---|---|---|---|
| 数据集建设 | Q2完成初步数据集,Q3完成规范化治理 | 数据盘点进行中,基线确认单未签 | 滞后约1个季度,主因甲方数据供给与专家资源 |
| AI核心算法 | Q3完成开发与有效性验证 | 校企合作中,算法方案评估 | 与数据集进度强绑定,数据未就位算法无法训练 |
| 核心模型 | Q4成矿预测准确率≥15% | 开发中 | 依赖数据与算法 |
| 四大智能体 | Q4完成核心功能与原型 | 核心功能开发中 | 按Q4里程碑推进,计划年底Demo |
| 数据质量达标率 | ≥80%(2026阶段) | 未达成 | 数据治理未完成 |
| 数据存储容量 | ≥8TB(2026阶段) | 未达成 | 数据未入库 |
目标偏差根因
- 数据供给不可控:甲方原始资料数字化、矿区协调、专家审核均非我司可控,且无合同SLA约束
- 多方链路耗损:甲方→总包→我司→高校,确认周期长
- 低估数据治理复杂度:地质数据格式多样、业务判定依赖专家,远超通用数据治理难度
二、关键决策回顾
决策1:采用三级数据资产盘点目录体系
- 背景:面对四矿区七大类专业N种格式数据,无统一盘点框架
- 决策:按"矿区→专业→时间"三级目录,配合10字段资产台账
- 结果:数据盘点有章可循,为基线确认单和数据集建设奠定基础
- 反思:正确决策。该方法可复用于其他多源数据治理项目。
决策2:推动甲方构建地质本体模型
- 背景:LLM直接生成地质结论易幻觉,且行业知识无法沉淀复用
- 决策:推动甲方专家构建本体(实体-属性-关系-约束),采用自上而下+自下而上双向机制
- 结果:本体框架设计完成,待专家填充,为知识图谱和智能体约束奠定基础
- 反思:正确决策。本体是行业AI的核心资产,可跨项目复用,但需甲方专家深度参与,周期长。
决策3:建立基线确认单+数据冻结机制
- 背景:防止范围蔓延和数据泄漏
- 决策:合同生效后15工作日签基线确认单,冻结点切分训练/验证数据
- 结果:机制设计完成,但基线确认单尚未签署(因数据盘点未完成)
- 反思:机制正确,但执行滞后。教训:基线确认单应作为第一硬节点,不签不开发。
决策4:校企合作分工模式
- 背景:我司算法研究能力有限,地质AI算法难度高
- 决策:我司负责数据集+工程化,高校(地大/中科院)负责算法研究方案
- 结果:合作模式确立,高校基于我司数据集提供算法
- 反思:正确决策。我司定位清晰(工程化落地),不硬扛算法研究,借力高校。
决策5:明确AI输出辅助定位+专家双重审核
- 背景:甲方对AI预期高,AI输出存在幻觉风险
- 决策:所有AI输出必须有数据来源/置信度/不确定性,必经矿区负责人+集团专家双重审核
- 结果:边界明确,降低验收争议风险
- 反思:正确决策。这是政企AI项目"控风险"的核心动作。
决策6:指标异常启动专家组评审(软件缺陷vs数据约束)
- 背景:地质数据样本少、质量参差,模型指标可能不达标
- 决策:指标未达标时启动专家评审,区分软件缺陷(我司负责)与数据约束(不视为违约)
- 结果:风险隔离机制建立
- 反思:正确决策。保护我司不被数据质量问题拖垮。
三、成本复盘
3.1 项目预算结构
- 项目分2026、2027两年分别签订合同
- 2026年度预算:询比采购文件中为XXXX万(需补充实际报价)
- 付款节奏:50%合同签订 / 40%初验+3月稳定运行 / 10%最终回款
3.2 我司投入(待补充实际数据)
| 资源类型 | 计划投入 | 实际投入 | 偏差 |
|---|---|---|---|
| 人力(人月) | 25人月(2026) | 待统计 | — |
| 数据治理工具开发 | 含在总报价 | — | — |
| 算法模型研发 | 含在总报价 | — | — |
| 系统集成与部署 | 含在总报价 | — | — |
| 测试与培训 | 含在总报价 | — | — |
3.3 成本风险
- 数据治理滞后导致人力空转,存在成本超支风险
- 2027年合同能否签订取决于2026年交付质量,存在收入不确定性
四、风险复盘
4.1 已识别风险与应对
| 风险 | 等级 | 应对措施 | 状态 |
|---|---|---|---|
| 数据治理滞后 | 高 | 建立问题清单、推动甲方资源协调、基线确认单卡点 | 进行中 |
| 范围蔓延 | 中 | 基线确认单+变更流程+专家兜底 | 机制就绪,待执行 |
| 模型指标不达标 | 中 | 专家评审区分软件缺陷与数据约束 | 机制就绪 |
| AI幻觉/输出不可信 | 中 | 本体约束+专家双重审核+可解释性 | 机制就绪 |
| 跨境数据合规(布丘克) | 中 | 由甲方确认合规路径,我司按批准方案实施 | 待执行 |
| 多方协同耗损 | 中 | 责任矩阵+里程碑+问题清单 | 执行中 |
| 2027合同不确定性 | 中 | 保障2026交付质量 | 执行中 |
4.2 未预期风险
- 甲方专家资源不可控,导致业务判定滞后
- 历史数据数字化工作量远超预期
第二部分:面试用STAR案例
案例一:政企AI项目数据治理——三级目录与基线管控
S(Situation): 中国黄金集团智能勘探AI项目,需治理四座典型金矿床的多源地质数据(地质/物探/化探/遥感/蚀变矿物等),数据格式杂乱(MapGIS/CAD/GRD等)、数字化程度低、坐标系统不统一。我作为非地质专业的产品经理兼项目经理,需在不掌握地质业务判定权的前提下,推动数据治理落地并锁定验收边界。
T(Task):
- 建立可落地的数据治理方法论,让非专业人员也能执行盘点
- 设计范围管控机制,防止甲方数据持续供给导致范围蔓延
- 明确三方责任边界,避免我司承担地质业务判定责任
A(Action):
- 设计三级数据资产盘点目录:按"矿区→专业→时间"三级,配合10字段台账(资料名称/来源/形成时间/坐标系统/比例尺/格式/保密等级/可用状态/缺失问题/责任人),让数据盘点标准化执行。
- 推动基线确认单机制:锁定项目启动时数据快照,所有验收指标以基线数据集为基准,基线后新增数据纳入训练须走变更流程。配合数据冻结机制,冻结点前数据训练、冻结点后数据验证,防止数据泄漏。
- 建立责任矩阵:我司负责技术层面(工具开发、格式转换、质检、质量报告),甲方负责业务层面(原始资料预处理、矢量化、人工标注、地质业务判定、本体Schema)。技术问题我司兜底,业务问题甲方兜底。
- 推动甲方构建地质本体模型:采用自上而下(专家经验)+自下而上(LLM学习+文献补充,专家确认)双向机制,作为知识图谱和智能体输出的结构化约束,降低幻觉并支持跨项目复用。
R(Result):
- 形成可复用的多源数据治理方法论(三级目录+10字段台账)
- 建立基线确认单+数据冻结+专家兜底三重范围管控机制
- 明确三方责任边界,避免非专业人员承担地质业务判定责任
- 数据治理工具开发中,数据盘点进行中,基线确认单待签署
- 方法论可复用于其他政企AI项目的数据治理场景
可量化/可验证点:
- 覆盖矿区:4个
- 数据类型:7大类(地质/物探/化探/遥感/蚀变矿物/勘查工程/报告文献)
- 格式:MapGIS/CAD/GRD/SRF/DTM/PDF/Excel等
- 基线确认单:所有验收指标绑定基线数据集
案例二:AI落地边界定义——多模态混合模型与专家审核
S(Situation): 中国黄金集团AI项目,甲方对"智能找矿"预期高,但AI存在幻觉、准确率上限等能力边界。我需在需求模糊的情况下,厘清AI能做什么、不能做什么、输出结果如何使用,避免验收争议。
T(Task):
- 明确AI输出的业务定位(辅助决策而非替代专家)
- 设计可解释、可追溯、可审核的AI输出机制
- 选择适配地质多源数据的算法方案
- 建立指标异常时的风险隔离机制
A(Action):
- 明确AI辅助定位:所有成矿规律总结、靶区预测、工程设计建议、绿地评价结论,必须具备数据来源、模型依据、关键因子、置信度/不确定性说明,且必经矿区技术负责人+集团地质专家双重审核后方可使用。智能体输出不得作为独立决策结论。
- 多模态混合模型选型:针对不同数据类型选择算法:
- GNN处理地质拓扑关系
- CNN处理图件/遥感影像
- LightGBM/XGBoost处理结构化表格(成矿概率、靶区排序)
- 贝叶斯神经网络量化不确定性
- 小样本学习/迁移学习应对标注样本稀缺
- 校企攻关合作:我司负责数据集建设、算法选型评估、模型工程化集成与业务适配;中国地质大学/中科院基于我司数据集提供算法研究方案;我司负责训练/验证/版本管理/MLOps部署与迭代。
- 专家评审兜底机制:指标未达标时启动地质专家组评审,区分"软件实现缺陷"(我司免费迭代)与"数据集客观约束"(按评审结论处置,不视为违约)。
- 知识图谱与本体约束:推动甲方构建地质本体,智能体输出必须匹配本体规则,降低假阳性。
R(Result):
- AI能力边界清晰,降低验收争议风险
- 多模态混合模型方案确定,覆盖地质多源数据类型
- 校企合作模式确立,借力高校算法研究能力
- 专家审核+本体约束+可解释性三重风险管控
- 四大智能体核心功能开发中,计划年底完成Demo演示
可量化/可验证点:
- 算法:GNN/CNN/LightGBM/XGBoost/贝叶斯/小样本/迁移学习
- 验收指标:成矿预测准确率≥15%(2026)→20-30%(最终)
- 知识图谱推理准确率≥85%
- 双重审核:矿区负责人+集团专家
- 4个专业智能体:成矿规律总结/找矿靶区预测/勘查工程设计/绿地项目潜力评价
案例三:多方协同与验收管控——分包侧PM的多层干系人管理
S(Situation): 中国黄金集团AI项目,我司作为中电云的分包方,需同时面对甲方(中国黄金)、总包(中电云)、高校(地大/中科院)和内部团队。链路长、确认周期长,需求与数据供给节奏不可控,且项目分两年签合同,2026交付质量决定2027能否续约。
T(Task):
- 建立多方协同机制,降低信息传递损耗
- 管控范围与验收指标,保障2026交付质量
- 应对非专业背景下的行业知识壁垒
A(Action):
- 责任矩阵(RACI):建立详细工作事项责任矩阵,明确每项工作的负责/批准/咨询/知情角色。
- 里程碑接续计划:M0基线确认→M1算法验证→M2模型+智能体→M3集成测试→M4试运行→M5验证修正→M6终验,每个里程碑明确前置条件,前置未完成则顺延。
- 问题清单与风险清单:跟踪数据供给、需求确认、模型验证、现场部署等重点事项,责任到人,闭环管理。
- 非专业借力机制:
- 专家顾问机制:地质专家定期评审
- 业务规则注入:专家提供规则→系统化
- 输出审核流程:所有AI输出必经专家审核
- 校企合作:高校提供算法研究,我司工程化落地
- 验收导向思维:2026年初验+3个月稳定运行决定40%回款,且决定2027续约,因此所有工作围绕验收指标展开。
R(Result):
- 建立多方协同与风险管控机制
- 明确里程碑与前置条件,降低延期风险
- 非专业背景下通过借力机制交付行业AI项目
- 形成可复用的政企AI项目范围管理与验收方法论
可量化/可验证点:
- 协同方:4方(甲方/总包/我司/高校)
- 里程碑:7个(M0-M6)
- 2026付款:50%签订+40%初验+10%回款
- 稳定运行期:3个月(仅代码缺陷算故障)