目录
课程简介
AI 专案与传统 IT 专案不同，需要独特的管理方法。这门课程将带您了解 AI 专案的生命周期、需求评估、团队组建、模型评估、部署和 MLOps，让您成功导入 AI 专案。
学习目标：
- 了解 AI 专案与传统专案的差异
- 掌握 AI 专案生命周期
- 学会需求评估和团队组建
- 了解模型评估和部署
- 掌握 MLOps 和 ROI 计算
30.1 AI 专案与传统专案差异
为什么学_this？
了解差异才能正确管理 AI 专案。
核心教学
AI 专案 vs 传统 IT 专案：
| 维度 | 传统专案 | AI 专案 |
|---|---|---|
| 需求 | 明确 | 探索性 |
| 结果 | 可预测 | 不确定 |
| 验收 | 是否完成 | 是否准确 |
| 迭代 | 计划驱动 | 数据驱动 |
| 风险 | 较低 | 较高 |
| 团队 | 工程师 | 跨学科 |
AI 专案的特点：
- 需求会随探索而变
- 结果不确定（模型准确率）
- 需要数据和实验
- 跨学科团队
- 持续迭代
商业范例
一家连锁健身中心（全台 12 间分店）面临教练排班与会员流失预测困难，过去靠店长经验判断，续约率长期低于同业。
- 需求探索：先以三个月历史资料定义“高流失风险”样貌，再回头修正模型目标。
- 结果验证：模型上线后以 A/B 测试比对，高风险会员续约率由 58% 提升至 71%。
- 跨域协作：营运、IT 与数据团队每周对齐，将教练回馈纳入特征工程。
- 持续迭代：每月重训模型，预测准确率稳定维持在 85% 以上。
小技巧
- 用 Notion 建立“假设日志”，每周记录模型与需求的变更原因。
- 用 ChatGPT 跑“需求拆解”prompt：列出可验证假设与风险。
- 用 Claude 审查迭代计划，请它标出过度承诺的交付项。
- 用 Zapier 串接表单与 Slack，自动通知模型成效异常。
- 用 Canva 做两版雏型，快速验证不同结果假设。
练习题
本节摘要
- AI 专案：探索性、不确定、数据驱动
- 用敏捷方法
- 接受不确定性
你是一位有 10 年经验的 [领域] 顾问，服务对象是香港中小企业。
我的情况：[一句描述业务现状]。
目标：[具体目标]。
请（1）指出我现在最大的一个错位（2）给我 3 个按成本效益排序的行动（3）每个行动注明预期效果及风险。
| 阶段 | 人手做法 | AI 协作做法 | 预期效果 |
|---|---|---|---|
| 资料收集 | 逐个网站/报告翻查（2-4 小时） | AI 搜索+汇总+来源标注（15 分钟） | 时间 -85% |
| 初稿制作 | 由零写起（1-2 小时） | AI 出 3 版初稿，人选+修（20 分钟） | 时间 -70% |
| 审核把关 | 自己核对全部（易漏） | AI 逐项自查+人抽查关键位 | 品质更稳定 |
| 迭代优化 | 成稿重写 | 针对性局部修改（实时） | 迭代速度快 5 倍 |
- 我完成了“人手 vs AI 协作”的时间对比实测（记录实际分钟数）
- 我建立了这个场景的个人 prompt 模板
- 我知道哪些输出必须人手复核才可以使用
- 我省下的时间已安排去做更高价值的工作（不是发呆）
30.2 AI 专案生命周期
为什么学_this？
了解生命周期是管理的基础。
核心教学
AI 专案生命周期 7 阶段：
Phase 1：需求定义
- 定义业务问题
- 评估可行性
- 设定目标
Phase 2：数据准备
- 收集数据
- 清洗数据
- 标注数据
Phase 3：模型开发
- 选择模型
- 训练模型
- 评估模型
Phase 4：模型评估
- 准确性测试
- 偏见检查
- 安全性测试
Phase 5：部署
- 上线部署
- 整合系统
- 监控
Phase 6：运营维护
- 持续监控
- 定期更新
- 性能优化
Phase 7：评估改进
- 评估效果
- 收集回馈
- 持续改进
商业范例
一家拥有 40 间门市的连锁健身中心，过去教练排班与会员续约全靠人工判断，旺季常出现热门时段人手不足、冷门时段却闲置，续约率长期低于 60%。
- 数据整合：串接 18 个月进场纪录与续约资料，建立会员流失预测模型，准确率达 88%。
- 模型开发：以排班需求预测结合 LLM 生成教练建议，热门时段人力配置误差降至 7%。
- 部署上线：导入场馆管理系统，3 个月内覆盖 40 间门市，教练排班作业时间减少 65%。
- 运营优化：每月依续约回馈迭代模型，半年后会员续约率提升至 74%。
小技巧
- 用 Notion 建立各阶段看板，每张卡片以“交付物＋验收人”命名。
- 启动阶段用 ChatGPT 生成专案章程模板，再以 Claude 检查范围是否明确。
- 规划阶段请 AI 以“列出五项风险与对应缓解”的 prompt 产出风险清单。
- 执行阶段用 Zapier 把任务更新自动同步到 Notion，减少手动回报。
- 结案时用 Canva 做一页成果摘要，交由 Claude 校对数据一致性。
练习题
本节摘要
- 生命周期 7 阶段：需求、数据、模型、评估、部署、运营、改进
- 每阶段有明确成果
- 按阶段推进
30.3 需求评估
为什么学_this？
需求评估决定专案成败。
核心教学
AI 需求评估的要素：
业务问题
- 明确要解决的问题
- 衡量价值
- 设定目标
可行性评估
- 数据是否足够
- 技术是否可行
- 资源是否充足
优先级
- 挑出高价值场景
- 从易到难
- 快速见效
成功指标
- 定义成功标准
- 设定 KPI
- 衡量效果
需求评估 Prompt：
请评估以下 AI 专案的可行性：
业务问题：[问题]
现有数据：[数据]
目标：[目标]
请提供：可行性、风险、建议
商业范例
一家连锁健身中心拥有 12 间分店与约 8,000 名会员，近期因教练人力不足，会员续约前的关怀电话经常延误，导致续约率下滑。管理层考虑导入 AI 辅助的会员流失预测与外拨排程系统。
- 做法：以过去 18 个月会员到访与缴费资料训练流失模型，可量化结果：续约前 30 天精准标记高风险会员，预测准确率达 82%。
- 做法：AI 自动排定关怀外拨优先级，可量化结果：教练每日有效通话量由 25 通提升至 40 通。
- 做法：系统自动生成个人化续约优惠建议，可量化结果：试行 3 个月后续约率由 61% 回升至 73%。
- 做法：以响应时间与续约率作为上线成功指标，可量化结果：导入成本约 45 万元，预估 9 个月内回收。
小技巧
实操贴士
- 用 ChatGPT 把痛点清单转成“影响 × 难度”矩阵，两轴各给 1 到 5 分排序。
- 在 Notion 建需求池，字段设痛点、预估工时、负责人，每周只挑前三名推进。
- 用 Claude 下指令“列出这个需求最小可行的验收条件”，快速淘汰范围过大的项目。
- 先用 Zapier 串一个人工流程试跑两周，确认真有省时再投入开发。
练习题
本节摘要
- 需求评估：问题、可行性、优先级、指标
- 从高价值易实现开始
- 设定成功指标
30.4 团队组建
为什么学_this？
AI 专案需要跨学科团队。
核心教学
AI 专案团队的组成：
专案经理
- 协调进度
- 管理资源
- 对接业务
数据科学家
- 建模训练
- 数据分析
- 模型优化
工程师
- 系统整合
- 部署
- 维护
领域专家
- 业务理解
- 需求确认
- 验收
设计师
- 用户体验
- 界面
- 互动
团队协作模式：
- 敏捷开发
- 频繁沟通
- 迭代交付
商业范例
一家连锁健身品牌在全台拥有 18 间分店，会员续约率连两年低于 55%，教练流动率高，总部难以掌握各店营运状况。
为此成立 AI 专案团队，由跨职能成员共同推动会员流失预测与排课优化系统。
- PM：统筹 4 个部门、12 名成员，将专案周期从 20 周压缩至 14 周
- 资料科学家：建立流失预测模型，准确率达 87%，提前 30 天识别高风险会员
- 工程师：部署推荐系统至 18 间分店，课程预约转换率提升 23%
- 店长代表：提供第一线需求，使模型特征贴近实务，续约率回升至 68%
小技巧
跨学科团队是 AI 专案成功的关键，以下为组建时的实操要点：
- 用 Notion 建立技能矩阵，标注每位成员的资料、工程、领域专长。
- 在 ChatGPT 输入“列出此专案缺少的三种角色与理由”快速盘点缺口。
- 用 Claude 草拟跨职能职责说明，明确交付物与协作界面。
- 以 Zapier 串接招募表单与 Slack，自动通知面试进度。
练习题
本节摘要
- 团队：PM、数据、工程、领域、设计
- 跨学科协作
- 敏捷开发
30.5 数据准备
为什么学_this？
数据品质决定模型品质。
核心教学
AI 数据准备的流程：
数据收集
- 确定数据来源
- 收集数据
- 整合
数据清洗
- 处理缺失
- 去重
- 标准化
数据标注
- 标注数据
- 建立训练集
- 品质控制
数据划分
- 训练集（70%）
- 验证集（15%）
- 测试集（15%）
数据准备的最佳实践：
商业范例
一家连锁健身品牌拥有 12 间分店与 8 万名会员，客服每天涌入上千则消息，却因人工分类效率低落，导致续约流失率居高不下。
- 收集做法：汇整近 18 个月、共 45,000 条客服对话，涵盖电话、App 与 Line 三种管道。
- 清洗去重：移除重复与无效消息后，保留 38,000 条有效对话，资料可用率达 84%。
- 标注意向：由 3 位客服主管标注续约、退费、课程咨询等 6 类意向，人工抽检准确率达 92%。
- 资料切分：依 7:1.5:1.5 划分训练、验证与测试集，训练集共 26,600 条。
小技巧
数据准备实操技巧
- 用 ChatGPT 跑 prompt“检查以下 50 条数据的格式错误并列出问题”，先清洗再入库。
- 在 Notion 建数据字典表，字段定义与缺失值规则写清楚，团队才不会各填各的。
- 用 Claude 抽取非结构化文本字段，统一转成 JSON 格式后再合并。
- 抽样 100 条人工复核，准确率低于 95% 就整批退回重标。
练习题
本节摘要
- 数据准备：收集、清洗、标注、划分
- 品质比数量重要
- 标注一致性
30.6 模型评估
为什么学_this？
模型评估确保品质。
核心教学
模型评估的指标：
准确率（Accuracy）
- 正确预测的比例
- 基础指标
精确率（Precision）
- 正确正例的比例
- 减少误报
召回率（Recall）
- 识别正例的比例
- 减少漏报
F1 分数
- 精确率和召回率的平衡
- 综合指标
偏见测试
- 检查歧视
- 公平性
- 安全性
模型评估的注意：
- 用测试集（不是训练集）
- 多维度评估
- 考虑业务实际
商业范例
一家连锁健身中心拥有 18 间分店，每月客服进线量约 4,200 通，其中六成是询问教练排课与会员权益，导致人力长期吃紧、回应延迟超过 12 小时。
- 导入模型分流：自动辨识意图准确率达 93%，转接正确率提升至 89%。
- 偏见测试：针对不同年龄与性别语料测试，误判率低于 2%。
- 用户满意度：试行三个月后，客服满意度由 3.6 分升至 4.4 分（满分 5 分）。
- 成本效益：平均处理时间缩短 41%，每月节省约 260 小时人力。
小技巧
- 用 ChatGPT 将测试集逐笔输入，要求它只输出预测标签，再与人工标注比对计算准确率。
- 请 Claude 扮演评审，用固定 prompt“只回复正确或错误”逐笔打分，避免它自行补充理由影响判读。
- 把测试集切三份轮流评估，在 Notion 建表记录每轮分数，观察模型是否对特定资料过度自信。
- 用 Zapier 串接 API 与 Google Sheet，自动跑完测试集并回写结果，省去手动贴上的时间。
练习题
本节摘要
- 指标：准确、精确、召回、F1
- 偏见和安全性测试
- 用测试集评估
30.7 敏捷管理
为什么学_this？
敏捷方法适合 AI 专案。
核心教学
AI 专案的敏捷方法：
Sprint 迭代
- 短周期迭代
- 每 2-4 周
- 快速交付
持续交付
- 频繁发布
- 快速回馈
- 持续改进
范围管理
- 接受需求变化
- 优先级调整
- 灵活应对
跨职能协作
- 团队密切合作
- 每日站会
- 透明沟通
商业范例
一家连锁健身中心拥有 12 间分店、约 3 万名会员，长期因教练排班与课程调整流程繁琐，导致会员续约率下滑、客服负担沉重。管理团队决定以敏捷方法导入 AI 排课与客服系统，试图在短周期内快速验证成效。
- 做法：以两周为一个 sprint 开发 AI 排课模组，优先解决热门时段冲突。结果：三个 sprint 后，课程冲突申诉减少 62%。
- 做法：每轮迭代邀请 20 位会员参与回馈测试并实时修正。结果：AI 客服准确率由 71% 提升至 89%。
- 做法：导入自动化排班建议，让教练依数据调整授课。结果：教练每周行政工时减少 8 小时，续约率回升 11%。
小技巧
把敏捷精神落进 AI 专案日常，可从这几个动作开始：
- 用 Notion 建立两周一轮的 Sprint 看板，每个任务标注模型版本与负责人。
- 请 ChatGPT 依使用者故事生成验收条件，prompt 写“以 Given/When/Then 格式列出三条”。
- 用 Zapier 把模型上线事件自动推播到 Slack，让团队实时掌握迭代结果。
- 每轮回顾请 Claude 整理会议逐字稿，输出“做得好的、待改进的、下轮行动”三栏。
练习题
本节摘要
- 敏捷：Sprint、持续交付、范围管理、协作
- 更灵活高效
- 快速回馈
30.8 系统部署
为什么学_this？
部署是 AI 上线的关键。
核心教学
AI 系统部署的考量：
部署方式
- 云端部署
- 本地部署
- 混合部署
整合
- 整合现有系统
- 对接 API
- 数据流
扩展性
- 负载处理
- 扩展能力
- 性能
监控
- 运行监控
- 性能监控
- 异常告警
部署最佳实践：
商业范例
一家连锁健身中心（12 间分店、会员约 1.8 万人）长期面临教练离职后客服断层，夜间与假日询问常无人回应，续约率仅 61%。导入 AI 客服 Agent 后，部署流程如下。
- 云端部署：将 Agent 部署于云端环境，2 周内完成上线，较自建机房节省约 40% 初期成本。
- 整合官方 Line 与 App 聊天：串接既有会员系统，自动回复涵盖 85% 常见问题，夜间询问回复率由 0% 提升至 98%。
- 灰度发布：先于 2 间分店试行 3 周，确认准确率达 92% 后才全面推广，降低服务中断风险。
- 监控运行：设置实时仪表盘追踪响应时间与满意度，客诉量下降 35%，会员续约率回升至 74%。
小技巧
- 用 ChatGPT 产出灰度检查清单，prompt 写“列出上线前 10 项验证，含流量比例与监控指标”。
- 用 Notion 建回滚纪录表，字段含版本、触发条件、负责人与时间。
- 用 Zapier 串接部署通知到 Slack，失败自动触发回滚流程。
- 用 Claude 比对新旧版本日志，prompt 写“找出异常错误码并排序”。
练习题
本节摘要
- 部署：云端/本地/混合、整合、扩展、监控
- 灰度发布 + 回滚
- 监控运行
30.9 MLOps
为什么学_this？
MLOps 是 AI 持续运营的保障。
核心教学
什么是 MLOps？
MLOps 是机器学习运营，类比 DevOps，但针对 ML 模型。它管理模型的生命周期、部署、监控和持续更新。
MLOps 的关键组件：
环境管理
- 管理训练环境
- 版本控制
- 可重现性
模型管理
- 模型版本
- 模型注册
- 部署管理
监控
- 性能监控
- 数据漂移侦测
- 告警
CI/CD
- 自动化测试
- 自动部署
- 持续交付
MLOps 工具：
- MLflow
- Kubeflow
- Airflow
- Weights & Biases
商业范例
一家约 400 人的连锁健身品牌，旗下 35 间门市长期面临会员流失率偏高的问题。教练与客服只能凭经验判断谁可能退会，往往等到会员取消才察觉，错失挽回时机。
- 模型版本管理：将流失预测模型纳入版控，每季迭代一次，准确率由 68% 提升至 84%。
- 自动部署：新模型上线时间从 3 天缩短至 40 分钟，部署错误率下降 90%。
- 性能监控：实时追踪预测偏差，异常告警让模型失效平均反应时间由 5 天降至 4 小时。
- 持续更新：每月自动重训，高风险会员识别率提升 27%，成功挽回约 1,200 名会员。
小技巧
- 用 ChatGPT 产出监控脚本骨架，再补上资料漂移告警门槛。
- 在 Notion 建模型版本表，记录训练资料、指标与部署日期。
- 用 Zapier 串接 Slack，模型异常时自动通知值班人员。
- Prompt 写法：请 Claude 以表格列出模型上线前检查清单。
- 每周用 ChatGPT 比对新旧资料分布，标出偏移特征。
练习题
本节摘要
- MLOps 管理模型生命周期
- 组件：环境、模型、监控、CI/CD
- 确保持续稳定
30.10 ROI 计算
为什么学_this？
计算 ROI 证明 AI 专案价值。
核心教学
AI 专案 ROI 计算：
收益
- 人力节省
- 效率提升
- 错误减少
- 销售提升
成本
- 数据成本
- 模型成本
- 部署成本
- 维护成本
ROI 公式
ROI = (总收益 - 总成本) / 总成本 × 100%
ROI 计算范例：
一家宠物用品公司的 AI 客服：
- 年收益：节省 2 人力 × $30,000 = $60,000
- 年成本：$20,000
- ROI：($60,000 - $20,000) / $20,000 = 200%
商业范例
一家拥有 12 间门市的连锁健身中心，长期面临会员续约率偏低与教练人力调度混乱的问题，每月流失近 8% 会员，行政团队需花费大量时间手动排班与追踪合约。
- 导入 AI 续约预测模型：提前 30 天识别高流失风险会员，续约率由 62% 提升至 79%
- 建置智慧排班系统：依教练专长与会员预约自动媒合，排班人力成本降低 18%
- 部署对话式客服机器人：处理 70% 常见询问，客服工时每月减少 240 小时
- 整体投资 380 万元，年度新增收益与节省成本合计 1,140 万元，ROI 达 200%
小技巧
- 用 ChatGPT 列出专案全部成本项：人力、工具订阅、API 费用与训练时间。
- 用 Notion 建 ROI 表，字段含成本、收益、回收期，每月更新一次。
- 请 Claude 写 prompt：“列出此 AI 专案三项隐性成本并估算金额”。
- 用 Zapier 自动抓取工时与费用资料，减少手动输入误差。
练习题
本节摘要
- ROI = (收益 - 成本) / 成本
- 客服 AI ROI 150-300%
- 考虑所有成本和收益
30.11 变更管理
为什么学_this？
AI 导入需要变更管理。
核心教学
AI 导入的变更管理：
员工抗拒
- 担心被取代
- 学习负担
- 信任问题
透明沟通
- 告知目的
- 说明好处
- 消除疑虑
培训支持
- 基础培训
- 技能提升
- 持续支持
逐步导入
- 试点开始
- 逐步扩展
- 收集回馈
变更管理步骤：
商业范例
一家拥有 40 间门市的连锁健身品牌，导入 AI 排课与会员流失预测系统时，遭遇教练抗拒与资料分散的痛点。管理层决定以变更管理手法推动，降低导入阻力。
- 透明沟通：公开 AI 仅辅助排课、不取代教练，三周内教练接受度由 42% 升至 85%。
- 培训员工：开设 6 堂实作课，让 120 位教练学会解读流失预警，课程完成率达 96%。
- 试点验证：先于 5 间门市试行，会员续约率提升 11%，再推广至全品牌。
- 逐步推广：分三阶段上线，每阶段间隔一个月，导入争议案件减少 60%。
小技巧
- 用 Notion 建立“变更公告”数据库，把每项调整的生效日与影响范围写清楚。
- 在 ChatGPT 输入“用 100 字向非技术同事说明这次流程变更的好处与影响”生成草稿。
- 用 Claude 整理员工回馈，prompt 写“将以下意见归类为支持、疑虑、反对三类并摘要”。
- 用 Zapier 把表单新回复自动推送至 Slack 频道，让主管实时回应疑虑。
练习题
本节摘要
- 变更管理：沟通、培训、逐步、回馈
- 重视员工感受
- 逐步导入
30.12 失败案例
为什么学_this？
从失败案例中学习避免踩坑。
核心教学
常见的 AI 专案失败原因：
需求不清
- 没有明确目标
- 范围模糊
- 期望过高
数据不足
- 数据品质差
- 数据量不够
- 数据不相关
技术过度
- 过度追求先进
- 忽视实际需求
- 复杂化
缺乏支持
- 高层不支持
- 员工抗拒
- 资源不足
期望管理
- 对 AI 期望过高
- 忽视人的因素
- 急于求成
商业范例
一家拥有 12 间门市的连锁健身中心，教练排班与会员续约预测长期靠人工经验，导致热门时段人力不足、流失会员未被及时挽回。
- 先厘清需求：聚焦续约预测而非全套 AI 转型，三个月内将高风险会员辨识率提升至 78%。
- 确保资料品质：清理 5 年会员进出场纪录，补齐缺漏字段后，模型准确率由 61% 提升至 84%。
- 不过度追求技术：舍弃昂贵深度学习，改用决策树，开发成本降低 40%，准时上线。
- 管理期望：向高层说明 AI 仅供辅助，试行半年后会员续约率提升 9 个百分点。
小技巧
实操贴士
- 用 ChatGPT 把失败案例贴进对话，要求列出“根本原因、忽略的警讯、可提前侦测的指标”三栏。
- 在 Notion 建“失败模式库”，每案记录触发条件与对应检查清单。
- 用 Claude 重写专案章程，prompt 写“假设此专案会失败，列出最可能的五个原因”。
- 用 Zapier 串接 Slack 与 Jira，当风险标记超过两周未更新即自动提醒负责人。
练习题
本节摘要
- 失败原因：需求、数据、技术、支持、期望
- 明确需求、数据品质、管理期望
- 从失败中学习
30.13 课程总结
课程总结
下一步学习
- C-31 LLM 应用开发入门：开发
- C-30 应用：开始管理您的 AI 专案
- C-21 AI Agent 原理与应用：进阶
© 2026 Buddylala.ai — Build Your AI Future, Together.