行业算法定制从业务结果反推算法设计
大多数 AI 项目失败不是模型不行，而是一开始就没说清"识别对了之后要发生什么"。算芽的定制流程从判定标准开始，而不是从模型选型开始：先确认业务动作，再看现场条件，再谈数据和算法路线。能离线就不依赖网络，能部署在现场就不把时延留给云端，能持续学习就不让系统停在交付那天。
COMMON QUESTIONS
常见问题
我们没有标注数据，能做吗？
多数项目起步时都没有可用的标注数据，这不是障碍。数据方案本身就是定制流程的一部分：先评估现场已有的视频与图像素材，再确定需要补采的样本范围、采集方式和标注口径。关键是采集条件要贴近真实场景，理想条件下拍的样本对现场表现帮助有限。
定制一个算法大概要多久？
周期主要由判定标准的复杂度、现场条件的可控程度和样本获取难度决定，而不是模型本身。相对确定的检测类任务通常比开放场景的细粒度识别快得多。我们会在评估阶段给出阶段划分和各阶段的交付物，而不是先报一个笼统的总工期。
为什么强调边缘部署？
现场往往有三个硬约束：网络不可靠、时延不能等、数据不方便出场。把推理放在现场设备上可以同时缓解这三点。云端更适合承担策略下发、数据汇总与模型迭代，而不是承担每一帧的实时判断。
什么样的需求你们会建议不做？
判定标准本身说不清楚的（连人工都无法稳定给出一致结论）、现场条件无法看清目标的、以及识别对了之后业务上并不会因此改变任何动作的需求，我们会直接建议先不做或先改造现场条件。硬上只会浪费双方时间。