第一章 Effort估算的适用场景与前置条件

1.1 适用场景

Effort估算主要适用于以下三类AI项目场景，每类场景的估算粒度与复用策略不同：

1.2 前置条件

1.2.1 项目类型识别

必须先根据AI项目的主要工作负载确定项目类型，因为不同类型的数据准备、模型训练、评估调优的工时分配比例差异显著。

• 纯模型训练型：训练工时占比 ≥ 60%，数据准备 ≤ 20%，评估调优 ≤ 20%。
• 数据处理型：数据清洗/标注/特征工程工时占比 ≥ 50%，训练 ≤ 30%，评估 ≤ 20%。
• 系统集成型：模型部署、API封装、监控运维工时占比 ≥ 40%，训练 ≤ 30%，数据 ≤ 30%。
• 混合型：上述三类中任意两类占比介于 30%～50% 之间。

1.2.2 团队规模匹配

Effort估算模板的可靠性依赖于团队规模的稳定性。以下为团队规模匹配检查清单：

1. 核心角色（PM、数据工程师、算法工程师、MLOps工程师）是否已到位？
2. 团队总人数是否在 3～15 人范围内？
   注：3人以下估算误差偏大（±60%），15人以上需拆分为多个子团队独立估算。
3. 是否有专职的估算复核角色（通常由技术Lead担任）？

1.2.3 数据基础要求

以下数据至少需满足一项，否则应优先进行数据采集而非Estimating：

• 基线数据：至少3个已完成的同类任务的实际人天记录
• 标定数据：使用已有的工时记录对估算因子（CF）进行标定，标定误差 ≤ 20%
• 参数化数据：已知模型参数量、数据规模、GPU型号与数量，可代入公式预估

1.3 操作步骤

1. 识别项目类型：使用“项目类型识别表”（输入物1），选择最匹配的类型。
2. 确认团队规模：核对当前团队人员配置，填写“团队角色矩阵”（输入物2），确保关键角色齐全。
3. 检查数据基础：从历史项目、工时系统或实验记录中提取基线数据，判断是否满足最低要求。
4. 记录决策：在“场景-规模-数据检查表”（记录材料）中标记通过/不通过，并由PM签字。

1.4 输入输出物

1.5 责任边界

• 项目经理（PM）：组织识别会议，确认项目类型和团队规模，检查数据基础，签署检查表。
• 技术负责人（Tech Lead）：提供历史基线数据，判断参数化数据是否可用。
• 估算员（Estimator）：填写检查表，记录未通过原因及补救建议。

1.6 记录材料

以下为“场景-规模-数据检查表”的核心字段模板：

前置条件检查表（章节1）
项目名称: _________________
检查日期: _________________

1. 项目类型识别
   [ ] 纯模型训练型   [ ] 数据处理型   [ ] 系统集成型   [ ] 混合型
   确认人: _________

2. 团队规模匹配
   [ ] 核心角色齐备   [ ] 人数3～15人   [ ] 有专职估算复核角色
   当前人数: ____  确认人: _________

3. 数据基础要求
   [ ] 基线数据≥3条   [ ] 标定误差≤20%   [ ] 参数化数据可用
   确认人: _________

结论: [ ] 通过   [ ] 不通过
PM签字: _________

1.7 异常处理

1.8 验收标准

• 已明确项目类型，并记录在检查表中。
• 团队规模符合3～15人，且关键角色确认到位。
• 数据基础任意一项达标，或已规划Spike填补数据缺口。
• 检查表经PM签字，作为下阶段估算的正式入口。