1. 课程导论与目标
1.1 智能成本估算的时代背景
在软件工程与AI项目交付中，成本估算长期依赖专家经验与类比法，面临三大核心痛点：
- 估算偏差大：传统估算误差常超过 ±40%，导致预算失控或资源浪费。
- 动态响应慢：需求变更、技术选型调整时，人工重新估算周期长。
- 可解释性弱：黑盒模型输出的成本数字缺乏业务逻辑支撑，难以通过审计。
机器学习（ML）的引入，使得历史项目数据、代码复杂度、团队产能等特征能够被自动建模，实现从“拍脑袋”到“数据驱动”的跨越。然而，纯ML模型在关键决策场景中仍存在过拟合、数据漂移、异常值误判等风险。
关键数据：据2024年行业调研，采用ML辅助估算的企业，平均估算误差降低至 ±15%，但仍有 23% 的项目因模型未经过人工复核而导致严重超支。
1.2 机器学习与同行复核结合的必要性
同行复核（Peer Review）是软件工程中验证质量的核心机制。将其与ML成本估算结合，形成“人机协同”闭环，必要性体现在以下四个维度：
| 维度 | 纯ML估算 | 纯人工估算 | ML + 同行复核 |
|---|---|---|---|
| 速度 | 秒级输出 | 数小时至数天 | 分钟级（ML初估 + 复核快速确认） |
| 准确性 | 依赖训练数据质量 | 依赖个人经验 | 数据驱动 + 经验纠偏，误差最低 |
| 可解释性 | 低（特征权重难理解） | 高（可追溯推理过程） | 高（复核环节补充业务解释） |
| 风险控制 | 易受异常值影响 | 易受认知偏差影响 | 双重校验，鲁棒性最强 |
本课程的核心主张是：ML模型提供基线估算，同行复核负责边界条件校验与异常场景兜底，二者缺一不可。
实践提示：在金融、医疗等强监管行业，纯ML估算无法通过合规审计；必须嵌入人工复核节点，且复核记录需完整留存。
1.3 课程整体架构
本课程共30章，按“基础→建模→部署→复核→治理”五阶段递进：
- 基础篇（第1-5章）：成本估算理论、ML基础、特征工程、评估指标。
- 建模篇（第6-12章）：回归模型、集成方法、时序预测、不确定性量化。
- 部署篇（第13-18章）：模型服务化、API设计、CI/CD流水线、A/B测试。
- 复核篇（第19-24章）：同行复核流程设计、复核工具链、异常检测、争议仲裁。
- 治理篇（第25-30章）：模型监控、数据漂移处理、成本审计、组织级推广。
1.4 学习目标与产出
完成本课程后，学员将具备以下能力：
- 建模能力：独立构建基于历史项目数据的成本估算ML模型，误差控制在 ±10% 以内。
- 部署能力：将模型封装为RESTful API，并集成到企业级CI/CD流水线中。
- 复核能力：设计并实施同行复核SOP，包括复核节点设置、异常标记、争议升级机制。
- 治理能力：搭建模型监控看板，自动检测数据漂移与性能衰减，触发复核流程。
前置要求：学员需具备基础的Python编程能力（pandas、scikit-learn）以及基本的软件工程概念（版本控制、API设计）。本课程不教授Python基础语法。
1.5 智能成本估算的“人机协同”工作流
下图展示了本课程所倡导的核心工作流：ML模型与同行复核如何在实际部署中协同运作。
1.6 课程配套资源与交付物
| 资源类型 | 内容说明 | 获取方式 |
|---|---|---|
| 代码仓库 | 每章配套Jupyter Notebook + Python脚本 | 课程平台下载 |
| 数据集 | 脱敏后的软件项目成本数据集（约5000条） | 随章提供 |
| 复核模板 | 同行复核检查清单、异常标记模板、争议仲裁表 | 第19章提供 |
| 部署脚本 | Docker Compose + Kubernetes YAML 示例 | 第13章提供 |
学习建议：建议每章完成后，在本地环境运行配套代码，并尝试修改特征或参数，观察对估算结果的影响。第19章开始，建议组建2-3人的学习小组，模拟同行复核流程。