2. AI项目生命周期：从数据准备、模型训练到部署的完整流程

AI项目与传统的软件项目有本质区别。传统软件是“编写逻辑”，而AI项目是“喂养数据、训练模型、持续调优”。很多团队在启动AI项目时，沿用瀑布式软件开发流程，先写需求文档再排期开发，结果往往在模型上线阶段才发现数据质量不达标、特征分布偏移、推理延迟超限等问题，导致项目返工甚至失败。理解AI项目生命周期的完整闭环，是实施DevOps自动化的前提——只有知道每个阶段要交付什么、验证什么、谁负责什么，才能设计出有效的流水线。

2.1 核心原理：AI项目是“数据+模型+运维”的三环迭代

AI项目生命周期可抽象为三个相互咬合的环：数据环（采集、清洗、标注、版本化）、模型环（实验、训练、评估、注册）、运维环（部署、监控、反馈、回滚）。三个环并非顺序执行，而是持续并行、互相驱动。例如，模型上线后监控发现线上数据分布与训练集不一致，会触发数据环重新采集样本，进而驱动模型环重新训练。

2.2 方法流程：从数据到上线的七个关键阶段

将三环展开为可执行的流程，AI项目生命周期通常包含以下七个阶段。每个阶段都有明确的输入、输出和验收标准，DevOps自动化可以嵌入到每个阶段的衔接处。

在实际操作中，阶段2到阶段5会反复循环。数据科学家可能一天内完成数十次“数据调整→特征修改→模型重训→评估对比”的迭代。DevOps的职责不是限制这种探索，而是为每次迭代提供可复现的环境、自动化的流水线和版本追踪机制。

2.3 案例场景：信贷风控模型的完整生命周期

以某消费金融公司的申请评分卡模型为例，展示生命周期各阶段的具体落地。

• 业务定义：预测借款人未来90天逾期概率，评估指标选用AUC和KS值，误判代价为“拒绝好客户”与“放过坏客户”的成本比约为1:5。
• 数据准备：从数据仓库抽取近24个月的申请记录、还款行为、第三方征信数据。原始数据约5000万条，经过缺失值处理、异常值剔除、去重后保留3200万条。按时间顺序切分：前18个月训练，后6个月验证，最后1个月作为测试集。
• 特征工程：衍生特征包括“近6个月平均使用额度”“历史最大逾期天数”“查询次数近30天变化率”等。使用TFDV检测训练/验证特征分布差异，发现“收入字段”在疫情期间分布偏移，决定暂时剔除该特征。
• 模型训练：使用LightGBM作为基线模型，通过Optuna进行超参搜索。每次训练记录在MLflow中，包括参数、指标、特征重要性。共记录187次实验，最终选择AUC=0.782的模型作为候选。
• 模型评估：在测试集上计算KS=0.43，分组查看不同年龄段、收入段的预测误差。发现30岁以下用户群体误杀率偏高，通过SHAP分析确认“年龄”特征贡献过大，决定对特征做分箱平滑处理。
• 部署上线：将模型打包为ONNX格式，部署到KServe。先进行1%流量的影子模式运行7天，对比线上模型与旧规则引擎的预测差异。确认无异常后，逐步放量至10%、50%、100%。
• 监控反馈：上线后第3周，监控面板显示“收入特征”的PSI（群体稳定性指数）超过0.2阈值，触发告警。数据团队排查发现合作征信源接口变更导致字段口径变化，紧急修复后重新评估并发布模型v2。

2.4 误区与复盘：AI项目失败的常见原因

根据行业调研，超过70%的AI项目未能成功上线或上线后效果快速衰减。以下是最常见的四个误区，以及对应的复盘建议。