大家好，我們是成都小火科技，今天是2025年6月29日，星期天。我們公司成立于2013年，有自己的全棧技術(shù)開發(fā)團(tuán)隊(duì)。目前我們開發(fā)的軟件系統(tǒng)中，90%都有AI的功能?？梢赃@樣說，有了AI之后，傳統(tǒng)的軟件都需要即時(shí)接入AI功能。今天就以我們開發(fā)過的「智能供應(yīng)鏈預(yù)測(cè)系統(tǒng)」為例，聊聊AI軟件開發(fā)的具體流程。

記得2024年接這個(gè)項(xiàng)目時(shí)，客戶是一家連鎖零售企業(yè)，他們希望系統(tǒng)能根據(jù)歷史銷售數(shù)據(jù)預(yù)測(cè)未來三個(gè)月的庫存需求。當(dāng)時(shí)我們第一時(shí)間做的不是寫代碼，而是開了整整三天的需求分析會(huì)。我們拿著白板梳理業(yè)務(wù)邏輯，確定AI模塊需要解決的核心問題：是要處理時(shí)序數(shù)據(jù)的季節(jié)性波動(dòng)，還是要考慮促銷活動(dòng)對(duì)銷量的影響？最后我們?cè)谛枨笪臋n里明確了技術(shù)指標(biāo)：預(yù)測(cè)誤差率要控制在8%以內(nèi)，模型響應(yīng)時(shí)間不超過200ms。

接下來進(jìn)入數(shù)據(jù)階段。這個(gè)項(xiàng)目我們總共接入了12個(gè)數(shù)據(jù)源，包括POS系統(tǒng)的銷售數(shù)據(jù)、ERP的庫存數(shù)據(jù)、甚至還有天氣API的數(shù)據(jù)。記得當(dāng)時(shí)數(shù)據(jù)工程師花了兩周時(shí)間做數(shù)據(jù)清洗，發(fā)現(xiàn)有30%的銷售記錄缺少門店編號(hào)，還有15%的庫存數(shù)據(jù)存在異常峰值。我們用Python的pandas庫做數(shù)據(jù)插值，用IsolationForest算法識(shí)別異常值，光數(shù)據(jù)預(yù)處理的代碼就寫了2000多行。后來在模型訓(xùn)練時(shí)才發(fā)現(xiàn)，這些數(shù)據(jù)清洗的工作有多重要——最初用原始數(shù)據(jù)訓(xùn)練的LSTM模型誤差率高達(dá)18%，優(yōu)化數(shù)據(jù)后直接降到了10%。

模型選型階段我們做了AB測(cè)試。先是用傳統(tǒng)的ARIMA模型，發(fā)現(xiàn)對(duì)促銷活動(dòng)的響應(yīng)不夠靈敏；然后試了LSTM神經(jīng)網(wǎng)絡(luò)，雖然能捕捉時(shí)間序列的規(guī)律，但計(jì)算量太大，服務(wù)器扛不住；最后決定用Facebook的Prophet模型，搭配XGBoost做特征工程。調(diào)參過程挺折騰的，記得為了確定Prophet里changepoint_prior_scale參數(shù)的值，我們從0.05試到5，每調(diào)一次參數(shù)就要跑8小時(shí)的訓(xùn)練，整整一周才找到最優(yōu)解0.3。

集成開發(fā)時(shí)遇到了架構(gòu)設(shè)計(jì)的挑戰(zhàn)。我們?cè)鞠氚袮I模型直接嵌入后端服務(wù)，但發(fā)現(xiàn)每次模型更新都要重啟整個(gè)服務(wù)，很不方便。后來改成微服務(wù)架構(gòu)，單獨(dú)做了一個(gè)AI預(yù)測(cè)服務(wù)模塊，用gRPC協(xié)議和其他服務(wù)通信。這個(gè)模塊里我們用TensorFlow Serving部署模型，用Redis做預(yù)測(cè)結(jié)果的緩存，前端請(qǐng)求過來先查緩存，沒有的話再調(diào)用模型計(jì)算，響應(yīng)時(shí)間從原來的500ms降到了150ms。

測(cè)試階段有個(gè)有意思的插曲。我們用歷史數(shù)據(jù)做離線測(cè)試時(shí)，模型誤差率穩(wěn)定在7.5%，但上線試運(yùn)行第一天就出了問題——下午三點(diǎn)的預(yù)測(cè)數(shù)據(jù)突然偏差很大。后來發(fā)現(xiàn)是當(dāng)天有臨時(shí)促銷活動(dòng)，而我們的模型沒接入實(shí)時(shí)的活動(dòng)數(shù)據(jù)接口。于是趕緊迭代版本，增加了活動(dòng)數(shù)據(jù)的實(shí)時(shí)接入通道，還做了動(dòng)態(tài)權(quán)重調(diào)整，現(xiàn)在遇到突發(fā)活動(dòng)時(shí)，模型能在10分鐘內(nèi)調(diào)整預(yù)測(cè)策略。

現(xiàn)在這個(gè)系統(tǒng)已經(jīng)運(yùn)行一年多了，我們每個(gè)月都會(huì)做模型復(fù)盤。上個(gè)月剛把Prophet模型升級(jí)成了Transformer架構(gòu)，預(yù)測(cè)誤差率又降低了1.2%。其實(shí)AI軟件開發(fā)和傳統(tǒng)軟件開發(fā)最大的不同，就是它需要持續(xù)的模型優(yōu)化。就像我們給系統(tǒng)加了個(gè)「自進(jìn)化」模塊，每天凌晨會(huì)用最新的24小時(shí)數(shù)據(jù)微調(diào)模型，就像人每天學(xué)習(xí)新知識(shí)一樣。

前幾天客戶還打電話來說，用了我們的系統(tǒng)后，他們的庫存周轉(zhuǎn)率提升了22%，缺貨率下降了18%。聽到這些數(shù)據(jù)，我們團(tuán)隊(duì)都挺有成就感的。其實(shí)AI軟件開發(fā)就像搭積木，每個(gè)環(huán)節(jié)都得嚴(yán)絲合縫，從數(shù)據(jù)清洗到模型部署，每個(gè)步驟都藏著技術(shù)細(xì)節(jié)，只有把這些細(xì)節(jié)都摳到位，才能做出真正能用的AI系統(tǒng)。

文章來源網(wǎng)址：http://www.cndaixiao.net/archives/xitongkaifa01/1948，轉(zhuǎn)載請(qǐng)注明出處！