算法开发与调优
围绕任务目标与部署环境，开展算法开发、模型优化和适配。
01 适用场景
业务算法开发
面向识别、分类、预测等明确任务，结合样本与业务规则，设计算法方案并开展可行性验证。
现有模型效果改进
针对误判、漏判或业务数据变化，分析问题样本与评价结果，评估数据补充、训练或微调方向。
推理性能与部署适配
围绕目标设备的时延、吞吐与内存限制，评估模型转换、量化及推理配置，并检查效果变化。
02 方案说明
以业务任务和评价标准为起点，结合样本质量、现有模型与部署条件选择算法路线。先建立可对比的基线，再评估数据处理、模型训练或微调、推理优化等方法，平衡效果、响应速度与资源开销。具体优化方式与交付指标通过样本测试和项目评估确定。
03 技术流程
- 01
数据检查与评测基线
检查样本、标注及数据划分，确定评价方法，记录现有模型或初始方案的表现。
- 02
算法设计与实验
按任务选择模型与处理流程，开展训练或微调实验，记录配置、版本和实验结果。
- 03
误差分析与迭代
比较验证集结果，分析典型错误，针对数据、模型或参数进行调整，兼顾效果与计算成本。
- 04
目标环境验证
在约定设备与测试数据上检查效果、时延及资源占用，核对部署前后的结果差异。
04 实施与交付
| 服务项目 | 工作内容与交付说明 |
|---|---|
| 评估与方案 | 整理任务定义、样本现状、评价口径和技术路线，明确验证范围与验收条件。 |
| 模型与配置 | 按项目约定交付模型文件、配置及版本信息，说明依赖环境和适用范围。 |
| 评测与优化记录 | 提供约定测试集上的评测结果、基线对比与问题分析，记录优化过程及已知限制。 |
| 部署与接入说明 | 完成约定环境的适配与联调，提供输入输出规范、运行说明及必要的使用交接。 |
05 需求准备
- 任务与指标
- 业务目标、输入输出样例、重点错误类型，以及效果和性能的评价要求。
- 样本与标注
- 可用于开发和测试的数据、标注规则、数据来源与使用范围，以及代表性异常样本。
- 现有基础
- 已有模型、可提供的配置和评测记录，以及当前遇到的效果或运行问题。
- 运行环境
- 目标硬件、操作系统、推理环境、接口要求及资源限制。