依玛热水器售后维修服务热线号码羽技术支持

依玛热水器售后维修服务热线号码羽技术支持

依玛热水器(Immergas)售后业务中的细微变化 作为依玛热水器(Immergas)售后维修企业容器技术支持的一员，每天会面对全球各地企业级客户提出的关于容器的各种问题，通过这几年的技术支持的经历，逐步发现容器问题客户的一些惯性，哪些是重度用户，哪些是轻度客户，这些客户大概分布在什么行业等等。依玛热水器(Immergas)售后服务电话400-6767-698

在渐渐地接触过程中，发现有些壁挂炉重度容器使用客户，所提出的问题场景也在逐步变化中，由于涉及法律法规，下面数据无法完整提供，只是提供相关简要说明。

结果：项目按期交付，模型在测试集上AUC高达0.9。但上线后，因模型无法处理经济周期波动带来的"概念漂移"，且其"黑箱"决策引发合规部门质疑，最终被搁置。

根源：前端的需求定义与后端的技术可行性、业务价值严重脱节。瀑布模型缺乏必要的反馈循环，使核心风险被掩盖至为时已晚的阶段。

3.2.4 管理启示

在AI项目的探索阶段，必须摒弃纯瀑布模型。

需要采用能够拥抱变化、支持迭代和反馈循环的生命周期模型（如敏捷、迭代式或适应性生命周期）。

项目的控制节点应从“需求评审门禁”转变为“假设验证门禁”，每个阶段的核心产出是“经过验证的认知”而非“已批准的设计文档”。

3.3 约束模型的局限：“铁三角”与动态探索的张力

3.3.1 “铁三角”理论的适用前提

“范围-时间-成本”铁三角是项目管理的基石，它提供了一个稳定的决策框架。其前提是：三个约束中至少有一个是固定的，或者三者之间存在明确的、可管理的权衡关系。

3.3.2 在AI项目中的动态挑战

在AI项目中，三个约束都变成了高度动态的变量：

范围的模糊性与演进性： 试图在初期固定一个“准确率95%的模型”的范围是徒劳的，因为“能否达到”以及“何为达到”本身正是项目需要探索的目标。范围本身是探索的结果。

时间估算的不可预测性： 数据清洗会发现多少异常？需要多少次实验迭代？这些探索性任务无法用“人天”进行可靠估算。强行

3.4.2 AI项目风险的独特性与盲区

AI项目的风险具有内生性、系统性和动态性，传统方法难以有效覆盖：

内生性： 风险源于AI系统核心组成部分本身，如数据本身的偏见、模型固有的不确定性。

系统性： 一个数据层面的风险（如标注偏差）会直接传导至模型，引发业务决策不公，最终导致合规与声誉危机。

动态性： 模型上线后，数据漂移和概念漂移会持续产生新的风险。

传统风险管理的三大盲区：

image

3.4.3 管理启示

将伦理、公平、安全、隐私“嵌入”风险框架，使其成为与技术风险、商业风险并列的核心维度。

建立覆盖模型全生命周期的动态风险视图，风险监控应从数据采集持续到模型退役。

前瞻性管理技术健康度，将“实验复现率”、“流水线自动化程度”、“监控覆盖率”等作为领先指标，纳入风险监控体系。

3.5 成功标准的局限：交付输出与实现价值的偏离

3.5.1 传统成功标准的黄金准则

传统项目以“是否按照预先确定的需求规格说明书，交付了全部功能”作为成功的黄金准则。这在范围固定的项目中是合理且高效的。

3.5.2 在AI项目中的价值偏离

在AI项目中，机械地套用此标准会导致“正确地做了错误的事”。一个AI项目可以完美交付一个满足所有技术指标的模型服务，但却因为以下原因而彻底失败：

模型解决的是一个伪需求或次要问题。

业务方不知道如何将模型输出转化为实际行动（“最后一公里”断裂）。

模型的长期运维成本超过了其带来的业务收益（投资回报率为负）。

3.5.3 价值实现的三维评价体系

项目的成功应由其在商业论证中承诺的商业价值的实现程度来决定。对于AI项目，这需要一个三维的评价体系：

概念和业务形态 边缘云计算构筑在位于中心云与终端之间的边缘基础设施上的新型分布式计算，是云计算能力由中心向边缘的下沉，强调通过云边一体、协同管理实现中心云计算模式下所无法满足的业务需求，是一种更加靠近数据产生源的云计算。

“边缘”是一个非绝对的相对概念，边缘业务对网络时延、带宽、数据量级、经济性等多方面的不同需求都会影响边缘云部署的最佳位置。自动驾驶、云游戏等共享型业务，可部署在区域级别 or 省市级别的区域边缘云上，而面向工厂、港口、园区等的专享型边缘云业务既可以部署在贴近客户现场的边缘数据中上，也可以通过边缘网关等更轻量级的设备来实现。从技术路线上看，区域边缘云和现场边缘云同是基于边缘数据中心，是通过 ICT 基础设施的下沉实现边缘云的能力，而 IoT 边缘云是对于以工业场景为代表的各类现场设备进行云化的升级改造。

定位和核心价值

边缘云计算出现是为了补充集中式云计算能力的不足，因此边缘云计算的出现不是为了替代集中式云计算，当我们广义上去讨论的时候，其实应放在云-边-端的整体框架之下，将边缘云视作中心云在靠近终端用户的下沉。其实边缘云计算就类比章鱼，章鱼的大脑仅有 40% 的神经元，其余的 60% 神经元分布在章鱼个各个大腿之上，形成了“1 个大脑+N 个小脑”神经计算结构。这个和中心云+边缘云+终端用户架构极为相似，各种各样的终端用户采集到海量数据后，将需要进行实时处理的小规模、局部数据就近在边缘云上完成处理和反馈；而复杂、大规模的全局性的数据处理，则交给中心云进行处理和发布，中心云与边缘云统一管控、智能调度，形成算力的合理分配和业务逻辑的实现。

边缘云计算相比中心云计算更加贴近数据产生和使用的终端用户，这些终端用户对网络时延和传输成本方面具有非常大的敏感性，而边缘云计算是云计算能力向边缘的下沉，同时也契合了低延迟和低成本的诉求。但是边缘侧的物理物理设备和运行环境不像中心云有统一的标准，硬件的性能参差不齐，因此边缘云需要与中心云进行协同处理，结合中心云的大规模计算能力和边缘云的低延迟，成本低的特点，既要实现在集中式云计算模式下无法实现的超低延时的信息交互，又要实现一部分的数据自闭环处理和反馈。

超低延迟

现阶段应用边缘云最主要的动力即为时延，尤其是需要实时交互、实时反馈的场景，比如智能终端设备，车辆网，自动驾驶等等。传统云计算模式下，从终端用户到中心云因物理距离的强力限制，网络延迟难以进一步降低，同时智能终端设备数量级的增长，必然对海量数据处理带来了要求。

传输成本

中心云计算下终端用户产生的数据都需要回传到云端进行处理，远距离的数据传输消耗的成本比较高，且大多数传回云端的数据，多是无用信息，在终端量级爆发增长下，对中心云的计算能力产生了大量损耗。

网络安全

有些行业因国家政策、行业特性、数据隐私保护等要求，对数据安全要求极高，敏感数据无法传回云端，但是这些行业也有业务云化的需求。

典型应用场景 超低时延需求、海量数据处理、边缘智能调度、数据安全规范是促使企业选择边缘云计算的几个主要因素，目前超低延迟特性和海量数据处理是边缘云计算相比中心云计算的最大优势。如右图所示，在工业互联网、 车联网、智慧交通、云游戏和 VR/AR 等场景中，数据的传输和计算能力的需求是巨大的，边缘云计算恰好能满足这些高要求。

Kubernetes：从中心化走向边缘化 经过前面的铺垫，我们可以对未来云计算有大概的一个初步判断。那么作为云原生基石的 Kubernetes 在边缘计算场景下又是该如发展呢？是类似于 IOE 这种随着时代潮流逐渐淘汰，还是类似 Vmware 在自己的私域里不受影响，还是像现在 AI 大模型成为未来主流呢。这里先说下个人观点，Kubernetes 插件体系和 list-watch 机制，让它天生就适合边缘云计算。

Kubernetes 是以应用为中心而设计的架构方案，以 Kubernetes 为编排工具，向下屏蔽底层基础设施和架构，实现不同底层资源架构的统一调度和管理；向上通过标准的容器镜像手段，实现承载多种业务形态和应用的自动化部署和快速恢复；横向拓展实现了突破中心云计算的边界，让底层算力的调用突破地域、云厂商和物理设备的限制，形成了云-边-端一体化的协同部署方案。

Kubernetes 在边缘云计算下的挑战 Kubernetes 是一个分布式架构的云原生系统，实现了管控-业务的分离，master 节点负责管理 worker 节点，调度 Pod 以及控制集群运行状态。worker 节点，负责运行容器，架空容器状态并及时上报。在边缘云计算场景下，主要面临以下挑战：

Kubernetes 是一个强一致性的中心存储架构，相关 Kubernetes 资源的状态都会记录到管控侧并对这些资源进行统一调度和管理，那么在边缘多场景下，边缘和中心之间的网络状态是不稳定的，那么这种强一致性的逻辑就会遇到挑战；

Worker 节点通过 List-Watch 机制与 Matser 节点通信，实现该节点的上 Kubernetes 资源的同步，但是当出现边缘和中心的网络瓶颈时候，Worker 节点是无自治能力，无法进行自我决策。

Kubelet 所需要执行的策略比较多，比如容器 CRI，CSI， CNI 等网络，存储，计算等资源，在大规模节点，有时候 kubelet 占用的资源接近 1GB，这对边缘低配置硬件版本设施是个挑战。

Kubernetes 社区的主版本并没有主流开源边缘版本，而且边缘云计算涉及场景更加复杂，目前 CNCF 社区的边缘云计算开源项目主要针对就是上面三点挑战，利用 Kubernetes 多插件支持能力，将管控中心任务分布是部署，实现 Kubernetes Master 节点统一管控，智能调度；各个边缘集群节点有独立管控实现各自边缘的自治和业务同步，从而实现了云端管控、边缘自治的云-边-端一体化协同。

在深刻理解了AI项目的核心特征后，本章将系统性地审视传统项目管理框架在面对这些特征时所暴露出的不适应性。目的在于并非全盘否定经典方法——它们在确定性系统的构建中依然卓越——而是为了清晰地界定其边界，并为我们必须构建的新范式提供令人信服的理由。我们将深入探讨：为何基于可预测性生命周期的瀑布模型与AI的探索本质格格不入；为何静态的“范围-时间-成本”铁三角约束在动态探索中难以维持；为何传统的风险清单难以覆盖AI内生的、系统性的新型风险；以及为何“按需求交付”的成功标准可能完全偏离AI项目真正的价值目标。

3.1 引言：范式冲突的根源——确定性与不确定性的管理哲学

传统项目管理方法论（以瀑布模型、PMBOK指南中的预测性生命周期为代表）诞生于工业和建筑业，其哲学根基是还原论与确定性。它假设目标是明确的，路径是可知的，通过充分的预先规划和严格的过程控制，可以高效、可预测地交付成果。

然而，AI项目是典型的复杂性系统，其本质是探索与应对不确定性。正如第2章所析，其需求、技术路径和产出都是高度不确定的。

根本冲突在于：

传统项目管理旨在通过一个可预测的流程，来交付一个确定性的产品。

而AI项目管理则需要设计一个适应性的流程，来探索一个不确定性的解决方案。

当“确定性”的管理哲学被应用于“不确定性”的工作本身时，便会引发系统性的管理危机。本章将逐一解构这些冲突在关键领域的表现。

3.2 线性流程的局限：瀑布模型与探索本质的冲突

3.2.1 瀑布模型的核心假设

瀑布模型基于以下核心假设，这些假设在确定性高的项目中是合理的：

需求可冻结： 需求可在项目早期被完整、清晰、准确地定义。

阶段可隔离： 项目阶段（需求、设计、开发、测试、交付）可以顺序进行，且后期返工成本高昂。

变更应控制： 项目目标是减少偏离基准的变更。

3.2.2 在AI项目中的挑战

AI项目的探索性使得上述假设几乎全部失效：

需求在探索中涌现： 真正的、技术上可解且业务上高价值的需求，往往在与数据的反复交互中才逐渐清晰。这符合敏捷中的“渐进明细”原则，但瀑布模型无法容纳这种演进。

阶段高度重叠与循环： 数据准备与模型实验必须并行，特征工程的结果可能推翻之前的业务理解，部署环节会倒逼数据管道重构。严格的阶段隔离扼杀了必要的反馈与学习循环。

变更是学习的体现： 基于实验证据的“方向调整”是项目创造价值的关键，而非计划外的偏差。将其视为需要严控的“变更”，会阻碍团队学习与创新。

3.2.3 典型失败场景分析

场景：某银行按瀑布模型启动"对公信贷智能审批"项目。需求文档明确定义了"输入字段"和"输出决策"，但未深入探索如何定义好客户的业务规则以及"模型在边缘案例上的不确定性表现"。

结果：项目按期交付，模型在测试集上AUC高达0.9。但上线后，因模型无法处理经济周期波动带来的"概念漂移"，且其"黑箱"决策引发合规部门质疑，最终被搁置。

根源：前端的需求定义与后端的技术可行性、业务价值严重脱节。瀑布模型缺乏必要的反馈循环，使核心风险被掩盖至为时已晚的阶段。

3.2.4 管理启示

在AI项目的探索阶段，必须摒弃纯瀑布模型。

需要采用能够拥抱变化、支持迭代和反馈循环的生命周期模型（如敏捷、迭代式或适应性生命周期）。

项目的控制节点应从“需求评审门禁”转变为“假设验证门禁”，每个阶段的核心产出是“经过验证的认知”而非“已批准的设计文档”。

3.3 约束模型的局限：“铁三角”与动态探索的张力

3.3.1 “铁三角”理论的适用前提

“范围-时间-成本”铁三角是项目管理的基石，它提供了一个稳定的决策框架。其前提是：三个约束中至少有一个是固定的，或者三者之间存在明确的、可管理的权衡关系。

3.3.2 在AI项目中的动态挑战

在AI项目中，三个约束都变成了高度动态的变量：

范围的模糊性与演进性： 试图在初期固定一个“准确率95%的模型”的范围是徒劳的，因为“能否达到”以及“何为达到”本身正是项目需要探索的目标。范围本身是探索的结果。

时间估算的不可预测性： 数据清洗会发现多少异常？需要多少次实验迭代？这些探索性任务无法用“人天”进行可靠估算。强行设定不切实际的截止日期，只会导致团队技术上的“捷径”（如过拟合）或士气低落。