1.2 核心技术分类与选型逻辑

1.2 核心技术分类与选型逻辑

AI技术选型阶梯：把符号规则、传统机器学习、深度学习、大模型视为一条能力与成本同步递增的阶梯，选型目标是让方案所在台阶尽量贴近问题复杂度，宁低勿高。本节给出这条阶梯及配套的判断方法。

回到第1章开头的连锁药店。会员复购预测这个需求提出来后，供应商开出的方案是"大模型驱动的智能营销中台"。审计介入后问的第一个问题是：你们的复购规律，一条SQL加三个业务规则能解释多少？答案接近八成。于是选型结论变成：先用规则引擎上线，把大模型预算留给规则解释不了的那两成长尾。半年后复盘，这个决定省下的不只是钱——规则系统每个判断都可解释，投诉处理有据可依。

阶梯的四级

第一级是符号规则：人工总结的if-else逻辑。可解释、零训练成本、出错可追责，但无法处理高维模糊模式。第二级是传统机器学习：决策树、逻辑回归、梯度提升这类模型，吃结构化表格数据，样本量在万级即可工作，特征工程决定上限。第三级是深度学习：处理图像、语音、文本等非结构化数据的默认选择，代价是数据量、算力与调试难度。第四级是大模型：通用语言能力与少量样本适应能力，代价是推理成本、幻觉风险与行为不可完全控制。

审计视角下，选型过高的代价常被低估：系统复杂度、运维技能要求、人员依赖都随台阶上升。选型过低倒是容易被发现并补救。

图：选型阶梯

用代码比较两级台阶

下面这个可运行实验对比规则与机器学习在同一任务上的表现，体会"什么时候值得上一级台阶"。

import random, math

random.seed(42)

def gen_customers(n):
    """生成会员数据：访问频次、客单价、距上次购买天数。
    复购与否由一个带噪声的非线性关系决定。"""
    rows = []
    for _ in range(n):
        visits = random.randint(1, 15)
        basket = round(random.uniform(30, 400), 1)
        recency = random.randint(1, 90)
        score = 0.05*visits + math.log(basket)/5 - recency/40 + random.gauss(0, 0.25)
        repurchase = 1 if score > 0.15 else 0
        rows.append((visits, basket, recency, repurchase))
    return rows

train, test = gen_customers(4000), gen_customers(1000)

# 一级台阶：人工规则
def rule(v):
    visits, basket, recency, _ = v
    return 1 if (visits >= 5 and recency <= 30) or basket >= 350 else 0

acc_rule = sum(1 for v in test if rule(v) == v[3]) / len(test)
print("规则准确率: %.3f" % acc_rule)

# 二级台阶：简单的最近邻思想 + 手写特征加权（不依赖第三方库）
def feat(v):
    visits, basket, recency, _ = v
    return (visits/15.0, basket/400.0, 1 - recency/90.0)

def knn_predict(x, k=25):
    dists = sorted(train, key=lambda t: sum((a-b)**2 for a, b in zip(feat(t), feat(x))))
    votes = sum(t[3] for t in dists[:k])
    return 1 if votes * 2 > k else 0

acc_knn = sum(1 for v in test if knn_predict(v) == v[3]) / len(test)
print("机器学习准确率: %.3f" % acc_knn)
# 典型输出：规则 0.85 上下，kNN 0.90 上下——提升存在但需权衡复杂度
​

提升是真实的，但要接着算增量价值：准确率五个点在药店的会员池规模下折合多少额外复购收入，是否覆盖开发与维护成本。这就是"贴近问题复杂度"的算术形式。

# 增量价值速算：假设会员池 2 万人，复购客单 120 元
members, basket_value = 20000, 120
gain = (acc_knn - acc_rule) * members * basket_value * 0.10   # 仅一成被触发营销
annual_dev_cost = 60000                                        # 年化开发与运维
print("年增量毛收入约: %.0f 元" % (gain - annual_dev_cost))
# 把 0.10（营销转化率）改为 0.03 再跑：结论可能反转，这正是审计要追问的敏感参数
​

解读与变式

药店案例的完整链路：背景是供应商推动的高台阶方案；操作是用规则基线量化"低台阶能吃掉多少"；结果是方案降级、成本可控；解读为"选型是经济决策而非技术审美"；变式是当业务规则本身频繁变动、无法固化时，低台阶会失效，此时上移一级才是对的。下一节把镜头对准账本：阶梯选对之后，钱怎么算清楚。

选型阶梯的一个反例

为防止阶梯被读成教条，给一个反例：票据OCR场景，规则时代用模板匹配，后来深度学习全面替代，如今大模型又在部分环节替代深度学习——三层技术同时活着，各自处理不同版式的票据。这个反例说明阶梯不是时间表，而是成本坐标：任何一层只要它对当前问题复杂度是最经济的，它就是对的。审计时看到"落后"的技术不必扣分，看到"先进"的技术反而要多问一句成本。供应商方案书里最贵的那个选项，往往出现在客户最不懂的那个环节——这是选型谈判的博弈常识。

再多说一句关于"降级"的体面：项目中途从大模型降回规则或小模型，不叫失败，叫纠偏。审计档案里记录过不止一个这样的案例，降级后成本降了一个量级、指标几乎没变，团队却始终不愿声张——因为降级在组织叙事里总被当成认输。好的审计文化会把"及时降级"列为正面事件写进年报。选型阶梯真正的敌人不是技术误判，是这种不敢降级的叙事压力。