AI 产品的价值流映射：从数据到上线

实践卡 · Lean-Agile for AI 系列适用角色：MLOps 工程师、数据科学家、AI 平台负责人前置：任意支持长上下文的对话式 AI（如 GLM、GPT、Claude）；准备团队流程现状或价值流描述。

为什么 AI 产品的 VSM 比传统软件更长更脆弱

传统软件的价值流是「需求 → 开发 → 测试 → 部署」。AI/ML 产品在这条链前面硬塞进一整段数据链路，后面还拖着一条持续监控尾巴：

数据是不可控的外部输入：标注排队、质量不稳、量级不足，是传统 DevOps 看不见的堵塞。
模型是概率系统：评测通过不代表线上稳，需要影子、金丝雀、漂移监控。
上线只是开始：概念/数据漂移会让模型悄悄退化，“部署完就完事”在 AI 产品里是错觉。

把第三篇《VSM + AI》里的精益价值流方法，特化到这条“从数据到上线”的 ML 价值流，能看见传统 DevOps 视角遗漏的浪费——尤其是数据堵塞和训练完却没上线的模型半成品。

这份卡片怎么用

复制下方 Prompt，把 {占位符} 换成真实内容。
先跑 Prompt 1 梳理全景，再用 Prompt 2/3 揪 ML 专有浪费与数据瓶颈。
模型要上线时跑 Prompt 4 设计闭环，用 Prompt 5 评估成熟度与路线。

先认清 5 个核心概念

概念	在 AI/ML 价值流里的含义
数据 → 上线链路	采集 → 标注 → 特征 → 训练/微调 → 评测 → 部署 → 监控 → 反馈回流的全生命周期
MLOps	机器学习运维：让模型可靠地持续交付与稳定运行
数据就绪度	数据是否足量、标注充分、可用——最常见的头号瓶颈
模型漂移（Drift）	数据/概念漂移导致模型退化，上线后须持续监控
影子 / 金丝雀发布	AI 特有安全上线：先影子运行、再小流量、再全量

下面 5 个 Prompt 围绕这条链路展开。

Prompt 1 · 梳理 AI 产品价值流全景

场景：你想看清团队从数据到上线到底卡在哪。

你是一名既懂精益价值流又懂 MLOps 的顾问。请基于下面的团队现状，梳理我们 AI/ML 产品「从数据到上线」的价值流全景：
- 按顺序列出环节（数据采集 → 标注 → 特征 → 训练/微调 → 评测 → 部署 → 监控 → 反馈回流）
- 每个环节标注负责角色、典型耗时、等待/排队点
- 标出所有跨角色交接
- 指出最可疑的 2 个瓶颈
【团队现状】
{粘贴团队规模、现有流程、痛点}

Prompt 2 · 识别 ML 专有浪费

场景：传统 7 类浪费之外，ML 还有自己特有的坑。

请在下面的 AI 产品价值流中，识别「机器学习特有的浪费」（传统软件里不常见）：
重点排查：数据等待/标注瓶颈、训练好却未上线的模型半成品、重复训练、被忽视的模型漂移、特征重复建设。
对每类：是否有迹象 | 具体表现 | 严重程度（高/中/低）。
最后给出「最该先消除的 2 类」及理由。
【价值流描述】
{粘贴}

小提示：ML 价值流里，“训练完没上线”的模型半成品往往是最大的隐性浪费——算过算力、占过人力，却没产生任何用户价值。

Prompt 3 · 数据就绪度诊断

场景：你怀疑数据才是真瓶颈，但不确定。

下面是我们的数据现状（来源、量级、标注情况、质量）。请做「数据就绪度」诊断：
- 数据是否是当前价值流头号瓶颈（是/否 + 理由）
- 标注缺口在哪、补齐成本与优先级
- 给出 3 条提升数据就绪度的最低阻力动作
【数据现状】
{粘贴}

Prompt 4 · 部署与监控闭环

场景：模型训好评测通过，但上线不能裸奔。

我们准备把一个训练好、评测通过的模型上线。请设计安全上线与监控闭环：
- 发布策略：影子模式 → 金丝雀(小流量) → 全量 的触发条件与回滚阈值
- 线上监控指标：性能（延迟/吞吐）+ 质量（漂移、负反馈率、人工抽检）
- 漂移告警与再训练触发机制（何时该重训而不是硬扛）
【模型与场景】
{粘贴模型类型、流量预期、风险容忍度}

Prompt 5 · MLOps 成熟度与改进路线

场景：想系统提升，而不是东补西补。

请基于下面的现状，做 MLOps 成熟度评估与改进路线：
- 按等级定位我们所在：手工 → 自动化训练 → 自动化部署 → 全自动闭环监控
- 给出 Top 3 改进项（高收益 + 中低难度优先）
- 标注哪些改进能直接减少前面识别出的浪费
【现状】
{粘贴}

最佳实践小结

先查数据就绪度：ML 价值流里数据环节常是头号瓶颈，别一上来就优化模型。
盯紧“训练 → 部署”落差：模型半成品是 ML 最大隐性浪费之一，建个“已训练未上线”清单定期清。
上线是起点不是终点：漂移监控是 AI 产品特有闭环，没有监控的上线等于盲飞。
影子 / 金丝雀降险：AI 上线别全量裸奔，先影子再小流量，回滚阈值提前设好。
AI 辅助识别，人核数据真：和通用 VSM 一样，AI 算得快，但周期时间、数据量级这些事实仍要团队核实。

FDE 工作流 ⑤ 反馈闭环的深挖卡（上线与监控）。通用 VSM 基础见《VSM + AI》。全部 40 个 Prompt 的单一总入口：《AI 打法工具箱》。