在人工智能技術從實驗室走向規模化、工業化應用的關鍵階段，軟件工程的規范化與體系化管理成為決定AI應用能否成功落地并持續創造價值的核心。深蘭科技，作為人工智能領域的領先企業，深刻認識到這一點，并系統性地構建了面向“人工智能應用軟件開發”的工程能力成熟度管理與評價體系，旨在為AI軟件的研發全生命周期提供堅實的質量保障與效能提升框架。

一、 體系構建的背景與核心理念

傳統的軟件工程能力成熟度模型，如CMMI，主要針對確定性邏輯的軟件開發。人工智能應用軟件，特別是涉及機器學習、深度學習模型的部分，具有高度的不確定性、數據依賴性、實驗迭代性以及“模型即軟件”的獨特屬性。這要求工程管理方法必須進行適應性演進。

深蘭科技的能力成熟度體系正是基于這一洞察而設計。其核心理念是 “雙輪驅動，一體融合”：

1. 數據與模型工程輪：涵蓋數據治理、特征工程、模型開發、訓練、評估、部署與持續學習的標準化流程與質量門禁。
2. 傳統軟件工程輪：繼承并優化需求分析、系統設計、代碼開發、測試驗證、部署運維等經典工程實踐。
3. 一體化融合管理：通過明確的流程、角色、工件和評價指標，將兩個“輪子”無縫銜接，確保AI模型與承載它的軟件系統作為一個有機整體被開發、交付與維護。

二、 成熟度等級與關鍵過程域

該體系定義了從初始級到優化級的多級成熟度階梯，每一級都對應著組織在AI軟件開發關鍵過程域上應達到的能力水平。

• 初始級 (Ad-hoc)：過程不可預測，依賴個人英雄主義。
• 已管理級 (Managed)：在項目層面，能對核心的AI開發與軟件工程過程進行規劃、跟蹤和執行，確保項目可控。關鍵過程域包括：項目規劃與管理、需求管理（含數據需求與功能需求）、數據準備與驗證、模型基礎開發與測試。
• 已定義級 (Defined)：建立組織級標準過程集（OSSP），并將AI與軟件工程最佳實踐制度化。關鍵過程域擴展至：組織過程焦點、組織過程定義、組織培訓、集成化AI軟件開發（強調數據、模型、代碼的協同）、同行評審、模型安全與倫理評估。
• 量化管理級 (Quantitatively Managed)：對組織過程與項目績效建立量化目標，并運用統計方法進行管理。關鍵過程域包括：量化過程管理、組織績效管理、模型性能與系統質量的量化度量與分析。
• 優化級 (Optimizing)：聚焦于持續的過程改進與技術革新。關鍵過程域涵蓋：組織創新與部署、因果分析與解決方案、過程持續優化、自動化MLOps/DevOps管道的成熟運營。

三、 對人工智能應用軟件開發的具體支撐

該體系并非空中樓閣，而是深度融入具體開發實踐：

1. 需求工程方面：要求明確區分功能性需求、非功能性需求以及獨特的“AI性能需求”（如模型精度、召回率、延遲、數據漂移容忍度等），并將其作為統一的需求基線進行管理。
2. 開發與測試方面：

• 模型開發：規范實驗管理（Experiment Tracking），確保模型訓練的可復現性；引入模型版本控制，并與代碼版本關聯。

• 集成測試：建立涵蓋數據流水線、模型服務、傳統業務邏輯的端到端集成測試框架。

• 專項測試：強化模型魯棒性測試、公平性測試、對抗性樣本測試等AI特有測試類型。

1. 部署與運維 (MLOps) 方面：將模型部署、監控、回滾、持續學習等流程標準化。體系要求建立模型性能監控儀表盤，實時追蹤預測質量、數據分布變化，并定義明確的觸發再訓練或告警的閾值。
2. 質量與風險管理方面：將AI倫理、安全、隱私保護（如差分隱私、聯邦學習合規）作為質量門禁的一部分。在項目各評審點，系統性地識別和評估AI特有風險。

四、 評價體系與持續改進

深蘭科技不僅建立了管理體系，還配套了客觀的評價機制。評價通過多維度進行：

• 過程符合度審計：檢查項目活動是否遵循定義的過程。
• 工件質量評審：評估需求文檔、設計文檔、代碼、模型卡片、測試報告等產物的質量。
• 績效度量分析：收集和分析諸如需求穩定性、模型構建周期時間、部署成功率、線上事故率、模型性能衰減率等關鍵度量指標。
• 能力成熟度評級：綜合以上信息，對組織或項目團隊進行成熟度等級評定，并出具詳細的評估報告與改進建議。

評價的目的并非評級本身，而是為了驅動 “評估-改進-再評估” 的閉環。評價結果直接輸入到組織的改進待辦列表，指導資源投入和過程優化方向，形成持續提升工程能力的飛輪效應。

###

深蘭科技的人工智能軟件工程能力成熟度管理與評價體系，是應對AI工業化浪潮的前瞻性布局。它將AI的探索性與軟件工程的嚴謹性相結合，為開發可靠、可信、可擴展的人工智能應用軟件提供了方法論基礎和實踐指南。這套體系的推廣與深化，不僅將提升深蘭自身產品的交付質量與效率，也為整個行業邁向規范化、高成熟度的AI軟件開發提供了寶貴的“深蘭范式”與“深蘭經驗”，助力人工智能技術更穩健、更負責任地賦能千行百業。