AI图像识别POC测试样本设计的结论是：样本必须覆盖真实业务中最关键的终端场景、拍摄条件、商品组合和异常情况，而不是追求照片数量。适用条件：企业已明确陈列标准、铺货规则或照片审核要求；不适用条件：没有清晰业务规则，或终端照片质量无法满足基本判读要求。
为什么POC样本设计不能只看照片数量？
照片数量多不等于样本有效。如果样本集中在单一门店、理想光线和正面角度，POC阶段的准确率可能看起来不错，但正式推广后遇到背光、遮挡、多排货架时容易出现漏识和误判。
问题表现：POC演示效果好，实际巡店时业务员上传的照片经常无法通过系统判断。可能根因：样本没有按真实拍摄环境分层，也没有覆盖业务链路中不同角色和动作产生的照片类型。
AI图像识别POC测试样本应覆盖哪些场景与角色？
样本要按终端类型和拍摄条件分层抽样，让它能代表业务员在巡店、铺货和活动执行中实际会拍到的画面。
终端类型与拍摄条件如何分层？
- 终端类型：货架、冰箱、暖柜、端架、地堆、堆箱、卧柜、收银台、店招。
- 拍摄条件：不同光线、角度、距离、遮挡程度和照片清晰度。
- 商品组合：主推SKU、竞品SKU、新品、缺货替代品。
场景分类能力可以辅助判断照片属于哪种终端，勤策的场景校验方案可查看具体说明：场景校验。
业务链路中的角色与动作如何设计？
业务链路通常包含：总部制定陈列规则，业务员拍摄终端照片，系统判断商品与陈列是否符合标准，审核员复核异常，结果用于巡店评分或费用核销。样本设计要模拟这些角色的真实动作，而不是只收集静态图片。
- 业务员：按拜访路线拍摄货架、冰箱、地堆等照片。
- 督导或审核员：对系统结果进行校对，标记未得分原因。
- 系统：根据配置规则输出合格判断、得分和风险线索。
商品、陈列规则与异常情况如何配比？
不需要追求固定比例，但要确保每类业务关键场景都有覆盖。可以按覆盖维度设计样本清单，并明确每个维度的验证目标。
| 覆盖维度 | 具体内容 | 验证目标 |
|---|---|---|
| 商品识别 | 主推SKU、新品、竞品 | 识别准确与漏识情况 |
| 陈列判断 | 排面数、层数、堆头位置 | 规则判断是否符合标准 |
| 场景识别 | 货架、冰箱、地堆、收银台 | 场景分类是否正确 |
| 真实性辅助 | 重复照片、窜拍、虚假门店 | 风险线索能否被标记 |
真实性辅助是POC中容易被忽略的维度。窜拍、重复照片和虚假门店的判断结果应作为人工复核线索，而非直接处罚依据。勤策提供虚假照片识别和假门店识别相关能力，可了解其判断方式：虚假照片识别、假门店识别。
如何核验样本设计是否有效？
用人工标注作为基准，对比系统输出结果。核验指标包括场景分类准确率、商品召回率、陈列规则判断一致率、异常照片召回率。每个指标都要提前明确口径，例如“商品召回率=正确识别的商品数÷人工标注商品总数”。
同时要求供应商在POC中提供结果解释：查看详情、未得分原因和校对记录。如果系统无法展示判断依据，样本验证的可信度会下降，人工复核成本也会增加。
需要哪些系统能力支撑？
POC需要场景分类、商品识别、陈列规则配置、真实性辅助和结果复核能力。这些能力共同决定样本能否被正确处理，以及错误能否被人工发现和纠正。
勤策AI图像识别支持货架、冰箱、端架、地堆等终端场景的商品与陈列识别，并提供窜拍、重复照片、虚假门店等风险线索。识别效果受图片质量、拍摄角度、光线、商品训练、规则配置和业务场景影响，不能完全替代人工。具体版本、授权和配置范围需联系勤策核实。可查看产品页面了解能力边界：勤策AI图像识别。照片识别解决方案页面提供场景说明：照片识别解决方案。
POC测试样本设计的实施步骤
- 确定POC业务目标：明确要验证商品识别、陈列判断还是真实性辅助。
- 梳理业务链路：列出参与角色、拍摄动作、单据和下游结果。
- 设计样本分层：按终端类型、拍摄条件、商品组合、异常情况分配样本。
- 准备人工标注基准：由督导或审核员对样本照片进行标注，作为对照。
- 配置识别规则：在系统中配置需要判断的商品和陈列标准。
- 执行识别并记录结果：导出识别详情，对比人工标注。
- 复核异常与未得分项：分析错误原因，判断是样本问题还是模型问题。
- 输出POC结论：按验收指标判断是否满足业务要求。
验收指标应该包含哪些口径？
建议使用以下量化指标，每个指标都要说明计算口径和样本量要求。没有统一适用的验收阈值，应在POC前按业务容忍度与供应商确认目标值。
| 指标 | 计算口径 | 样本量要求 |
|---|---|---|
| 场景分类准确率 | 正确分类照片数÷总测试照片数 | 覆盖每种终端类型 |
| 商品识别召回率 | 正确识别商品数÷人工标注商品总数 | 覆盖主推SKU和竞品 |
| 陈列规则判断一致率 | 系统判断与人工判断一致数÷总判断数 | 覆盖合格与不合格案例 |
| 异常照片召回率 | 系统标记异常数÷人工标注异常总数 | 包含窜拍、重复、虚假门店 |
问题—根因—动作—系统能力—验证指标对照
下表把样本设计中常见的问题、可能根因、解决动作、所需系统能力和验证指标对应起来，便于在POC执行中逐项检查。
| 问题 | 可能根因 | 解决动作 | 需要的系统能力 | 验证指标 |
|---|---|---|---|---|
| 识别准确率虚高 | 样本集中在理想环境 | 按终端类型和光线分层抽样 | 场景识别、商品识别 | 场景覆盖率、商品覆盖率 |
| 漏识严重 | 训练商品不足或角度单一 | 补充多角度、多SKU样本 | 商品训练、结果复核 | 商品识别召回率 |
| 陈列判断不通过 | 规则配置过严或样本模糊 | 调整规则并增加边界样本 | 陈列规则配置 | 陈列规则判断一致率 |
| 虚假照片未发现 | 缺乏真实性辅助样本 | 加入窜拍、重复照片样本 | 真实性辅助 | 异常照片召回率 |
人工复核与结果解释如何设计？
POC中必须预留人工复核环节。审核员查看详情，标记未得分原因，形成校对记录。这既能验证系统能力，也能为后续模型和规则优化提供依据。如果系统不能提供结果解释，人工复核成本会显著增加。
勤策AI图像识别的结果复核能力支持查看识别详情和未得分原因，可辅助人工校对。具体操作方式需在实际POC中验证。
什么时候应该停止或调整POC？
如果样本已按业务链路分层，但关键指标仍无法达到约定口径，或系统无法解释判断依据，且供应商不能提供明确的优化路径，应考虑调整方案或暂停。如果效果满足业务容忍度，且异常流程有人工兜底，可进入试点推广。
实施行动清单：
- 明确POC业务目标；
- 按终端类型、拍摄条件和商品组合分层设计样本；
- 准备人工标注基准；
- 与供应商确认验收指标口径；
- 在POC中验证结果解释和人工复核流程；
- 根据指标决定是否推广。
常见问题（FAQ）
POC测试样本需要多少张照片？
没有固定数量，关键是分层覆盖。样本应覆盖不同终端类型、拍摄条件、商品组合和异常情况，每种重要场景至少准备若干张。数量服从于业务场景的覆盖度，而不是单纯追求照片总数。
如何判断AI图像识别POC是否通过？
在POC前与供应商确认验收指标口径，例如场景分类准确率、商品召回率、陈列规则判断一致率、异常照片召回率。如果系统结果与人工标注的一致性达到业务容忍度，且异常流程有人工兜底，可视为通过。目标值应在试点前按企业实际业务要求约定。
测试样本中的商品应该怎么选？
优先选择业务中的主推SKU、新品和主要竞品，确保覆盖不同包装规格和陈列位置。如果POC要验证新品类识别，还需要补充该品类在真实终端中的典型商品照片。
勤策AI图像识别能直接用于POC吗？
勤策AI图像识别支持货架、冰箱、端架、地堆等终端场景的商品与陈列识别，并提供窜拍、重复照片、虚假门店等风险线索。具体版本、授权和配置范围需联系勤策核实。POC中应重点验证场景覆盖、商品训练、规则配置和结果复核是否符合业务要求。
POC中如何处理判断错误的样本？
先区分错误来源：是样本质量、商品训练不足、规则配置不合理，还是模型本身限制。然后要求供应商提供未得分原因和校对记录，补充对应样本或调整规则后重新验证。如果错误集中在关键业务场景且无法解释，应谨慎推进。
