制造业AI训练师入门实战任务清单（可直接落地）
一、基础任务：制造业数据处理能力（第 1-3 周，夯实核心底座）
任务 1：设备故障文本标注实战（适配预测性维护场景）
目标：掌握制造业专业数据的 “意图分类 + 实体提取” 标注技能，符合工业语料专业性要求
具体素材：100 条制造业设备故障咨询文本（示例如下）
“数控机床 X 轴异响，负载电流偏高，连续运行 30 分钟后报警”
“注塑机温控系统失灵，料筒温度波动 ±5℃，无法稳定生产 PP 材质产品”
“机械臂抓取精度偏差 2mm，检查过夹具无松动，是否需要校准参数？”
“传送带电机启动失败，控制面板显示 Error 203，排查过电源正常”
- 操作步骤：
- 安装 LabelStudio，创建 “文本分类 + 实体标注” 项目，设置标签体系：
意图标签：机械故障、电气故障、操作问题、参数校准、材质适配
实体标签：设备类型（如数控机床、注塑机）、故障部位（如 X 轴、温控系统）、故障现象（如异响、温度波动）、关键参数（如 ±5℃、2mm）、错误代码（如 Error 203）
逐句标注 100 条文本，遵循 “工业语料可解释性原则”，确保实体描述清晰（如注明 “PP 材质” 为产品原料，避免歧义）
用 Excel 统计各意图标签分布（需均衡，单一标签占比不超过 40%），筛选重复 / 标注模糊数据（如未明确设备类型的文本）重新修正
- 量化评估标准：
标注准确率≥95%（无标签错标、实体遗漏）
实体完整性≥90%（关键设备 / 故障信息无缺失）
数据均衡性：各意图标签占比差异≤30%（参考工业语料均衡性指标）
任务 2：制造业混合数据清洗实战（适配多源数据训练场景）
目标：学会处理制造业 “文本 + 传感器数据” 混合数据集，剔除无效信息并保障安全合规
具体素材：包含 80 条有效数据 + 30 条无效数据的混合集（含 2 类数据）
文本类：设备故障描述、操作咨询（含 5 条涉及 “危化品工艺参数” 的敏感数据）
传感器数据：温度（℃）、振动频率（Hz）、运行时长（h）时序数据（含 10 条异常值，如温度 =-10℃、振动频率为 0）
- 操作步骤：
- 用 Excel 打开数据，建立制造业数据清洗规则：
无效数据判定：传感器异常值（超出设备正常运行范围）、无意义文本（如乱码 “qwe123”）、重复刷屏内容
敏感数据判定：涉及设备核心参数、危化品工艺的文本（参考工业数据安全合规要求）
- 分步处理：
文本数据：删除无效文本，对敏感数据进行脱敏（如将 “XX 型号反应釜压力阈值 1.2MPa” 改为 “某型号反应釜压力阈值≥1.0MPa”）
传感器数据：用 “滑动均值法” 替换异常值，补充缺失数据（如用前后 3 条数据均值填充）
- 输出清洗报告，注明删除 / 修正原因（如 “温度 - 10℃超出设备正常工作范围（0-80℃），判定为无效数据”）
- 量化评估标准：
有效数据保留率 100%，无效数据剔除率 100%
敏感数据脱敏率 100%（无核心参数泄露）
传感器数据修正后准确率≥98%（与设备正常运行范围匹配）
二、核心任务：制造业 Prompt 设计与错误修正（第 4-8 周，突破关键技能）
任务 3：专业场景 Prompt 设计（适配设备操作 / 工艺解读场景）
目标：掌握 “行业专业术语 + 约束条件” 的 Prompt 编写逻辑，让 AI 输出符合制造业规范的结果
需求：让 AI 生成 “注塑机开机前安全检查指南”（适配车间操作工使用场景）
操作步骤：
- 编写 3 个不同版本的 Prompt，融入制造业场景约束：
版本 1（基础版）：“写注塑机开机前安全检查指南”
版本 2（加专业约束）：“写注塑机开机前安全检查指南，包含电源、温控系统、模具、安全门 4 个核心模块，使用工业操作规范术语”
版本 3（加场景适配）：“为车间操作工写注塑机开机前安全检查指南，分步骤说明，每条步骤不超过 20 字，突出‘断电检查’‘模具锁紧’关键要求，符合 GB/T 36344-2018 工业安全标准”
用同一 AI 工具（如通义千问）生成回复，对比 3 个版本的差异（重点看专业度、可操作性、合规性）
选出最优版本，总结 “专业术语 + 场景约束 + 合规要求” 对制造业 Prompt 的重要性
- 量化评估标准：
- 最优 Prompt 生成的回复需满足：核心模块全覆盖（4 个模块无遗漏）、操作步骤≥8 条、专业术语准确率 100%（无外行表述）、符合工业安全标准
任务 4：制造业 AI 错误回复修正（适配工业客服场景）
目标：学会定位制造业 AI 常见错误（如故障误判、参数错误），通过 Prompt 优化修正
具体素材：AI 错误回复案例（需求与错误点明确）
用户需求：“我司的立式加工中心（型号 VMC850）出现主轴转速不稳，负载电流波动，该怎么排查？”
AI 错误回复：“建议检查电源电压是否稳定，清理设备表面灰尘，若仍未解决可联系售后。主轴转速不稳一般是电机老化导致，建议更换电机。”
错误点：①未结合设备型号（VMC850 主轴结构特性）；②排查步骤缺失专业流程（如未提及 “主轴轴承检查”“变频器参数校准”）；③误判故障原因（负载电流波动更可能是变频器问题，非电机老化）
- 操作步骤：
按制造业错误类型分类：“设备型号适配偏差 + 专业流程缺失 + 故障原因误判”
优化 Prompt，补充核心约束：“针对立式加工中心（型号 VMC850）的主轴转速不稳、负载电流波动问题，按‘断电检查→机械部件→电气系统→参数校准’的工业排查流程，列出 5 个关键步骤，每个步骤说明具体检查部位和判断标准，基于该型号设备的结构特性给出建议，避免笼统表述”
验证优化效果：若 AI 回复仍未提及 “变频器参数”“主轴轴承间隙” 等专业点，补充约束 “需包含变频器、主轴轴承的检查内容”
- 量化评估标准：
- 优化后 AI 回复：设备型号适配准确率 100%、排查流程符合工业规范、故障原因分析贴合实际（无明显误判）、关键检查点≥5 个
三、实战任务：制造业业务场景全流程训练（第 9-12 周，落地实战能力）
任务 5：AI 回复错误分类（适配制造业多场景）
目标：掌握制造业 AI 常见错误类型，能精准定位并给出修正方向
具体素材：20 条制造业 AI 回复（含 5 类典型错误，每条标注用户需求）
| 用户需求（示例） | AI 错误回复（示例） | 错误类型 |
|---|---|---|
| “反应釜温度异常升高，如何紧急处理？” | “请提供设备编号，建议降低进料速度。” | 情感缺失 + 应急流程缺失 |
| “查询 XX 型号机器人的负载额定值” | “该机器人负载额定值为 50kg，适用于所有工业场景。” | 参数错误 + 场景适配偏差 |
| “生产计划延迟，如何调整调度方案？” | “建议延长生产时间，增加工人排班。” | 未结合智能调度逻辑（无资源优化） |
- 操作步骤：
- 逐句分析 20 条回复，按以下制造业专属错误类型标注：
信息错误（参数 / 工艺 / 故障原因错误）
意图未识别（未理解用户核心需求，如应急处理需求）
专业流程缺失（未遵循工业操作 / 排查流程）
场景适配偏差（未结合设备型号 / 生产场景）
安全合规风险（泄露敏感参数 / 违规操作建议）
为每类错误写 1 条制造业专属修正思路（如 “信息错误→补充该设备型号的官方参数手册到训练数据，强化参数准确性校验”）
统计各类错误占比，输出《制造业 AI 错误分类报告》
- 量化评估标准：
错误类型判定准确率 100%（与行业标准一致）
修正思路可操作性≥90%（能直接落地到训练数据优化）
任务 6：小型业务场景训练（适配预测性维护 / 生产调度场景，二选一）
选项 A：预测性维护咨询场景
业务需求：让 AI 适配 “电机预测性维护咨询” 场景，能解答工人关于 “故障预警解读、处理步骤、维护周期” 的咨询
操作步骤：
- 整理 10 条核心业务规则（制造业真实场景）：
规则 1：电机振动频率＞6.5Hz 且持续 5 分钟→一级预警（需 24 小时内检修）
规则 2：轴承温度＞75℃→二级预警（需停机检查润滑情况）
规则 3：维护周期：连续运行≤3000h→常规维护；3000-5000h→深度维护
- 设计 8 个典型用户咨询（覆盖不同预警类型）：
- 示例：“电机振动频率 7.2Hz，持续 6 分钟，属于什么预警？该怎么处理？”
编写 Prompt 模板，引导 AI 按 “预警等级→处理步骤→维护建议” 的结构回复，要求语言贴合工人理解水平（避免复杂术语）
测试 AI 回复，评估 “信息准确率”“步骤完整性”，对不符合要求的回复优化 Prompt（如补充 “处理步骤需分点，每步不超过 15 字”）
- 量化评估标准：
信息准确率 100%（预警等级、维护周期无错误）
处理步骤完整性≥90%（核心操作无遗漏）
语言贴合度：工人能快速理解（无专业术语堆砌）
选项 B：生产调度咨询场景
业务需求：让 AI 适配 “车间生产调度咨询” 场景，能解答计划员关于 “排程调整、资源分配、交付周期” 的咨询
操作步骤：
- 整理 8 条核心业务规则（参考联想 Smart APS 解决方案逻辑）：
规则 1：紧急订单（交付周期≤3 天）优先占用 A 生产线（产能最高）
规则 2：原料库存＜20%→排程时需预留 48 小时采购时间
规则 3：设备维护时间为每周三 14:00-18:00→该时段不安排高负载生产
- 设计 6 个典型用户咨询：
- 示例：“有一个紧急订单（交付周期 2 天），原料库存 15%，该怎么安排排程？”
编写 Prompt，引导 AI 按 “排程优先级→资源分配方案→交付周期预估” 回复，要求符合制造业生产逻辑
测试并优化 Prompt，确保 AI 回复无排程冲突（如不与设备维护时间冲突）
- 量化评估标准：
排程逻辑准确率 100%（无违反业务规则）
资源分配合理性≥95%（符合产能匹配要求）
交付周期预估偏差≤10%（与实际产能匹配）