LandingAI 的开源与私有化路线
面向工业视觉检测的 AI 平台——这是 LandingAI 最主要的用途，也是本文讨论的前提。
当数据不能离开公司或个人设备时，就需要考虑自托管或开源路线。
先判断：它能不能自托管
它本身是云端服务；如果数据不能出域，可以考虑可自托管的开源方案做部分替代，代价是部署与维护要自己负责。
决策要点
- 数据敏感级别：只有内部公开信息时，云端服务通常更省事。
- 团队是否有人负责运维和安全更新。
- 硬件投入：本地运行模型需要显卡或较大的内存。
- 效果差距：用自己的任务实测，不要只看榜单。
可以评估的开源方向包括：Mistral 开源模型、Ultralytics YOLO、MLC LLM。它们与 LandingAI 的能力并不完全等同，适合用来承接对数据要求最高的那部分任务。
用同一个任务做对比
数据集划分与评估
准备材料：已经标注好的数据集。
把数据集按训练、验证、测试划分，说明划分原则（避免同一来源同时出现在训练和测试中），并列出评估时要看的指标和每类样本数量。
检查点：测试集与训练集没有泄漏。
自托管上线清单
- 固定版本号并记录配置。
- 只在内网暴露服务或加上认证。
- 设置日志与资源监控。
- 订阅仓库的版本发布与安全公告。
- 准备回滚方案。
补充练习
上线前现场测试
适用情况：手头有训练好的检测模型和现场环境时。
设计一份现场测试方案：不同光照、角度、遮挡条件各采集一批样本，记录漏检和误检，低于预设标准时不上线。
验收标准：覆盖了不同现场条件。
标注规范制定
输入：一批待标注的图片样例。
根据这些样例写一份标注规范：每个类别的定义、正反例描述、边界情况怎么处理，以及标注员之间不一致时的裁决规则。
验收标准：边界情况有明确规则。
常见问题：从业者担心责任问题
明确 AI 只做草稿与检索，签字与判断由专业人员负责。
常见问题：数据合规审批卡住
提前准备数据流向说明、供应商资质和合同条款。
常见问题：输出引用了不存在的条款或文献
只接受能追溯到原文的引用，逐条核对。
概念补充：环境感知文书
在征得同意后记录对话并自动生成专业记录。
概念补充：数据驻留
数据存储在指定地区，满足行业或地区监管要求。
适合人群：小店老板
小店老板可以用 LandingAI 处理门店宣传物料、顾客评价回复等工作。需要注意：价格和活动信息以实际为准，顾客电话等信息不要随意上传。
适合人群：软件工程师
软件工程师可以用 LandingAI 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
适合人群：咨询顾问
咨询顾问可以用 LandingAI 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
注意事项
文中提示词和示例仅作示意，实际效果取决于你的材料和 LandingAI 当前版本，重要内容请人工核对后再使用。
涉及个人信息、商业机密或受监管数据时，先确认 LandingAI 的数据处理条款，再决定能否使用。