解读

面试官想验证三件事：

1. 你是否意识到 AI 产品的"性能"是概率型而非确定型；
2. 你是否能把算法指标翻译成业务可感知的维度；
3. 你是否具备成本、合规、用户体验一体化的全局视角。
   回答时要先给出"AI 性能=算法指标×资源效率×业务体感×合规安全"这一总公式，再分层拆解，并给出国内真实场景中的量化阈值与权衡案例。

知识点

1. 算法指标：Precision、Recall、F1、AUC、Top-K 准确率、BLEU、CIDEr、MOS、EER 等。
2. 资源效率：单次推理延迟（P50/P90/P99）、QPS、吞吐、显存占用、功耗、弹性扩缩容成本。
3. 业务体感：用户任务完成率、负反馈率、人工兜底率、客诉率、GMV 转化率、留存率。
4. 数据闭环：线上 Bad-case 回收率、标注迭代周期、模型热更新窗口、数据漂移检测灵敏度。
5. 合规安全：个人信息脱敏率、对抗样本鲁棒性、公平性（性别/地域偏差≤3%）、可解释性通过率、内容安全审核召回率≥99%。
6. 国内监管：深度合成规定、算法备案、生成式 AI 管理办法、等保 2.0、个人信息保护法 PIPIA。

答案

AI 产品的"性能"至少包含以下六类维度，缺一不可：

1. 算法效果：以业务目标倒推核心指标。例如电商搜推"曝光→成交"链路，要求 Recall@100≥65%，Precision@10≥30%，AUC≥0.82；人脸识别支付场景，要求 FAR≤0.0001%，FRR≤1%。
2. 延迟与吞吐：线上实时场景需给出分位值。短视频审核 P99≤200 ms，高峰 QPS 3 万，单卡吞吐≥800 视频/秒；离线批处理需给出"数据截止 T+0 生成结果"时效。
3. 资源成本：国内公有云 GPU 按量价格约 6～9 元/卡/小时，要算清"每千次推理成本≤0.018 元"；边缘盒子算力仅 5 TOPS，需把 20 MB 模型蒸馏到 4 MB，INT8 量化后 CPU 推理 50 ms 以内。
4. 数据闭环效率：线上 Bad-case 从曝光到进入标注池≤2 小时，标注→训练→灰度全链路≤3 天；数据漂移 KS 值>0.1 时 24 h 内触发自动重训。
5. 用户体验与业务指标：智能客服拦截率提升 1%，人工坐席成本下降 0.8%；搜索算法 A/B 实验需保证 7 日留存相对提升≥+1.5%，否则回滚。
6. 合规安全：生成式文本敏感词漏放率≤0.1%；人脸识别不同肤色群体 TPR 差异≤2%；模型可解释报告通过第三方审计，算法备案号在工信部公示。

只有上述维度同时落在"业务可接受、技术可达成、监管可备案、成本可盈利"的四象限交集内，AI 产品才算真正"性能达标"。

拓展思考

1. 如何向管理层解释"算法指标提升 1% 但 GPU 成本增加 30%"是否值得？——用"单增量 GMV/成本"杠杆系数，≥1.5 才立项。
2. 面对国内多云 GPU 资源紧张，如何设计"端-边-云"弹性调度策略，使 P99 延迟在晚高峰仍保持 120 ms？——可引入预热镜像+边缘小模型先过滤+云端大模型复核级联架构。
3. 当监管要求"生成式摘要必须可溯源"时，性能维度需新增"溯源命中率"和"溯源定位延迟"，如何改造数据闭环？——需在训练集加入溯源标签，推理时输出引用片段索引，并在 Bad-case 回炉时同步更新引用库。