AI识别任务管理与模型配置

背景

项目不只有识别结果展示，还专门补了 AI 任务监控和模型配置一致性控制，用来解决任务状态不可见、模型标签不一致、资源浪费和结果口径不统一的问题。

已确认结论

• AI 识别任务管理已经作为独立能力设计和上线，用于查看运行中任务状态、超时、统计和历史记录。
• 项目存在模型配置与数据集标签不一致的风险，因此单独沉淀了配置一致性说明。
• 外网 NPU 实时识别、内网 GPU 离线识别和高点视频识别属于不同执行环境，模型配置不能简单复用。
• 内外网模型元数据同步是整体能力的一部分，模型表已扩展 deploy_env、hardware_type、sync_status 等字段。

任务管理要点

• 任务监控页面包含顶部统计卡片、任务列表、筛选搜索、超时规则和详情侧滑面板。
• ai_task 表是任务管理的核心数据表，至少要能承载任务状态、来源、创建时间、完成时间和异常信息。
• 任务关闭机制需要区分人工关闭和可选的超时自动关闭，避免长时间占用 GPU/NPU 资源。
• 历史任务记录不能和当前运行任务混在一起，运维和业务查看诉求不同。

模型配置要点

• 数据集重组后必须重新核对标签名称和顺序，避免模型输出类别和业务字典错位。
• 模型版本启用前，需要同时核对识别目标、部署环境和调用端配置。
• 识别完成后应抽查结果类别与业务预期是否一致，防止“模型可跑但标签错映射”。
• 外网 NPU 与内网 GPU 的模型纳管最终目标是统一，但当前仍要承认环境差异。

复用建议

• 把“任务管理”和“模型配置一致性”视为 AI 工程能力的一部分，而不是单纯的页面功能。
• 对任何新场景复制时，优先准备三套表述： 任务状态口径、模型标签口径、环境部署口径。
• 如果项目要对外宣传，先确认是“平台总体能力”还是“项目已落地能力”，避免过度承诺。

待确认

• ai_task 表最终线上字段和设计文档是否完全一致。
• 高点视频 AI 识别后续是否接入同一任务管理体系。
• 模型中心改造完成后，是否统一由单一模型目录管理内外网模型。

参考来源