Module 2 • Bài 14• 50 phút
Ước lượng chi phí và nỗ lực phi tuyến tính cho tính năng AI
Nhận diện thành phần nỗ lực phi tuyến tính, phân rã 3 nhóm nỗ lực (Code, Data Prep, Eval Loops) và dự toán chi phí Token OpEx khi quy mô mở rộng.
Nhận diện thành phần phi tuyến tính trong chu trình phát triển AI
Phân rã 3 nhóm nỗ lực: Phần mềm tuyến tính, Chuẩn bị dữ liệu, Vòng lặp Eval
Chuyển đổi cam kết mốc thời gian thành Ngân sách Vòng lặp Tối đa (Max Iteration Budget)
Ước lượng chi phí và nỗ lực phi tuyến tính cho tính năng AI
Sau khi chọn được phương án triển khai ở bài 9, PM cần đưa ra các con số dự toán nỗ lực (Effort) và chi phí (Cost) thực tế. Điểm khác biệt lớn nhất giữa phát triển phần mềm truyền thống và sản phẩm AI là: Effort của phần mềm truyền thống là hàm tuyến tính theo phạm vi (Scope), trong khi effort của AI chứa đựng thành phần phi tuyến tính rất khó đoán trước.
Ví dụ xuyên suốt bài: Ứng dụng FinTrack Expense phát triển tính năng: "AI tự động đọc ảnh chụp hoá đơn viết tay và phân loại chi phí vào các danh mục kế toán thuế".
TIẾP CẬN CŨ / LỖI THỜI
Ước lượng Phần mềm Cũ (Tuyến tính)
Thêm màn hình = Thêm Story Points; dự đoán chính xác mốc bàn giao
CHUẨN AI PM / HIỆN ĐẠI
Ước lượng Chuẩn AI PM (Phi tuyến tính)
Code API chỉ 2 ngày + Vòng lặp Eval 4 tuần; cam kết bằng Max Iteration Budget
TỔNG KẾT MODULE 2: FEASIBILITY SCORECARDThẩm Định Toàn Diện 5 Trục Cơ Hội AI Cho FinTrack
Tổng kết Module 2: Thẩm định toàn diện cơ hội AI cho FinTrack Logistics
1. Bóc Tách & Gán Nhãn Hoá ĐơnTrích xuất & Phân loại (Extraction)
SHIP TO PROD (PHÁT HÀNH NGAY)
DATA READINESS95% (2M records)
FAILURE STAKESThấp (Tolerant)
GROSS MARGIN88%
OVERALL READINESS94/100
CHỈ ĐẠO THỰC THI CHO PM:
Triển khai toàn diện 100% người dùng, tối ưu độ trễ với Fast SLM.