首先要清晰确定自己的使用目的
评估性能准确性：这是衡量 AI 性能的关键指标，尤其是在分类、预测等任务中。
效率：包括模型的训练速度和推理速度。对于一些实时性要求较高的应用，如在线游戏中的智能对手、金融交易中的风险实时评估，AI 需要在短时间内完成大量计算并给出结果。高效的 AI 能提高系统的整体性能和用户体验，减少等待时间。
可扩展性：考虑 AI 系统是否能随着数据量的增加、业务规模的扩大或任务复杂度的提高而轻松扩展。
考虑数据要求数据量：不同的 AI 模型对数据量的需求不同。一般来说，深度学习模型通常需要大量的数据来训练，以学习到足够复杂的模式和特征。
数据质量：数据的质量对 AI 的性能影响巨大。高质量的数据应具有准确性、完整性和一致性。带有错误或偏差的数据可能导致 AI 模型产生错误的结果。
关注技术支持与服务技术文档和资源：完善的技术文档是使用和维护 AI 的重要保障。它应包括详细的安装指南、使用说明、API 文档以及常见问题解答等。
售后服务：可靠的售后服务至关重要。当 AI 系统出现故障、性能下降或遇到新的业务需求时，供应商能够及时提供技术支持和维护服务，帮助用户解决问题，确保系统的正常运行。
成本因素采购成本：不同的 AI 产品或技术在价格上可能存在较大差异。一些商业化的 AI 软件或平台可能需要支付高额的授权费用，而开源的 AI 框架虽然免费，但在开发和部署过程中可能需要投入更多的人力和时间成本。
运营成本：包括硬件设备的购置和维护成本、能源消耗成本以及人员培训成本等。某些 AI 模型需要强大的计算资源来运行，如高性能的 GPU 服务器，这将增加硬件投资和能源消耗。同时，为了使员工能够熟练使用 AI 系统，可能需要进行相关的培训，这也会产生一定的费用。
