B.6 Управление ИИ-продуктом (AI PDLC): Как организовать команду и процесс

Здесь мы говорим о том, как людям работать вместе в условиях хаоса. Кто за что отвечает, какие чек-листы использовать перед переходом на новый этап, и как принимать решения, когда нет 100% точности.

Почему обычный PDLC не работает для ИИ

В классической разработке (SDLC) всё просто: собрали требования → написали код → протестировали → задеплоили. Если код работает - он работает всегда.

В ИИ-проектах так не работает. Почему?

Коротко: Классический PDLC управляет кодом. AI PDLC управляет данными, моделями и неопределённостью.

Что такое AI PDLC

AI PDLC (Artificial Intelligence Product Development Life Cycle) - жизненный цикл разработки ИИ-продуктов. Это методология, которая учитывает:

· Итеративность (эксперимент → оценка → дообучение → эксперимент)

· Вероятностный характер моделей (нет 100% правильных ответов)

· Управление данными (чистка, разметка, версионирование)

· Дрейф моделей во времени

Главное отличие от классического PDLC

вместо «написали - задеплоили - забыли» вы получаете цикл «обучили - оценили - развернули - мониторили - переобучили».

Основные этапы AI PDLC (таблица)

Роли в AI PDLC: кто за что отвечает

В классической IT-команде всё просто: продакт ставит задачи, разработчик пишет код, тестировщик проверяет. В ИИ-проекте ролей больше, зоны ответственности пересекаются, а главное - появляются люди, которых в обычной разработке нет.

Таблица ролей (кто есть в AI - проекте)

Кого часто не хватает (и зря)

Как это соотносится с этапами AI PDLC

Важное про размер команды

L0-проект (только промпт + RAG): хватит AI PM + ML Engineer (или даже одного продакта с руками).

L1-проект (fine-tuning): нужны AI PM, ML Engineer, Data Engineer, Labeler (хотя бы на полставки), QA.

L2-проект (pre-training с нуля): это уже не проект, это предприятие. Команда из десятков человек.

Правило: Не пытайтесь заменить роли «энтузиазмом». Отсутствие Labeler или Domain Expert на L1+ - гарантированный способ получить модель, которая умна, но бесполезна.

Схема AI PDLC

Чек-лист: готов ли ваш проект к переходу на следующий этап

Этап 1→2 (данные):

· Бизнес-метрики определены и согласованы?

· Известна цена ошибки (false positive/negative)?

Этап 2→3 (выбор подхода):

· Есть размеченный датасет (хотя бы 100–200 примеров для L0, 500+ для L1)?

· Оценён бюджет (токены API + GPU + инженеры)?

Этап 3→4 (оценка):

· Выбран baseline (простая модель или эвристика)?

· Определены метрики качества (не только accuracy, но и галлюцинации, латенси)?

Этап 4→5 (развёртывание):

· Модель показала на тестовом наборе результат выше порогового значения?

· Пройдена nightmare library (безопасность)?

Этап 5→6 (мониторинг):

· Есть план отката за < 10 минут?

· Настроен мониторинг дрейфа данных и метрик?

Этап 6→7 (итерация):

Собрана обратная связь от пользователей?

Накоплены примеры ошибок для дообучения?

РЕЗЮМЕ К ГЛАВЕ B (для продакта и тимлида)

Классический PDLC не работает для ИИ. Модели не детерминированы, данные устаревают, требования уточняются в процессе.

AI PDLC - это не линейный процесс, а цикл. Вы проходите этапы много раз: улучшили данные → переобучили → снова оценили.

80% времени - данные. Не данные «вообще», а чистка, разметка, балансировка. И только потом - модель.

Начинайте с HITL (человек в контуре). Это не «полумера», а единственный способ накопить доверие и отловить краевые случаи.

Мониторинг не кончается. Модель дрейфует. Данные меняются. То, что работало вчера, завтра может сломаться.

Если только одно:

AI PDLC - это способ признать, что ИИ-проекты нельзя «сдать и забыть». Они живут своей жизнью: данные стареют, модели дрейфуют, бизнес-метрики меняются. Ваша задача - построить процесс, который это учитывает, а не бороться с реальностью.