Проекти AI не є звичайними проектами IT
Реалізація штучного інтелекту фундаментально відрізняється від класичного проекту IT. У традиційному проекті вимоги мають бути (або повинні бути) чіткими з самого початку: ми будуємо форму, API, звіт. У проекті AI на початку ми знаємо тільки, яку проблему хочемо вирішити, але не знаємо, чи модель AI буде достатньо хорошою, скільки тренувальних даних потрібно і які будуть витрати на інференцію у виробництві.
Це вимагає іншого підходу до управління, ітеративного, заснованого на експериментах і швидкій верифікації гіпотез. Не можна спланувати річний проект AI у водоспаді та очікувати успіху.
Вибір методики
Не існує однієї ідеальної методики для проектів AI. Ми вибираємо підхід до специфіки проекту, команди та організації:
- Scrum з спринтами тривалістю 2 тижні: для команд, які потребують регулярного ритму та видимих успіхів. Кожен спринт завершується демонстрацією робочого приросту.
- Kanban: для команд, які працюють над багатьма меншими завданнями паралельно. Візуалізація роботи, що виконується, допомагає ідентифікувати вузькі місця.
- Dual Track Agile: відкриття (дослідження, прототипування) та доставка (реалізація, тестування) відбуваються паралельно. Ідеально для проектів AI, де експериментальна фаза є ключовою.
MVP: мінімально життєздатний продукт
Першим каменем милом кожного проекту AI повинно бути MVP, тобто мінімально життєздатний продукт. Не повноцінний продукт, а найпростіша версія, яка верифікує ключову гіпотезу. Чи здатна модель AI вирішити проблему? Чи дані достатньо якісні? Чи користувачі приймають рішення?
AI прискорює будівництво MVP. Агенти AI генерують код, тести та документацію. Інженер перевіряє та доопрацьовує, а прототип створюється за тижні, а не місяці. Завдяки цьому рішення "продовжувати чи змінити напрям" приймається швидко, до того як буде інвестовано великий бюджет.
Автоматичне тестування в проектах AI
Проекти AI вимагають розширеної стратегії тестування. Окрім стандартних тестів (unit, integration, E2E), потрібні:
- Тести якості моделі: метрики точності, точності, викликання, F1 на тестовому наборі
- Тести регресії моделі: чи нова версія моделі не гірша за попередню
- Тести країв випадків: як модель реагує на непередбачувані дані введення
- Тести продуктивності: затримка інференсу, пропускна здатність, витратність ресурсів
- Тести безпеки: стійкість до ін'єкції промпту, витоку даних, атак противника
Впроваджений та автоматизований цикл виробництва з усіма видами тестів забезпечує, що кожна зміна в коді або моделі автоматично верифікується до того, як потрапляє у виробництво.
Масштабування: від MVP до виробництва
Масштабування проекту AI - це перехід від "працює на ноутбуці" до "працює виробнично, 24/7, під навантаженням". Вимагає контейнеризації, оркестрації, авто-масштабування, моніторингу та оповіщень. Інфраструктура мусить обробляти зростання навантаження без погіршення якості. Витрати інференсу мусять бути під контролем, а інтелектуальне маршрутизування моделей AI автоматично вибирає модель до складності завдання, мінімізуючи витрати без втрати якості.
Роль менеджера проекту на етапі масштабування - це управління ризиком, координація команд та комунікація з зацікавленими сторонами. AI підтримує процес: прогнозує затримки, оптимізує розподіл ресурсів та автоматизує звітність про прогрес.