PRD == evals: как AI стирает границу между продактом и ML Engineer

Альбина Мунирова соединяет опыт ML-инженера и продакт-лида: требования к вероятностному продукту неотделимы от проверки поведения. API моделей и coding agents позволяют продакту собрать прототип, а инженеру — встроить готовую модель; роли сходятся вокруг приемлемого результата.

PRD == evals не заменяет документ таблицей вопросов. Eval хранит сценарии, критерии, запреты, регрессии и порог выпуска. Для инвестиционного RAG-ассистента берут свежие production-пары, группируют ошибки и сохраняют исправления в регрессионном наборе. Идеальный статичный результат скорее означает переобучение.

Контур требует доменного суждения: обычные тесты проверяют структуру, LLM-as-a-judge — смысл, специалисты — сложные правила. Частота прогонов зависит от цены людей, инференса и ошибки; guardrails снижают риск, но добавляют задержку. MVP без данных, маршрутизации, безопасности и владельца качества ещё не production.

Универсальный ассистент завышает ожидания: опыт Олега привёл Т-Банк к доменным системам с разными evals для инвесторов, детей и путешественников. AI Product Builder ведёт путь от потребности до улучшения, не заменяя интеграционных экспертов. В команде из пяти-шести человек продакт осваивает evals, ML-инженер — пользователя и экономику.