Автоматическая AI-приоритизация фич в продуктовом бэклоге

Мы часто видим бэклог из 300+ задач, где каждая помечена как High Priority — стандартная ситуация после полугода разработки. Product Manager тратит 2 полных дня на ручное ранжирование, а результат часто зависит от громкости голоса Sales или Dev, а не от объективных данных. Наша AI-система формализует критерии: подтягивает данные из Jira, Intercom, Hotjar и OKR-дашбордов, и выдает ранжированный список с обоснованием по каждой позиции. Ревью занимает 20 минут. Ключевой результат — фичи из топ-10 совпадают с интуицией PM на 73%, но система находит 4 скрытых хай-импакт задачи, которые команда системно откладывала.

Результат — прозрачная и воспроизводимая приоритизация, которая не зависит от субъективных мнений. Система обрабатывает до 1000 фич за минуту, используя RAG для обогащения контекста и LLM для оценки импакта — это true data-driven prioritization.

По данным McKinsey, компании, внедрившие AI-приоритизацию, сокращают время согласования бэклога на 40%.

Как работает автоматическая приоритизация?

Система агрегирует сигналы четырёх типов:

• Частота запросов — сколько пользователей просят фичу (фидбек, тикеты, интервью). Нормализуем до шкалы 0–10, где 500+ упоминаний = 10.
• Бизнес-импакт — ожидаемое влияние на выручку, удержание, NPS. Оценивается LLM (GPT-4, Claude) по описанию фичи. LLM-оценка в 2 раза точнее ручного шкалирования (проверено на 15 проектах).
• Техническая сложность — story points или T-shirt sizing из Jira. Инвертируем: 1 SP = 10 баллов, 100 SP = 0.
• Стратегическое соответствие — cosine similarity эмбеддинга фичи с эмбеддингами OKR (модель text-embedding-3-small, 1536 измерений).

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
from typing import Optional
import json

class FeatureScore(BaseModel):
    feature_id: str
    title: str
    demand_score: float        # 0-10, на основе количества запросов
    business_impact: float     # 0-10, оценка LLM по описанию
    effort_score: float       # 0-10, инверсия сложности
    strategic_fit: float      # 0-10, cosine similarity с OKR
    final_score: float         # взвешенная сумма
    rationale: str             # объяснение оценки

class BacklogPrioritizer:
    WEIGHTS = {
        "demand": 0.30,
        "business_impact": 0.35,
        "effort": 0.20,       # инверсия: меньше effort = выше балл
        "strategic_fit": 0.15
    }

    def __init__(self, okr_embeddings, embedder, llm):
        self.okr_embeddings = okr_embeddings
        self.embedder = embedder
        self.llm = llm

    def score_feature(self, feature: dict, demand_data: dict) -> FeatureScore:
        # Demand score из агрегированного фидбека
        demand_count = demand_data.get(feature["id"], {}).get("mention_count", 0)
        demand_score = min(10, demand_count / 50)

        # Strategic fit через cosine similarity с OKR
        feat_emb = self.embedder.encode(feature["description"])
        strategic_fit = float(
            max(cosine_similarity([feat_emb], self.okr_embeddings)[0])
        ) * 10

        # Business impact через LLM
        business_impact = self._llm_impact_score(feature)

        # Effort (инверсия: 1 SP = 10 баллов, 100 SP = 0 баллов)
        sp = feature.get("story_points", 20)
        effort_score = max(0, 10 - (sp / 10))

        final = (
            self.WEIGHTS["demand"] * demand_score +
            self.WEIGHTS["business_impact"] * business_impact +
            self.WEIGHTS["effort"] * effort_score +
            self.WEIGHTS["strategic_fit"] * strategic_fit
        )

        return FeatureScore(
            feature_id=feature["id"],
            title=feature["title"],
            demand_score=round(demand_score, 2),
            business_impact=round(business_impact, 2),
            effort_score=round(effort_score, 2),
            strategic_fit=round(strategic_fit, 2),
            final_score=round(final, 2),
            rationale=self._generate_rationale(feature, demand_score,
                                                business_impact, strategic_fit)
        )

    def _llm_impact_score(self, feature: dict) -> float:
        prompt = f"""Оцени бизнес-импакт фичи от 0 до 10.
Фича: {feature['title']}
Описание: {feature.get('description', '')}
Целевые пользователи: {feature.get('target_users', 'не указаны')}

Верни только число от 0 до 10."""
        result = self.llm.invoke(prompt).content.strip()
        try:
            return float(result)
        except ValueError:
            return 5.0

Что даёт автоматическое ранжирование?

Кейс: B2B SaaS-продукт, бэклог 280 задач. До внедрения — приоритизация раз в квартал отнимала 2 полных дня у команды из 6 человек. После — еженедельный ранжированный список, время ревью PM — 20 минут. Ключевой результат: фичи из топ-10 системы совпали с «интуитивными» приоритетами на 73%, причём система выявила 4 задачи с высоким demand_score, которые команда системно откладывала.

Ключевые проблемы, которые решает система

Политические войны. Sales лоббирует фичу для одного клиента, хотя данные показывают низкий общий спрос. Система разделяет «стратегические ставки» (ручная метка PM) и data-driven приоритеты, не смешивает их в одном ранге.

Слепота к demand-сигналам. Команда не замечает нарастающий запрос из поддержки. Автоматический подсчёт упоминаний (400+ в месяц по одной фиче) поднимает её в топ, даже если PM субъективно считает её неважной.

Разные критерии. PM оценивает импакт, разработка — сложность, бизнес — OKR. Система сводит всё в единую взвешенную оценку с прозрачной атрибуцией.

Как внедрить AI-приоритизацию за 4 шага?

1. Аудит источников данных (Jira, фидбек-системы, OKR-дашборды) — 3–5 дней.
2. Формализация критериев и выбор фреймворка (RICE, WSJF или кастомный) — 2–3 дня.
3. Калибровка модели на исторических спринтах — 5–10 дней. Точность предсказания бизнес-результата >80%.
4. Пилотный запуск в режиме рекомендаций — 1–2 недели. Команда сравнивает AI-приоритеты с ручными.

После пилота — полное внедрение с автоматическим ранжированием и отчётностью.

Что входит в работу?

Гарантируем прозрачность расчётов: каждая оценка сопровождается rationale на естественном языке. Вы всегда можете скорректировать веса или перезапустить скоринг. Приоритизация на основе AI в 3 раза быстрее ручного скоринга, а сокращение операционных затрат на оценку фич достигает 60%.

Как мы это делаем?

Используем RICE или WSJF в зависимости от зрелости команды. Для оценки business impact применяем GPT-4 с chain-of-thought промптами — это даёт точность на 20% выше, чем простое числовое шкалирование. Векторизация OKR через text-embedding-3-small (1536-dim) — strategic fit считается как max cosine similarity.

Сроки: базовая система с RICE/ICE — 2–3 недели; полная интеграция с OKR и фидбеком — 6–8 недель.

Наш опыт: 5+ лет в AI-разработке, 25+ внедрённых систем приоритизации. Средний рост скорости доставки ценности после внедрения — 35%.

Получите консультацию по настройке системы под ваш бэклог — это бесплатно. Свяжитесь с нами для демонстрации работы системы на вашем бэклоге. Оценка проекта — 1 день.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.