AI Product PRD: zahtevi za proizvode zasnovane na AI/ML
AI Product PRD proširuje standardni PRD sekcijama koje tradicionalnom softveru nisu potrebne: izbor modela, kriterijumi evaluacije, prihvatljivi nivoi grešaka, zahtevi za pajplajn podataka i fallback ponašanje kada model greši ili daje rezultat sa niskim nivoom pouzdanosti.
Ovo nije isto što i AI-Optimized PRD — standardni PRD formatiran za čitanje od strane AI agenata. AI Product PRD je za proizvode gde je AI ključna funkcionalnost: čet-botovi, sistemi preporuka, generatori sadržaja, sistemi predikcija i svaki proizvod gde model mašinskog učenja kreira primarni rezultat.
Key insight
Tradicionalni PRD-ovi definišu determinističke zahteve: za ulaz X, proizvedi izlaz Y. AI Product PRD definiše prihvatljive opsege: za ulaz X, proizvedi izlaz Y sa tačnošću od najmanje Z%, a ako pouzdanost padne ispod praga, prebaci se na ponašanje W.
Kada koristiti AI Product PRD
Koristite AI Product PRD kada:
- Ključna vrednost proizvoda zavisi od modela mašinskog učenja (LLM, klasifikacija, preporuke, generisanje)
- Rezultat je probabilistički — isti ulaz može da proizvede različite izlaze
- Treba da definišete prihvatljive pragove kvaliteta, ne tačne izlaze
- Kvalitet i dostupnost podataka su preduslovi za rad proizvoda
- Proizvodu treba fallback ponašanje za slučajeve kada model greši ili halucira
Standardni PRD je dovoljan kada:
- AI je prateća funkcionalnost, ne jezgro proizvoda (npr. automatsko dopunjavanje u formi)
- AI komponenta koristi API treće strane sa jasno definisanim ponašanjem (npr. poziv GPT-4 sa fiksnim promptom)
- Nije potrebno prilagođeno obučavanje, fine-tuning ili okvir za evaluaciju
Šta AI Product PRD dodaje
AI Product PRD zadržava sve sekcije standardnog PRD-a (postavka problema, ciljni korisnici, opseg, metrike uspeha) i dodaje pet AI-specifičnih sekcija.
1. Postavljanje AI zadatka
Pre definisanja zahteva, obrazložite zašto je AI pravi pristup. Ne zahteva svaki problem model — neki se bolje rešavaju pravilima, heuristikama ili prostom pretragom.
Odgovorite na tri pitanja:
- Zašto pristup zasnovan na pravilima ne funkcioniše? Ako možete da napišete
if/elselogiku koja pokriva 95% slučajeva, model verovatno nije potreban. - Šta model proizvodi? Oznaka klasifikacije, generisani tekst, rangirana lista, numerička predikcija, slika — budite konkretni.
- Šta model konzumira? Tekst, slike, strukturirane podatke, signale ponašanja korisnika ili kombinaciju.
2. Zahtevi za model
Definišite šta model mora da radi i koliko dobro.
| Zahtev | Specifikacija |
|---|---|
| Zadatak | npr. „Klasifikovati tikete podrške u 12 kategorija” |
| Ulaz | npr. „Naslov + telo tiketa, maks. 2000 tokena” |
| Izlaz | npr. „Oznaka kategorije + skor pouzdanosti (0-1)“ |
| Latencija | npr. „< 500ms p95 za pojedinačnu inferencu” |
| Propusnost | npr. „1000 klasifikacija u minutu” |
| Kandidati modela | npr. „Fine-tuned GPT-4o-mini, Claude Haiku ili prilagođeni BERT” |
| Podaci za obučavanje | npr. „50K obeleženih tiketa iz poslednjih 12 meseci” |
3. Kriterijumi evaluacije
Definišite kako meriti da li je model dovoljno dobar za lansiranje. Ovo zamenjuje neodređeno „AI treba da bude tačan” sa testabilnim uslovima.
| Metrika | Cilj | Metod merenja |
|---|---|---|
| Tačnost | ≥ 92% na zadržanom test setu | Eval set se pokreće pre svakog deploja |
| Precision (po kategorijama) | ≥ 85% za svaku od 12 kategorija | Analiza matrice grešaka |
| Stopa halucinacija | < 3% izlaza sadrži izmišljene informacije | Ručni pregled 500 nasumičnih izlaza nedeljno |
| Zadovoljstvo korisnika | ≥ 4.2/5 za ocenu kvaliteta AI izlaza | Widget za povratne informacije u aplikaciji |
Okvir za evaluaciju: Definišite kada se evaluacije pokreću (pre svakog deploja, po rasporedu, pokrenute driftom podataka), ko analizira rezultate i šta se dešava kada metrika padne ispod praga.
4. Zahtevi za podatke
AI proizvodi češće propadaju zbog loših podataka nego zbog loših modela. Definišite:
- Podaci za obučavanje: izvor, obim, metod obeležavanja, zahtevi za aktuelnost
- Pajplajn podataka: kako podaci teku od izvora do modela (batch vs streaming, koraci transformacije)
- Kvalitet podataka: minimalni zahtevi za kompletnost, tačnost i aktuelnost
- Privatnost podataka: obrada PII, zahtevi za anonimizaciju, usklađenost sa GDPR/CCPA
- Zadržavanje podataka: koliko dugo se čuvaju podaci za obučavanje i izlazi modela
| Izvor podataka | Obim | Frekvencija osvežavanja | Kriterijum kvaliteta |
|---|---|---|---|
| Tiketi podrške (obeleženi) | 50K početnih, 2K/mes novih | Mesečno preobučavanje | Slaganje obeleživača ≥ 90% između 2 recenzenta |
| Povratne informacije korisnika (palac gore/dole) | Kontinualno | Realno vreme u dašbord evaluacije | Min 100 ocena po kategoriji mesečno |
5. Fallback ponašanje
Definišite šta se dešava kada model ne može da proizvede pouzdan rezultat. Korisnici će se sresti sa greškama modela — proizvod mora da ih obradi korektno.
| Scenario | Fallback ponašanje |
|---|---|
| Pouzdanost modela < 0.7 | Prikaži rezultat sa upozorenjem: „Ova klasifikacija može biti netačna. Proverite ručno.” |
| Pouzdanost modela < 0.4 | Ne prikazuj AI rezultat. Preusmeri tiket u red za ručno trijažiranje. |
| Model nedostupan (ispad) | Prebaci se na mašinu pravila po ključnim rečima. Prikaži baner: „AI klasifikacija privremeno nedostupna.” |
| Ulaz van distribucije obučavanja | Označi za ručni pregled. Zabeleži kao potencijalni jaz u podacima za obučavanje. |
| Korisnik prijavljuje netačan rezultat | Dozvoli ispravku jednim klikom. Prosledi ispravku u pajplajn za preobučavanje. |
Key insight
Fallback ponašanja nisu sporedni detalj — ona su ključni zahtev proizvoda. Korisnici procenjuju AI proizvode ne po tome koliko dobro rade na lakim slučajevima, već po tome koliko korektno obrađuju greške. Dizajnirajte fallback ponašanja istovremeno sa glavnim scenarijem, ne nakon njega.
AI Product PRD i druge varijacije PRD-a
| Aspekt | Standardni PRD | AI-Optimized PRD | AI Product PRD |
|---|---|---|---|
| Svrha | Definisati šta graditi | Definisati šta graditi (formatiran za AI agente) | Definisati AI proizvod |
| Publika | Produktni tim, inženjeri | AI alati (Cursor, Claude Code) | Produktni tim, ML inženjeri, data tim |
| Tip izlaza | Determinističke funkcionalnosti | Determinističke funkcionalnosti | Probabilistički AI izlazi |
| Unikatne sekcije | — | Fazna implementacija, testabilni izlazi | Zahtevi za model, kriterijumi evaluacije, fallback, pajplajn podataka |
| Kriterijumi uspeha | Funkcionalnost lansirana, metrike ispunjene | Funkcionalnost lansirana, testovi prolaze | Performanse modela zadovoljavaju pragove |
Česte greške
1. Preskakanje pitanja „zašto AI”. Ako pristup zasnovan na pravilima pokriva 95% slučajeva, dodavanje modela stvara složenost (obučavanje, monitoring, pajplajni podataka) bez proporcionalne vrednosti. Obrazložite model pre nego što ga specificirate.
2. Odsustvo kriterijuma evaluacije pre razvoja. Ako tim izgradi model i onda pita „da li je ovo dovoljno dobro?”, odgovor će uvek biti subjektivan. Definišite metrike i pragove pre nego što razvoj modela počne.
3. Ignorisanje dizajna fallback ponašanja. Demo radi odlično. Zatim 5% produkcijskih ulaza proizvede smeće. Bez unapred definisanih fallback ponašanja, tim užurbano krpi granične slučajeve nakon lansiranja.
4. Tretiranje podataka kao tuđe odgovornosti. Model je dobar onoliko koliko su dobri njegovi podaci za obučavanje. Ako PRD ne definiše zahteve za podatke, ML tim će otkriti jazove u podacima usred razvoja — najskuplje vreme za takva otkrića.
5. Odsustvo plana za degradaciju modela. Modeli degradiraju vremenom kako se svet menja (drift podataka, drift koncepata). PRD treba da definiše zahteve za monitoring i okidače za preobučavanje, ne samo kriterijume za lansiranje.
Resursi
- PRD — kompletan vodič — pregled svih varijacija
- AI-Optimized PRD — PRD formatiran za AI agente (drugi slučaj upotrebe)
- PRD šabloni — standardni, MVP, AI-Optimized i AI Product
- Navigator prompt — pronađite pravi tip dokumenta