Точно было бы полезно послушать как вы проверяете полезность гипотез с ИИ. Потому что считаю что Продакт - это о развитии продукта. А что это значит? Надо понимать полезность фич для кастомеров.

Мне было бы интересно послушать про оценку качества LLM-функций в продукте: как вы решаете, что модель стала лучше, если офлайн-метрики и поведение пользователей расходятся?

Как отслеживанается accuracy и precision, что происходит, если находят дыру в надзоре/правилах или этих параметрах? Весь беклог подождёт?

Были ли моменты, когда приходилось отключать ml функционал чтобы не напорол дров?

Отличается ли для ml задач время которое закладываешь на форс-мажоры? (Если за норму брать 10% в точно оцененых задачах и 30% на полеты в неизвестные зоны легаси)

Про опыт использования локальных LLM, бюджетирование проекта, расчет стоимости токенов и тд. Риски. Коммерческие модели это просто тушить пожар бензином....

Было бы интересно услышать как люди меняют свое отношение к AI контенту по мере заполнения им интернетом

Как Вы работаете с доверием потребителя продукта, к AI фичам в продукте?

Было бы полезно разобрать решение «пилот успешен — запускаем или останавливаем?» на одном AI-продукте. Какие ошибки допустимы, как измерить стоимость ручной проверки и по каким признакам понять, что улучшение демо не улучшает рабочий процесс. Особенно интересен пример, где после пилота решили отказаться от запуска.

Про агрегацию и структурное мышление им расскажите

Применение агентов в рабочих процессах, желательно с примерами. И есть ли целесообразность использования "закрытого контура" с примерами.