# Проектное предложение

## Цель

Выбрать задачу: CV, NLP/LLM или табличный ML; описать пользователя и ограничения.

## Теория перед выполнением

- [Постановка задачи, baseline и план экспериментов](../notes/01_problem_baseline_experiment_plan.md)
- [Production-контракты и ограничения](../../15_ml_engineering/notes/01_production_project_contracts_testing.md)

## Что сделать

1. Описать пользователя, решение, unit of prediction, действие и альтернативу без ML.
2. Зафиксировать источники данных, label, feature cutoff, split и лицензионные ограничения.
3. Выбрать честный baseline, primary/decision metrics и guardrails.
4. Ограничить scope, ресурсы и трёхнедельный план; задать stop criteria.
5. Составить план минимум трёх гипотез и risk register с мерами.
6. Оформить proposal по [шаблону отчёта](../../../common/REPORT_TEMPLATE.md); код и выполненные эксперименты на этом этапе не требуются.

## Результат

Proposal: цель, данные, метрики, baseline, риски, ресурсы и этапы.

Решение разместите рядом в `solution/`. Не коммитьте большие данные,
веса или секреты.

## Критерии приёмки

- Метрика связана с реальной целью; задача выполнима за 3 недели; есть безопасный scope.
- Данные, baseline, ограничения, риски и критерии остановки описаны проверяемо.
- План не обещает выводов, для которых нет доступных данных или подходящего эксперимента.

## Вопросы для самопроверки

- Какое решение улучшает проект и почему для него нужен ML?
- Доступны ли все признаки строго до feature cutoff?
- Как baseline и метрика отражают реальное ограничение продукта?
- Что будет исключено первым, если времени окажется меньше?