Оптимизация стримингового сервиса и развитие AI-функций на этапе масштабирования

1. Вводная задача от заказчика, проблематика, цели

Задачи клиента:

— оптимизировать код и повысить стабильность стримингового сервиса

— развивать новые функции с использованием AI

— усилить направления рекомендаций и удержания пользователей

— снизить нагрузку на инфраструктуру

Контекст:

Сервис прошел стадию MVP и активно масштабировался. Продукт включает музыку, подкасты и аудиокниги, поддерживает офлайн-доступ, рекомендации и интеграции с ассистентами.

Цель:

Улучшить производительность системы, сохранить стабильность при росте нагрузки и усилить ключевые продуктовые направления без остановки разработки.

Разработка стримингового сервиса

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Интеграция в команды клиента

— специалисты Evrone подключились к командам аналитики, ML и backend

— работали с Python, Go и Ruby on Rails

— включились в процессы без влияния на темп разработки

Развитие ML и AI-функций

— участвовали в развитии рекомендательных систем

— работали над персонализацией плейлистов с учетом поведения пользователя

— улучшали поиск с использованием LLM для повышения релевантности

— внедрили генерацию SEO-текстов для контента платформы

Оптимизация backend и архитектуры

— переписали наиболее ресурсоемкие сервисы на Go

— сохранили совместимость (as is) с существующей системой

— декомпозировали монолитные части в микросервисы

— переписали аналитическую платформу с Ruby on Rails на Python и встроили в текущую экосистему

AI-инструменты в разработке

— внедрили AI-агента в CI/CD пайплайн

— автоматизировали тестирование API (позитивные и негативные сценарии)

— реализовали автоматическую проверку и дополнение документации

— добавили поддержку code review

Технологические ограничения

— использовали только локальные open-source модели

— соблюдали требования безопасности и санкционные ограничения

Backend разработка

Разработка на Python

Разработка на Ruby on Rails

3. Результаты сотрудничества

Технические результаты:

— снижение потребления ресурсов до 25%

— повышение производительности сервисов до 20%

Инфраструктура:

— снижение затрат на инфраструктуру на 20–30%

Процессы разработки:

— автоматизация рутинных задач разработки и тестирования

— снижение нагрузки на QA-команду

— улучшение качества кода на этапе ревью

Продуктовое развитие:

— усиление рекомендательных механизмов

— улучшение релевантности поиска

— развитие персонализации пользовательского опыта

Аутсорс QA