Ускорили и оптимизировали с помощью ИИ разработку стримингового сервиса

Сервис, название которого мы не можем разглашать по условиям договора, предлагает каталог из более чем 75 миллионов композиций, поддерживает офлайн-прослушивание, распознавание музыки, работу с виртуальными ассистентами и предоставляет специальные возможности для детей, любителей аудиокниг, а также профессиональных музыкантов, подкастеров и лейблов. 

На сегодняшний день это полноценный продукт, прошедший стадию стартапа. Аутстаф команду Evrone пригласили, чтобы помочь на этапе активного масштабирования. Наши специалисты бесшовно включились в работу в разные технические команды: аналитика, ML, разработка на Python и Go.

Развиваем ИИ-фичи для привлечения и удержания пользователей

Одна из главных функций любого музыкального сервиса сегодня — ИИ-рекомендации. Пользователям обещают идеальное попадание в их вкус и глубокую персонализацию. А вот как этого удается добиться — секрет и конкурентное преимущество. Где-то просто пользуются огромной базой пользователей и анализируют их действия, чтобы предлагать следующий трек на основе «общего мнения», а где-то хитро работают с небольшим набором данных, но комбинируют его разными способами.

Техническая команда клиента использует AI-инструменты не только для поиска подходящих треков и исполнителей, но и в других частях продукта: автоматизирует рутину разработчиков, улучшает пользовательский опыт, экспериментирует над новыми фичами. ML-инженеров Evrone пригласили усилить два отдельных направления: удержание пользователей и улучшение рекомендательных технологий.

Удерживают пользователей в приложении не dark-паттернами, а изучением привычек и предикцией. Основная задача Customer Journey команды — на каждом шагу  предлагать слушателю именно то, что он хочет прямо сейчас: позаниматься спортом под бодрую музыку, послушать подкаст в машине или включить аудиокнигу перед сном.

А вот рекомендательные технологии привлекают больше новых пользователей. Например, мы поучаствовали в создании модели персонализации, которая будет формировать плейлисты на стыке вкусов пользователя и его занятий, что должно положительно повлиять на метрики.

Чтобы точно попасть в ожидания, важно не только анализировать данные о любимых жанрах и исполнителях, но и обращать внимание на поведение пользователя — этот трек послушал дважды, а вот этот пропустил. Такие «хлебные крошки» помогают ИИ-агентам стримингового сервиса добиваться высокой точности в рекомендациях.

Кроме этого, наши специалисты поработали над генерацией SEO-текстов, чтобы артисты и релизы из приложения нашего клиента оказывались в поисковых системах чаще и на более высоких позициях, что косвенно повлияет и на привлечение новых пользователей.

Также команда Evrone поучаствовала в улучшении поиска на основе LLM. Это особенно важно для стримингового сервиса, потому что часто треки и альбомы называются похоже или даже одинаково.  Пользователям нужно давать не просто текстовое соответствие, но и следить за релевантностью, чтобы по слишком общему поиску фанат тяжелой музыки не получил в ответ поп-песню, о которой он даже не знал.

Оптимизируем код на Python и Ruby on Rails 

Переписывать и оптимизировать код — скучная, но важная работа. Никакого rocket science здесь, обычно, не бывает, зато результаты всегда ощутимы. В индустрии видео и аудио стриминга рефакторинг кода важен сразу по двум причинам: в большой конкуренции разных приложений пользователям важна высокая производительность работы, а бизнес-подразделения оценят снижение затрат на инфраструктуру. 

Разработчиков Evrone пригласили для классического случая оптимизации — когда-то были выбраны технологии, чтобы писать код быстро, заботясь о накоплении пользовательской базы и поиске product-market fit. Это отличный и работающий подход, но он требует определенной финансовой устойчивости, потому что мы жертвуем стоимостью инфраструктуры.

Когда сервис перерос из MVP в полноценный продукт, было решено переписать его некоторые особенно ресурсо-требовательные части на Golang, чтобы снизить инфраструктурные затраты. Важно было перенести результат «as is», чтобы даже ошибки отдавались в привычном формате и не мешать работе других команд.

Параллельно с оптимизацией наиболее нагруженных сервисов мы занялись структурированием внутренних компонентов платформы, переписав монолиты в микросервисы для удобства их поддержки и дальнейшего развития. 

Одна из таких задач — аналитическую платформу для артистов и лейблов — переписали с Ruby-on-Rails на Python. Так как функционал этого сервиса полностью устраивал клиента, оставалось только встроить его в сложившуюся Python-экосистему. Привлеченный backend-разработчик Evrone как раз обладал высоким уровнем как RoR, так и Python, поэтому занялся переработкой платформы, разделив монолитное решение на микросервисы. Получившийся инструмент активно используется и позволяет получать расширенную аналитику о слушателях и прослушиваниях.

Внедряем AI-инструменты помощи разработчикам

Разработчики Evrone помогли клиенту с новыми и R&D-ориентированными задачами и предложили несколько идей как использовать ИИ в автоматизации деплоя и управлении инфраструктурой через Git.

Например, AI-агент для рутинных задач разработчиков и помощи QA-отделу с автоматизированным тестированием в расширенном режиме. Время тестировщиков ограничено, поэтому лучше потратить его на самые важные задачи. Базовые мелочи, которые проверяются буквально по чеклисту, решили отдать ИИ на основе open-source моделей, доступных в инфраструктуре стриминговой платформы: таких как Qwen и gpt-oss. Инструмент в CI/CD пайплайне анализирует код сервиса, наполняет тестовую БД необходимыми данными, определяет список ручек, тестирует их как в позитивных, так и в негативных сценариях, после чего готовит отчет. Это позволяет разработчикам еще на этапе ревью выявить проблемные моменты и отдавать QA более качественный код, экономя их время.

Еще он может автоматически добавлять недостающую документацию для кода (что-то несложное, вроде проверки, соответствует ли Readme-файл текущему техническому решению) и помогать в code review. 

Фактически этот агент может быть встроен в любые процессы, где задачи можно разбить на этапы и описать простыми инструкциями в нескольких предложениях текста. ИИ-помощник справится, достаточно лишь описать конфигурацию и запустить пайплайн.

Сейчас наши разработчики продолжают работать над множеством внутренних сервисов и сценариев, улучшением взаимодействия между разными микросервисами, чтобы они работали более производительно.

Результат — метрики растут, расходы падают

Специалисты Evrone полноценно встроились в работу внутренних команд клиента, показав, что аутстаффинг разработчиков может давать тот же уровень вовлеченности и результата, что и полноценный найм собственных сотрудников.

Мы помогли клиенту переписать и оптимизировать тяжелые сервисы на Go, что сократило издержки на 20–30% и повысило производительность. Кроме того, мы внедрили автоматизацию рутинных задач с помощью ИИ — тестирования, подготовки документации и проведения ревью. Все решения соответствовали санкционным ограничениям и требованиям безопасности, поэтому в проекте использовались только локальные open-source инструменты.

Мы усилили ML-команды клиента, которые занимаются разработкой фич, отвечающих маркетинговые показатели продукта: рост MAU, удержание и возврат пользователей. Наши ML-инженеры также предложили новые идеи, которые вошли в основной функционал сервиса. Если ищете такую же вовлеченную команду для своего проекта — напишите нам через форму внизу и мы сами свяжемся, чтобы обсудить состав команды Evrone для вас.

Команда Evrone сможет запустить для вас стриминговый сервис с нуля: создадим надежную архитектуру, настроим потоковую передачу данных без зависаний и доставку контента. Оцените, что мы сделали для других клиентов в этой сфере и свяжитесь, чтобы получить опытную и готовую к работе команду.