Обзор клиента
Наш клиент — компания из сферы развлечений и гостеприимства, которая стремилась обновить формат подачи коктейлей для площадок шоу-бизнеса, баров и организаторов мероприятий. Их цель заключалась в том, чтобы предоставить пользователям веб-платформы удобный инструмент для поиска и выбора коктейлей из обширной базы рецептов, а также обеспечить персонализированные рекомендации и интеграцию брендированного продуктового размещения.
Клиенту требовалась система, способная обрабатывать пользовательские запросы, выполнять поиск по большим массивам рецептов и динамически предоставлять контент на веб- и мобильных платформах, одновременно интегрируя структурированные данные для аналитики и маркетинга.
Задача
При создании платформы рекомендаций коктейлей основными вызовами стали:
- Отсутствие централизованного инструмента для подбора рецептов коктейлей с учетом формата мероприятия.
- Сбор и обработка пользовательских предпочтений с помощью динамического опросника.
- Поиск и ранжирование тысяч рецептов с использованием векторного поиска по сходству (RAG).
- Интеграция брендированного продуктового размещения в процесс подбора рецептов без нарушения пользовательского опыта.
Обеспечение корректной работы на веб- и мобильных платформах при одновременной нагрузке пользователей.
Основные цели проекта
- Чтобы реализовать требуемое программное решение, мы разделили проект на более управляемые задачи:
- Предоставить пользователям интерактивного ассистента на базе ИИ для подбора и выбора коктейлей с учетом их предпочтений.
- Реализовать динамическую логику рекомендаций на основе поиска по сходству и персонализированных векторов.
- Интегрировать продуктовое размещение в процесс рекомендаций для маркетинговых целей.
- Обеспечить кроссплатформенный пользовательский опыт для веба и мобильных устройств с быстрым и интуитивно понятным взаимодействием.
Краткое описание проекта
Мы разработали облачную разговорную платформу, объединяющую ИИ, векторный поиск и структурированное управление рецептами. Для обеспечения масштабируемости и производительности мы использовали LangChain/LangGraph в качестве разговорного движка и PostgreSQL для хранения структурированных данных о рецептах и продуктах.
Платформа проводила интерактивные опросы пользователей в реальном времени, преобразовывала ответы в векторные представления и подбирала подходящие рецепты. Брендированные ингредиенты и продукты органично отображались в рекомендациях. Архитектура поддерживала горизонтальное масштабирование, позволяя обслуживать множество пользователей одновременно без потери производительности.
Решение
Финальное решение стало одновременно интеллектуальным ассистентом по подбору рецептов и маркетинговой платформой. Бот проводил пользователей через серию заранее заданных вопросов, чтобы определить вкусовые предпочтения и детали предстоящего мероприятия, затем отбирал рецепты с помощью векторного поиска и предоставлял персонализированные рекомендации с интегрированным продуктовым размещением.
Система использовала архитектуру RAG (Retrieval-Augmented Generation), извлекая точные данные о рецептах из локальной базы с помощью векторных представлений. Кроме того, платформа предоставляла аналитику по пользовательским выборам, позволяя клиенту оптимизировать рецепты, маркетинговые кампании и размещение продуктов. Веб-версия (React) и мобильное приложение были интегрированы с ИИ-ассистентом, обеспечивая единый кроссплатформенный пользовательский опыт и повышая вовлеченность.
Ключевые функции:
- Интерфейс на базе ИИ для подбора коктейлей.
- Сбор предпочтений через опросник и векторный поиск для точных рекомендаций.
- Интеграция продуктового размещения непосредственно в рекомендации.
- Динамическая фильтрация и ранжирование рецептов на основе пользовательских данных.
- Масштабируемый кроссплатформенный доступ (веб и мобильные устройства).
- Аналитика и отчеты по популярности рецептов и вовлеченности пользователей.
Технологический стек
Чтобы обеспечить быстрый отклик, точный подбор рецептов и хранение как структурированных, так и семантических данных, мы выбрали легкий, но готовый к использованию технологический стек, сочетающий инструменты оркестрации LLM с надежной реляционной базой данных.
- ИИ и диалоговый движок: LangChain / LangGraph, LLM (ChatGPT)
- База данных: PostgreSQL + pgvector для хранения структурированных данных о рецептах и продуктах
- Веб и мобильные платформы: React, адаптивные мобильные фреймворки
- Инфраструктура: Облачная инфраструктура с поддержкой горизонтального масштабирования и высокой параллельной нагрузки
- Аналитика: Встроенные инструменты отслеживания пользовательского взаимодействия и вовлеченности с продуктами