Древняя магия в повседневном коде: пять принципов функционального программирования в пяти языках
Итоги года с AI-рекомендациями в SaaS: как собрать данные из десятков источников, не сломать продукт и уложиться в дедлайн
R&D
О СПИКЕРЕ
Больше 15 лет в IТ.
Тимлид фронтенд-команды в Sendsay.
Тимлид фронтенд-команды в Sendsay.
Middle
Алексей Николаев
Sendsay, Ижевск
Тимлид фронтенд-команды
Тимлид фронтенд-команды
В конце года мы в Sendsay решили не просто повторить «Итоги года» для клиентов, а превратить их в полноценный аналитический отчёт с AI-рекомендациями.
Задача выглядела просто на словах — но на практике это десятки источников данных, разные тарифы и права доступа, неполные и шумные метрики, строгие требования к приватности, высокая нагрузка и крайне сжатые сроки релиза.
В докладе я расскажу, как мы:
• собрали и нормализовали продуктовую аналитику из разных подсистем,
• построили гибкую архитектуру отчёта под разные типы аккаунтов,
• интегрировали LLM так, чтобы рекомендации были полезными, объяснимыми и безопасными,
• протестировали сложный продукт без бесконечных ручных прогонов,
• и успели выкатиться в продакшен без потери качества.
Задача выглядела просто на словах — но на практике это десятки источников данных, разные тарифы и права доступа, неполные и шумные метрики, строгие требования к приватности, высокая нагрузка и крайне сжатые сроки релиза.
В докладе я расскажу, как мы:
• собрали и нормализовали продуктовую аналитику из разных подсистем,
• построили гибкую архитектуру отчёта под разные типы аккаунтов,
• интегрировали LLM так, чтобы рекомендации были полезными, объяснимыми и безопасными,
• протестировали сложный продукт без бесконечных ручных прогонов,
• и успели выкатиться в продакшен без потери качества.