Стажировка
Создание нейро-помощника с аватаром по психологической поддержке населения
Университет Ларисы сурковой
Суть проекта
Задача
Вводные данные
Разработать веб-чат и Telegram-бот, объединяющие локальную LLM (контурные модели: Ollama) с GPT-4o-mini и GPT-4o, стриминговым видео-аватаром HeyGen и платёжным модулем YooKassa.
Сочетать приватность локальной LLM, глубину GPT-4o и эмпатию видео-аватара, сохраняя задержку ответа ≤ 2,5 с.
Сочетать приватность локальной LLM, глубину GPT-4o и эмпатию видео-аватара, сохраняя задержку ответа ≤ 2,5 с.
За 14 недель превратили идею «Нейро-менеджера» в мультиканальный MVP Avatar-Assistant:
Ключевой алгоритм (TRIZ-8):
Форматы общения:
- Веб-чат и Telegram-бот объединяют локальную LLM (Ollama) с GPT-4o / 4o-mini, видео-аватаром HeyGen и платёжным контуром YooKassa
- В ядре — «мегапромпт» по 8-шаговой TRIZ-схеме, позволяющий за ≤ 2,5 с провести пользователя от формулировки запроса до кризисного «пластыря».
Ключевой алгоритм (TRIZ-8):
- Формулировка запроса
- Проверка мнимости
- Уточнение условий
- Анализ ресурсов
- Идеальный конечный результат
- Выявление противоречия
- Генерация решений
- «Пластырь» + отчёт (Mindtools, Designorate, triz.co.uk).
Форматы общения:
- Видео + текст — аватар HeyGen синхронизирован с речью LLM
- Только текст — быстрый ответ без стрима
- Только голос — микрофон Web Speech API, ответ TTS.
- JSON-отчёт по 8 шагам TRIZ, содержащий:
- формулировку проблемы
- оценку мнимости
- условия возникновения проблемы
- список ресурсов
- описание идеального конечного результата
- выявленное противоречие
- сгенерированные варианты решений
- кризисный «пластырь» для экстренной поддержки
- PDF-версия отчёта для скачивания и передачи специалистам
- Формулировка проблемы — уточнение «что? где? когда? почему?»
- Проверка на мнимость — оценка актуальности и возможного самоустранения проблемы
- Уточнение условий — выявление первопричин и триггеров через «почему?»
- Анализ ресурсов — сбор внутренних и внешних ресурсов для решения
- Идеальный конечный результат (ИКР) — представление решения без затрат
- Противоречие — определение конфликта «цель ↔ преграда»
- Генерация решений — выбор принципа изменения, обхода или трансформации
- Фиксация вывода — формирование плана действий и «пластыря» для кризисной поддержки.
Результаты работы
выходные данные
Участники
команды проекта
команды проекта
В результате работы команды платформа получила инструмент, который в тестовом режиме уже демонстрирует повышение вовлечённости пользователей за счёт более точных и разнообразных рекомендаций. Этот успех закладывает основу для дальнейшего развития: интеграции системы в production, расширения источников данных и тонкой настройки алгоритмов под живой трафик GoodGame.
- Кус николайТимлид проекта
- Организация работы команды
- Координация архитектурных решений и планирования проекта
- Михно ЕленаПомощник тимлида
- Помощь в управлении проектом
- Поддержка документирования и коммуникации внутри команды
- Аганин александрруководитель экспертной группы (экспертиза проектной документации)
- Анализ исходных данных по стримам и пользователям
- Разработка признаков для моделей рекомендаций
- Кластеризация пользователей на основе поведенческих паттернов
- Генерация новых признаков ("признак привлекательности каналов")
- Систематизация этапов подготовки данных
- Старостина александраведущий инженер-программист
- Тематизация чатов и описаний каналов с использованием LLM (GPT-4)
- Генерация тегов и категорий для каналов
- Сравнение качества рекомендаций: чаты vs описания
- Обработка и рефакторинг кода модели TFRS и эмбеддингов
- Документирование и структурирование результатов тестирования
- Оценка тематической релевантности рекомендаций
- Трухан сергейинженер-программист
- Разработка скриптов парсинга стримов и описаний
- Сбор онлайн-данных через API и парсинг страниц
- Создание базы данных и кэширование данных
- Получение чатов по API
- Конвертация данных в json/csv
- Поддержка системы хранения и обработки данных
- Гаврикова иринаДоцент МФТИ, преподаватель, научный сотрудник, куратор УИИ
- Подготовка данных, полученных по API, для построения рекомендательной системы
- Написание скриптов для составления профиля пользователей платформы Goodgame на основе его интересов с использованием LLM
- Написание скриптов для анализа тематики стримов на основе инновационного подхода определения категории стрима и формирования тегов с использованием LLM
- Разработка рекомендательной системы (написание полного пайплайна) на основе составленного с помощью LLM профиля пользователя с целью выдачи рекомендаций стримов, подходящих по тематике.
- шурупов ЕвгенийGo (Golang) бэкенд-разработчик
- Реализация рекомендательной системы на основе «векторов предпочтений»
- Внедрение моделей BagOfChannels и user2vec
- Поддержка Docker-инфраструктуры
- Оптимизация развертывания на сервере заказчика
- Автоматизация прогноза рекомендаций по векторным профилям
- лукашина евгенияв декретном отпуске, ранее главный специалист (сбер)
- Выполнено описание, разворачивание и тестирование моделей для рекомендаций NNHS и ModelLightFM
- Анализ интересов тестовых пользователей
- Анализ результатов тестирования моделей, оценка релевантности полученных рекомендаций
- Создание модели рекомендаций, основанной на нейросетевом подходе с эмбеддингами пользователей и каналов. Модель анализирует взаимодействия пользователей, включая подписки, сообщения в чате и донаты, присваивая им разные веса
- Тестирование собственной модели, оценка релевантности полученных рекомендаций
- иванов виталийРуководитель отдела электронных торгов
- Обработка и рефакторинг кода моделей GMF и NCF
- Поддержка сценариев cold start
- Использование длительности просмотра как признака
- Оптимизация параметров моделей с использованием Optuna
- аникеев михаилтимлид в IT-компании
- Парсинг и агрегация сообщений из чатов
- Сопоставление чатов с каналами и их анализ
- Обработка и рефакторинг кода модели TFRS
- Тестирование новых признаков (duration, вовлечённость)
- Анализ вовлечённости пользователей по каналам
- жидовинов никитаинженер-программист
- Анализ и исправление openapi spec API Goodgame для автоматической генерации клиента
- Реализация экспериментальной модели рекомендаций, с подходом Twitch, адаптация её под специфику GoodGame
- Разработка системы оценки качества рекомендаций, с фокусом на метрике CTR (Click-Through Rate)
- тарасевич ильяТехник-строитель
- Обработка и рефакторинг кода модели FastAI
- Проведение тестирования рекомендаций на реальных действиях пользователей
- Анализ разреженности данных как причины снижения качества рекомендаций
- Разработка метрик соответствия предсказаний и действий.