План реализации AI-стратегии¶

Этот документ детализирует этапы внедрения ИИ, описанные в AI Solution. Реализация предусматривает гибридную архитектуру: - FastAPI (Python): Генерация эмбеддингов, сложная бизнес-логика RAG, генерация контента (Content Factory), аналитика. - Rust: Высокопроизводительный API поиска, Real-time чат, чтение рекомендаций, интеграция с мобильным приложением.

📅 Этап 1: MVP (Smart Search & Content Gen)¶

Цель: Запустить семантический поиск и помочь администраторам генерировать контент. Срок: 1-2 месяца.

1.1. Инфраструктура и База данных¶

[ ] Supabase Setup
- [ ] Включить расширение pgvector.
- [ ] Создать таблицу embeddings (или добавить колонку embedding в существующие таблицы hotels, tours).
- [ ] Настроить индексы HNSW для быстрого поиска.
[ ] API Gateway & Keys
- [ ] Настроить доступ к OpenAI API / Anthropic API (в .env для обоих бекендов).
- [ ] Реализовать rate limiting и кэширование запросов.

1.2. Backend (Python/FastAPI)¶

[ ] Embedding Service
- [ ] Реализовать функцию генерации эмбеддингов (текст -> вектор).
- [ ] Создать скрипт первоначальной индексации (проход по всем отелям/турам и генерация векторов).
- [ ] Настроить триггеры/хуки: при обновлении описания отеля обновлять вектор.
[ ] Content Generation API
- [ ] Эндпоинт /api/v1/ai/generate-description: принимает характеристики, возвращает текст.
- [ ] Промпт-инжиниринг для генерации продающих текстов.

1.3. Backend (Rust)¶

[ ] High-Performance Search Service
- [ ] Настроить подключение к Postgres с поддержкой pgvector (crate pgvector).
- [ ] Реализовать быстрый поиск /api/v1/search/semantic на Rust (Actix-web/Axum).
- [ ] Оптимизация SQL-запросов (HNSW index usage).
- [ ] Кэширование результатов поиска в Redis.

1.4. Frontend (React/Admin)¶

[ ] Умный поиск (Client)
- [ ] Обновить компонент поиска: добавить поддержку естественного языка.
- [ ] Отображать "Почему это подходит" (AI-объяснение в выдаче).
[ ] Генератор контента (Admin Panel)
- [ ] В форму редактирования отеля/тура добавить кнопку "Сгенерировать описание с AI".
- [ ] Интеграция с FastAPI эндпоинтом генерации.

📅 Этап 2: Интеграция (Support Bot & Reviews)¶

Цель: Автоматизировать поддержку и анализ обратной связи. Срок: 3-4 месяца.

2.1. RAG System (Retrieval-Augmented Generation)¶

[ ] Knowledge Base (Python)
- [ ] Скрипты парсинга FAQ, правил, статей и загрузки в векторную базу.
- [ ] Чанкинг документов.
[ ] Chat Service (Rust + Python)
- [ ] Rust: WebSocket Gateway для чата (поддержка высокого конкаренси).
- [ ] Python: RAG-процессор (принимает контекст от Rust, формирует промпт, опрашивает LLM, возвращает ответ).

2.2. Review Intelligence (Python)¶

[ ] Sentiment Analysis
- [ ] Background job: анализ новых отзывов.
- [ ] Выделение тегов (чистота, сервис, еда).
- [ ] Сохранение метаданных в БД.

2.3. Frontend (Chat & Dashboards)¶

[ ] Chat Widget
- [ ] Плавающий виджет чата на сайте (WebSocket).
- [ ] История сообщений.
[ ] Analytics UI
- [ ] Графики тональности отзывов в админке отельера.

📅 Этап 3: Advanced (Pricing & Planner)¶

Цель: Оптимизация выручки и планирование путешествий. Срок: 5-6 месяцев.

3.1. Dynamic Pricing (Python + Rust)¶

[ ] Python: Data Collector (сбор данных о ценах конкурентов, погоде).
[ ] Python: ML-модель рекомендации цены.
[ ] Rust: API получения рекомендованной цены (быстрое чтение из кэша/БД).

3.2. Trip Planner (Python)¶

[ ] Planner Engine
- [ ] Логика составления маршрута (учет времени, локации, бюджета).
- [ ] Генерация PDF-программы поездки.

🛠 Технический стек и инструменты¶

Компонент	Технология	Примечание
LLM	OpenAI GPT-4o-mini	Основная модель (дешево и быстро)
Vector DB	Supabase (pgvector)	Хранение эмбеддингов
Backend AI	Python (FastAPI)	Генерация, RAG, Аналитика
Backend API	Rust (Axum/Actix)	Поиск, Чат, Read-Heavy API
Frontend	React + Tailwind	UI компоненты

📉 Риски и меры¶

Качество поиска: Если поиск выдает нерелевантное -> Внедрить механизм Feedback (лайк/дизлайк выдаче) для дообучения.
Синхронизация: Rust и Python должны использовать одну модель эмбеддингов.