Опубликовано: 24.07.2026 | Источник: The Verge – Tech Section

ML-сервис музыкальных рекомендаций в ВКР: архитектура, метрики, развёртывание

Введение. Недавняя статья на The Verge об альбоме Wabi Sabi группы Sotomayor вызвала живой отклик подписчиков. Она описывает музыку как «чистую радость», «хаотичную и танцевальную». Студент‑разработчик может превратить такие качественные оценки в техническую задачу: как научить модель предсказывать настроение трека на основе аудио‑признаков и текстов? Это отличная отправная точка для ВКР по ML — от сбора данных до развёртывания микросервиса. В этом материале разберём, как упаковать идею в диплом, какие инструменты выбрать и каких ошибок избежать.

Основная часть: от музыкального инсайта к дипломному проекту

1. Архитектура решения (Глава 2)

Для ВКР по рекомендательной системе музыки типичная архитектура включает:

• Сбор данных — парсинг метаданных (Spotify API, Last.fm) и извлечение аудио‑фич (темп, тональность, спектрограмма).
• Хранилище — PostgreSQL для метаинформации, S3 для аудио‑файлов.
• Бэкенд — FastAPI с эндпоинтами /recommend и /train.
• ML‑модель — ансамбль коллаборативной и content‑based фильтрации (например, LightFM или Neural Collaborative Filtering).
• Оценка — A/B‑тестирование на отложенной выборке с метриками MAP@K, NDCG.
• Развёртывание — Docker + Kubernetes (K8s) с автовосстановлением.

Диаграмму C4 (уровень контейнеров) можно нарисовать в Draw.io — покажите, как клиентское приложение взаимодействует с API, а API — с моделью и базой.

2. Где разместить статью про Sotomayor в ВКР

В первой главе (теория) ссылайтесь на статью как на пример качественного описания пользовательского опыта. Анализируете, какие признаки (энергичность, танцевальность, «чистая радость») можно формализовать в числовые метрики — например, темп, валентность, танцевальность (есть в Spotify API). Во второй главе покажите, как эти признаки подаются на вход модели. В третьей — сравните результаты с реальными отзывами слушателей.

Пример расчёта метрики Precision@K для музыкальных рекомендаций:

def precision_at_k(relevant, predicted, k=10):
    pred_k = predicted[:k]
    hits = len(set(pred_k) & set(relevant))
    return hits / k if k > 0 else 0

3. Инструменты и метрики

Используйте OpenTelemetry для сбора логов и трассировки запросов — это повысит зрелость работы и впишется в требования ISO/IEC 25010 по надёжности. Метрики поддомена: Precision@K, Recall@K, NDCG. Для сравнения моделей — F1‑score. Для бизнес‑эффективности — Time‑to‑Recommend (latency p95).

Пример конфигурации трейсинга в FastAPI:

from opentelemetry import trace
from opentelemetry.instrumentation.fastapi import FastAPIInstrumentor

app = FastAPI()
FastAPIInstrumentor.instrument_app(app)

4. Чему вы научитесь

• Проектировать архитектуру ML‑сервиса с учётом масштабирования (K8s).
• Настраивать CI/CD‑пайплайн (GitHub Actions + Docker Hub + Kubernetes).
• Валидировать модели на исторических данных и A/B‑тестах.
• Оформлять ТЗ по ГОСТ 34 и описывать нефункциональные требования по ISO 25010.
• Считать TCO (Total Cost of Ownership) для облачного развёртывания.

FAQ (часто задаваемые вопросы)

1. Какой датасет лучше взять для музыкальных рекомендаций?

Самый доступный – Million Song Dataset (Kaggle) или Spotify API (есть колонки danceability, energy, valence). Для ВКР достаточно 10–20 тысяч треков. Не берите датасет «вслепую» – проверьте, что в нём есть жанры, близкие к тому, что описывается в статье (электроника, инди).

2. Нужно ли писать модель с нуля?

Нет. Используйте библиотеки Surprise, LightFM, Implicit. Ваша задача – адаптировать под конкретную предметную область (настроение треков). Экспертная комиссия ценит, когда вы обосновываете выбор библиотек в тексте.

3. Как оформить архитектуру в дипломе?

Обязательно – диаграмма C4 (уровень контейнеров). Не рисуйте лишних блоков. Названия стрелок должны быть глаголами: «вызывает API», «загружает веса модели». Ссылайтесь на ГОСТ 34.601‑90 на этапе проектирования.

4. Как доказать эффективность, если нет доступа к живым пользователям?

Используйте offline‑метрики (Precision@K, NDCG) на отложенной тестовой выборке. Дополнительно проведите юзабилити‑тестирование с 3–5 респондентами – попросите оценить рекомендации по шкале от 1 до 5. В третьей главе это будет сильным аргументом.

Источник: Sotomayor’s Wabi Sabi is the funnest record of 2026 (опубликовано 2026‑03‑15)