В стерильном мире теоретического ML запуск рекомендательной системы начинается с полугода проектирования Feature Store и возведения монументальных контуров данных. В реальности у вас на календаре маячит высокий сезон, в распоряжении всего два инженера и один дата-сайентист, а время на раскачку кончилось еще вчера. Как показывает кейс MLOps-инженера сервиса Туту Кристины (Кристина Кучерова), в таких условиях выживает не правильная архитектура, а та, что успевает приносить деньги к дедлайну. Команда сознательно выбрала технологический скептицизм, заменив внедрение тяжеловесных платформ связкой из Kafka, MongoDB и ClickHouse.
Специфика TravelTech не прощает медлительности: здесь бессмысленно предлагать абстрактно похожие отели. Если пользователь купил билет в Сочи на конкретные даты, рекомендация должна учитывать этот контекст мгновенно. Коллаборативная фильтрация в вакууме тут бесполезна. Чтобы не утонуть в проектировании полноценного Feature Store (вроде Feast), инженеры превратили MongoDB в оперативное хранилище признаков. В один документ пользователя с колес залетают и события из Kafka в реальном времени, и ночные агрегаты из ClickHouse. Результат: выдача рекомендаций за миллисекунды без лишних инфраструктурных сущностей.
Безусловно, за скорость пришлось платить функциональностью. Из первой версии безжалостно вырезали работу с холодным стартом и сценарии брошенных корзин — эти задачи отправились пылиться в бэклог. Однако за пять недель команда не просто проверила гипотезу на живом трафике, а создала расширяемую систему. Позже к этому же стеку прикрутили сессионные агрегаты и новые модели ранжирования, сохранив исходный API.
Когда бизнес-метрики завязаны на пиковые даты в календаре, работающее решение на знакомых инструментах оказывается в разы ценнее безупречной архитектуры, которая опоздает к шапочному разбору. Истинный MLOps — это не внедрение всех модных инструментов из ландшафта CNCF, а умение вовремя отсечь лишнее ради окупаемости внедрения здесь и сейчас.