zoohelper

Оглавление

1. Описание задачи
2. Исследование
3. Описание параметров
4. Запуск приложения
5. Работа с ботом
6. Развитие приложения (инференс)
7. Команда

Описание задачи

Гипотеза: лечение животного стоит дорого и не всегда удачно, сервис предоставляющий оценку вероятности успешного лечения мог бы быть полезен.

Что делаем:

• Даем рекомендации о целесообразности лечения лошадей;
• Клиники могут рекомендовать лечение даже в случае тяжелой болезни, когда вероятность хорошего исхода низка;

Возможные методы монетизации: подписка, оплата за одну рекомендацию;

Волонтёрские организации смогут использовать приложение для оценки здоровья животных

Перспективы развития приложения:

• расширение под другие классы животных;
• улучшение интерфейса (веб-страница с опросом);
• расширить вывод -- предоставлять доводы в пользу рекомандации, возможные способы решения, стоимость.

Запуск приложения

1. Подготовка: .env файл

Заполнить .env файл, добавив туда переменную BOT_TOKEN, содержащую токен чат-бота в telegram (см. example.env)

2. Запуск через docker-контейнер

Для запуска приложения достаточно выполнить команду:

docker-compose --profile prod up

3. Запуск на локальной машине

Из корневой директории репозитория проекта:

pip install -r requirements.txt
python ./src/bot.py

Работа с ботом

• Подключаться к настроенному чату (см. пункт 2.1)
• Следовать подсказкам в чате (команда /help)

Развитие приложения (инференс)

В данный момент точкой входа является скрипт src/bot.py, который совмещает и инференс модели, и поддерживает работу приложения telegram бота.

Очевидно, узким местом текущей версии приложения является именно запуск инференса, что является cpu-bound задачей. По этой причине, не принималось попыток, например, оптимизировать приложение путем перехода к асинхронному коду, т.к. это не даст ощутимых результатов.

Лучшим решением, считаем, переход к сервисной архитектуре, при котором запуск и поддержка инференса модели выделится в отдельный сервис.

• Сервис-бот будет обрабатывать сообщения и отправлять параметры в сервис инференса через мессенджер сообщений;
• Мессенджер будет выполнять роль очереди, что само по себе будет сглаживать нагрузку;
• На стороне сервиса инференса можно будет производить батчинг (при необходимости)

Команда

Состав команды в хакатоне:

• Сарапулов Сергей -- data analyst
• Гриценко Андрей -- backend
• Комарова Полина -- data analyst
• Нурмухаметов Артур -- ML-engineer
• Новиков Дмитрий -- ML-engineer