Опубликовано: 20.07.2026 | Источник: The Verge – Tech Section

Персонализация в музыкальных сервисах: как внедрить управляемый Taste Profile в дипломный проект

Spotify запустил бета-тест функции, позволяющей пользователям напрямую редактировать свой Taste Profile — внутреннюю модель предпочтений, на основе которой алгоритмы формируют рекомендации. Премиум-пользователи в Новой Зеландии теперь могут не просто пассивно потреблять контент, но и активно корректировать поведение ИИ: уменьшить долю Бибера, исключить жанры или поднять приоритет определённых исполнителей. Это сдвиг от «чёрного ящика» к прозрачной, интерактивной персонализации.

Для студентов IT-специальностей это сигнал: будущее за системами, где пользователь — не наблюдатель, а участник процесса. Устаревают модели, построенные только на коллаборативной фильтрации и скрытых факторах. Актуальны решения, сочетающие машинное обучение, UX-контроль и архитектурную гибкость. Такой подход можно не просто описать — его можно реализовать в ВКР, измерить метрики, обосновать выбор стека и защитить как инновационный.

Актуальные темы для ВКР на основе кейса Spotify

1. Разработка системы рекомендаций с пользовательским контролем профиля предпочтений

• Актуальность: Spotify переходит от пассивной персонализации к диалогу с пользователем — ваш диплом может опередить тренд.
• Цель: Создать прототип сервиса, где пользователь редактирует веса жанров, исполнителей и настроений в своей рекомендательной модели.
• Задачи:
  • Проанализировать существующие архитектуры (Spotify, Pandora, Яндекс.Музыка).
  • Спроектировать API для управления Taste Profile.
  • Реализовать модуль адаптации рекомендаций на основе ручных правок.
  • Провести A/B-тестирование эффективности.
• Структура:
  • Глава 1 — Анализ методов персонализации и требований к системам рекомендаций.
  • Глава 2 — Проектирование архитектуры и разработка API.
  • Глава 3 — Тестирование, метрики, экономический расчёт (TCO, ROI).

2. Интеграция ML-моделей в микросервисную архитектуру с возможностью обратной связи от пользователя

• Актуальность: Контроль над Taste Profile — это механизм обратной связи, который можно использовать для дообучения модели.
• Цель: Показать, как данные от пользователя (например, «убрать рок») влияют на качество рекомендаций.
• Задачи:
  • Выбрать ML-фреймворк (TensorFlow, PyTorch, LightFM).
  • Разработать конвейер дообучения модели на событиях из UI.
  • Настроить мониторинг дрейфа данных (data drift) через OpenTelemetry.
  • Оценить RTO при сбоях в ML-сервисе.
• Структура:
  • Глава 1 — Обзор ML-архитектур в стриминговых сервисах.
  • Глава 2 — Проектирование ML-pipeline и интеграция с backend’ом.
  • Глава 3 — Тестирование устойчивости и метрики качества (precision@k, recall@k).

3. Оптимизация пользовательского опыта в стриминговом сервисе через прозрачность алгоритмов

• Актуальность: Спрос на explainable AI растёт. Spotify даёт контроль — вы можете показать, как это влияет на retention.
• Цель: Исследовать влия прозрачности алгоритмов на удовлетворённость пользователя.
• Задачи:
  • Разработать UI-компонент «Мой Taste Profile».
  • Собрать фиктивные, но правдоподобные данные о поведении пользователей.
  • Построить модель оценки NPS на основе взаимодействия с профилем.
  • Оценить TCO внедрения такой функции в MVP.
• Структура:
  • Глава 1 — Теория UX и explainable AI.
  • Глава 2 — Проектирование интерфейса и логики отображения данных.
  • Глава 3 — Экономическое обоснование и юзабилити-тестирование.

Аналитическая глава: как использовать кейс Spotify в теоретической части

В первой главе ВКР важно не просто описать технологию, а сравнить подходы. Возьмите Spotify как пример перехода от скрытой персонализации к управляемой. Приведите таблицу сравнения:

Обоснуйте выбор стека: если вы используете FastAPI + PostgreSQL + Redis + Celery — покажите, что это соответствует современным практикам масштабирования и скорости ответа. Ссылайтесь на статью как на подтверждение актуальности темы.

Проектная часть: схемы, API, интеграция

Во второй главе сосредоточьтесь на архитектуре. Вот пример, как можно представить поток данных:

[Frontend] 
   ↓ (HTTP PATCH /api/v1/taste-profile)
[Backend API (FastAPI)] 
   ↓ (публикует событие)
[Kafka → taste.profile.updated]
   ↓
[ML Service (Python + Scikit-learn)] 
   ↓ (обновляет вектор предпочтений)
[Redis (хранилище профиля)] 
   ↓
[Recommendation Engine] → возвращает обновлённые треки

Добавьте диаграмму последовательности (sequence diagram) в UML, оформленную по ГОСТ 34.602-89. Укажите, как реализованы требования ISO/IEC 25010: например, «модифицируемость» — за счёт микросервисов, «функциональная полнота» — за счёт поддержки всех CRUD-операций над профилем.

Тестирование и метрики: как измерить успех в дипломе

Третья глава — не просто «мы всё запустили». Здесь нужны цифры. Вот какие метрики стоит включить:

• Производительность: время ответа API при 1000 RPM (можно смоделировать через Locust).
• Надёжность: RTO ≤ 2 мин, RPO = 0 (через репликацию в PostgreSQL).
• Качество рекомендаций: precision@10, recall@10 на тестовом датасете (например, Last.fm dataset).
• Экономика: снижение TCO на 15–20% за счёт отказа от дорогих GPU при использовании LightFM вместо нейросетей.

Настройте сбор метрик через OpenTelemetry и визуализируйте в Grafana. Это покажет, что вы работаете с промышленными стандартами, а не учебными заглушками.

FAQ: Ответы на частые вопросы

Насколько сложно реализовать такой проект?
Уровень — средний. Если вы владеете Python и базами данных, то за 2–3 месяца можно собрать рабочий прототип. Главное — не пытаться сделать всё сразу. Начните с MVP: API + простая модель + mock-UI.

Обязательно ли писать код для защиты ВКР?
Да, особенно если вы на IT-направлении. Даже если вуза требует только теорию, наличие кода (на GitHub) и демонстрация работы — огромный плюс. Можно использовать Jupyter Notebook для демонстрации ML-части.

Как правильно оформить UML-диаграммы?
Используйте PlantUML или draw.io. Сохраняйте единый стиль. Подписывайте все элементы. Диаграмма должна быть понятна без пояснений. Ссылайтесь на ГОСТ 19.701-90 (схемы алгоритмов и программ).

Где взять тестовые данные?
Открытые датасеты: Last.fm, Million Song Dataset, Kaggle. Можно сгенерировать синтетические данные через Faker или custom-скрипты. Укажите источник в приложении к ВКР.

Чему вы научитесь

• Проектировать event-driven архитектуры с использованием Kafka и микросервисов.
• Обосновывать выбор стека (FastAPI vs Spring Boot, Redis vs Memcached) через сравнение метрик.
• Работать с ML в продакшене: от обучения до мониторинга через OpenTelemetry.
• Оформлять техническую документацию по стандартам (ГОСТ, ISO/IEC 25010).
• Измерять не только производительность, но и бизнес-эффект (NPS, retention).

Источник: Spotify tests letting users directly customize their Taste Profile (опубликовано 2026-03-13)