Поддерживаем инфраструктуру,
создаем комфортную среду
для разработки, внедряем лучшие
DevOps-практики.
DevOps
as a Service
Поддерживаем инфраструктуру,
создаем комфортную среду
для разработки, внедряем лучшие
DevOps-практики
DevOps
as a Service
Обеспечиваем стабильную работу проектов
Скорость реакции и максимально допустимое время простоя фиксируем на уровне договора. Несем за них ответственность.
SLA с гарантией
Внимательны к деталям
Задаём много вопросов, чтобы ничего не упустить. Ваш проект получает лучшее из возможных технических решений, учитывающее все тонкости и горизонт развития
С нами легко
Прямое взаимодействие с нашими инженерами: через систему тикетов, в Telegram-чате, в формате видео-конференции, по электронной почте.
Проактивный мониторинг
Инженеры постоянно работают над отладкой и автоматизацией процессов, чтобы предупредить сбои в работе проектов.
Отсутствие вендорлока
Архитектура на OpenSource-решениях. Ведение документации по проекту. Актуальная информация доступна в любой момент.
Обеспечиваем стабильную работу проектов
Задаём много вопросов, чтобы ничего не упустить. Ваш проект получает лучшее из возможных технических решений, учитывающее все тонкости и горизонт развития
Прямое взаимодействие с нашими инженерами: через систему тикетов, в Telegram-чате, в формате видео-конференции, по электронной почте.
Проактивный мониторинг
Архитектура на OpenSource-решениях. Ведение документации по проекту. Актуальная информация доступна в любой момент.
Скорость реакции и максимально допустимое время простоя фиксируем на уровне договора. Несем за них ответственность.
SLA с гарантией
Внимательны к деталям
С нами легко
Инженеры постоянно работают над отладкой и автоматизацией процессов, чтобы предупредить сбои в работе проектов.
Отсутствие вендорлока
Обеспечиваем стабильную работу проектов
Скорость реакции и максимально допустимое время простоя фиксируем на уровне договора. Несем за них ответственность.
SLA с гарантией
Внимательны к деталям
Задаём много вопросов, чтобы ничего не упустить. Ваш проект получает лучшее из возможных технических решений, учитывающее все тонкости и горизонт развития
С нами легко
Прямое взаимодействие с нашими инженерами: через систему тикетов, в Telegram-чате, в формате видео-конференции, по электронной почте.
Проактивный мониторинг
Инженеры постоянно работают над отладкой и автоматизацией процессов, чтобы предупредить сбои в работе проектов.
Отсутствие вендорлока
Архитектура на OpenSource-решениях. Ведение документации по проекту. Актуальная информация доступна в любой момент.
Мы одновременно обслуживаем
приложений в production
780+
450+
серверов в production
25+
кластеров в Kubernetes
Примеры проектов
Обратите внимание, что это не конкретные предложения, а именно примеры. Стоимость и необходимые услуги расчитываются индивидуально для каждого заказчика
Небольшой проект
Средний проект
Крупный проект
Состав проекта
1-2 Монолита на Python/Java и 10-15 микросервисов Python/JS/Go
RabbitMQ, Redis, Sentry
Дополнительные компоненты
1-2 виртуальных сервера СУБД
1 кластер Kubernetes
Инфраструктура
5-10 микросервисов на Python/JS/Go
Состав проекта
Состав проекта
1 монолит на Python или 10-15 микросервисов Python/JS/Go
Инфраструктура
2 виртуальных сервера СУБД
2 кластера Kubernetes (prod/stage)
Технологические компоненты
RabbitMQ, Redis, Sentry, ELK/Graylog, MongoDB. Мониторинг с долговременным хранением метрик
Инфраструктура
2-4 виртуальных сервера СУБД
3 кластера Kubernetes (prod/stage/dev)
Технологические компоненты
RabbitMQ, Redis, Sentry, ELK/Graylog
Примеры проектов
Обратите внимание, что это не конкретные предложения, а именно примеры. Стоимость и необходимые услуги расчитываются индивидуально для каждого заказчика
RabbitMQ, Redis, Sentry
Дополнительные компоненты
1-2 виртуальных сервера СУБД
1 кластер Kubernetes
Инфраструктура
5-10 микросервисов на Python/JS/Go
Состав проекта
Небольшой проект
RabbitMQ, Redis, Sentry, ELK/Graylog
Технологические компоненты
2 виртуальных сервера СУБД
2 кластера Kubernetes (prod/stage)
Инфраструктура
1 монолит на Python или 10-15 микросервисов Python/JS/Go
Состав проекта
Средний проект
2-4 виртуальных сервера СУБД
3 кластера Kubernetes (prod/stage/dev)
Инфраструктура
1-2 Монолита на Python/Java и 10-15 микросервисов Python/JS/Go
Состав проекта
Крупный проект
RabbitMQ, Redis, Sentry, ELK/Graylog, MongoDB. Мониторинг с долговременным хранением метрик
Технологические компоненты
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру. Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно посещают сайт
Кейсы
ennergiia.com
Интернет-магазин одежды
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
Решение
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии "Приложение двенадцати факторов".

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система.
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.

Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой.

Основу сервиса составляет предобученная нейронная сеть-детектор людей. Сервис собирает события прохода посетителя, обрабатывая видеопоток. Видеопоток считывается с камер видеонаблюдения.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~ 15 сервисов
~ 40 виртуальных машин
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру.

Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно
Кейсы
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
Решение
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии “Приложение двенадцати факторов”.

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система.
Интернет-магазин одежды
ennergiia.com
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.
Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой.

Основу сервиса составляет предобученная нейронная сеть-детектор людей.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~15 сервисов
~40 виртуальных машин во всех средах
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру.

Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно
Кейсы
ennergiia.com
Интернет-магазин одежды
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
Решение
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.

Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии "Приложение двенадцати факторов".

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система.
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.
Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой.

Основу сервиса составляет предобученная нейронная сеть-детектор людей.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~15 сервисов
~40 виртуальных машин во всех средах
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру.

Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно
Кейсы
ennergiia.com
Интернет-магазин одежды
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.

Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии “Приложение двенадцати факторов”

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система
Решение
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.
Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой. Основу сервиса составляет предобученная нейронная сеть-детектор людей.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~15 сервисов
~40 виртуальных машин
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру.

Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно
Кейсы
ennergiia.com
Интернет-магазин одежды
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Решение
Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии "Приложение двенадцати факторов".

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система.
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.
Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой. Основу сервиса составляет предобученная нейронная сеть-детектор людей. Сервис собирает события прохода посетителя, обрабатывая видеопоток, который считывается с камер видеонаблюдения.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~ 15 сервисов
~ 40 виртуальных машин
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Кейсы
SDVOR.COM
Интернет-магазин по продаже строительных материалов
Ситуация заказчика
Проект начинался как переход с php-монолита на микросервисную архитектуру.

Из монолита был переделан в 5-6 docker-контейнеров с сервисами на различных языках программирования, все это было без какой-либо оркестрации. Постепенно появлялись и совершенствовались процессы CI/CD.

Количество микросервисов быстро увеличивалось, в связи с этим было принято решение рассмотреть варианты оркестраторов.
Решение
Выбор был сделан в пользу Kubernetes, тогда он был уже достаточно стабилен и с запасом закрывал все потребности в управлении быстрорастущим проектом.

Интернет-магазин разместили в Google Cloud используя managed-Kubernetes. Staging и development среды также переехали на Kubernetes.

Это значительно повысило отказустойчивость проекта, ускорило процессы доставки кода и упростило администрирование инфраструктуры. На текущий момент проект переехал в Yandex.Cloud.
~30 сервисов
~50 виртуальных машин во всех средах
~26000 пользователей ежедневно
Кейсы
ennergiia.com
Интернет-магазин одежды
Ситуация заказчика
Сайт интернет-магазина по продаже одежды. Создавался и продолжает развиваться по принципам микросервисной архитектуры.
~50 микросервисов на различных языках программирования
~40 виртуальных машин в Yandex.Cloud
Чтобы использовать все преимущества микросервисной архитектуры и снизить операционный объем работ, заказчику было предложено разрабатывать приложения согласно методологии "Приложение двенадцати факторов".

Совместно с командами для основных стеков технологий выработали набор необходимых инструментов и библиотек, необходимых для разрабатываемых сервисов.

Для того, чтобы разработчикам было проще реагировать на инциденты, локализовать проблемные места, была внедрена Distributed tracing система.
Решение
Кейсы
Строительный двор
Сеть магазинов по продаже строительных материалов
Ситуация заказчика
В 2020 году потребовалось новое решение для анализа трафика покупателей в розничных магазинах ООО «Строительный двор». До этого в магазинах использовались счетчики на выходной группе, которые не давали точных данных и не могли использоваться для анализа и прогнозирования.

Потребителей данных интересовал в первую очередь трафик покупателей, как элемент конверсии, а, так же, его анализ.
Решение
Нами был разработан продукт «Трекинг» на основе технологии Computer Vision. Система передает в аналитику данные: событие (наличие в области входной группы человека), направление движения (вошел/вышел), дата, время, свой/чужой.

Основу сервиса составляет предобученная нейронная сеть-детектор людей. Сервис собирает события прохода посетителя, обрабатывая видеопоток. Видеопоток считывается с камер видеонаблюдения.

С помощью аналитики заказчики смогли отследить сезонность, недельные изменения, изменение количества посетителей в течении дня/ночи, сравнение объема посетителей в разрезе магазинов, районов, городов, оценить нагрузку на работников магазина, в будущем, учитывать в трафике только покупателей, исключая проходы сотрудников.
~ 15 сервисов
~ 40 виртуальных машин
Кейсы
Группа компаний РОСА
Ситуация заказчика
В группе компаний «Роса» существовало решение для получения в систему учета сканов документов, подписанных клиентами. Система позволяла минимизировать затраты на поиск документов при спорных ситуациях, предоставлять при запросах от клиентов подписанные сканы документов, четко работать системе дебиторской задолженности.

Продукт был сделан в 2012 году на основе возможностей инструментов ABBYY FineReader. Уже с 2020 года предприятия не могли часть сканов разместить в систему в связи с ограничениями лицензирования.
Решение
Из двух вариантов решения проблемы остановились на собственной разработке.

В итоге, новый продукт повторил возможности существовавшего решения, и дал возможность пользователям использовать настольный девайс. Сейчас наш продукт позволяет загружать изображения со сканера в настольной версии и с камеры в мобильных устройствах с помощью веб-браузера, валидировать качество изображений, распознавать ключевую информацию на документах, формировать PDF и загружать в ЕРП систему с учётом распознанных данных, формировать истории сканирования.

Компетенции в Data Science позволили создать сервис обработки и распознавания документов, разработанный взамен ABBYY FineReader.
Наши клиенты
Остались вопросы?
Свяжитесь с нами
Нажимая на кнопку, вы даете согласие на обработку персональных данных
Остались вопросы?
Свяжитесь с нами
Нажимая на кнопку, вы даете согласие на обработку персональных данных