Федеральный центр компетенций в сфере производительности труда (ФЦК) использует ИТ-платформу как основной цифровой контур взаимодействия с участниками программы и органами управления: предприятиями, региональными центрами компетенций и наблюдательными структурами.
Платформа работает в масштабе федерального сервиса – более 300 тысяч активных пользователей, высокая частота операций и постоянное взаимодействие с пользователями. Поэтому при развитии функциональности мы изначально закладывали требования к производительности, отказоустойчивости и управляемости изменений так как любые доработки должны были быть совместимы с непрерывной эксплуатацией и не ухудшать поведение системы под нагрузкой.
В основе платформы заложена ролевая модель: у каждой группы пользователей свой кабинет с различающимися правами доступа, интерфейсом и сценариями работы. В контуре эксплуатации существует 10 типов пользователей (личных кабинетов) — потому что задачи предприятия, регионального центра и органа наблюдения принципиально разные: от операционной работы по заявкам и внедрениям до мониторинга показателей и управленческой аналитики.
Задача BPA в проекте – развитие федеральной платформы АНО «ФЦК»: мы дорабатывали ключевые модули и личные кабинеты, через которые предприятия ведут внедрение «Лучших практик». В рамках этого проводились работы по развитию функциональности подбора и сопровождения практик, рабочий цикл работы с заявками, отчетам и согласованиям с федеральными и региональными наблюдательными структурами, а также сервисы, которые используются в ежедневной работе предприятия: LMS платформа обучения сотрудников, бенчмаркинг (сервис оценки экономических показателей по отрасли), панель администратора для управления контентом всей ИТ-платформы.
Отдельным пунктом стала разработка новых аналитических модулей - дашбордов с отчетными метриками, марко- и мирко-показателями РФ, а также ИИ-агента на базе LLM, обученного на базе знаний для того, чтобы помогать пользователям находить и консультироваться по релевантным решениям исходя из профиля их предприятия/учреждения, представленным на ИТ-платформе.
Инженерная часть проекта включала работу с накопленным легаси-кодом и слабодокументированной структурой данных. Это означает, что перед любыми доработками нужно было сначала аккуратно разобрать зависимости: какие модули и данные связаны между собой и на что повлияет изменение, чтобы обновления не приводили к неожиданным сбоям.
В рамках проекта мы начали переход от монолитной к микросервисной архитектуре: модули, которые мы развивали и создавали, выделялись в отдельные сервисы. Проще говоря, вместо одного большого «комка» логики часть функциональности выносилась в самостоятельные компоненты с более понятными границами. Это снижало связанность компонентов, позволяло развивать отдельные части независимо и уменьшало риск каскадных регрессий, когда правка в одном месте неожиданно ломает другое.
С учетом федерального масштаба и большого числа одновременных пользователей платформы параллельно выполнялись работы по повышению производительности и стабилизации поведения системы. На практике это означало системную backend-разработку и frontend-разработку в действующем контуре: анализ и рефакторинг критичных участков, уточнение доменных границ модулей, вынос логики в сервисный слой, укрепление аналитического контура (кабинеты, показатели, дашборды) и доведение изменений до промышленного качества в условиях непрерывной эксплуатации сервисов.
Наиболее чувствительная сложность проекта была связана не с отдельным модулем, а с тем, как устроен слой данных и как на него опирается аналитика. В исходном контуре у заказчика фактически существовали две разные базы данных с большим массивом «сырых» первичных данных; суммарно речь шла примерно о полутора тысячах таблиц. Для крупных, долго развивавшихся государственных платформ это типовая ситуация: данные накапливаются годами, меняются команды и требования, а единая формализация предметной модели и «карта» хранилища не всегда успевают за развитием.
В этой точке мы взяли на себя задачу инвентаризации и структурирования данных: восстанавливали логику связей, определяли первичные и производные сущности, выявляли дублирование и зоны фактического использования. В том числе применяли методы кластеризации и систематизации массива таблиц и связей, чтобы ускорить первичную навигацию по хранилищу и выстроить понятную структуру для дальнейших изменений. Это создало основу, без которой развитие аналитических модулей неизбежно давало бы спорные результаты и требовало бы постоянных ручных уточнений.
Параллельно требовалось зафиксировать методологию расчета ключевых показателей. Мы совместно с заказчиком прорабатывали и описывали подходы к расчету метрик: источники данных, правила, допущения, трактовки. Так, чтобы результаты стали воспроизводимыми и согласованными между всеми модулями платформы. Отдельно был закрыт контур ручного заполнения данных: часть показателей и планов требовала ввода и корректировок, а внешние данные не всегда доступны через автоматические интеграции. Для этого мы реализовали отдельный интерфейс загрузки и управления данными (редактирование, запись, контроль версий).
В результате заказчик получил управляемое развитие платформы, расширение функционала существующих модулей и личных кабинетов, новый аналитический раздел с отчетными метриками, макроэкономическими показателями РФ, а также ИИ-агента на базе LLM. В итоге платформа стала более предсказуемой для дальнейшего развития за счет переработки и обновления легаси, начатой декомпозиции на микросервисы и работ по улучшению показателей стабильности и производительности, что критично для разработки платформ и высоконагруженных WEB-сервисов федерального масштаба.
Модульная AI-платформа для круглосуточного мониторинга работы персонала и процессов в розничных магазинах в реальном времени.
Инновационная многофакторная система на основе искусственного интеллекта, предназначенная для управления и координации транспортных потоков.
.svg){kind=icon}
