---

Введення в проблему

В один з напружених днів, коли ми обговорювали поточні проблеми в Slack, один із розробників підняв питання про повільний AI-парсинг. Обговорення розгорілося, коли ми усвідомили, що користувачі почали скаржитися на затримки в обробці даних. В той момент стало зрозуміло: щось потрібно змінювати.

Контекст: чому це важливо

Повільний парсинг даних не тільки сповільнював наші внутрішні процеси, але й негативно впливав на досвід користувачів. Клієнти, які використовують наш продукт для аналізу резюме, почали втрачати довіру до системи. Якщо ми не змогли б швидко вирішити цю проблему, це могло б призвести до зниження кількості підписок і, як наслідок, до втрати доходів. В цій ситуації кожен із нас відчував тиск: це було важливо для команди, бізнесу і, що найголовніше, для наших користувачів.

Подробиці проблеми

Проблема проявлялася в тому, що запити до AI-парсера займали занадто багато часу — іноді до 10 секунд на одне резюме. Коли в системі одночасно працювало кілька користувачів, навантаження зростало, і час очікування збільшувався до 20 секунд. Це викликало цілу низку скарг, і один з прикладів, який ми отримали, був від нашого клієнта, який не міг отримати результати аналізу своїх кандидатів вчасно. Ми зрозуміли, що якщо ситуація не зміниться, це призведе до витоку клієнтів.

Перші спроби вирішення

В якості першого кроку ми вирішили оптимізувати сам парсер, зменшуючи обсяг оброблюваних даних. Однак це не дало очікуваного результату. Ми також пробували збільшити кількість серверів, що обробляють запити, але це збільшувало витрати без помітного покращення продуктивності. Кожне з цих рішень стикалося з новими проблемами, і ми усвідомили, що нам потрібно шукати інші підходи, щоб вирішити цю задачу.

Технічний підхід: впровадження Laravel queue

Врешті-решт, ми прийшли до рішення використовувати Laravel queue. Це дозволило нам розподілити завдання з обробки резюме між кількома воркерами, що значно збільшило швидкість обробки. Ось як ми це реалізували:

use App\Jobs\ParseResume;

foreach ($resumes as $resume) {
    ParseResume::dispatch($resume);
}

Це рішення дозволило нам обробляти запити асинхронно, що значно покращило відгук системи і знизило навантаження на сервери.

Зміни в продукті

Після впровадження Laravel queue, час обробки резюме вдалося скоротити до 3-5 секунд. Користувачі почали отримувати результати практично миттєво. Це не тільки підвищило задоволеність клієнтів, але й дозволило нам повернути довіру до продукту. Ми отримали позитивні відгуки, і кількість скарг різко зменшилася. Тепер користувачі могли зосередитися на інших аспектах роботи, не втрачаючи час на очікування результатів.

Уроки, які ми витягли

Цей процес навчив нас кільком важливим урокам:

• Асинхронна обробка завдань значно підвищує продуктивність.
• Не всі рішення очевидні; іноді варто спробувати кілька підходів, перш ніж знайти правильний.
• Важливо враховувати зворотний зв'язок від користувачів і оперативно реагувати на скарги.
• Оптимізація на рівні коду може бути недостатньою без правильної архітектури.
• Командна робота і відкрите обговорення проблем допомагають знаходити більш ефективні рішення.

Що це означає для кандидатів

Для кандидатів це означає, що ми в Fitlane AI активно шукаємо інженерів, які готові вирішувати реальні проблеми і покращувати користувацький досвід. У нас є можливість впроваджувати свої ідеї і бачити, як вони впливають на продукт. Якщо ви хочете працювати в команді, яка цінує ваші ідеї і прагне до постійного розвитку, ми будемо раді вас бачити.

Що це означає для рекрутерів

Рекрутери повинні розуміти, що ми шукаємо не тільки технічні навички, але й здатність до критичного мислення. Нам потрібні спеціалісти, які можуть запропонувати рішення, а не просто виконувати завдання. Якщо у вас є кандидати, які готові працювати в динамічному середовищі і здатні адаптуватися, обов'язково звертайте на них увагу.

Наступні кроки

Незважаючи на успіх, ми розуміємо, що потрібно продовжувати слідкувати за продуктивністю і шукати нові можливості для оптимізації. Ми розглядаємо можливість інтеграції інших технологій, таких як контейнеризація, для покращення масштабованості системи. Якби нам довелося починати спочатку, ми б, можливо, протестували цей підхід раніше, щоб швидше прийти до ефективного рішення. ---