FlyFlat: мы перенесли в облако сервис для дизайна интерьеров и в 2,5 раза увеличили количество разрабатываемых проектов

FlyFlat разработали приложение с AI для дизайна интерьера

FlyFlat специализируется на разработке дизайна квартир, для этого у компании есть целый штат сотрудников. Мы понимали, что разработка проектов вручную требует много времени, из-за этого растет нагрузка на специалистов, сроки и стоимость работы: по нашей оценке, 82% клиентов были недовольны ценой, а 63% — сроками.

Поэтому разработали сервис, с помощью которого и профессиональные дизайнеры, и обычные люди смогут создавать дизайн интерьера за несколько минут: для этого собрали датасет и обучили нейросеть, которая генерирует дизайн интерьера по текстовому описанию.

Помимо нейросетей, сервис использует технологии виртуальной и дополненной реальности — это позволяет накладывать сгенерированные дизайны на фотографии с планировками реальных квартир.

Сейчас сервис находится на этапе бета-тестирования и вот что умеет:

• генерировать различные варианты дизайна интерьера на основе текстового описания;

• создавать модель квартиры по фотографиям и подбирать мебель;

• распознавать предметы интерьера на фотографиях и находить магазины, где их можно купить.

На этапе MVP и тестирования сервиса на небольших фокус-группах мы использовали собственную инфраструктуру. Но ресурсы наших серверов ограничены, поэтому мы понимали, что если сервис будет работать на нашей инфраструктуре, то потребуется закупать оборудование впрок.

Такой сценарий на этапе MVP нас не устраивал, особенно с учетом дефицита оборудования. К тому же мы не хотели нагружать штатных ИТ-специалистов администрированием инфраструктуры, поэтому для развития сервиса решили использовать облако.

Ресурсы, компетенции, клиентоориентированность — основные критерии при выборе провайдера

Для работы сервиса на основе ИИ, виртуальной и дополненной реальности нужны:

• высокопроизводительные процессоры для стабильной работы и оперативной обработки запросов;

• мощные GPU для быстрого обучения ML-моделей;

• хранилища для размещения датасетов, ML-моделей, стандартных каталогов жилья, элементов интерьера и других данных.

Мы понимали, что инфраструктура должна гибко масштабироваться — объем обрабатываемого датасета и количество одновременных запросов могут варьироваться. Например, сегодня сервисом решили воспользоваться 500 человек, а завтра 100.

На этапе выбора провайдера мы рассматривали всех крупных российских поставщиков. Выбирали по следующим критериям.

• Ресурсы. Мы искали провайдера, который предоставит достаточный объем мощностей и возможность быстро масштабировать инфраструктуру с учетом динамики нагрузок.

• Компетенции. Было важно, чтобы провайдер не только предоставлял облачные сервисы (IaaS, PaaS), но и обладал опытом работы с Machine Learning, в построении систем для работы с данными и мог дать рекомендации на этапе построения архитектуры решения в облаке.

• Прогнозируемость. Нам важна стабильная доступность всех используемых сервисов и постоянное развитие их функциональности, чтобы планировать развитие нашего продукта.

• Клиентоориентированность. Мы хотели попробовать разные сценарии и подходы к работе в облаке. Поэтому было важно, чтобы провайдер позволял провести нужные тесты и делился опытом.

Помимо технических моментов, важна стоимость облачных ресурсов — на этапе MPV мы не были готовы к большим инвестициям, поэтому подали заявку на участие в программе поддержки стартапов VK Cloud, по которой можно получить грант в 2 млн рублей. Мы прошли отбор в программу и сейчас пользуемся скидками, что дополнительно снижает наши расходы на ИТ.

Специалисты VK Cloud продемонстрировали готовность идти навстречу и вовлекаться в проект и поддержали нас на этапе развертывания нашего решения в облаке.

Грант потратили на развертывание нашего решения в облаке и подготовку к публичному запуску

Для запуска нашего решения в облаке VK Cloud по программе поддержки стартапов мы подключили несколько сервисов.

• Виртуальные машины для работы ИИ-алгоритмов и запуска нашей базы данных.

• S3-хранилище для горячего хранения данных разных форматов. В нем разместили как фотографии, так и каталоги готовых интерьеров, мебели и других объектов.

• GPU NVIDIA Tesla A100, его используют нейросети для дообучения на пользовательских данных и выдачи готовых результатов.

• GPU NVIDIA Tesla V100 — нужна, чтобы распознавать объекты на изображениях.

Помимо этого, по программе поддержки мы также подключили VK WorkSpace — коммуникационные сервисы для общения внутри компании.

Результаты и планы

Сейчас наш умный помощник для создания дизайна интерьеров на основе ИИ проходит обкатку на реальных задачах. Решение тестируют около 300 дизайнеров и 600 частных пользователей. FlyFlat помогает планировать выбрать интерьер, подобрать и найти нужные товары.

• Используя облачные сервисы VK Cloud для работы FlyFlat, мы в 2,5 раза улучшили показатели по количеству проектов.

• Виджет FlyFlat интегрирован на сайты застройщиков — люди могут подобрать интерьер для квартиры, которую смотрят. Это позволило увеличить конверсию в звонок на 17%.

После завершения бета-тестирования мы планируем сделать публичный релиз и масштабировать инфраструктуру в облаке VK Cloud под кратный рост аудитории, увеличить число виртуальных машин и, возможно, GPU.