Детальная информация

Данная работа посвящена разработке системы на основе микросервисов с использованием LLM, для автогенерации тайм-кодов к аудиозаписям и видеороликам. Задачи, которые решались в ходе разработки, включали в себя следующее: 1)анализ существующих решений и инструментов, применяемых для обработки мультимедийных данных, 2)сравнение различных подходов, их точности, эффективности и ограничений, 3)разработку, апробацию и тестирование программного продукта для генерации таймкодов для видеоматериалов открытого доступа. В результате сбора и анализа информации были выбраны технологии, которые использовались для реализации приложения: Java, Python, Spring, Docker, Django, YandexGPT.       В ходе работы были реализованы 4 микросервиса для автогенерации тайм-кодов к аудиозаписям и видеороликами. Один необходим как точка входа из внешнего мира и сервис для маршрутизации запросов пользователей, второй микросервис нужен для управления пользователями системы, третий - хранение пользовательских данных, а четвертый – сервис для транскрибации и автогенерации.

This work is devoted to the development of a system based on microservices using LLM for auto-generation of timestamps for audio recordings and videos. Problems that were solved during development: 1)analysis of existing solutions and tools used for multimedia timestamps generation, 2)comparison of different approaches, their accuracy, effectiveness, and limitations. 3)development, approbation and testing of a software product for generating timecodes for open access video materials.         As a result, the technologies used for application development were selected: Java, Python, Spring, Docker, Django, YandexGPT.         In the course of the work, 4 microservices were implemented for auto-generation of timecodes for audio recordings and videos. One is needed as an entry point from the outside world and a service for routing user requests, the second microservice is needed for managing system users, the third is storing user data, and the fourth is a service for transcription and auto-generation.

• На 46 с., 33 рисунков, 1 таблица, 1 приложение.
• Введение
• Глава 1. Существующие решения и конкуренты
• 1.1.Instant Chapters
• 1.2. VidChapter
• 1.3. Microsoft Videl Indexer
• 1.4. Сравнение
• Глава 2. Подход к решению задачи
• Глава 3. Инструменты и технологии, используемые пр
  • Обоснование выбора технологического стека заключае
  • Python был выбран как основной язык для реализации
  • Преимущества Python заключаются в следующем.
  • 1) Богатая экосистема ИИ-библиотек: доступны такие
  • 2) Удобство прототипирования: Python позволяет быс
  • После выбора стека технологий определим компоненты
• Глава 4. Перечень разработанных программных компон
• 4.1.GatewayApiService
• 4.2. AuthorizationService
• 4.3. MainEditorService
• 4.4. AIEditorService
• Глава 5. Тестирование
• 5.1. Регистрация пользователя
• 5.2. Аутентификация пользователя:
• 5.3. Обновление и валидация токенов
• 5.4. Тестирование основной бизнес логики приложени
• 5.5. Нагрузочное тестирование
• 5.5.1. Вычисленный Response time, Requests/sec, ис
• 5.5.2. Вычисленный Response time, Requests/sec, ис
• 5.5.3. Вычисленный Response time, Requests/sec, ис
• Заключение
• Список использованных источников
• ПРИЛОЖЕНИЯ