Ссылка на датесет

Подготовить бэкенд для рекомендательной системы:

1. Обучить Faiss index для быстрого поиска ближайших эмбеддингов фильмов (см. predict.py).
2. Реализовать endpoint с помощью FastAPI для рекомендаций Faiss index.
3. Реализовать хранение и обновление эмбеддингов пользователя в Redis:
   • При клике пользователя на любой фильм в Kafka поступает соответсвующее сообщение, а KafkaListener при получении сообщения должен обновлять эмбеддинг пользователя в Redis (например, складывать эмбеддинги с более низким весом для эмбеддинга, который был посчитан ранее)
4. При переходе пользователя на страницу Recommendations должен отображаться список из топ-10 рекомендованных ему фильмов

Критерии

• Обучен Faiss index - +1
• Реализован endpoint для предсказаний - +1
• Реализованы KafkaProducer и KafkaListener (см. consumer.py и producer.py) - +3
• Реализовано хранение эмбеддингов пользователей в Redis - +2
• Полный функционал привязан к фронтенду (см. streamlit.py) - +1
• Все упаковано в docker-compose - +2