ПОДБОР
— Кино, которое подходит именно тебе
— Подборки фильмов и сериалов по настроению и психотипу
О чём наш проект
Мы создаём медиа, которое решает проблему выбора.
В эпоху переизбытка контента зритель тратит больше времени на поиск фильма, чем на сам просмотр. Человек открывает онлайн-кинотеатр, листает 30–40 минут, устаёт и засыпает на титрах — так и не начав смотреть.
Решение: «Подбор» берёт эту задачу на себя. Мы рекомендуем кино под конкретную ситуацию: вечер после работы, выходные с семьёй, фон под дела или глубокий разбор для киномана
Наша миссия: Сделать выбор фильма таким же приятным, как сам просмотр. Экономить время зрителя и возвращать ему удовольствие от кино
Источники данных для медиа
Мы используем несколько категорий источников: API для структурированных данных, открытые источники для контекста и ручную экспертизу для оценок
Вывод: API дают нам «скелет» (что за фильм, где смотреть, когда выйдет), человек даёт «мясо» (стоит ли смотреть, кому зайдёт).
Схема данных: общая логика
Мы разделили обработку на два контура: машинный (сбор, нормализация, черновики) и человеческий (отбор, оценка, публикация). Машина никогда не публикует контент напрямую
Машинная обработка
Автоматизация берёт на себя рутину: сбор, обновление, первичную фильтрацию. Это экономит часы редактора и снижает риск ошибок в метаданных
ЗАДАЧИ МАШИННОЙ ОБРАБОТКИ:Синхронизация базы фильмовЕжедневный запрос к Kinopoisk API / poiskkino.dev: новые релизы, изменения рейтингов
Обновление календаря цифровых релизов
Автоматическая генерация «кандидатов»По заданным фильтрам: «драмы 2015–2020 с рейтингом >7.5», «комедии до 90 минут», «фильмы с тегом „для вечера после работы“» (теги задаёт человек)
Черновик подборки из 10–15 позиций
Нормализация и маппинг IDПриведение названий к единому виду (RU/EN)
Сопоставление ID Кинопоиск ↔ IMDb ↔ TMDB
Мониторинг трендовОтслеживание упоминаний фильмов в Telegram-каналах и соцсетях
Сигнал редактору: «Этот фильм резко обсуждают — проверь»
Черновики текстов (вспомогательно)Автоматическая вставка метаданных в шаблон поста: название, год, режиссёр, постер, ссылка
Не генерация оценок — только фактура
Что машина НЕ делает:
Не пишет финальные обзоры
Не ставит оценку «стоит/не стоит смотреть»
Не публикует без проверки
Человеческая обработка
Человек в «Подборе» — не «оператор кнопки», а фильтр смысла. Машина даёт 50 кандидатов, человек выбирает 5 и объясняет, почему именно они
ЗАДАЧИ ЧЕЛОВЕЧЕСКОЙ ОБРАБОТКИ:
Кураторский отбор
Из черновика машины редактор выбирает фильмы, которые действительно релевантны теме
Отсеивает «мусор» (низкое качество, несоответствие рубрике)
Оценка «под настроение»
Кому это кино зайдёт: уставшему, киноману, фоновому?
Что чувствует зритель после просмотра?
Проверка на спойлеры
Машина не понимает, что такое спойлер. Человек — понимает.
Tone of Voice
Приведение текста к голосу «Подбора»: дружелюбно, без занудства, с самоиронией
Финальное решение
Ни один пост не уходит в публикацию без явного «Одобряю» от редактора
Обратная связь для машины
Редактор отмечает, какие фильтры сработали плохо → машина учится (на уровне правил, не «обучения модели»)
Гайдлайны для автоматизированных сервисов
Автоматизация без правил — это риск. Мы фиксируем 6 принципов, которые действуют для любого автоматизированного процесса в «Подборе»
Дополнительно для AI-ассистентов (если используются):Не загружать персональные данные пользователей в сторонние сервисы
Не использовать AI для генерации изображений-обложек без пометки
Все AI-инструменты проходят проверку редактором перед использованием в продакшене
Технический стек
Мы не строим свою инфраструктуру с нуля. Используем готовые API и минимальный стек для автоматизации
Пример: как рождается подборка «Кино после работы»
Показываем путь данных на конкретном сценарии
