Граф денег — CR7 Mentality

MVP команды CR7 Mentality для кейса Freedom Bank / HackAlem AI: восстановление структуры финансовой сети по обезличенным переводам. Сервис помогает AML-аналитику ответить: кого проверить первым и какие наблюдаемые признаки объясняют этот приоритет.

Основной расчёт воспроизводится локально без API-ключа, GPU, базы данных и платных сервисов. OpenAI используется отдельно для пояснения рассчитанных фактов. Все выводы — гипотезы для ручной проверки, а не утверждения о виновности.

Что реализовано

• Пайплайн из трёх Parquet-файлов до метрик, ролей, кластеров, рейтинга и трёх CSV.
• Направленный граф с окраской ролей/кластеров, поиском по gid и карточкой клиента.
• Приоритеты с объяснениями, статистика сети и график наблюдаемого оборота по дням.
• Учёт обрыва на четвёртом колене, неполных входящих seed и изолированных клиентов.
• ИИ-пояснение выбранного клиента со ссылками на серверные факты и работа без ИИ при его недоступности.
• Интерфейс на русском, казахском и английском. Рассчитанные текстовые факты и ответы ИИ — на русском.

Результат на предоставленном датасете	Значение
Клиенты	2 248
Направленные агрегированные рёбра	3 119
Транзакции	4 840
Исходные клиенты, seed	81
Кластеры Louvain	86
Слабосвязные компоненты	35: 16 с рёбрами и 19 изолированных узлов
Строки top_nodes.csv	100
Сумма транзакций	365 890 012,01 KZT

Это результаты расчёта, а не зашитые ответы. Числа кластеров, ролей и приоритетов пересчитываются из данных. В ТЗ оборот округлён до целого KZT.

Стек и структура

Backend: Python 3.12, FastAPI, Pydantic, pandas, PyArrow, NetworkX, OpenAI SDK. Frontend: Next.js / React, TypeScript, Tailwind CSS, Cytoscape, Recharts. Версии Python-зависимостей закреплены в requirements, frontend — в package-lock.json. Для frontend используйте Node.js 24 и npm.

backend/
  app/              # импорт, метрики, правила, кластеры, API и адаптер ИИ
  data/             # nodes.parquet, edges.parquet, transactions.parquet
  artifacts/        # три обязательные CSV-выгрузки
  scripts/          # HTTP smoke-проверка
  tests/            # проверки пайплайна, API и адаптера ИИ
  .env.example
  .python-version
  requirements.txt
  requirements-dev.txt
  railway.json
frontend/
  src/              # страницы, граф, карточки, рейтинг, ассистент
  tests/
  .env.example
  package.json
  package-lock.json
  railway.json
docs/
  RAILWAY.md
  PROJECT_PASSPORT.md
  api-contract.schema.json
  api-examples.json
  ai-answer.schema.json
  architecture.mmd

flowchart LR
    P["nodes / edges / transactions.parquet"] --> V["Проверка схемы и согласованности"]
    V --> M["Направленный граф и метрики"]
    M --> R["Правила R1–R6 и приоритет"]
    M --> C["Louvain и гипотезы кластеров"]
    R --> S["Результат анализа"]
    C --> S
    S --> CSV["Три CSV"]
    S --> API["FastAPI"]
    API --> UI["Next.js: граф, рейтинг, карточка"]
    API --> F["Серверный каталог фактов"]
    F --> AI["OpenAI: необязательное пояснение"]
    AI --> UI

Локальный запуск с чистого клона

Нужны Git, Python 3.12, Node.js 24 с npm. Для установки зависимостей нужен интернет; после установки основной расчёт и сайт работают локально. Интернет при работе требуется только для включённого OpenAI. Если репозиторий закрыт, заранее авторизуйтесь в GitHub и получите доступ.

git clone https://github.com/BAITC-Hacks/hack-84eefdc9-cr7-mentality.git
cd hack-84eefdc9-cr7-mentality

Используйте два терминала: один для API, другой для frontend. Команды ниже не требуют активации виртуального окружения.

1. Backend — Windows PowerShell

Из корня клона:

cd backend
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
if (-not (Test-Path .env)) { Copy-Item .env.example .env }
.\.venv\Scripts\python.exe -m app.pipeline --data-dir data --out-dir artifacts --seed 42
.\.venv\Scripts\python.exe -m uvicorn app.main:app --host 127.0.0.1 --port 8000

1. Backend — Linux / macOS

Из корня клона:

cd backend
python3.12 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
test -f .env || cp .env.example .env
.venv/bin/python -m app.pipeline --data-dir data --out-dir artifacts --seed 42
.venv/bin/python -m uvicorn app.main:app --host 127.0.0.1 --port 8000

API: http://localhost:8000. Swagger со схемами и интерактивными запросами: http://localhost:8000/docs. Готовность: http://localhost:8000/healthz.

Если на Windows нет команды py, создайте окружение через python -m venv .venv, предварительно проверив python --version (нужна 3.12).

API сам рассчитывает результат при запуске. Отдельная команда app.pipeline нужна для воспроизводимого запуска от сырых файлов до выгрузок без веб-сервера; для обычного запуска сайта её можно пропустить. После установки зависимостей это одна команда, которая создаёт все три CSV без ключа и обращения к OpenAI. Она выводит analysis_id, runtime_ms, размеры графа и пути результатов. Лимит кейса — 300 000 мс; измеряйте время на машине проверки, включая первый запуск процесса.

2. Frontend — второй терминал

Из корня клона:

cd frontend
npm ci

Создайте frontend/.env.local по frontend/.env.example. Для первого запуска:

NEXT_PUBLIC_API_BASE_URL=http://localhost:8000
NEXT_PUBLIC_ENABLE_DEMO=false

Запустите:

npm run dev

Откройте http://localhost:3000 → «Начать анализ» → «Запустить анализ». Для этих команд backend должен продолжать работать в первом терминале. Локальный адрес frontend должен точно совпадать с одним из CORS_ORIGINS.

3. Проверка production-сборки локально

Остановите frontend командой Ctrl+C, оставьте backend работающим:

cd frontend
npm run build
npm run start -- --hostname 127.0.0.1 --port 3000

Если терминал уже находится в frontend, повторный cd frontend не нужен. Production-сервер и dev-сервер не должны одновременно занимать порт 3000.

NEXT_PUBLIC_API_BASE_URL включается в клиентский JavaScript при сборке. После изменения этой переменной снова выполните npm run build и перезапустите frontend.

Конфигурация

Backend

Локальный файл — backend/.env. Он автоматически читается при запуске API, независимо от текущего каталога. Переменные процесса имеют приоритет: используется load_dotenv(..., override=False). Поэтому старое LLM_ENABLED=false в окружении терминала перекроет true в файле. После изменения настроек перезапустите backend.

Переменная	Значение / пример	Назначение
LLM_ENABLED	false	true включает обращения к OpenAI; без него основной анализ и CSV работают
OPENAI_API_KEY	пусто	Настоящий API-ключ проекта OpenAI; нужен только для ИИ
OPENAI_MODEL	gpt-6-luna в шаблоне	Модель, доступная вашему API-проекту и поддерживающая используемые структурированные ответы
CORS_ORIGINS	["http://localhost:3000"]	Разрешённые origins frontend; JSON-массив либо строка адресов через запятую
DATA_DIR	по умолчанию backend/data	Каталог трёх входных Parquet для API
ARTIFACTS_DIR	по умолчанию backend/artifacts	Каталог CSV, должен быть доступен для записи
LLM_REQUESTS_PER_MINUTE	20	Общий лимит попыток платных API-вызовов в минуту на процесс backend
LLM_MAX_CONCURRENT	2	Максимум одновременных платных API-вызовов на процесс

Пример для локального ИИ:

LLM_ENABLED=true
OPENAI_API_KEY=YOUR_REAL_OPENAI_API_KEY
OPENAI_MODEL=gpt-6-luna
CORS_ORIGINS=["http://localhost:3000"]
LLM_REQUESTS_PER_MINUTE=20
LLM_MAX_CONCURRENT=2

OPENAI_API_KEY хранится только на backend. Не помещайте ключ в NEXT_PUBLIC_*, frontend, исходный код или Git. Код активации выданных кредитов не является API-ключом. backend/.env исключён из Git; в Railway значения задаются отдельно через Variables.

DATA_DIR и ARTIFACTS_DIR управляют API. Для CLI используйте параметры --data-dir и --out-dir. Относительные пути переменных разрешаются от рабочего каталога процесса; для нестандартных локальных расположений удобнее абсолютные пути. API рассчитан на один фиксированный батч июля 2026 года с данным контрактом.

Лимиты ИИ принимают положительные целые значения. Они общие для всех посетителей одного процесса. При исчерпании лимита сервис возвращает факты в fallback-режиме с объяснением недоступности; расчёт и CSV продолжают работать. Это ограничение частоты и параллелизма, не денежный бюджет. Для публичного MVP используйте один worker и одну replica; при масштабировании нужен общий внешний limiter.

Frontend

Переменная	Локальное значение	Railway
NEXT_PUBLIC_API_BASE_URL	http://localhost:8000	Публичный HTTPS URL backend, например https://your-backend.up.railway.app
NEXT_PUBLIC_ENABLE_DEMO	false	false; демонстрационные фикстуры в production не используются
RAILPACK_NODE_VERSION	не нужна локально	24, переменная сборки Railway

В NEXT_PUBLIC_API_BASE_URL указывайте только базовый URL без /api/v1. Запросы выполняет браузер посетителя, поэтому railway.internal для этой переменной не подходит. Значение задаётся до сборки frontend.

http://localhost:3000 и http://127.0.0.1:3000 — разные origins. При необходимости разрешите оба:

CORS_ORIGINS=["http://localhost:3000","http://127.0.0.1:3000"]

CORS управляет браузерным доступом; он не заменяет авторизацию.

Проверки перед сдачей

Результаты финального локального прогона и границы проверки: docs/FINAL_CHECK.md.

Backend

Из backend, Windows:

.\.venv\Scripts\python.exe -m pip install -r requirements-dev.txt
.\.venv\Scripts\python.exe -m pytest -q

Linux / macOS:

.venv/bin/python -m pip install -r requirements-dev.txt
.venv/bin/python -m pytest -q

Тесты проверяют полноту узлов, обязательные роли/поля, воспроизводимость CSV, обработку четвёртого колена и изолированных seed, API и адаптер ИИ. Для тестов не нужен настоящий ключ: внешние вызовы отключены или подменены.

Frontend

Из frontend:

npm test
npm run lint
npm run build
npm run typecheck

На чистом клоне выполняйте build перед typecheck: Next.js при сборке создаёт используемые TypeScript-типы маршрутов.

Сквозной HTTP-сценарий

При работающих сервисах, из корня репозитория:

.\backend\.venv\Scripts\python.exe backend/scripts/smoke_api.py --base-url http://localhost:8000 --origin http://localhost:3000

Linux / macOS:

backend/.venv/bin/python backend/scripts/smoke_api.py --base-url http://localhost:8000 --origin http://localhost:3000

Скрипт проверяет готовность API → анализ → дашборд → выбранный узел и рёбра → ассистента → все CSV, а также CORS GET и preflight. По умолчанию корректный fallback ассистента допустим и явно показывается в выводе.

Чтобы проверить именно настоящий ответ OpenAI, сначала настройте ключ и LLM_ENABLED=true, затем добавьте флаг:

.\backend\.venv\Scripts\python.exe backend/scripts/smoke_api.py --base-url http://localhost:8000 --origin http://localhost:3000 --require-live-ai

Этот запуск обращается к платному API и завершается ошибкой, если ассистент вернулся в fallback. Для проверки названного жюри клиента добавьте --gid <gid>. Для Railway замените оба адреса на публичные HTTPS-домены.

Данные и выгрузки

Все три входных файла находятся в backend/data и включены в репозиторий.

Файл	Строк	Поля
nodes.parquet	2 248	gid:int64, depth:int, is_seed:bool
edges.parquet	3 119	src:int64, dst:int64, sum_kzt:number, n_tx:int, depth:int/null
transactions.parquet	4 840	src:int64, dst:int64, date:date/datetime, sum_kzt:number

edges содержит одну агрегированную строку на направленную пару. Он используется для сетевых метрик. transactions используется для суммы оборота и графика по дням. При расхождениях количества/сумм по парам между файлами загрузчик добавляет предупреждения; сетевые метрики продолжают опираться на edges. Проверяются наличие колонок, уникальность клиентов и пар, ссылки на существующие gid, диапазоны глубины и корректность сумм.

Период — 2026-07-01 — 2026-07-31. Данные обезличены и предоставлены для хакатона. Сервис не обогащает их внешними источниками.

Один запуск создаёт в backend/artifacts:

nodes_roles.csv
gid,role,role_score,cluster_id,priority_score,evidence

clusters.csv
cluster_id,n_nodes,n_seed,sum_kzt_internal,top_gids,hypothesis

top_nodes.csv
rank,gid,role,priority_score,why

• nodes_roles.csv: одна строка на каждый исходный узел, evidence непустой и не длиннее 200 символов.
• clusters.csv: одна строка на кластер; top_gids — до пяти gid через ;.
• top_nodes.csv: первые 100 клиентов, сортировка по priority_score убыванию и числовому gid возрастанию; rank начинается с 1.

CSV: UTF-8, разделитель запятая, стандартное quoting, scores с шестью знаками после точки, суммы с двумя. В CSV gid — десятичная запись int64. При открытии в Excel импортируйте колонку gid как текст, чтобы не потерять цифры больших идентификаторов.

В JSON все gid передаются строками в диапазоне signed int64, суммы KZT — десятичными строками. Frontend не должен преобразовывать gid в JavaScript number.

Метрики, роли и объяснимость

Пусть для узла:

• I и O — наблюдаемые входящие и исходящие суммы без переводов на самого себя.
• Uin и Uout — число различных других плательщиков и получателей.
• r = O / I при I > 0; иначе отношение не определено.
• S — число различных других seed, от которых есть направленный путь длиной 1–4 до узла.
• B — направленная нормированная betweenness; NetworkX, выборка k=min(128,N), weight=None, seed=42.
• ratio_usable = I > 0 and not is_seed and depth < 4.
• clip(x)=min(1,max(0,x)).
• P(x) — доля строго меньших значений признака: count(x_u < x) / (N-1); для x≤0 или N≤1 результат 0.
• Q95(B+) — 95-й квантиль строго положительных значений B с линейной интерполяцией. Если их нет, правило R1 выключено.

Используется первое сработавшее правило в порядке R1 → R2 → R3 → R4 → R5 → R6.

Правило / роль	Все необходимые условия	role_score
R1 coordinator	depth<4, Uin≥2, Uout≥2, S≥3, B>0, B≥Q95(B+)	clip(0.5 + 0.25·min(S/10,1) + 0.25·P(B))
R2 distributor	depth<4, Uout≥8	clip(0.5 + 0.5·min(Uout/30,1))
R3 consolidator	ratio_usable, Uin≥3, r≤0.35	clip(0.5 + 0.25·min(Uin/10,1) + 0.25·(1-r))
R4 transit	ratio_usable, Uin≥1, Uout≥1, 0.8≤r≤1.2	clip(0.5 + 0.5·max(0,1-abs(r-1)/0.2))
R5 terminal	ratio_usable, Uin≥1, r≤0.05	clip(0.5 + 0.5·(1-r/0.05))
R6 peripheral	Ни одно предыдущее правило не сработало	0.1 для изолированного узла или depth=4, иначе 0.3

role_score округляется до шести знаков и означает выраженность признаков правила. Это не калиброванная статистическая уверенность и не вероятность преступления. Например, узел с несколькими плательщиками и нулевым исходящим потоком может стать consolidator раньше, чем проверяется terminal. У всех 444 узлов четвёртого колена роль terminal исключена.

evidence строится из фактических метрик и условия правила. Карточка также показывает rule_id и ограничения покрытия. Код: backend/app/roles.py, backend/app/metrics.py.

Приоритет проверки

W(coordinator)  = 1.00
W(consolidator) = 0.95
W(distributor)  = 0.85
W(transit)      = 0.65
W(terminal)     = 0.55
W(peripheral)   = 0.10

priority_score =
    0.30 · P(I)
  + 0.20 · P(Uin)
  + 0.20 · P(B)
  + 0.20 · P(S)
  + 0.10 · W(role)

Для изолированных узлов все вклады и итоговый приоритет равны нулю. В коде каждый взвешенный вклад округляется до шести знаков, затем сумма ограничивается диапазоном 0–1 и округляется. API возвращает разложение priority_breakdown. Обоснование why называет два наиболее сильных ненулевых вклада, признаки роли и ограничения данных.

Кластеризация

Используется Louvain по каждой связной компоненте неориентированной проекции: обе стороны пары суммируются, вес ребра — log1p(sum(a→b) + sum(b→a)). Параметры: resolution=1, seed=42. Self-transfers исключены из структурного графа и Louvain. Изолированному узлу назначается собственный кластер.

Кластеры упорядочены по минимальному числовому gid; cluster_id начинается с 0. Внутренний оборот — сумма исходных направленных рёбер внутри кластера, включая self-transfers, каждое ребро один раз. Межкластерные переводы сюда не входят. Гипотеза кластера формируется детерминированно по составу ролей; это не установленная преступная группа.

API

Базовый префикс — /api/v1. Сервис хранит один текущий результат анализа. POST analyze переиспользует результат, если входные файлы и версия расчёта не изменились; выдумывать или сохранять навсегда analysis_id не нужно — берите его из ответа.

Метод и путь	Вход	Результат
POST /api/v1/analyze	{"dataset_id":"hackalem-july-2026"}	analysis_id, status, cached, runtime_ms, summary_url
GET /api/v1/analyses/{analysis_id}	offset=0&limit=20; limit 1–100	Статистика, графики, кластеры, страница рейтинга, предупреждения, ссылки CSV
GET /api/v1/analyses/{analysis_id}/graph	focus_gid, hops=0..2, cluster_id, max_nodes=1..1000	Узлы, направленные рёбра, метрики, обоснования, truncated
POST /api/v1/analyses/{analysis_id}/assistant	{"question":"Что проверить?","focus_gids":["<gid>"]}	mode, fallback_reason, answer, evidence
GET /api/v1/analyses/{analysis_id}/exports/{filename}	Одно из трёх разрешённых имён CSV	CSV-файл для скачивания

Дополнительно: GET /healthz, GET /docs, GET /openapi.json. Graph отдаёт окрестность выбранного или наиболее приоритетного узла; он не обещает выгрузить весь граф за один запрос. truncated=true означает, что часть подходящих узлов не вошла в лимит.

• Pydantic-контракт
• JSON Schema запросов и ответов
• Примеры JSON — иллюстративные значения, не готовые идентификаторы текущего анализа
• Общие TypeScript-типы
• Технический паспорт

Что делает ИИ

UI отправляет вопрос по одному выбранному gid. API допускает 1–5 gid и вопрос длиной до 1000 символов. Backend самостоятельно собирает ограниченный каталог фактов из текущего результата: роли, потоки, связи и ограничения. Пользователь не передаёт доверенные метрики в запросе.

OpenAI возвращает структурированный AIAnswer. Backend проверяет схему и ссылки evidence_ids; численные факты отображаются из серверного каталога. ИИ не назначает роли и приоритеты. Внешние источники, персональные атрибуты и автоматические блокировки не используются.

mode=live означает полученный и проверенный ответ модели. mode=fallback означает показ рассчитанных фактов без успешного ответа OpenAI; причину содержит fallback_reason. Недоступность ИИ и отсутствие достаточных данных для конкретного вопроса — разные состояния. При выключенном ИИ, лимите, таймауте, ошибке провайдера или невалидном ответе основной анализ остаётся доступен.

Системный промпт · Схема ответа ИИ

Ограничения MVP

• Анализируется серверный батч из backend/data. Загрузки новых Parquet через браузер нет.
• От seed прослежены только исходящие переводы на четыре колена. Для depth=4 отсутствие исходящих — обрыв наблюдения, а не доказательство удержания средств.
• Входящие seed и потоки за пределами выборки неполны. I−O не является реальным балансом счёта; O>I не доказывает доход или незаконное происхождение денег.
• Переводы меньше 5 000 KZT, другие банки и другие периоды не наблюдаются.
• Self-transfers отображаются в данных, но исключаются из структурных метрик. Общий оборот считается по транзакциям, без двойного сложения всех входящих и исходящих.
• Пути отражают связность сети, а не доказанное движение одних и тех же денежных единиц.
• Нет размеченных ролей, обучения ML и оценки accuracy. Пороговые роли, скоры и кластеры — объяснимые аналитические гипотезы.
• График оборота по дням реализован; временной транзит, поиск циклов, отдельная ML-детекция аномалий и моделирование удаления ключевых узлов не реализованы.
• Ассистент объясняет переданные факты выбранных узлов; произвольное расследование по всей сети на естественном языке не реализовано.
• Это публичное демо без авторизации на обезличенных данных хакатона. Перед применением к реальным банковским данным нужны контроль доступа, аудит, политика хранения и отдельная оценка интеграции LLM.
• Результат и лимиты находятся в одном процессе. При перезапуске расчёт выполняется заново; история анализов и многопользовательские расследования не сохраняются.

Деплой на Railway

Подробная пошаговая инструкция: docs/RAILWAY.md.

Создайте один Railway Project и два сервиса из одного GitHub-репозитория. Новые сервисы настраивайте явно через Dashboard: согласно Railway Infrastructure as Code, railway.json относится к legacy-механизму до 1 декабря 2026 года. Наличие этих файлов в репозитории само по себе не гарантирует настройку нового сервиса.

Настройка Dashboard	Backend	Frontend
Root Directory	/backend	/frontend
Builder	Railpack	Railpack
Runtime	Python 3.12 через .python-version	RAILPACK_NODE_VERSION=24
Build Command	Автоустановка requirements.txt через Railpack	npm run build
Start Command	uvicorn app.main:app --host 0.0.0.0 --port $PORT --workers 1	npm run start -- --hostname 0.0.0.0 --port $PORT
Healthcheck Path	/healthz	/workspace
Healthcheck Timeout	300 секунд	300 секунд
Replicas	1	1

Порядок настройки:

1. Отправьте итоговый код, lockfile и данные в GitHub. В Railway выберите нужный репозиторий и ветку main.
2. Создайте backend с настройками таблицы. Задайте Variables backend; для первого запуска допустимо LLM_ENABLED=false. Создайте публичный домен backend и дождитесь успешного /healthz.
3. Создайте frontend. До сборки задайте NEXT_PUBLIC_API_BASE_URL=https://<backend-domain>, NEXT_PUBLIC_ENABLE_DEMO=false и RAILPACK_NODE_VERSION=24. Выполните deploy и выдайте публичный домен frontend.
4. На backend задайте CORS_ORIGINS=["https://<frontend-domain>"] и выполните redeploy backend. В origin нет пути и завершающего /.
5. Если нужен ИИ, добавьте ключ, доступную модель и LLM_ENABLED=true только в Variables backend. Оставьте лимиты 20 и 2 либо задайте свои положительные значения; перезапустите backend.
6. Откройте публичный сайт и пройдите анализ → поиск gid → граф → ассистент → CSV. Выполните smoke-проверку с обоими публичными адресами; --require-live-ai используйте для обязательной проверки OpenAI.

PORT выдаёт Railway; вручную фиксировать 8000/3000 для облачного запуска не нужно. База данных и volume для текущего MVP не требуются: исходные файлы находятся в Git, CSV пересоздаются при старте. Локальный .env автоматически в Railway не переносится.

Типичные проблемы запуска

Симптом	Что проверить
Failed to fetch или CORS	API запущен; базовый URL доступен из браузера; origin frontend точно входит в CORS_ORIGINS
Frontend на Railway обращается к localhost	Укажите публичный API URL и пересоберите frontend
Railway показывает 502	Root Directory, start command, прослушивание 0.0.0.0:$PORT и логи сервиса
API не проходит healthcheck	Все три Parquet попали в deploy; каталог artifacts доступен для записи; Python-зависимости установлены
ИИ показывает правила	LLM_ENABLED, ключ, доступность модели, лимиты, сеть; проверьте fallback_reason и запустите smoke с --require-live-ai
Старый анализ возвращает 404	Запустите анализ снова и используйте новый analysis_id
После изменения .env поведение прежнее	Перезапустите процесс; проверьте перекрывающие переменные окружения; для frontend production нужна новая сборка
Порт уже занят	Остановите предыдущий dev/API-процесс или задайте другой порт, обновив URL и CORS

Конкретные gid выбирайте из рассчитанного результата; пайплайн не использует список «правильных» клиентов.

Масштабирование до миллиона узлов

Текущая реализация хранит граф и таблицы в памяти одного Python-процесса и предназначена для выданного батча. Для порядка миллиона узлов потребуется:

• Читать Parquet колонно и порциями; агрегации перенести в DuckDB или Polars.
• Перенести графовые вычисления в igraph / NetworKit; оставить приближённую центральность с ограниченным бюджетом.
• Вынести расчёт в фоновое batch-задание с job/status API и постоянным хранилищем метрик, соседств и версий результатов.
• Выдавать UI агрегированные сообщества и локальные окрестности, не загружать весь граф в браузер.
• Добавить авторизацию, аудит, общие лимиты ИИ и бюджет; LLM по-прежнему передавать только небольшой каталог выбранных фактов.

Это план развития. Производительность и инфраструктура для такого объёма в MVP не заявляются.