Аннотация: В статье рассматривается подход к построению веб-системы детекции лиц в реальном времени, основанный на разделении функций между высокопроизводительным сервером на Go и моделью компьютерного зрения, реализованной на Python. Показано, что традиционная архитектура, в которой Python одновременно обрабатывает видеопотоки, выполняет инференс модели и обслуживает веб-клиентов, приводит к повышенной задержке, снижению пропускной способности и неэффективному использованию ресурсов. В работе обосновано, что использование Go в качестве промежуточного уровня — для приёма, буферизации и трансляции потоков, а также управления очередями инференса — снижает нагрузку на вычислительную часть, улучшает масштабируемость и обеспечивает стабильную работу системы при увеличении числа пользователей. Проведено сравнение подходов, показаны преимущества гибридной архитектуры и определены условия, при которых данная схема оказывается экономически и технически более эффективной. Ключевые слова: Go, Python, машинное обучение, real-time, высоконагруженные системы, масштабируемость, задержка, WebSocket, инференс, гибридная архитектураю.

Annotation: The article discusses an approach to building a real-time web-based face detection system based on the separation of functions between a high-performance Go server and a computer vision model implemented in Python. It is shown that the traditional architecture, in which Python simultaneously processes video streams, executes information models, and serves web clients, leads to increased latency, reduced bandwidth, and inefficient use of resources. The paper proves that using Go as an intermediate layer — for receiving, buffering and broadcasting streams, as well as managing queues of information — reduces the load on the computing part, improves scalability and ensures stable operation of the system with an increase in the number of users. The approaches are compared, the advantages of hybrid architecture are shown, and the conditions under which this scheme turns out to be economically and technically more efficient are determined. Keyword: Go, Python, machine learning, real-time, high-load systems, scalability, latency, WebSocket, inference, hybrid architecture