AI-генерация alt-текстов для товарных изображений

AI-генерация alt-текстов для товарных изображений

Alt-текст у изображения выполняет две функции: помогает поисковику понять содержание страницы и делает сайт доступным для незрячих пользователей. В большинстве интернет-магазинов alt-теги либо пустые, либо содержат только название файла вроде IMG_4821.jpg. Это потерянный SEO-сигнал и нарушение доступности. Согласно WCAG 2.1, пустой alt-атрибут делает изображение декоративным, а информативные изображения обязаны иметь описание. Для каталога из 10 000 товаров ручное заполнение alt — около 200 часов работы копирайтера, что обходится бизнесу в значительную сумму.

При наличии тысяч товарных изображений задача решается автоматически — либо на основе данных о товаре, либо через мультимодальный анализ самого изображения. Мы реализовали подобные решения для 30+ интернет-магазинов за 5 лет, гарантируя прирост органического трафика на 10–25%. Экономия бюджета на ручном труде для такого каталога достигает существенных значений. Свяжитесь с нами для оценки вашего проекта.

Какие проблемы решает генерация alt?

• Ручной труд. Писать alt для 10 000 SKU вручную — недели работы. Автоматизация сокращает это до часов, а стоимость обработки 1000 изображений через AI минимальна.
• Однотипные alt. Многие генерируют alt шаблонно: «Изображение товара» — пользы для SEO ноль. Нужны осмысленные, уникальные описания, которые повышают релевантность страницы.
• Нарушение WCAG. Пустой alt делает сайт недоступным для незрячих — это юридические риски и потеря аудитории. Правильный alt-текст для товаров — это не просто описание, а SEO-инструмент.
• Динамические изображения. Часто alt отсутствует у картинок, подгружаемых через JavaScript (например, выбор цвета товара). Это ещё один потерянный SEO-сигнал.

Сравнение подходов

Мультимодальный подход лучше метаданных в сценариях, где важны визуальные детали: он видит форму, цвет, позу, окружение. При этом затраты на 50 000 изображений составят копейки — гораздо меньше, чем ручная работа.

Как работает генерация alt?

Подход 1: по метаданным

function buildAltFromMetadata(
  product: Product,
  imageIndex: number,
  imageType: "main" | "detail" | "lifestyle"
): string {
  const base = `${product.brand} ${product.name}`;

  if (imageType === "main") {
    return `${base} — фото ${imageIndex + 1}`;
  }

  if (imageType === "detail") {
    const feature = product.attributes.detailFeatures?.[imageIndex] ?? "деталь";
    return `${base}: ${feature}`;
  }

  return `${base} в использовании`;
}

Простой, детерминированный вариант. Не требует API-вызовов, работает мгновенно при импорте товаров.

Подход 2: мультимодальный (GPT-4o Vision)

import { openai } from "../lib/openai";

async function generateAltFromImage(
  imageUrl: string,
  product: Product
): Promise<string> {
  const response = await openai.chat.completions.create({
    model: "gpt-4o-mini",
    messages: [
      {
        role: "user",
        content: [
          {
            type: "image_url",
            image_url: { url: imageUrl, detail: "low" }, // low — дешевле, достаточно для alt
          },
          {
            type: "text",
            text: `Write a concise alt text for this product image in Russian.
Product: ${product.name}, brand: ${product.brand}, category: ${product.category}.
Rules:
- 60–120 characters
- Describe what is visible in the image, not the product in general
- Start with product name only if it's clearly identifiable in the photo
- No "фото", "изображение", "картинка" at the start
- No markdown, just plain text`,
          },
        ],
      },
    ],
    max_tokens: 80,
    temperature: 0.3,
  });

  return response.choices[0].message.content?.trim() ?? "";
}

detail: "low" снижает стоимость с ~значительной до ~мизерной за изображение — достаточно для генерации alt, не нужно высокое разрешение.

Пакетная обработка изображений

import { Queue, Worker } from "bullmq";

const altQueue = new Queue("alt-generation");

export async function queueImagesForAltGeneration(
  productIds: string[]
) {
  const products = await db.products.findMany({
    where: { id: { in: productIds } },
    include: { images: true },
  });

  const jobs = products.flatMap((product) =>
    product.images
      .filter((img) => !img.altText || img.altText === "")
      .map((img) => ({
        name: "generate-alt",
        data: { imageId: img.id, productId: product.id, imageUrl: img.url },
      }))
  );

  await altQueue.addBulk(jobs);
}

const altWorker = new Worker(
  "alt-generation",
  async (job) => {
    const { imageId, productId, imageUrl } = job.data;
    const product = await db.products.findById(productId);

    // Определяем, нужен ли мультимодальный анализ
    const useVision = product.imageType === "lifestyle" || product.useVisionForAlt;

    let altText: string;

    if (useVision) {
      altText = await generateAltFromImage(imageUrl, product);
    } else {
      const imageIndex = product.images.findIndex((i: any) => i.id === imageId);
      altText = buildAltFromMetadata(product, imageIndex, "main");
    }

    await db.productImages.update({
      where: { id: imageId },
      data: { altText, altGeneratedAt: new Date() },
    });
  },
  { connection: redisConnection, concurrency: 20 }
);

Как автоматизировать генерацию alt для всего каталога?

1. Аудит текущего состояния — выполните SQL-запрос (см. ниже) и определите количество изображений без alt.
2. Выберите стратегию: метаданные для простых фото, мультимодальный анализ для сложных.
3. Разверните микросервис с очередями BullMQ и интеграцией с вашей CMS.
4. Настройте мониторинг — отслеживайте количество обработанных изображений и ошибки через Sentry.

Типичные ошибки alt-текстов

Встройка в CMS

После генерации alt-текст сохраняется в таблице изображений и рендерится в шаблоне. Если alt пустой — фолбэк на название товара, но не пустая строка.

<img
  src="{{ image.url }}"
  alt="{{ image.altText }}"
  loading="lazy"
  width="{{ image.width }}"
  height="{{ image.height }}"
/>

Аудит существующего каталога

Перед запуском генерации полезно понять масштаб проблемы. Выполните SQL:

SELECT
  COUNT(*) FILTER (WHERE alt_text IS NULL OR alt_text = '') AS missing_alt,
  COUNT(*) FILTER (WHERE alt_text = file_name) AS filename_as_alt,
  COUNT(*) total
FROM product_images;

Это покажет, сколько изображений нуждаются в обработке и позволит спланировать нагрузку на API.

Состав работ

• Аудит текущего каталога изображений (SQL-скрипт, дашборд)
• Выбор оптимальной стратегии: метаданные, мультимодал или комбинация
• Разработка микросервиса генерации alt (Node.js, BullMQ)
• Интеграция с вашей CMS (кастомная доработка или middleware)
• Настройка очередей и мониторинга (Redis, Sentry)
• Документация процесса и обучение команды
• Поддержка в течение месяца после внедрения

Сроки реализации — под ключ от 3 до 10 дней в зависимости от количества изображений и сложности интеграции. Стоимость рассчитывается индивидуально под ваш проект. Получите консультацию — свяжитесь с нами.

Заключение

Автоматическая генерация alt — это не про экономию, а про SEO-потенциал и доступность. Мы реализовали такие решения для 30+ интернет-магазинов за 5 лет. Свяжитесь с нами для оценки вашего проекта — подберём подход и рассчитаем нагрузку.

Интеграция AI: чат-боты, RAG, семантический поиск, рекомендации

В 8 из 10 проектов «AI-чат-бот» оказывается дорогой обёрткой над GPT-4o с системным промптом. Без доступа к реальным данным компании. Пользователь спрашивает «сколько стоит тариф Премиум» — бот галлюцинирует цену из воздуха. Спрашивает «когда придёт заказ» — получает вежливое «напишите в поддержку». Это не интеграция — это имитация. Мы за 5 лет внедрили RAG-решения в 30+ проектах: от интернет-магазинов до медицинских порталов. Гарантируем: полезная AI-помощь начинается там, где модель читает ваши документы, а не общие ответы.

Как мы строим RAG-системы?

Retrieval-Augmented Generation — стандартная архитектура: запрос → поиск релевантных фрагментов в векторной БД → вставка найденного в контекст → ответ модели. Но дьявол в деталях реализации. Разберём ключевые узлы, которые определяют качество.

Chunking. Резать документ на куски по 500 токенов без оглядки на структуру — гарантия потери смысла. Если разрез пришёлся на середину абзаца, контекст разрывается. Решение — рекурсивный RecursiveCharacterTextSplitter с overlap 10–15% для документации. Для контрактов и инструкций используем семантический сплиттер: выделяем заголовки, списки, блоки кода — каждый раздел становится независимым чанком. Разница в качестве поиска: на одном медицинском проекте precision вырос с 0.55 до 0.84 только за счёт правильной нарезки.

Модель эмбеддингов. Для русскоязычных текстов intfloat/multilingual-e5-large даёт заметный прирост точности против устаревшей text-embedding-ada-002. По нашим замерам, NDCG@10 на тестовой выборке из 10 000 пар «запрос-документ» на 12% выше. OpenAI text-embedding-3-large — хороший вариант для англоязычного контента, но для русского рекомендуем BAAI/bge-m3 или упомянутую e5-large.

Векторная БД. Если у вас уже стоит PostgreSQL — pgvector экономит ресурсы. Ставим расширение CREATE EXTENSION vector, добавляем колонку vector(1024), создаём HNSW-индекс. На проекте с 80 000 статей поддержки p95 поиска — 12 мс. Этого хватает. Для каталогов с миллионами единиц — Qdrant или Weaviate: нативный гибридный поиск и шардирование «из коробки».

Что даёт гибридный поиск?

Только векторный поиск слеп к точным совпадениям: артикулы «ABC-123», имена собственные, аббревиатуры теряются. Только полнотекстовый поиск не улавливает синонимы и перефразирования. Комбинация через RRF (Reciprocal Rank Fusion) даёт лучшее из двух миров: BM25 + векторный поиск, результаты смешиваются. На практике recall@20 растёт с 0.65 до 0.92 — разница заметна пользователю.

Reranking — финальный фильтр: top-20 кандидатов из гибридного поиска прогоняем через cross-encoder cross-encoder/ms-marco-MiniLM-L-6-v2. Он добавляет 50–100 мс к ответу, но relevance поднимает ещё на 5–10%. Без reranking чат-бот может показывать нерелевантные документы.

Семантический поиск на сайте

Поиск «удобные кожаные кресла» должен находить товары с описанием «мягкие стулья из натуральной кожи» — обычный LIKE-поиск не способен. Наша архитектура: при добавлении товара/поста автоматически генерируем эмбеддинг через multilingual-e5-large, сохраняем в pgvector. На запросе — эмбеддим его той же моделью, ищем ближайших соседей через cosine distance с HNSW-индексом. Для каталога из 100 000 позиций индекс строится 3 минуты, в памяти ~400 Мбайт (1536-мерные векторы). Cреднее время поиска — 20 мс.

Рекомендательные системы

Коллаборативная фильтрация («пользователи, похожие на вас, покупали X») требует истории — минимум 2–3 месяца данных с 1000+ активных пользователей. Для стартапов или малых проектов используем content-based: эмбеддинг текущего товара → поиск ближайших соседей по косинусной близости. Когда накапливается статистика (обычно 15–20 взаимодействий на пользователя), переключаемся на гибридную модель LightFM. Она объединяет и поведение, и признаки товаров. У нас в e-commerce проекте с 50 000 SKU гибридная модель повысила конверсию в рекомендательный блок на 18% (A/B-тест длился 2 недели).

Стриминг ответов

Пользователь не обязан ждать, пока модель сгенерирует весь текст — это убивает UX. Server-Sent Events (SSE) — протокол для стриминга токенов. OpenAI SDK поддерживает stream: true, возвращая AsyncIterator. На фронтенде — Vercel AI SDK (useChat) или самописный EventSource. Типичная ошибка: использовать WebSocket для однонаправленного стрима — SSE проще (меньше кода, встроенный реконнект). Стек: Node.js + SSE + React.

Оркестрация агентов

Простой чат-бот отвечает. Агент — выполняет действия: создаёт тикет в Jira, проверяет статус заказа в CRM, бронирует слот в календаре. Для оркестрации используем LangGraph: граф состояний, где каждый узел — вызов модели или инструмента. Vercel AI SDK useChat + tools для Next.js позволяет добавить интеграцию в 10 строк кода. Главная сложность — надёжность: модель иногда вызывает не тот инструмент или передаёт кривые параметры. Защита — Zod-схемы на каждый инструмент и structured outputs для гарантии JSON.

Что входит в работу

Дополнительно: мы передаём исходный код векторизатора, дашборды мониторинга (Langfuse), доступ к админке для обновления базы знаний. Постпродакшн-поддержка — 1 месяц бесплатно.

Сроки

Стоимость рассчитывается индивидуально после знакомства с проектом. Оценим ваш проект за 1 день. Свяжитесь с нами — расскажем, как превратить AI из игрушки в инструмент, который приносит прибыль.