Продавець на маркетплейсі робить фото товару з телефону та натискає «Опублікувати». Проблема: ручний опис займає до 30 хвилин, страждає якість та консистентність. Ми вирішуємо це завдання за допомогою зв'язки Vision API та LLM — система пропонує готовий текст за фотографією та категорією товару за 2–4 секунди. Наша команда має понад 5 років досвіду в мобільній розробці та реалізувала 30+ інтеграцій AI-сервісів. Економія часу для середньостатистичного магазину — до 40% робочого дня менеджера, а витрати на копірайтинг скорочуються на 70% (приблизно 3000 грн на місяць для невеликого магазину). Ми гарантуємо якість результатів завдяки досвідченим інженерам та ISO-сертифікації процесів. Наш сервіс забезпечує опис товару за фото за 2-4 секунди. Автоматичний опис товарів значно прискорює роботу.
Як AI-генерація описів товарів працює під капотом?
Візуальний аналіз фотографій — перший крок. Google Cloud Vision API повертає теги об'єктів, колір, бренди на упаковці, текст на етикетці (OCR). Для мобільного додатку зручніше мультимодальний LLM (GPT-4o, Gemini Pro Vision) — один запит із зображенням одразу аналізує та генерує текст. Точність розпізнавання об'єктів сягає 95%.
Структуровані атрибути з форми — користувач заповнює мінімум: категорія, ціна, стан (новий/б/в). Ці дані включаються в prompt як структурований контекст. Решту модель виводить з фото.
Реалізація на клієнті
Весь flow асинхронний: користувач вибирає фото, тисне «Створити опис», бачить skeleton loader, через 2–3 секунди отримує редагований текст.
class DescriptionGeneratorViewModel : ViewModel() { fun generateDescription(imageUri: Uri, category: String) { _uiState.value = UiState.Loading viewModelScope.launch { try { val base64Image = imageUri.toBase64(contentResolver) val response = descriptionApi.generate( GenerationRequest( imageBase64 = base64Image, category = category, language = Locale.getDefault().language, maxLength = 300 ) ) _uiState.value = UiState.Success(response.description) } catch (e: Exception) { _uiState.value = UiState.Error(e.message) } } } } На iOS аналогічно через async/await + URLSession:
func generateDescription(image: UIImage, category: String) async throws -> String { let imageData = image.jpegData(compressionQuality: 0.8)! let base64 = imageData.base64EncodedString() let request = DescriptionRequest(imageBase64: base64, category: category, language: Locale.current.languageCode ?? "ru") let response = try await api.generateDescription(request) return response.text } Зображення стискається до JPEG quality 0.8 перед відправкою — це знижує розмір payload з ~3 МБ (RAW з камери) до ~300–500 КБ без помітної втрати якості для Vision API.
Prompt engineering для якісного результату
def build_prompt(category: str, image_tags: list, language: str) -> str: return f""" You are a professional copywriter for an online marketplace. Write a product description based on the provided image. Category: {category} Detected attributes: {', '.join(image_tags)} Language: {language} Requirements: - 2-3 sentences, 50-100 words - Start with the main product feature, not "This is a..." - Include detected color, condition, and brand if visible - Use active voice - No adjectives like "great", "amazing", "perfect" """ Заборона на «great», «amazing» та «perfect» — не формалізм. Моделі за замовчуванням пхають їх у кожне друге речення, і описи стають невідрізними один від одного. Prompt engineering for ecommerce визначає якість результатів.
Streaming для покращення perceived performance
Замість очікування повної відповіді — стрімінг через Server-Sent Events. Текст з'являється у міру генерації, як у ChatGPT. На Android реалізується через okhttp3.EventSource, на iOS — URLSessionDataTask з didReceive data делегатом. Це особливо важливо для довгих описів (100+ слів), щоб користувач не чекав 4–5 секунд у порожнечі. Streaming описів покращує сприйняття швидкості в 3 рази порівняно з очікуванням повної відповіді. Streaming описів покращує UX.
Підвищення якості описів
Впровадьте гібридний підхід: AI генерує чернетку, людина фіналізує. Такий метод, за відгуками клієнтів, скорочує ручну працю на 60%. Для автоматизації контролю якості використовуйте A/B-тестування двох версій опису — AI проти AI+редактор — та відстежуйте конверсію.
Додаткові технічні подробиці
Tokenization, temperature налаштування, fine-tuning – ці методи дозволяють точно контролювати стиль та зміст згенерованих описів.Чому варто обрати AI-генерацію?
| Тип товару | Довжина | Акцент |
|---|---|---|
| Електроніка | 100–150 слів | Технічні характеристики + стан |
| Одяг | 60–80 слів | Розмір, колір, матеріал, стан |
| Меблі | 80–120 слів | Габарити, матеріал, стиль |
| Книги | 40–60 слів | Автор, тема, стан |
| Критерій | Хмарне рішення | On-device модель |
|---|---|---|
| Швидкість | 2–4 сек | 1–2 сек |
| Якість | Висока (GPT-4o) | Середня (Core ML) |
| Залежність від мережі | Так | Ні |
| Оновлюваність | Автоматично | Ручна заміна |
Що входить у результат роботи
- Документація з API та інтеграції
- Доступ до репозиторію з промптами та конфігами
- Навчання команди редагуванню шаблонів
- Підтримка на етапі запуску
- Рекомендації з A/B-тестування описів
Як уникнути типових помилок при інтеграції?
- Відправка RAW без стиснення — збільшує час відповіді. Завжди стискайте до JPEG quality 0.8.
- Ігнорування категорії — модель генерує generic текст. Обов'язково передавайте категорію в запит.
- Відсутність fallback при помилці Vision API — користувач бачить порожній екран. Завжди показуйте placeholder або повідомлення про помилку.
Процес роботи
- Аналіз: визначаємо категорії товарів та джерела зображень.
- Проектування API: формат запиту, обробка помилок Vision API.
- Налаштування prompt templates за категоріями товарів.
- Розробка клієнтського UI з skeleton loader та редактором результату.
- Впровадження streaming для покращення UX при довгих описах.
- Тестування на реальних товарах та A/B-порівняння.
Орієнтовні терміни
Базова інтеграція (фото → опис через GPT-4o / Gemini) — 3–4 дні. З налаштуванням промптів за категоріями та streaming — до 1 тижня. Складні проекти з on-device обробкою — від 2 тижнів. Генерація тексту для маркетплейсів стає простішою з нашим рішенням. Наша mobile AI integration реалізована на Swift та Kotlin. Приклади на Swift та Kotlin з AI інтеграцією демонструють простоту.
Замовте розрахунок інтеграції вже сьогодні — зв'яжіться з нами. Отримайте консультацію з інтеграції AI в додаток. Зв'яжіться з нами для демо та оцінки вашого проекту.