Витончені інтеграції GenAI, які приносять результат: розповідає фахівець Netflix
- Катерина Шевченко
- 6 днів тому
- Читати 7 хв
Оновлено: 1 день тому
Усі прагнуть створити новий революційний застосунок на базі ШІ, але як розробникам, використовувати GenAI без необхідності ставати експертами з ШІ чи кардинально змінювати наявні застосунки? Бен Ілегбоду, Senior Software Engineer, Netflix, пропонує відійти від академічних вправ і розглянути «неочевидні» способи, як інтегрувати генеративний штучний інтелект в наявні продукти — так, щоби непомітно, але суттєво покращити користувацький досвід. Під час виступу на конференції JavaScript fwdays’25 він поділився прикладами з реального життя та показав, як використовувати потенціал GenAI навіть без глибоких знань у сфері штучного інтелекту. Редакція HBJ публікує найважливіше з його виступу.
Шість типів GenAI
Останні рік-два я постійно думаю про одне: ШІ стає рушієм нової хвилі бізнес-інновацій. Компанії, що створюють щось цінне, вже впроваджують ШІ, і майже кожна нова вакансія включає його у вимоги.
Тож питання для нас усіх — як стати частиною цього процесу? І що робити, якщо в компанії ще не використовують ШІ? Як зберегти актуальність навичок? У більшості застосунків ми не створюємо складні ШІ-інтеграції — як це робить, наприклад, Amazon, Gmail або Zoom із транскрипцією дзвінків чи копайлоти на кшталт GitHub Copilot. Тут і з’являється «кмітлива» інтеграція GenAI — прості, практичні способи застосування, які не потребують революції в продукті, але вже приносять користь. Вони дозволяють непомітно додати ШІ до звичного досвіду користувача.
Умовно такі інтеграції можна поділити на шість типів.
Попередньо згенерований контент. ШІ заздалегідь створює контент, готовий до використання.
Інтерактивний контент. Інструменти для створення контенту в реальному часі.
Прийняття рішень на основі попередньо згенерованих даних. ШІ заздалегідь формує інсайти та рекомендації.
Інтерактивне прийняття рішень у режимі реального часу з підтримкою ШІ.
Сценарні, динамічні діалоги, згенеровані ШІ.
Живі розмови з ШІ у режимі реального часу.
Далі ми зосередимось лише на перших чотирьох сценаріях, де можна «непомітно» інтегрувати ШІ в поточні продукти. Натомість розмовні інтерфейси передбачають складне технічне рішення із GenAI у центрі.
Суть концепції кмітливого ШІ:
допомагає покращити наявні робочі процеси. Ми не створюємо щось принципово нове, а інтегруємо ШІ в уже існуючі речі — причому так, що користувач може навіть не помітити, що використовується ШІ;
покращує досвід: пришвидшує взаємодію, надає допомогу, підвищує якість результату.
реалізація має бути простою. Ми не будуємо складну ШІ-систему, а створюємо маленькі, але ефективні рішення.
Попередньо згенерований контент
Йдеться про контент, який генеративний штучний інтелект створює ще до того, як користувач відкриває сторінку. Такий сценарій працює у вебзастосунку Codemata, над яким я працюю. Це інструмент для форматування й мінімізації CSS — основна логіка проста: поле вводу, перемикачі, кнопка, результат.
Але сам по собі такий функціонал не дає SEO-ефекту. Щоби сайт індексувався, я використовую GenAI для генерації всього додаткового тексту — опису, інструкцій, фічей. У промпті я пояснюю суть роботи інструменту і прошу згенерувати відповідні блоки. В результаті маємо наповнений сайт, в тому числі з підказками, рекомендаціями та посиланнями на інші інструменти — усе це згенеровано автоматично. Це покращило індексацію й водночас дало корисний контент розробникам із різним рівнем підготовки.
Такий підхід можна застосовувати в багатьох сферах. Наприклад, в e-commerce — для товарних рекомендацій, або в нерухомості — для опису обʼєктів. Суть у тому, щоби генерувати зрозумілий для користувача контент ще до його взаємодії зі сторінкою.
Інтерактивний контент
Тепер розглянемо випадки, коли ШІ допомагає користувачу створювати контент у режимі реального часу. До прикладу асистент для написання текстів, який допомагає заповнювати форми для різних сценаріїв — наприклад, баг-репорт, ревʼю колеги тощо.
Уявімо, що ми маємо написати звіт про баг. Бачимо шаблон, у якому зазначено: «опишіть поведінку», «вкажіть середовище», «опишіть кроки для відтворення» тощо. Це вже корисно — ми одразу бачимо структуру, яка допоможе написати звіт. Увімкнемо режим інтерактивності та почнемо вводити «на сторінці опису продукту відсутній опис», система одразу визначить, що перший пункт структури «фактична поведінка» вже описаний, і позначить його виконаним. Далі введемо «Я зайшов на головну сторінку, натиснув на кнопку, потрапив на сторінку деталей». Це кроки для відтворення — ще один пункт виконано.
Таким чином, ШІ допомагає зробити звіт точнішим і повнішим. Замість абстрактного блоку з порадами, система дає конкретні підказки та динамічно реагує на введений текст. Коли всі пункти заповнено — кнопка «надіслати» стає активною. Отже, класична форма отримала розумну інтеграцію GenAI, що суттєво покращує досвід користувача.
Можна уявити безліч сценаріїв для подібного досвіду, бо майже вся взаємодія з користувачем, по суті, зводиться до заповнення форми. Ми можемо прикрашати інтерфейс, додавати ефекти, але в основі — збір і передача даних. Цей підхід можна застосувати в маркетингу, соцмережах, створенні аватарів — наприклад, динамічно змінювати аватар користувача залежно від введеної інформації.
Прийняття рішень на основі попередньо згенерованих даних
Це сценарії, де ШІ формує інсайти або рекомендації ще до того, як користувач почне взаємодію. Наприклад — форма реєстрації на конференцію. Уявімо, користувачка Jane Doe заходить на сайт. У неї вже є профіль, створений раніше: вона — Senior Software Engineer, цікавиться ШІ, JavaScript, HTML, CSS і DevOps, відвідувала сесії про Kubernetes і доступність.
Типові поля — імʼя, email, компанія — заповнюються автоматично. А далі — кмітливе рішення: ШІ заповнює ще три поля:
теми, які можуть її зацікавити;
цілі участі;
бажані спікери для нетворкінгу.
На основі цих даних система пропонує лекції: — «Розробка високопродуктивних застосунків на React» (бо є інтерес до JavaScript), — «Автоматизація інфраструктури з Terraform» (бо DevOps).
Вона може редагувати ці варіанти — наприклад, прибрати GraphQL і додати Python, якщо хоче заглибитись у ШІ, обирати інших експертів. Поле з цілями теж заповнюється автоматично: «Прокачати хмарні технології, ШІ, DevOps і фронтенд-продуктивність» — усе логічно витікає з минулих дій. У результаті проста форма стає персоналізованою — саме в цьому й полягає сила кмітливої інтеграції.
Отже, у випадку з прийняттям рішень ми використовуємо ШІ не лише для генерації контенту (це базова функція GenAI), але й для того, щоб він допомагав обирати. У формі реєстрації ШІ не просто підставив випадкові або популярні варіанти — він проаналізував, що саме буде корисним конкретному користувачу.
Такий підхід можна використовувати будь-де: для рекомендацій товарів на e-commerce-платформі, курсів на освітніх платформах, персоналізованих листів, у CRM-системах, внутрішньому навчанні — можливості майже необмежені.
Інтерактивне прийняття рішень
А тепер — комбінація: прийняття рішень у реальному часі, коли ШІ активно взаємодіє з користувачем і допомагає ухвалювати рішення під час користування продуктом.
Це сценарій, коли ШІ не просто готує щось наперед, а стає активним помічником, який адаптується до дій користувача — і підказує наступні кроки, враховуючи контекст.
Уявімо: ви заходите на сайт Nike у пошуках баскетбольних кросівок. Перед вами — 56 моделей, кожна з яких в кількох кольорах. Обирати з понад 200 варіантів — виснажливо. Чому сайт не може підказати, що мені підійде? Фільтри є, але що, якби сайт почав підлаштовуватись під мої дії в процесі перегляду? Якщо я щось пропустив — імовірно, це нецікаво. Навів курсор чи відкрив картку товару — зацікавився. Переглянув кольори — серйозна взаємодія.
Модель може збирати ці сигнали, аналізувати поведінку й рекомендувати: «покажи цю модель наступною — у потрібному кольорі». Техніка — умовне «вікно»: спочатку показуються кілька варіантів, далі — динамічно підлаштовані під користувача. Замість статичного списку товарів — жива стрічка, яка адаптується до поведінки. Це дає відчутно кращий досвід.
Цей підхід складніший у реалізації. Основна складність — у зборі даних для моделі. Взаємодія з самою моделлю — не надто складна: ми надсилаємо дані, отримуємо результат і рендеримо його.
З погляду користувача все виглядає звично. Це такі самі рекомендації, як і будь-де. Але водночас досвід персоналізований. А це значно підвищує шанси на покупку — і, відповідно, на конверсію.
Технічна реалізація
Розглянемо основні технічні компоненти для створення або інтеграції GenAI. Є дві основні складники: ідентичність, яку ми задаємо моделі, і промпт, який ми формулюємо від імені користувача.
Коли я працюю з prompt engineering, завжди починаю з ідентичності — кілька речень або навіть більше, щоб пояснити моделі її роль і мету. Далі я формулюю завдання — чітко, поетапно, щоб модель точно розуміла, чого від неї очікують. І на завершення — додаю приклади: якщо вхід такий, то вихід має бути ось такий. Це допомагає задати правильний тон, стиль і формат результату.
Під час налаштування та тестування я часто додаю ще одну секцію — наприклад, «важливі зауваження», де чітко формулюю вимоги: що треба зробити, а чого категорично не можна. Це допомагає уточнити очікувану поведінку.
Окремо працюємо із самим промптом користувача. У прикладі з інтерактивним написанням, скажімо, для peer review, я даю моделі інструкцію: «Надай фідбек для колеги», — і передаю текст, який користувач написав. Модель на основі цього вирішує, які аспекти покрити, і позначає ті, які вже охоплено.
З технічного боку — усе реалізовано на TypeScript із використанням SDK від OpenAI. Взаємодія з моделлю відбувається через JSON: я надсилаю структурований запит і отримую відповідь у такому ж форматі. Це дає змогу, наприклад, отримати список тем і визначити, які з них вже покрито, а які — ні. Я заздалегідь описую схему відповіді, яку очікую. І хоч використовую чат-інтерфейс, насправді це не діалог у класичному сенсі, а одноразовий обмін: система отримує інструкцію, потім — повідомлення від користувача (тобто сам промпт). Ця логіка використовується для трьох продемонстрованих прикладів.
У широкому сенсі — це і є суть кмітливого GenAI. Його завдання — бути корисним для користувача. Ми справді покращуємо користувацький досвід, робимо його зручнішим. Водночас це практичне рішення: ми інтегруємо ШІ у вже існуючі флоу, а не створюємо щось з нуля. Саме тому реалізація порівняно проста.
І, найголовніше — це доступно. Мені не потрібно бути експертом у машинному навчанні чи глибинному ШІ, щоби почати. Достатньо розібратись із API SDK — і вже можна інтегрувати ШІ у застосунок, викликати модель для конкретного завдання. Це дає змогу розвиватися, бути на хвилі змін, які прямо зараз формують майбутнє. Важливо, щоб кожен з нас мав практичний досвід роботи з ШІ не лише як користувач Copilot чи Gemini.
Почніть експериментувати з генеративним штучним інтелектом у власних застосунках — не обов’язково з чогось масштабного, іноді навіть одна підказка у формі може відчутно змінити поведінку користувача. Якщо завдяки цьому люди швидше завершують завдання чи частіше купують, зростання конверсії навіть на кілька відсотків — це вже перемога. Тож створюйте новий досвід — але робіть це витончено.
