Article content
Как команды Gems внедряют искусственный интеллект в разработку, дизайн, тестирование и управление знаниями
Искусственный интеллект уже перестал быть экспериментом и постепенно становится таким же рабочим инструментом, как IDE, Git или Jenkins для CI/CD. В Gems мы тестируем нейросети в самых разных направлениях — от разработки и тестирования до дизайна, аналитики и управления знаниями.
На внутреннем митапе команды поделились практическими кейсами внедрения искусственного интеллекта в реальные процессы и продукты. Собрали самые интересные выводы, как нейросеть помогает ускорять исследования, автоматизировать рутинные задачи и находить решения, на которые раньше уходили недели или месяцы работы.
Улучшение отображения иконок в Polus от Gems: опыт исследования
Одним из самых интересных кейсов стала работа над улучшением отображения иконок в системе для работы с территорией на карте Polus.
Проблема существовала давно: при масштабировании карты обводка иконок работала некорректно, появлялись искажения изображения, а любые улучшения одного аспекта неизбежно ухудшали другой. Мы неоднократно возвращались к задаче, тестировали различные подходы, изучали опыт зарубежных проектов. Каждая новая итерация приводила к улучшению качества иконок, но общий результат всё ещё не соответствовал ожиданиям и был скорее компромиссным.
Тогда решили провести исследование, подключив к работе нейросеть. Мы подробно описали проблему рендеринга и ограничения текущего решения, зафиксировали уже проверенные гипотезы и неудачные эксперименты, указали, что аналогичный функционал успешно реализован в зарубежных проектов, и поставили задачу искусственному интеллекту: самостоятельно изучить возможные подходы, найти причины ограничений и предложить альтернативные пути решения.
На основе предложений мы сформировали план проверки гипотез. Он объединил как идеи нейросети, так и собственные наработки наших специалистов. Каждый эксперимент, успешный или нет, фиксировался, а дальнейшие шаги корректировались с учётом полученных результатов.
Так итеративная работа с ИИ-гипотезами превратила хаотичный поиск решения в управляемый исследовательский процесс.
В итоге нам удалось найти причину проблемы в системе отображения карты, разработать собственное решение, автоматизировать создание масштабируемых иконок и добиться их чёткого отображения при любом масштабе карты.
Главная ценность этого кейса — скорость. Благодаря ИИ-агенту мы получили за одну неделю результат, на достижение которого при классическом подходе могли бы уйти месяцы и дополнительные ресурсы.
Как мы подготовили продукт к нагрузке в 500 пользователей за несколько дней
Ещё один кейс использования нейросетей связан с нагрузочным тестированием продукта Polus от Gems.
Перед релизом новой версии продукта нам нужно было провести полноценное нагрузочное тестирование и убедиться, что система сможет стабильно работать при одновременной активности до 500 пользователей.
Для этого мы определили ключевые сценарии использования с учётом архитектуры платформы и наиболее нагруженных сервисов. Затем передали нейросети необходимый контекст: как им пользуются люди, как устроена платформа и какие проверки уже были проведены.
На основе этого контекста искусственный интеллект помог сформировать полноценную систему нагрузочного тестирования.
Нейросеть автоматически генерировала проекты, слои, элементы и атрибуты, после чего сотни виртуальных пользователей имитировали реальные действия на карте: перемещение, масштабирование, работу с объектами.
Это позволило получить объективную картину нагрузки на ключевые сервисы платформы (Проекты, Элементы, Закладки, Комментарии) и геосервер.
По оценке команды, создание такой системы вручную заняло бы около месяца работы нескольких специалистов. Использование ИИ позволило сократить этот срок до нескольких дней.
Не только для красивых картинок: нейросети в дизайн-процессах
Команда UX/UI дизайнеров тоже нашла применение новым технологиям, причём не только для генерации красивых картинок.
Наши специалисты перенесли собственную методологию проектирования в единую базу знаний с правилами, инструкциями и наборами навыков. Это позволило ИИ-агенту понимать внутренние процессы компании и работать как помощник.
Нейросеть умеет работать с популярными графическими и векторными редакторами (например, Figma): анализировать макеты, помогать с подготовкой материалов и ускорять создание интерактивных моделей будущих цифровых продуктов.
Заметный эффект ИИ дал и в продуктовой аналитике. С его помощью команда быстрее формирует User Stories (пользовательские истории), строит User Flow (пользовательские пошаговые сценарии) и проводит первичную оценку удобства интерфейса.
Нейросеть помнит устройство проекта и взаимосвязи между его элементами. Если в продукт вносятся изменения, она помогает быстро найти все связанные материалы и обновить пользовательские сценарии, схемы, требования и документацию.
Кроме того, ИИ-агент задаёт уточняющие вопросы, помогает выявлять слабые места проекта и не позволяет важным деталям остаться без внимания.
От документации к организационной памяти: опыт автотестов
Команда автоматизации тестирования подошла к внедрению искусственного интеллекта с другой стороны — через управление знаниями и сохранение контекста.
Проблема была знакома многим командам разработки: описания быстро устаревали, важные технические решения зачастую оставались только в памяти отдельных специалистов, а результаты обсуждений нередко терялись после завершения рабочих встреч.
Поэтому для хранения и передачи проектного контекста начали использовать популярное бесплатное приложение Obsidian для создания заметок и управления личной базой знаний, которая работает с MD-файлами — лёгкими текстовыми документами, удобными для хранения, поиска и обработки информации людьми и нейросетями.
В Obsidian хранятся архитектурные решения, история разработки, результаты исследований, найденные баги, открытые вопросы, паттерны и договорённости команды. Все материалы связаны между собой через систему ссылок и зависимостей, формируя целостную карту знаний проекта.
Для работы с ИИ команда создала отдельные навыки, которые автоматизируют взаимодействие с этой базой знаний. При запуске новой сессии ИИ получает актуальный контекст по конкретному модулю проекта, включая последние изменения и историю предыдущих решений. После завершения работы новые знания автоматически сохраняются обратно в Obsidian.
Фактически у команды появился механизм накопления командной памяти. Если в ходе работы было найдено решение сложной проблемы, принято важное архитектурное решение или выявлен новый эффективный подход к решению типовой задачи, эта информация становится частью общего контекста и доступна как коллегам, так и ИИ-ассистенту в будущих задачах.
Хороший эффект дал автоматический сбор документации. Если раньше создание схем, описаний и технических заметок требовало дополнительного времени специалистов, то теперь значительная часть документации формируется и актуализируется по итогам рабочих сессий. Нейросеть самостоятельно сохраняет важные изменения, структурирует информацию и даже поддерживает диаграммы и описания в актуальном состоянии.
ИИ-first разработка: когда искусственный интеллект становится частью продуктовой команды
Команда мобильных решений показала подход ИИ-first на примере внутреннего продукта BandHelper — системы, которая помогает анализировать рабочие встречи, фиксировать решения и сохранять организационные знания команды.
Идея продукта возникла из повседневной задачи: в крупных проектах проходит большое количество встреч, и со временем становится сложно быстро восстановить контекст обсуждений, принятые решения и договорённости. BandHelper берёт эту работу на себя и может адаптироваться под разные сценарии: командные ретро, встречи 1:1, CustDev-интервью, продуктовое планирование и встречи профессиональных сообществ, например аналитиков.
После загрузки записи встречи запускается целый конвейер ИИ-обработки. Сначала модель распознаёт аудио и выделяет отдельные смысловые фрагменты. Затем другой ИИ-агент сегментирует ——разговор по темам, событиям и ключевым цитатам. На следующем этапе специализированные модели формируют готовые документы: протоколы встреч, планы действий, открытые вопросы, решения и рекомендации.
Особенность решения заключается в том, что разные этапы обработки выполняют разные модели. Каждая из них отвечает за свою задачу: от расшифровки и структурирования данных до глубокого анализа содержания встречи и подготовки итоговых материалов. Такой подход позволяет использовать сильные стороны каждой модели и гибко развивать систему по мере появления новых ИИ-инструментов.
Для сохранения контекста BandHelper использует собственную систему памяти проекта. Все результаты встреч сохраняются в векторной базе знаний и связываются между собой. Благодаря этому новые обсуждения автоматически обогащаются опытом предыдущих встреч, а искусственный интеллект может учитывать уже принятые решения и накопленные знания команды.
Есть у продукта и механизм «консилиума». После завершения анализа встречу могут дополнительно рассмотреть виртуальные специалисты с различными ролями: архитектор, продуктовый менеджер, UX-дизайнер, специалист по информационной безопасности. Каждый из них формирует собственное заключение и рекомендации, после чего ИИ-фасилитатор объединяет выводы в единую картину.
По сути, BandHelper демонстрирует переход от использования отдельных ИИ-инструментов к построению полноценных ИИ-first систем, где искусственный интеллект становится частью продуктовой команды и участвует в создании ценности на каждом этапе обработки информации.
