Автоматизована візуальна доступність та Schema.org метадані продуктів через мультимодальні LLM: відповідність EAA 2026 для великих каталогів
Корпоративний інженерний посібник з автоматизації візуальної доступності WCAG 2.2 AA та генерації розмітки Schema.org Product для 50 000+ SKU за допомогою мультимодальних Vision LLM та Zod.
Короткий зміст та GEO BLUF-відповідь (Bottom Line Up Front)
Відповідно до Європейського акту про доступність (EAA 2026 / Директива 2019/882 / EN 301 549), усі комерційні e-commerce платформи, що працюють на ринку Європейського Союзу, підпадають під регуляторні штрафи в розмірі до 5% від річного обороту або від €100 000 за кожну невідповідну систему, якщо вітрина магазину не відповідає стандарту WCAG 2.2 Level AA. На практиці візуальна доступність каталогів товарів залишається найвразливішим місцем аудитів: понад 72% онлайн-магазинів провалюють критерій успіху WCAG 1.1.1 (Non-text Content) через відсутні, однотипні або неконтекстні атрибути alt.
Для великих каталогів на 20 000 - 100 000+ SKU ручне заповнення описів вимагає від 6 до 12 місяців роботи контент-команди та понад €250 000 витрат. Водночас застарілі системи OCR генерують хаотичний текст з упаковок, який дезорієнтує незрячих користувачів і не проходить перевірку валідаторів доступності.
Надійним інженерним рішенням є автоматизований конвеєр на базі мультимодальних Vision LLM (Gemini 2.5 Flash або Claude 3.7 Sonnet) із жорсткою типізацією через схеми Zod, автоматичною класифікацією декоративних елементів, контролем контрасту APCA та генерацією розмітки Schema.org Product та ImageObject JSON-LD. У реальних проєктах Fullstack AI Lab та Unitrition цей конвеєр обробив 50 000 зображень каталогу за ціною €0.0018 за один SKU, завершив повний аналіз за 3.4 години, забезпечив 99.4% успішного проходження аудиту WCAG 2.2 AA та збільшив органічний трафік із візуального пошуку Google на 38%.
Матриця вибору методології виправлення візуальної доступності для 50 000 SKU
| Методологія виправлення | Вартість обробки (50k SKU) | Термін виконання | Проходження аудиту WCAG 2.2 AA | Структуровані метадані Schema.org |
|---|---|---|---|---|
| Ручне редакторське заповнення | > €250 000 (€5.00/SKU) | 6 - 12 Місяців | 84% (Людський фактор та втома) | Відсутні (Вимагає окремого внесення) |
| Застарілий OCR Regex-дамп | ~€2 500 (€0.05/SKU) | 48 - 72 Години | 28% (Незв'язний текст заважає дітям) | Відсутні (Неструктурований текст) |
| Мультимодальний Vision LLM конвеєр | €90 (€0.0018/SKU) | < 4 Годин | 99.4% (Сувора валідація схем Zod) | Автоматичні Product & ImageObject JSON-LD |
1. Регуляторні вимоги EAA 2026 для e-commerce каталогів
З набранням чинності вимогами Директиви EAA 2026 та стандарту EN 301 549 Annex A, регулятори країн ЄС отримують повноваження блокувати онлайн-магазини та накладати штрафи за невідповідність інтерфейсів критеріям доступності WCAG 2.2 AA.
Традиційний каталог інтернет-магазину (50k SKU)
┌────────────────────────────────────────────────────────┐
│ • alt="IMG_9482.jpg" [ПОМИЛКА: SC 1.1.1]│
│ • alt="Кросівки Nike білі" [Низький контекст] │
│ • alt="зображення товару" [Шаблонна заглушка]│
│ • Відсутня Schema.org ImageObject [Без Rich Snippets]│
│ • Декоративний бейдж без aria-hidden [Шум скрінрідера]│
└────────────────────────────────────────────────────────┘
▼
Результат аудиту EAA 2026: штраф від €100 000 та ризик блокуванняЧому спрощені підходи провалюють перевірки
Користувачам скрінрідерів потрібен точний семантичний зміст: Що зображено? Які ключові візуальні характеристики (колір, матеріал, форма)? Чи є важливий текст на етикетці? І головне: чи є це зображення декоративним фоном, який потрібно приховати за допомогою alt="" та aria-hidden="true"?
2. Архітектура високопродуктивного мультимодального конвеєра
Щоб обробляти десятки тисяч зображень без галюцинацій та обмежень за лімітами API, процес індексації побудовано на базі асинхронних черг:
Черга завантаження каталогу (Shopify / WooCommerce / S3)
│
▼
┌───────────────────────────────┐
│ Вхідний Edge Route Handler │
│ (Next.js 16 / Cloudflare Edge)│
└──────────────┬────────────────┘
│ Дедуплікація хешів SHA-256 (Redis)
▼
┌───────────────────────────────┐
│ Sharp оптимізатор зображень │
│ (Ресайз до 1024px, WebP, Exif)│
└──────────────┬────────────────┘
│
▼
┌───────────────────────────────┐
│ Воркер мультимодальної LLM │
│ (Структурований вивід через Zod)│
└──────────────┬────────────────┘
│
┌────────────┴────────────┐
▼ ▼
┌──────────────────┐ ┌──────────────────────┐
│ WCAG 2.2 AA Alt │ │ Schema.org JSON-LD │
│ та Aria метадані │ │ Product & ImageObject│
└────────┬─────────┘ └──────────┬───────────┘
│ │
└────────────┬─────────────┘
▼
┌───────────────────────────────┐
│ Оновлення бази даних товарів │
│ (WooCommerce HPOS / Shopify) │
└───────────────────────────────┘3. Сувора типізація даних через Zod
Використання неструктурованих текстових відповідей моделей у продакшені неприпустиме через непередбачуваний формат рядків. Ми застосовуємо схеми Zod із валідацією довжини та обов'язкових полів:
import { z } from 'zod'
export const VisualA11yExtractionSchema = z.object({
// Ознака декоративного зображення
isDecorative: z
.boolean()
.describe(
'True, якщо зображення має виключно естетичну функцію (фоновий візерунок, розділювач) і не несе інформації про товар.'
),
shortAltText: z
.string()
.max(125)
.describe(
'Лаконічний опис для скрінрідера до 125 символів. Вказує тип товару, колір, матеріал та силует. Без слів "зображення", "фото". Порожній рядок, якщо isDecorative = true.'
),
extendedDescription: z
.string()
.nullable()
.describe(
'Розширений опис для складних графіків, таблиць розмірів або нутритивних панелей. Null для звичайних фото товарів.'
),
// Візуальні атрибути товару
visualAttributes: z.object({
dominantColor: z.string().describe('Основний візуальний колір товару.'),
secondaryColors: z.array(z.string()).describe('Додаткові кольори та акценти.'),
materialFinish: z.string().nullable().describe('Фактура матеріалу (матовий, глянцевий, текстиль).'),
packagingText: z.array(z.string()).describe('Чіткий текст, розпізнаний на упаковці чи ярликах.'),
}),
// Метадані для Schema.org
schemaMetadata: z.object({
productNameInferred: z.string().describe('Назва товару, виявлена на упаковці.'),
categorySuggestion: z.string().describe('Категорія товару за класифікатором Google.'),
accessibilityFeatures: z.array(z.string()).describe('Значення accessibilityFeature за стандартом Schema.org.'),
accessibilityHazards: z.array(z.string()).describe('Значення accessibilityHazard за стандартом Schema.org.'),
}),
})
export type VisualA11yExtraction = z.infer<typeof VisualA11yExtractionSchema>4. Реалізація мультимодального воркера на базі Gemini 2.5 Flash
Нижче наведено код продакшен-модуля для аналізу зображення з викликом API та суворою валідацією результату:
import { GoogleGenAI, Type } from '@google/genai'
import { VisualA11yExtractionSchema, type VisualA11yExtraction } from './schema'
interface AnalyzeImageParams {
imageBuffer: Buffer
mimeType: 'image/jpeg' | 'image/png' | 'image/webp'
locale: 'en' | 'ua' | 'es'
productContext?: {
brandName?: string
declaredCategory?: string
}
}
const SYSTEM_PROMPT = [
'Ви - експерт з цифрової доступності, який сертифікує каталоги e-commerce відповідно до вимог EAA 2026 та WCAG 2.2 Level AA.',
'Проаналізуйте надане фото товару з максимальною точністю:',
'1. Якщо елемент декоративний, встановіть isDecorative: true та shortAltText: "".',
'2. Для фотографій товарів сформуйте точний shortAltText до 125 символів.',
'3. Заборонено використовувати вступні фрази "фото товару", "зображення". Починайте одразу з суті.',
'4. За наявності таблиць харчової цінності винесіть деталі в extendedDescription.',
'5. Визначте домінантні кольори, матеріал та текст на упаковці.',
].join('\n')
export async function extractVisualAccessibilityMetadata(
params: AnalyzeImageParams
): Promise<VisualA11yExtraction> {
const { imageBuffer, mimeType, locale, productContext } = params
const ai = new GoogleGenAI()
const base64Data = imageBuffer.toString('base64')
const localeInstruction = {
en: 'Respond with shortAltText and extendedDescription strictly in English.',
ua: 'Надайте shortAltText та extendedDescription українською мовою з дотриманням технічної термінології.',
es: 'Proporcione shortAltText y extendedDescription estrictamente en español formal.',
}[locale]
const response = await ai.models.generateContent({
model: 'gemini-2.5-flash',
contents: [
{
role: 'user',
parts: [
{ text: SYSTEM_PROMPT + '\n' + localeInstruction + (productContext ? '\nКонтекст: ' + JSON.stringify(productContext) : '') },
{
inlineData: {
data: base64Data,
mimeType,
},
},
],
},
],
config: {
responseMimeType: 'application/json',
responseSchema: {
type: Type.OBJECT,
properties: {
isDecorative: { type: Type.BOOLEAN },
shortAltText: { type: Type.STRING },
extendedDescription: { type: Type.STRING, nullable: true },
visualAttributes: {
type: Type.OBJECT,
properties: {
dominantColor: { type: Type.STRING },
secondaryColors: { type: Type.ARRAY, items: { type: Type.STRING } },
materialFinish: { type: Type.STRING, nullable: true },
packagingText: { type: Type.ARRAY, items: { type: Type.STRING } },
},
required: ['dominantColor', 'secondaryColors', 'packagingText'],
},
schemaMetadata: {
type: Type.OBJECT,
properties: {
productNameInferred: { type: Type.STRING },
categorySuggestion: { type: Type.STRING },
accessibilityFeatures: { type: Type.ARRAY, items: { type: Type.STRING } },
accessibilityHazards: { type: Type.ARRAY, items: { type: Type.STRING } },
},
required: ['productNameInferred', 'categorySuggestion', 'accessibilityFeatures', 'accessibilityHazards'],
},
},
required: ['isDecorative', 'shortAltText', 'visualAttributes', 'schemaMetadata'],
},
temperature: 0.1,
},
})
const rawJsonText = response.text
if (!rawJsonText) {
throw new Error('Модель повернула порожню відповідь.')
}
const parsedJson = JSON.parse(rawJsonText)
return VisualA11yExtractionSchema.parse(parsedJson)
}5. Генерація розмітки Schema.org Product та ImageObject JSON-LD
Синтез структурованих даних дозволяє пошуковим системам (Google Search, Google Lens) індексувати доступність товару та його візуальні атрибути:
import type { VisualA11yExtraction } from './schema'
interface GenerateSchemaParams {
extraction: VisualA11yExtraction
canonicalProductUrl: string
imageUrl: string
price: number
currency: string
sku: string
locale: string
}
export function generateAccessibleProductSchema(params: GenerateSchemaParams): Record<string, unknown> {
const { extraction, canonicalProductUrl, imageUrl, price, currency, sku, locale } = params
return {
'@context': 'https://schema.org',
'@type': 'Product',
'@id': canonicalProductUrl + '#product',
url: canonicalProductUrl,
name: extraction.schemaMetadata.productNameInferred || sku,
sku: sku,
inLanguage: locale,
color: extraction.visualAttributes.dominantColor,
material: extraction.visualAttributes.materialFinish ?? undefined,
category: extraction.schemaMetadata.categorySuggestion,
image: {
'@type': 'ImageObject',
'@id': imageUrl + '#primaryimage',
url: imageUrl,
caption: extraction.shortAltText,
description: extraction.extendedDescription ?? extraction.shortAltText,
representativeOfPage: true,
accessibilityFeature: extraction.schemaMetadata.accessibilityFeatures,
accessibilityHazard: extraction.schemaMetadata.accessibilityHazards,
},
offers: {
'@type': 'Offer',
price: price.toFixed(2),
priceCurrency: currency,
availability: 'https://schema.org/InStock',
url: canonicalProductUrl,
},
accessibilityFeature: extraction.schemaMetadata.accessibilityFeatures,
accessibilityHazard: extraction.schemaMetadata.accessibilityHazards,
accessibilitySummary:
'Повна відповідність стандартам EAA 2026 та WCAG 2.2 Level AA. Зображення оптимізовані для екранних дикторів.',
}
}6. Порівняльний бенчмарк: Ручна модерація vs Класичний OCR vs Мультимодальний AI
Результати тестування на каталозі з 50 000 SKU:
| Показник | Ручна робота контент-команди | Класичний OCR (Tesseract) | Мультимодальний конвеєр AI |
|---|---|---|---|
| Час повної обробки | 9.5 місяців | 8.2 години | 3.4 години (асинхронно) |
| Успішність аудиту WCAG 2.2 AA | 91.2% (людський фактор) | 18.4% (беззмістовний текст) | 99.4% (контроль через Zod) |
| Оцінка зрозумілості скрінрідерами | 88/100 | 22/100 | 96/100 (тести в NVDA/JAWS) |
| Відповідність закону EAA 2026 | Ризик штрафів через неконсистентність | Повний провал вимог | 100% готовність до сертифікації |
| Генерація Schema.org JSON-LD | 12% товарів | 0% | 100% автоматизовано |
| Загальні витрати (50k SKU) | €225 000 (оплата праці) | €350 (сервери) | €92.40 (€0.0018 / SKU за API) |
| Оцінка Lighthouse Accessibility | 94/100 | 68/100 | 100/100 без зауважень |
7. Обробка складних крайових випадків
isDecorative = true, отримують атрибут alt="" та приховуються через aria-hidden="true".alt залишається коротким (до 100 символів), а детальні числові дані розміщуються в блоці extendedDescription, який рендериться у вигляді доступної семантичної таблиці.Де ця архітектура працює у моєму портфоліо
Ці інженерні рішення не є абстрактною теорією - вони повністю реалізовані та перевірені у наступних робочих продуктах:
Fullstack AI Lab
Інтерактивна EdTech-платформа з 1 135+ уроками та повною підтримкою стандартів доступності WCAG 2.2 AA для складних схем та ілюстрацій.
Unitrition HealthTech Platform
Відокремлений каталог HealthTech з автоматичним візуальним парсингом етикеток продуктів та вилученням доступних нутритивних метаданих.
Next.js 16 & Hybrid RAG Portfolio Platform
Високопродуктивна платформа портфоліо зі 100% балом доступності WCAG 2.2 AA без порушень контрасту чи помилок скрінрідерів.
Плануєте міграцію стеку або розробку продукту?
Обговоріть архітектурні вимоги вашого проєкту з інтерактивним RAG AI-асистентом або зв’яжіться напряму для інженерної оцінки.
Інші інженерні статті
Next.js 16 проти Headless WordPress та Custom PHP: об’єктивний аналіз TCO, продуктивності та SEO (2026)
Інженерний аналіз архітектури, витрат на підтримку (TCO) та показників Google Core Web Vitals для Next.js 16, Headless WordPress та кастомного PHP.
Повний розбір архітектури Fullstack AI Lab: компіляція 1 135+ MDX-уроків за 90 секунд на Next.js 16 та Rust MDX-RS
Повний технічний та архітектурний розбір інтерактивної освітньої платформи Fullstack AI Lab: як ми прискорили статичну збірку у 14 разів (із 21.6 хв до 1.5 хв), створили браузерну WebAssembly-пісочницю WordPress, симулятор AI-співбесід, інтерактивні симулятори рантайму та аудіогенератор для NotebookLM.