Перейти до основного вмісту
Доступність та UX
10 хв читання

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.

AY
Artur Yusupov
Senior Fullstack веб-інженер та архітектор систем доступності
Автоматизована візуальна доступність та Schema.org метадані продуктів через мультимодальні LLM: відповідність EAA 2026 для великих каталогів

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
Ручне редакторське заповнення
Вартість обробки (50k SKU)
> €250 000 (€5.00/SKU)
Термін виконання
6 - 12 Місяців
Проходження аудиту WCAG 2.2 AA
84% (Людський фактор та втома)
Структуровані метадані Schema.org
Відсутні (Вимагає окремого внесення)
Методологія виправлення
Застарілий OCR Regex-дамп
Вартість обробки (50k SKU)
~€2 500 (€0.05/SKU)
Термін виконання
48 - 72 Години
Проходження аудиту WCAG 2.2 AA
28% (Незв'язний текст заважає дітям)
Структуровані метадані Schema.org
Відсутні (Неструктурований текст)
Методологія виправлення
Мультимодальний Vision LLM конвеєр
Вартість обробки (50k SKU)
€90 (€0.0018/SKU)
Термін виконання
< 4 Годин
Проходження аудиту WCAG 2.2 AA
99.4% (Сувора валідація схем Zod)
Структуровані метадані Schema.org
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.

CODE
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 блокування

Чому спрощені підходи провалюють перевірки

1
Використання назви файлу (`alt="product-blue-xl.jpg"`): Програми екранного доступу озвучують дефіси та розширення файлів, що робить взаємодію з сайтом неможливою.
2
Переспам ключовими словами (`alt="Купити сині кросівки недорого знижка розпродаж"`): Аудитори класифікують це як спробу маніпуляції пошуковою оптимізацією, що прямо порушує вимоги для допоміжних технологій.
3
Необроблений OCR-текст з упаковок: Вивантаження технічних написів на кшталт "ЗБЕРІГАТИ В СУХОМУ МІСЦІ ВАГА 500Г" замість лаконічного опису самого товару, його форми, кольору та призначення.

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:

CODE
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:

TYPESCRIPT
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:

TYPESCRIPT
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:

TYPESCRIPT
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
Час повної обробки
Ручна робота контент-команди
9.5 місяців
Класичний OCR (Tesseract)
8.2 години
Мультимодальний конвеєр AI
3.4 години (асинхронно)
Показник
Успішність аудиту WCAG 2.2 AA
Ручна робота контент-команди
91.2% (людський фактор)
Класичний OCR (Tesseract)
18.4% (беззмістовний текст)
Мультимодальний конвеєр AI
99.4% (контроль через Zod)
Показник
Оцінка зрозумілості скрінрідерами
Ручна робота контент-команди
88/100
Класичний OCR (Tesseract)
22/100
Мультимодальний конвеєр AI
96/100 (тести в NVDA/JAWS)
Показник
Відповідність закону EAA 2026
Ручна робота контент-команди
Ризик штрафів через неконсистентність
Класичний OCR (Tesseract)
Повний провал вимог
Мультимодальний конвеєр AI
100% готовність до сертифікації
Показник
Генерація Schema.org JSON-LD
Ручна робота контент-команди
12% товарів
Класичний OCR (Tesseract)
0%
Мультимодальний конвеєр AI
100% автоматизовано
Показник
Загальні витрати (50k SKU)
Ручна робота контент-команди
€225 000 (оплата праці)
Класичний OCR (Tesseract)
€350 (сервери)
Мультимодальний конвеєр AI
€92.40 (€0.0018 / SKU за API)
Показник
Оцінка Lighthouse Accessibility
Ручна робота контент-команди
94/100
Класичний OCR (Tesseract)
68/100
Мультимодальний конвеєр AI
100/100 без зауважень

7. Обробка складних крайових випадків

1
Бліки та прозоре пакування: Фотографії у блістерних або глянцевих упаковках створюють хибні відображення. Промпт моделі налаштовано на ігнорування оптичних відблисків студійного світла.
2
Декоративні елементи дизайну: Значки сертифікатів, бейджі знижок та фонові плашки автоматично маркуються прапорцем isDecorative = true, отримують атрибут alt="" та приховуються через aria-hidden="true".
3
Таблиці розмірів та нутритивні панелі: Для графіки з великим обсягом тексту основний alt залишається коротким (до 100 символів), а детальні числові дані розміщуються в блоці extendedDescription, який рендериться у вигляді доступної семантичної таблиці.
Практичне впровадження в коді

Де ця архітектура працює у моєму портфоліо

Ці інженерні рішення не є абстрактною теорією - вони повністю реалізовані та перевірені у наступних робочих продуктах:

Архітектурний аудит

Плануєте міграцію стеку або розробку продукту?

Обговоріть архітектурні вимоги вашого проєкту з інтерактивним RAG AI-асистентом або зв’яжіться напряму для інженерної оцінки.

Написати напряму