От ИИ-ассистентов и улучшения фото до модерации и безопасности: Как Gemini стал частью продуктовой экосистемы Quarks

Quarks работают с продуктами, где качество взаимодействия между пользователями, безопасность контента и скорость запуска новых сценариев напрямую влияют на рост. Именно поэтому команда начала системно использовать ИИ не как отдельную экспериментальную функцию, а как инструмент для улучшения ключевых этапов пользовательского опыта.

До масштабного перехода на Gemini в Vertex AI команда Quarks уже активно тестировала различные ИИ-подходы.

Вызов: Как построить стабильную ИИ-систему для продуктовых сценариев

Изначально часть сценариев строили на базе Gemma 2 и Gemma 3, развертывая модели на арендованных GPU-ресурсах, а позже — через внешних ИИ-провайдеров. Это обеспечивало гибкость, но с ростом количества сценариев стало очевидно: для продуктовой ИИ-системы необходим иной уровень стабильности, качества, масштабируемости и управляемости.

Команде требовалась платформа, которая позволит:

• Запускать несколько параллельных ИИ-сценариев в production;
• Легко масштабироваться без потери качества и стабильности;
• Работать как с текстом, так и с фото и мультимодальными задачами;
• Автоматизировать модерацию и safety-процессы;
• Оперативно тестировать новые гипотезы;
• Сохранять контроль над затратами и производительностью.

Отдельным вызовом стала продуктовая стабильность. Часть ИИ-функций в Quarks работает в критических user flows. Это означает, что качество ответа, задержка (latency) и доступность напрямую влияют на пользовательский опыт, конверсию и доверие к продукту. Именно поэтому в Quarks подошли к генеративному ИИ не как к разовому эксперименту, а как к системному продуктовому и операционному слою, который можно масштабировать на разные сценарии.

Почему Gemini от Google Cloud

После тестирования различных подходов команда Quarks выбрала Gemini в качестве основы для растущего числа ИИ-сценариев.

Выбор был прагматичным и опирался на несколько ключевых факторов:

• Высокое качество для реальных продуктовых задач;
• Оптимальный баланс между стоимостью и результатом;
• Поддержка мультимодальных сценариев;
• Быстрая интеграция в существующие сервисы и логику продуктов.

Совместно с Cloudfresh, Google Cloud-партнером уровня Premier, команда также прорабатывала эффективное использование возможностей Gemini на практике: от выбора моделей под конкретные задачи до оптимизации производительности, стоимости запросов и архитектуры сценариев, которые должны стабильно работать под реальной нагрузкой.

В результате Gemini продемонстрировал наиболее сбалансированный результат для production-среды. Команда начала выстраивать единый AI-layer, который сегодня поддерживает сразу несколько критических направлений — от взаимодействия с пользователями до модерации, safety и внутренних ИИ-сценариев.

Use Case 1. ИИ-улучшение фото пользователей с Nano Banana

В dating-продуктах качество фото напрямую влияет на первое впечатление, количество лайков, мэтчей и шансы на начало диалога.

На практике значительная часть пользователей загружает фото с плохим освещением, в низком разрешении или сделанные на слабые камеры. Чтобы устранить этот барьер, Quarks протестировали функцию AI Photo Enhancement, которая помогает улучшить качество фото, не искажая черты лица и сохраняя естественность изображения.

Функционал работает на базе Nano Banana — высокоскоростной модели Google в стеке Gemini для генерации и редактирования изображений.

Цель заключалась не в том, чтобы «перерисовать» человека. Напротив — команда осознанно искала баланс между:

• Улучшением качества фото;
• Сохранением аутентичности;
• Фотореалистичностью;
• Отсутствием ощущения, что профиль выглядит как бот.

Это важный продуктовый нюанс: в dating-среде слишком «идеальное» фото может не повысить доверие, а напротив — снизить его.

Первые результаты

В данный момент функционал находится в стадии тестирования, но команда уже отмечает позитивные сигналы:

• Около 5% пользователей уже воспользовались функцией;
• В тестовой группе количество отправленных лайков среди женщин выросло на 27%;
• Match rate вырос на 7%;
• Конверсия в диалоги среди мужчин выросла на 7,8%.

Для dating-продуктов это имеет прикладное значение. Качество фото влияет не только на визуальное восприятие профиля, но и на поведение пользователей далее по воронке.

Это отличный пример того, что ИИ не обязательно должен «поражать» воображение. Иногда его самая ценная роль — устранить барьер, мешающий пользователю полноценно взаимодействовать с продуктом.

Use Case 2. Gemini для ИИ-ассистентов в продуктах для улучшения отношений и well-being

Одним из ключевых ИИ-направлений в Quarks является платформа ассистентов, интегрированная в различные продукты и сценарии взаимодействия.

В relationship-oriented продуктах ИИ-ассистент помогает пользователям в конкретных жизненных ситуациях: лучше понять свои отношения, сформулировать потребности, выстроить здоровую коммуникацию, отстоять границы или найти правильные слова в эмоционально непростой момент.

Один из таких примеров — Affemity, образовательная платформа для улучшения ментального здоровья женщин. Здесь ИИ-ассистент помогает пользователям ориентироваться в вопросах коммуникации, поддерживая их в вопросах эмоциональной ясности, рефлексии и осознанного взаимодействия с партнером.

Результаты, подтвержденные поведением пользователей

Этот сценарий уже демонстрирует четкие поведенческие сигналы ценности:

• 60% пользователей взаимодействуют с ассистентом;
• В среднем — 20+ взаимодействий на пользователя;
• Положительных реакций в 8 раз больше, чем негативных.

Для Quarks это не просто метрики вовлеченности. Ассистент становится частью ядра продукта, помогая пользователям лучше понимать себя и свои чувства.

Важно, что этот функционал создавался в тесном сотрудничестве с коучами и психологами. Благодаря этому ассистент не просто «умный», а действительно уместный в чувствительных ситуациях.

В итоге продукт получает дифференциацию не за счет количества фич, а за счет глубины взаимодействия и доверия пользователя.

Следующий этап для команды — персонализация.

Quarks планируют повысить полезность ИИ-взаимодействия за счёт:

• Более глубокого понимания контекста пользователя;
• Предоставления релевантных рекомендаций;
• Интеграции ассистента с другими функциями приложения.

Use Case 3. Gemini для модерации описания профиля

Один из самых зрелых ИИ-сценариев в Quarks связан с безопасностью платформы и доверием пользователей.

В dating-продуктах пользовательский контент несет в себе риски: мошенничество, манипуляции, скрытые нарушения правил и другой вредоносный контент. Одной из самых чувствительных зон является описание профиля «About me». Здесь пользователи могут оставлять:

• Скрытые признаки скама;
• Попытки обхода правил платформы;
• Контактные данные;
• Сексуализированный или нежелательный контент.

До внедрения модерации на базе LLM все тексты проверялись вручную. С ростом активности ручная проверка стала «узким местом»: не все профили проверялись вовремя, а модераторы тратили ресурс на безопасный контент вместо концентрации на критических кейсах.

Основная идея: Большие языковые модели как интеллектуальный фильтр

Для решения этой проблемы Quarks использовали LLM не просто для вердикта «одобрить/отклонить», а в качестве умного семантического фильтра.

Система анализирует смысл текста и классифицирует его по уровню и типу риска. Это позволяет автоматически обрабатывать контент с низким уровнем риска, направляя внимание модераторов только на те случаи, где человеческая оценка критически важна.

Ключевые метрики эффективности

После внедрения LLM модерация в Quarks стала практически полностью автоматизированной:

• ~99% контента в «About Me» проходит предварительный ИИ-анализ;
• Покрытие проверки профилей выросло с 17% до 100%;
• Около 80% профилей проходят автоматическое одобрение менее чем за 5 секунд;
• Время реакции на скам-кейсы сократилось до менее чем 1 минуты;
• Ручная модерация сфокусирована только на самых рискованных случаях.

ИИ не заменяет команду модерации, а помогает ей работать быстрее и точнее в масштабах, недоступных для ручного труда. Для Quarks это напрямую связано со способностью масштабировать платформу без потери контроля над рисками.

Use Case 4. Gemini + RAG для контекстных ИИ-ответов

Команда Quarks использует Gemini в сценариях, где качество ответа зависит от доступа к релевантному контексту.

Для части ИИ-ассистентов применяется подход Retrieval-Augmented Generation (RAG), который позволяет подключать к ответам данные из специализированных баз знаний, документов и PDF-материалов.

Этот подход помогает:

• Повышать релевантность ответов;
• Снижать риск неточных или слишком общих рекомендаций;
• Предоставлять пользователям более контекстные советы;
• Быстрее масштабировать ИИ-сценарии, требующие экспертных знаний.

Что дальше: Внутренний ИИ-чат и корпоративная база знаний

Quarks рассматривает ИИ шире, чем только user-facing функции. Следующий этап — создание собственного внутреннего ИИ-агента с использованием MCP, который станет единой точкой доступа к знаниям компании.

Цель — предоставить командам инструмент для:

• Быстрого поиска информации и ориентации в структуре компании;
• Доступа к внутренним знаниям в формате natural-language;
• Анализа отчетов, сплитов и внутренних данных через чат;
• Сокращения времени на повторяющиеся внутренние запросы.

Доступ к данным будет контролироваться в соответствии с ролями пользователей и политиками комплаенса. MCP-подход гарантирует, что ИИ работает только с разрешенными, отфильтрованными ответами, минимизируя риски утечки конфиденциальной информации.

Партнерство с Cloudfresh

В этом проекте Cloudfresh помогали Quarks оперативно переводить ИИ-инициативы из плоскости экспериментов в реальные продуктовые сценарии.

Благодаря сотрудничеству команда Quarks смогла быстрее запускать новые воркфлоу, контролировать их стабильность и затраты, фокусируясь на создании ценности для пользователя.

Сотрудничество охватывало:

• Выбор оптимальных моделей Gemini под разные задачи;
• Работу с производительностью и стабильностью Vertex AI в production;
• Оптимизацию ИИ-запросов, токенов и мультимодальных сценариев.