Привет, я Дима и хочу сделать стартап за 100 дней, а именно нескучное приложение для похудения. У меня за плечами опыт создания приложения с 20 МЛН установок и номинация «Приложение года» от Google. Смогу ли я повторить успех — покажет время, а пока буду делиться процессом создания, инструментами и подходами, которые сам использую.
Важно! Я не имею отношения к любым обозреваемым продуктам, которые использую в данной статье.
Пролетели ещё 2 недели разработки проекта по нескучному сбросу лишнего веса и увеличению продолжительности жизни за счёт изменения повседневных привычек.
На прошлой неделе опять занимался тем, что пытался ускорить разработку продукта за счёт нейросетей.
Нейросети действительно помогают?
1. Дизайн. Для отрисовки UI проекта — мне не помогли. Проблема в том, что я хочу хоть и стартовать с урезанной версии продукта, но это не совсем MVP. С самого начала там не будет части фич, но в целом, я хочу выпустить уже самостоятельный продукт, который может продавать сам себя.
Вообще тема с MVP в текущем стартап времени немного модернизировалась: раньше можно было выпустить что-то собранное на коленке, показать целевым пользователям и уже собрать обратную связь по которой можно принимать решение.
Сейчас уже так не совсем работает и на это есть 2 причины: цифровых продуктов во всех сегментах появилось огромное множество, поэтому оригинальных идей уже не так много, пользователи стали более искушены в вопросах качества и даже эстетики продукта, поэтому они более-менее могут отличить хороший дизайн от плохо и на основании этого сделать вывод — это хороший продукт или плохой.
И вот получается, что когда я разрабатываю интерфейс, у меня уже получается множество разных экранов и состояний, и для нейросети тяжело удержать весь контекст и отрисовать всё как нужно.
Т.е. сделать одинаковый стиль, в целом — не проблема, но когда ты загружаешь 50 макетов, то в деталях начинается полный раздрай и поправить что-то бывает либо очень сложно, либо невозможно.
2. Контент. Я бы не смог «намайнить» столько уникального научно-исследовательского контента по медицинской тематике за такой короткий период времени.
Для контекста: вот есть какая-то научная работа, у неё есть авторы, иногда по 5-7 человек (так проще коллаборироваться и привлекать научные гранты), каждый из них хочет внести свою лепту (налить воды), плюс в работе очень много отсылок на разных другие научные работы.
В итоге, текста одного исследования получается, примерно на 40 страниц PDF, который прочитать «пробежавшись по диагонали» не получится :) Слишком много научных терминов и отсылок на другие работы.
LLM позволили собрать мне большую таблицу с данными по разным индексам, скорингам и научным фактам за довольно короткий период времени.
При этом, не нужно думать, что там всё за тебя сделают и нарисуют. Каждую из ячеек в таблице пришлось проверять руками и сверять с источниками, например, вот для расчёта индекса массы тела нужна формула со значениями, которая присваивает определённую категорию.
Что делает нейросеть: на основе данных Википедии строит таблицу и расписывает данные по каждой категории. И тут начинаются галлюцинации: появляются разные ненужные категории или описания из категорий не подходят друг другу.
Почему так происходит? Открываем источник на который ссылается LLM, видим ссылку на Википедию и смотрим на статью, в которой представлены категории с такими параметрами:
С точки зрения человека, всё понятно: есть шакала на которой есть разные пределы и если у человека индекс массы тела 30.0 пунктов, то у точно есть лишний вес и он находится на грани ожирения первого класса.
С точки зрения машины, значение не может находится сразу в двух категориях, потому что от этого зависит какую всё таки информацию нужно выводить по диагнозу, нагрузкам и рекомендациям.
А в этой табличке из Википедии: каждая следующая категория начинается со значения предыдущей категории, вот нейросети и клинит.
Чтобы избежать таких проблем, как я описывал в предыдущих статья: я использую сразу несколько LLM инструментов и результат может сильно отличаться в зависимости от того или иной запроса при одинаковом промпте. Плюс, я всегда прошу указывать источник информации и проверяю его вручную (только Perplexity даёт источники по умолчанию, что удобно, но иногда сильно перевирает инфу из источника).
3. Написание кода. Использовать LLM для написания кода тоже пока не решился, по тем результам, что попробовали — пока получается не очень. Очень и очень сложно рефакторить. Написание отдельных функций — да, отдать полностью на вайбаутсорс — нет.
К команде присоединился full stack разработчик, мы вместе покумекали и он дал супер изящное решение для проекта, чтобы ускорить разработку он сделает небольшой конструктор для сборки типовых экранов.
Дело в том, что онбординг у меня получился под стать топовым игрокам на рынке: почти 80 экранов (почитайте в других статьях, почему важно иметь хороший онбординг). Для того, чтобы их всех даже просто отверстать и накинуть логики и формул для подсчёта индексов — уйдёт много времени.
А фикша в том, что онбординг будет трансформироваться ещё много раз, после тестов на пользователях и ему нужна гибкость, чтобы легко и быстро можно было добавлять новые экраны, менять текст на старых, менять экраны местами.
Поэтому экраны изначально будут строиться на одном UI-ките и потом собираться в небольшом конструкторе через web-админку. Пока нейросеть такое решение не напишет.
Что по итогу?
Получается, что без дизайнера, который сделает UI-kit для конструктора и оформит 80 экранов онбординга, в моём случае — не обойтись.
Кроме того, дизайнер ещё добавляет свою призму восприятия в продукт, соло-разработка — это, конечно, звучит интригующе, не нужно ни с кем спорить и доказывать свою точку зрения, но для разработки большого продукта — это не очень хорошо, потому что свои же «шоры» могут давать большие ограничения.
Не обойтись и без разработчика. Какой-то нишевой MVP-продукт с функционалом, который выполняет одну единственную функцию, может и да, можно и навайбкодить, но построить полноценное интерпрайз решение — пока не получится.
Тут, конечно, хочется остановиться поподробнее, но пока я писал свою мысль, она выросла в отдельную статью, которую я опубликовал отдельно: Можно ли с помощью ChatGPT-5 забыть о команде и сделать продукт самостоятельно?
Спасибо за прочтение, надеюсь, было полезно. Если интересен такой формат — можете подписаться на тэгэшку, но только если у вас нет аллергии на подписку на тг-каналы, если есть, просто пропустите эту информацию. Рост подписчиков — это топливо для дальнейших статей и действий, создание дополнительной мотивации что-то делать.
