Готові дизайнерські рішення з попередніх проєктів не завжди пристосовані до нових реалій. Люди постійно хочуть чогось нового. Чого саме — допомагають зрозуміти UX-дослідження.
Дизайн має бути зрозумілим. Користувач не оцінить колірне рішення, якщо на сайті базові кнопки розташовані незручно. Ймовірно, людина знайде більш зручний ресурс. Твоя мета — створити привабливий і продаваний товар, не розтратити час і бюджет замовника на нескінченні правки або перероблення з нуля. За результатами дослідження разом із Product Owner можеш побудувати стратегію просування розробки.
Запасись терпінням і кольоровими наліпками
Вчені Стенфордського інституту дизайну створили план, за яким ти можеш аналізувати аудиторію і створювати затребуваний дизайн.
1. Познайомся з потенційним користувачем
Чи складно тобі обирати подарунки? Можливо, батькам сподобається будь-який презент від тебе, навіть банальний. А ось із босом складніше — взагалі нуль ідей. Як бути: знайти додаток для пошуку подарунків або перейти у перший-ліпший інтернет-магазин? Ідеї стартапів іноді виростають із роздумів про повсякденні потреби. Поспілкуйся з людиною або розпитай фокус-групу з п'яти осіб, яких може зацікавити твій майбутній продукт. Так ти краще познайомитися з потенційним користувачем.
2. Визнач проблему й наслідок
Пошуковик Google розуміє нас з півслова. Якщо ми неправильно напишемо запит або зробимо помилку, побачимо люб'язне «Можливо, ви мали на увазі це?». Таких підказок могло не бути, якби не мешканці Індії.
UI/UX Designer Лілія Піддубна розповіла цікавий факт з життя компанії. Історію дизайнерка почула на одному з онлайн-курсів. Одного разу співробітники Google перевіряли внутрішню аналітику й помітили, що в Індії люди рідше користуються їх пошуковою системою. Приїхавши в країну, програмісти стежили за звичками місцевих жителів, запитували про їхні інтереси й просили показати, як вони користуються інтернетом. На той момент якісну освіту у країні мали не всі. Мешканці часто писали запити з граматичними помилками. Після дослідження компанія додала у пошуковик функцію, яка намагається вгадувати слова.
Лілія Піддубна
Спостереження за людиною в її побутовому або робочому середовищі краще, ніж інтерв'ю. Під час бесіди ми іноді говоримо те, чого насправді не робимо. У реальності помітні щирі дії та емоції. Простіший варіант — зателефонувати по відеозв’язку і поставити ті ж самі питання. Нехай співрозмовник поділиться екраном комп'ютера та покаже, як вирішує ту чи іншу потребу.
«Припустимо, тобі потрібно створити дизайн софту для офіціантів. Навідайся до ресторану й подивися, чи користується персонал планшетами, яка програма для контролю замовлень і вільних місць уже є, що в ній подобається, чого не вистачає. Може, їм зручніше користуватися паперовим блокнотом, а технології потрібні для іншого», — радить Лілія Піддубна.
3. Немає грошей на дослідження? Слідкуй за конкурентами
Розробка застосунків — тривалий проєкт. У ньому зазвичай є час і бюджет на дослідження. У випадку з сайтами результат потрібен якнайшвидше, але й тут є спосіб зрозуміти аудиторію.
У підготовці вебдизайну підійде інформація з усіх відкритих джерел — сайти конкурентів, коментарі на форумах, світові й локальні тренди, формати популярного контенту на тему. У чужому досвіді зверни увагу на вдалі рішення, а те, що здається поганим, перероби й додай до свого проєкту. Навіть без тривалого аналізу ти побачиш, що саме ліпше винести на головну сторінку і як залучити користувачів.
4. Структуруй інформацію
Розмови й спостереження записуй на відео або диктофон. Інформацію напиши на наліпках і розподіли їх за категоріями: проблеми, бажання людей, що їм подобається, як вони дають собі раду без цифрових рішень. Є загроза, що вся стіна у твоїй кімнаті буде завішана наліпками, але це класний метод візуалізації ідей. Визнач кроки користувача при взаємодії з майбутнім продуктом. Відзначай, над чим замислюєшся, що відволікає або допомагає отримати бажане.
Потім пропиши образи персон — основних і другорядних користувачів продукту. Чим вони займаються, які в них хобі, що їм важливо у сфері твоєї розробки. Типажі й кількість персон залежать від специфіки продукту. Зазвичай, їх не менше двох, кожна — з ім'ям, статтю, віком, характером, реалістичною біографією і потребами. Можна асоціювати персон з їхнім улюбленим брендом і придумати цитату. Головне дізнатися, як вони себе ведуть з подібним продуктом і чого хочуть від нової розробки.
Деякі дизайнери замість методу персон користуються теорією Job to be Done. У людей є завдання й бажаний ефект від їх виконання. Принцип Job to be Done — на кожну «роботу» ми «наймаємо» певний продукт. Наприклад, щоб прибирати у квартирі, потрібен пилосмок. Однак прилад повністю не позбавить приміщення від пилу. Знадобиться вологе прибирання. Записуй задачі й визначай бар'єри для їх вирішення. Так ти дізнаєшся, чи принесе твоя ідея потрібний результат, підбереш декілька варіантів, створиш технічну «начинку» продукту.
Проте з цим методом не зрозуміло, через які візуальні образи говорити з користувачем. Персони дають більше інформації про цільову аудиторію, про очікувану манеру спілкування. Це знадобиться у рекламі розробки.
5. Створи прототип дизайну і протестуй продукт
У дизайні сподіватися на натхнення — погане рішення. Дослідження структурують творчий процес. Придумай образи й колірну гамму, обери шрифти. Розташуй елементи на модульній сітці — системі верстки, в якій усі смуги й розвороти повинні відповідати основам композиції. Приклад дизайну покажи попереднім співрозмовникам.
«Щоб протестувати інтерфейс сайту, можеш попросити користувача знайти ноутбук для навчання, покласти його у кошик і оформити замовлення. Увімкни запис монітору і спостерігай, як він виконує завдання, які труднощі виникають. Попроси коментувати свої дії. Можливо, людина не одразу помітила значок кошика. На стадії інтерв'ю ти можеш не здогадатися, де розмістити цю кнопку. Так ти дізнаєшся, наскільки твій дизайн зрозумілий і зручний, що конкретно потрібно змінити», — пояснює Лілія Піддубна.
Що впливає на дизайнерське мислення
У книзі «Дизайн звичних речей» колишній віцепрезидент Apple Дональд Норман описав принципи дизайнерського мислення. Він переконаний: не потрібно одразу вестись на доводи клієнта і миттю вирішувати озвучену ним проблему. Скоріше, це не причина, а наслідок. Дослідження покаже, чому насправді люди рідко користуються сервісом або деякими його функціями.
«Щоб зрозуміти кінцевого споживача, потрібно розвинути в собі дизайнерське мислення, — вважає UI/UX Designer, викладачка курсу UI/UX Design, Аделіна Сузанська. — Можна через особистий досвід використання якогось застосунку, а можна опитати колег або людей, пов'язаних із продуктом. Я додатково аналізую ринок розробки».
Аделіна Сузанська
Розвинути дизайнерське мислення також допоможе спостереження за візуальним мистецтвом. Поглянь, як створювали рекламні постери у 20-х роках минулого століття, якими образами надихалися художники Рафаель, Рубенс, Ван Гог, які фільми створював Кубрик, що знімають сучасні фотографи. Усе нове — це переосмислення старого.
Будь психологом — слідкуй за поведінкою потенційних клієнтів, цікався їхніми «болями» і забаганками, дізнайся враження від використання чужих сервісів. Регулярно спілкуйся з людьми й збагнеш, як твій дизайн задовольнить потреби аудиторії.
Розпочни кар'єру UI/UX дизайнера
Якщо тобі цікаво у майбутньому знаходити підходи до аудиторії будь-якого продукту й втілювати його у дизайні, ласкаво просимо до навчання.
Computer Vision Engineer створює системи для аналізу зображень і відео: від збору даних і тренування моделі до її роботи в продакшені чи на пристрої. Він поєднує машинне навчання з розробкою, тому в українських вакансіях від нього зазвичай чекають і PyTorch, і впевненого Python, і розуміння того, як модель поводиться на реальному залізі.
Нижче про задачі, стек, зарплати й шлях у професію, з опорою на вакансії 2026 року і дані DOU.
Що робить CV-інженер
Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:
Розібратися в задачі. Що саме треба знаходити, з якою точністю, на якій камері, з якою швидкістю.
Зібрати й розмітити дані. Узгодити правила розмітки, перевірити якість, поділити вибірки.
Обрати й навчити модель. Найчастіше це fine-tuning готового детектора; власну архітектуру з нуля пишуть рідко.
Проаналізувати помилки. Подивитися, де модель помиляється, і зрозуміти чому.
Оптимізувати й розгорнути. Експорт, квантизація, інтеграція у відеопайплайн чи сервіс.
Супроводжувати. Стежити, як модель працює на нових даних, дозбирувати приклади й перетреновувати.
Останній пункт часто недооцінюють. Модель, яка добре працювала в день запуску, через кілька місяців може гірше впоратися, бо змінилися освітлення, камера чи самі об'єкти. Це називають data drift, і відстежувати його входить в обов'язки CV-інженера.
Стек Computer Vision Engineer: що просять у вакансіях
Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:
Навички та інструменти у вимогах до спеціалістів з комп'ютерного зору і те, як часто вони трапляються
Що
Як часто трапляється
Python
обов'язково майже завжди
C++
обов'язково або як перевага
PyTorch
обов'язково
OpenCV
обов'язково або як перевага
Детекція, трекінг, сегментація
у задачах і вимогах
ONNX, TensorRT, OpenVINO
як перевага
NVIDIA Jetson та інші embedded-платформи
як перевага або в задачах
Linux, Git, Docker
обов'язково
GStreamer, DeepStream, робота з відеопотоком
як перевага
У вимогах Frontline Robotics, наприклад, окремо згадано розуміння real-time обмежень: latency, FPS, пам'ять і продуктивність. Це характерно для продуктових компаній, де модель працює на пристрої. В аутсорсі чи хмарних продуктах акцент зміщується на MLOps, API і масштабування.
Скільки заробляє Computer Vision Engineer в Україні
Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:
Медіана та її зміна за пів року для ролей ML/DL Engineer, AI Engineer і Data Scientist
Роль
Медіана
Зміна за пів року
ML/DL Engineer
$2350
−$775
AI Engineer
$2375
−$325
Data Scientist
$2700
−$300
Важливі застереження. Вибірка невелика: 332 фахівці на всі дата-ролі. Медіана не розбита за рівнями, тому в неї потрапляють і джуни, і сеньйори. І тренд за пів року був на зниження.
В оборонній галузі картина інша. За зарплатним звітом DOU літа 2026, розробники з Python у DefTech мають найвищу медіану серед мов: $4500 проти $3500 у розробників в ІТ загалом. CV-інженери в defence-компаніях зазвичай пишуть саме на Python, тож орієнтуватися варто на ці цифри, з поправкою на рівень.
Де працюють CV-інженери
Продуктові компанії зі споживчими застосунками: фільтри, редактори фото, розумні камери
Промисловість і логістика: контроль якості, підрахунок, сортування, складські роботи
Агротех: моніторинг посівів, сортування врожаю
Медтех: аналіз медичних знімків як допомога лікарю
Defence і dual-use: робототехніка, автономні системи, аналіз аерофото
Аутсорс і R&D-центри: проєкти для іноземних клієнтів у будь-якій із цих сфер
У зимовому опитуванні DOU частка CV-інженерів серед дата-фахівців за пів року подвоїлася, з 2% до 4%. Абсолютно це невелика група, але вона росте.
Junior, Middle, Senior: як виглядає зростання
Вакансій CV Engineer для людей без досвіду мало. У переглянутих вакансіях defence-компаній ішлося про три роки досвіду в CV або ML. Тому найчастіше в професію приходять з суміжних ролей.
Початковий рівень зазвичай виглядає як розробник у команді, який бере CV-задачі: підготовку даних, інтеграцію готової моделі, оптимізацію пайплайна.
Middle самостійно веде задачу від даних до розгортання й вміє пояснити, чому модель помиляється.
Senior обирає підхід і архітектуру під обмеження продукту, оцінює ризики й відповідає за якість моделі після запуску.
Як стати Computer Vision Engineer
Найкоротший шлях веде з розробки. Embedded-інженер приносить розуміння заліза й реального часу, backend-розробник приносить продакшен-дисципліну. Обом бракує роботи з даними й нейромережами. Покроковий маршрут ми опишемо у наступній статті.
Мінімум, з яким можна претендувати на CV-задачі:
Python, NumPy, OpenCV
PyTorch на рівні fine-tuning готових моделей
один детектор, навчений на власних даних, з двома ітераціями
метрики mAP, precision, recall і вміння пояснити їх щодо задачі
досвід запуску моделі на пристрої або хоча б експорту в ONNX із виміром швидкості
З чого почати
Освітня програма Computer Vision у Beetroot Academy веде розробників без ML-досвіду від обробки зображень до власного детектора, його супроводу після деплою і запуску на edge: 12 практичних занять. Загальний огляд напряму є в гайді Комп'ютерний зір: що це і як працює.
Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.
Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.
Як комп'ютер «бачить» зображення
Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.
З цим масивом можна працювати двома способами.
Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.
Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.
На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.
Які задачі розв'язує комп'ютерний зір
Основні задачі комп'ютерного зору: яке питання вирішує модель і приклад застосування
Задача
Питання, на яке відповідає модель
Приклад
Класифікація
Що на зображенні?
здоровий листок чи уражений
Детекція об'єктів
Що на кадрі і де саме?
рамки навколо людей на вході до магазину
Сегментація
Які саме пікселі належать об'єкту?
точний контур пухлини на знімку
Трекінг
Куди рухається об'єкт між кадрами?
підрахунок машин, що перетнули лінію
Оцінка пози
Як розташовані точки тіла?
аналіз техніки вправи в фітнес-застосунку
OCR
Який текст на зображенні?
читання номерів накладних на складі
Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.
Де використовують computer vision
Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.
Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.
Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.
Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.
Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.
Комп'ютерний зір, машинне навчання і AI: у чому різниця
Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.
Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми написали в статті Computer Vision Engineer: хто це і що робить.
Інструменти: OpenCV, PyTorch, YOLO, ONNX
Базовий набір, з яким працюють у більшості команд:
Python як основна мова для експериментів і тренування
OpenCV і NumPy для класичної обробки зображень
PyTorch для нейромереж
YOLO від Ultralytics для детекції, сегментації та трекінгу
Roboflow або CVAT для розмітки даних
ONNX, TensorRT, OpenVINO для запуску моделей на конкретному залізі
C++ там, де важлива швидкість на пристрої
Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.
Що потрібно, щоб почати вивчати комп'ютерний зір
Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.
Типова послідовність виглядає так:
Зображення як масив: канали, типи даних, колірні простори
Класичні операції в OpenCV: фільтри, краї, контури
Основи нейромереж і transfer learning
Детекція з YOLO на готових моделях, потім на власних даних
Метрики, аналіз помилок, друга ітерація тренування
Експорт моделі та запуск на пристрої
Кожен із цих кроків ми розібрали окремо у наступних статтях.
Після навчання ми попросили його назвати, що змінилось у роботі. Ось що він розповів.
Кодифікація: від норм до алгоритмів
Кодифікація – одна з тих тем, з якими фахівець із закупівель стикається постійно. До навчання Костянтин розумів її лише в межах нормативного регулювання: які документи потрібні, які вимоги треба виконати.
Тепер він розуміє алгоритми, за якими кодифікацію отримують. Це змінило кут зору. Раніше він дивився на процес як замовник, тепер бачить його ще й зі сторони постачальника, який проходить цей шлях зі своїм виробом.
Процеси: як вироби працюють разом
У закупівлях легко звикнути до окремих процесів: одна позиція, одна специфікація, один договір. Так і було в Костянтина до програми. Він знав окремі процеси, але не знав, як вони пов'язані між собою.
Після навчання він розуміє, як різні вироби взаємодіють в одному напрямку. А звідси й розуміння, чому закупівлі мають бути комплексними: техніка працює в зв'язці, і закуповувати її теж варто з урахуванням цієї зв'язки.
Рішення і розмови з колегами
Рішення в роботі Костянтина й надалі чітко регламентовані, тут нічого не змінилось. Змінилось інше. Раніше він бачив своє рішення окремо. Тепер видно його значення в комплексі з іншими рішеннями, інколи навіть тими, які ухвалює не він.
Це відчутно і в щоденній роботі. У розмовах із колегами він став обізнанішим з технічного боку, тож обговорення стали предметнішими.
Звідки це взялося
Костянтин пов'язує ці зміни з комплексними груповими вправами з планування операцій. На них учасники працювали з операцією як з цілим: розбирали, як окремі елементи поєднуються в одну систему і впливають один на одного.
Для людини, яка щодня працює з однією ділянкою, такий формат дає рідкісну можливість побачити всю картину. І саме ця картина потім допомагає краще робити свою частину роботи.
Спільнота
Окрім знань, після навчання в Костянтина залишились корисні контакти для нетворкінгу. Програма і її учасники стали для нього важливим надбанням.
У Defence Tech це має особливу вагу. Сфера тісна, багато питань вирішується через людей, і знайомства з колегами з інших компаній та ролей часто корисні не менше за саму програму.
Порада колегам
На запитання, чи радить він програму колегам по галузі, Костянтин відповів коротко: однозначно йти. Як мінімум заради цікавих людей усередині Defence Tech сфери.
Офіційно я воюю з березня 2024-го. Неофіційно – з 2023-го. Була «піратом» на медеваках, перекладала для іноземних організацій і волонтерів. Дроноводкою стала в березні 2025-го.
Я люблю свою роботу. В рамках війни бути дроноводом – це честь. Дрони зараз основа оборони і рушійна сила наступів. За допомогою дронів нам з екіпажами вдається зробити стільки, що я просто не можу зупинитись і залишитись лише на рівні пілотування.
Хоча на початку були і перепони: мало хто вірить, що жінка може і дрон піднять, і плати підпаять. Вирішила довести, що це все дурниці.
Чому пілотування виявилось малою частиною справи
Мало просто підняти дрон. Це лише 10% усієї роботи.
Решта 90% – це прошивки і тонкі налаштування. Безумовно, можна зробити як завжди: взяти дрон з коробки і полетіти. Але практика показала, що так не працює. В умовах війни навіть військові технології мають адаптуватись під індивідуальні потреби.
Так я відкрила для себе інженерію.
Бо мені було мало моїх знань. Я хочу знати більше, розуміти кожну деталь своєї роботи. Тільки так я можу бути дійсно корисною для екіпажів, з якими працюю.
Які враження від навчання в Beetroot Academy
Спочатку мене лякала ціна. Це чесно, і я не бачу сенсу вдавати інше.
Але програма виявилась такою насиченою, що по ітогах вартує всіх грошей світу.
Що мені дало навчання
Класно поданий матеріал. Можливість повертатись до нього неодноразово, коли потрібно освіжити знання. Дуже зручна платформа. І чудові тести для самоперевірки, де я можу потішити его.
Для людини, яка вчиться між завданнями, це важить більше, ніж будь-який розклад. Матеріал має бути там, коли в тебе з'явилась година.
Що змінилось у роботі
Більше впевненості під час роботи. І розуміння, що в мене є власна афігенна вікіпедія у вигляді матеріалів і лекцій.
Якщо коротко описати, не вдаючись у подробиці: я не маю жодних проблем з переходом від одних бойових засобів на інші.
