Guidesly построила Jack AI на AWS для автоматической генерации отчётов о поездках для гидов по активному отдыху

Прослушать статью

Это гостевой материал от David Lord, Taylor Lord, Shiva Prasad, Anup Banasavalli Hiriyanagowda и Nikhil Chandra из Guidesly.

Guidesly меняет подход к бронированию, управлению и проведению outdoor-активностей. Компания, основанная в 2019 году, начинала как сервис для соединения рыболовов, охотников, дайверов и других любителей отдыха на природе с проверенными гидами, дайв-центрами и чартерными операторами. Сегодня это vertical AI software as a service (SaaS) платформа для всей отрасли. С помощью Guidesly Pro outdoor-профессионалы получают единое решение, которое покрывает бронирования, платежи, сайты, управление клиентами и маркетинг из одной системы.

Для многих гидов самая сложная задача — быть заметными и пробиваться через шум в интернете. Даже те, кто понимает, что нужно делать, могут тратить до восьми часов в день на обновление сайтов, публикации в социальных сетях и email-кампании. Без стабильной работы во всех этих каналах видимость падает, а небольшие операторы рискуют отстать от конкурентов с полноценной маркетинговой командой — упущенные возможности напрямую бьют по росту и бронированиям.

Именно для решения этой проблемы и появился Jack AI. С самого начала Guidesly воспринимала AI не просто как инструмент, а как способ связать разрозненные процессы, с которыми гиды сталкиваются каждый день, — объединить бронирования, данные, контент, взаимодействие с клиентами и маркетинг в единый интеллектуальный поток. Видение выходило за рамки автоматизации. Речь шла о создании настоящего партнера, который работает рядом с гидом и тихо берет на себя рутинную и тяжелую работу, на которую у него нет времени.

В отличие от универсальных AI-инструментов, которым нужны постоянные подсказки и контроль, Jack AI работает автономно в фоновом режиме. Он автоматически активируется после каждой поездки, превращая сырые данные, фотографии и видео в аккуратный контент, готовый к публикации на сайтах, в социальных сетях и по email. Работая в serverless-режиме на AWS, система автоматически масштабируется и быстро выдает стабильный контент, позволяя гидам сосредоточиться на поездках, а не на административной работе.

В этой статье мы разбираем, как Jack AI построен на AWS и как он обеспечивает эту сквозную автоматизацию. Мы показываем, как AWS Lambda, AWS Step Functions, Amazon Simple Storage Service (Amazon S3), Amazon Relational Database Service (Amazon RDS), Amazon SageMaker AI и Amazon Bedrock объединяются, чтобы загружать медиаматериалы поездок, обогащать их контекстом, применять computer vision и generative AI, а затем публиковать маркетинговый контент по нескольким каналам — безопасно, надежно и в масштабе.

Проблема: как освободить гидов от маркетинговых операций

Для outdoor-гидов главная цель — дарить по-настоящему запоминающиеся впечатления, но создание вовлекающего контента остается критически важной и трудоемкой задачей. Каждая поездка дает десятки фотографий и историй, однако превратить их в убедительный маркетинг непросто:

Идентификация видов и деталей поездки — гиды делают множество снимков, но вручную отмечать виды, размеры, техники и локации утомительно. Если не хватает деталей, публикации становятся менее информативными и менее интересными для потенциальных клиентов.
Сохранение правильного голоса — у каждого гида свой стиль, сформированный местным жаргоном, личными историями и годами работы на воде или в поле. Написать текст, который звучит естественно, без шаблонности и несоответствий, почти невозможно масштабировать.
Поддержание SEO — постоянно производить насыщенный ключевыми словами, локально адаптированный контент трудно даже профессиональным маркетологам. Для занятых гидов упущенные SEO-возможности означают меньшую заметность и меньше бронирований.
Жертва временем на воде — каждый час за ноутбуком — это час, отнятый у работы с клиентами. Для малого бизнеса такой компромисс влияет и на выручку, и на клиентский опыт.

Даже при всех усилиях гидов ручные процессы были недостаточно точными и слишком медленными, чтобы поспевать за спросом клиентов, современными маркетинговыми задачами и критической необходимостью поддерживать связь с клиентами по email. Именно здесь в дело вступает Guidesly’s Jack AI: он автоматизирует создание контента, SEO-оптимизацию, email-маркетинг и распределение по нескольким каналам, чтобы гиды могли сосредоточиться на том, что любят больше всего, — на незабываемых outdoor-впечатлениях.

Обзор решения: Jack AI

Чтобы воплотить Jack AI в жизнь, Guidesly построила полностью автоматизированный serverless AI-driven marketing workflow на AWS, который превращает сырые данные поездок в готовый к публикации контент. Эта система позволяет гидам концентрироваться на выдающихся outdoor-переживаниях, сохраняя при этом стабильное и аутентичное цифровое присутствие на сайтах, в социальных сетях и email-кампаниях.

Следующая схема иллюстрирует наш pipeline:

Загрузка медиа поездки — Amazon API Gateway:

Автоматический триггер: фотографии и видео поездки, загруженные гидами, попадают в систему через Amazon API Gateway, который немедленно запускает orchestration pipeline.
Быстрая доставка контента: медиа обрабатывается сразу после загрузки, что позволяет публиковать посты в социальных сетях и email-кампании, пока поездка еще свежа в памяти аудитории.

Оркестрация pipeline

AWS Step Functions управляют workflow, вызывая функции AWS Lambda на каждом этапе — от извлечения данных и обнаружения рыбы до улучшения медиа, генерации контента и публикации.

Извлечение данных из медиа
1. Автоматический сбор метаданных: сразу после загрузки фотографий и видео система извлекает встроенные EXIF Metadata, включая GPS-координаты, временные метки и настройки устройства.
2. Контекстное обогащение: затем извлеченная геопространственная информация объединяется с релевантными данными о погоде и состоянии воды для того же времени и места. Это позволяет сохранить такие детали, как уровень прилива, температура воды, скорость ветра и облачность — контекст, который иначе был бы утрачен.
3. Более насыщенный сторителлинг: опираясь на реальные условия окружающей среды и на то, что было поймано, система создает более персонализированный, аутентичный и вовлекающий контент, не требуя от гида дополнительных усилий.
4. Масштабируемая консистентность: независимо от того, обрабатывается одно изображение или сотни, автоматизация обеспечивает обогащение каждого медиа-объекта качественными контекстными данными и дает надежный вход для последующих процессов.
Обнаружение видов рыб с помощью computer vision

Определение видов рыб — одна из ключевых возможностей системы Jack AI. Задача состоит не только в обнаружении рыбы на реальных изображениях, но и в точной классификации сотен видов в очень разных средах — на лодках, причалах, озерах и в морских локациях.

Чтобы решить эту задачу, мы разработали многослойный computer vision pipeline, который сочетает кастомно обученные computer vision-модели с foundation vision models, доступными через AWS-сервисы.

Эксперименты и разработка модели

Наш workflow разработки моделей в основном работает внутри Amazon SageMaker AI с использованием JupyterLab в качестве среды для экспериментов.

С такой настройкой мы можем:

быстро прототипировать новые computer vision-архитектуры
запускать крупные training jobs на GPU-backed instances
оценивать модели на нескольких бенчмарках классификации рыб
быстро переходить от улучшения моделей к production deployment

Среда SageMaker AI выступает центральным узлом, где управляются датасеты, training scripts и эксперименты с моделями.

Проблемы датасета и обучения

Идентификация рыб — это уникальная задача machine learning (ML) из-за большого числа видов и неравномерного распределения данных. Сейчас наша система поддерживает более 400 классов видов рыб, собранных из комбинации:

собственных fishing report-изображений из системы Guidesly
пользовательских фото улова
кураторских датасетов, полученных от партнеров

Хотя для некоторых популярных видов есть тысячи примеров для обучения, у многих видов размеченных изображений мало, что усложняет применение традиционного supervised learning.

Чтобы справиться с этим дисбалансом, мы используем гибридную стратегию обучения:

обычный supervised learning для видов с большими датасетами
one-shot и few-shot learning для редких видов, где данных для обучения мало

Это позволяет системе расширять покрытие классификации без необходимости собирать большие датасеты для каждого вида.

Многослойный vision pipeline

Вместо того чтобы полагаться на одну модель, мы реализовали двухэтапную vision-архитектуру, которая разделяет обнаружение объектов и классификацию видов.

Слой обнаружения

На первом этапе используются YOLO-based object detection models, обученные находить релевантные объекты на рыболовных изображениях, включая:

рыбу
рыболовное снаряжение
людей
лодки и окружающий контекст

Модели обнаружения определяют bounding boxes для каждого объекта. Вместо того чтобы передавать на следующий этап все изображение целиком, мы вырезаем только области, где обнаружена рыба. Этот подход заметно повышает точность классификации, потому что убирает лишние элементы фона, которые могут сбивать модели.

Слой классификации

Каждое вырезанное изображение рыбы затем передается в специализированную модель классификации. В процессе разработки мы экспериментировали с несколькими архитектурами, включая:

convolutional neural networks (CNNs)
модели на основе ResNet для сильной базовой классификации
one-shot и few-shot модели для распознавания long-tail видов

Комбинация архитектур позволяет нам балансировать точность, скорость inference и эффективность обучения для сотен классов видов.

Гибридный подход vision + foundation model

Помимо наших собственных моделей, мы интегрируем multimodal foundation models (FMs), доступные через Amazon Bedrock, чтобы добавить reasoning и контекстное понимание.

Однако сырые vision-модели иногда могут галлюцинировать или неверно интерпретировать визуальные сцены. Чтобы снизить этот риск, перед отправкой изображений в foundation models мы применяем несколько этапов предварительной обработки:

Предобработка изображения
1. вырезание областей с обнаруженной рыбой
2. нормализация размеров изображения
3. удаление лишнего фона
Контекстное обогащение
1. метаданные медиа (местоположение, водоем, время)
2. известное распределение видов
3. выходы моделей обнаружения
Структурированные system prompts
1. передать модели контекстную информацию об изображении
2. ограничить возможные предсказания по видам

С таким гибридным подходом мы объединяем точность специализированных классификаторов с reasoning-возможностями больших vision-моделей.

От исследований к production

После валидации моделей мы разворачиваем их через managed endpoints на Amazon SageMaker AI. Это дает:

инференс в реальном времени на загруженных изображениях
автоматическое масштабирование для больших объемов медиа
непрерывный мониторинг и обновление моделей

В результате получается масштабируемая vision-система, способная обрабатывать тысячи рыболовных изображений в экосистеме Guidesly и обеспечивать надежное распознавание видов рыб даже в сложных реальных условиях.

Улучшение медиа для быстрой публикации в web-ready формате

После завершения обнаружения рыбы и контекстного обогащения Jack AI переходит к подготовке медиа для реальной публикации. Загруженные гидами фото и видео высокого разрешения автоматически преобразуются в оптимизированные web-ready assets, предназначенные для сайтов, социальных сетей и email-кампаний. Этот pipeline улучшения выполняет сжатие, изменение размера и конвертацию форматов за кулисами. Благодаря этому файлы остаются легкими, не теряя визуального качества. Стандартизируя assets на раннем этапе workflow, Jack AI убирает необходимость в ручной обработке изображений и сохраняет единообразную подачу на разных устройствах и платформах.

Улучшение tone

Чтобы сгенерированные trip reports звучали аутентично и соответствовали естественному голосу fishing guides, в pipeline генерации контента был добавлен слой Tone Improvement. Вместо того чтобы дообучать базовую языковую модель, система улучшает тон через контекстные входные данные и структурированные подсказки. Это сохраняет характерный стиль сторителлинга гидов и одновременно поддерживает масштабируемость и операционную простоту.

Основой этого подхода является context injection. Структурированные trip metadata напрямую встраиваются в prompt модели, давая ей заземленный контекст, необходимый для создания точных и релевантных повествований. Параллельно извлекаются исторические trip reports и типичные для конкретного гида языковые паттерны и включаются как reference examples. Это помогает модели воспроизводить лексику, темп и описательный стиль, которыми гиды естественно пользуются при описании своих поездок. Вместо обучения кастомной модели тщательно продуманные prompts направляют foundation model к результатам, отражающим ожидаемый тон. Это позволяет динамически менять стиль письма без операционных накладных расходов на поддержку fine-tuned моделей. Чтобы избежать выдуманных деталей, процесс генерации жестко ограничен предоставленными metadata и контекстными входами. Модели предписано не додумывать отсутствующую информацию — например, дополнительные виды, техники, погоду или локации, которых нет в исходных данных, — поэтому каждый отчет остается согласованным с фактической записью о поездке.

Сама генерация выполняется с использованием Amazon Bedrock FMs, которые обрабатывают контекстные входные данные и структурированные prompts, чтобы создавать связные, подходящие для домена отчеты в масштабе. Поскольку система опирается на контекстное prompting, а не на повторное обучение модели, ей не нужна отдельная training infrastructure, снижаются операционные издержки и ускоряются итерации по мере появления новых отчетов и доменных паттернов. Этот подход дал именно тот баланс, который был нужен системе: аутентичные trip reports в стиле гида с надежностью, экономичностью и масштабируемостью.

Пайплайн публикации

После того как контент сгенерирован, улучшен и откорректирован по тону, publishing pipeline объединяет все элементы, чтобы доставить маркетинговые assets по каналам. Этот этап спроектирован так, чтобы работать end-to-end с минимальными ручными усилиями, сохраняя информированность гидов, пока автоматизация выполняет работу за кулисами.

Генерация assets выполняется через Assets Generation Step Function, которая orchestrates несколько запусков AWS Lambda. Эти функции создают маркетинговые материалы из artifacts, хранящихся в S3 bucket для каждой поездки. В их число входят SEO-friendly trip reports, свежий контент для сайта, посты для социальных сетей и персонализированные email-кампании. Результаты автоматически сохраняются в системе и интегрируются в downstream publishing workflows, снижая необходимость в ручном написании, копирайтинге и форматировании. После готовности assets гиды получают push-уведомления для review, чтобы оставаться в курсе без лишней операционной нагрузки.

Обработанные artifacts — включая улучшенные медиа, извлеченные детали поездки и сгенерированные маркетинговые assets — централизованно хранятся с использованием Amazon RDS и Amazon S3. Amazon S3 обеспечивает надежное и экономичное хранение медиа и созданного контента, а Amazon RDS делает структурированные данные о поездках и гидах доступными для downstream workflows и отчетности. Вместе эти сервисы гарантируют, что assets можно сразу повторно использовать на сайтах, в социальных каналах и email-кампаниях без дополнительной обработки.

Контроль публикации остается гибким благодаря AI-driven automation. Гиды могут просматривать и утверждать сгенерированный контент, запрашивать доработки или использовать встроенный переключатель auto-publish для полной автоматизации. Благодаря такой гибкости каждый гид может балансировать между качественным контролем и эффективностью — оставаться вовлеченным, когда это нужно, или выбрать подход set-and-forget. За кулисами AWS Step Functions orchestrate несколько запусков AWS Lambda, автоматически масштабируясь, чтобы обслуживать сотни гидов при минимальном управлении инфраструктурой.

Соображения по стоимости

Хотя архитектура спроектирована для автоматического масштабирования, стоимость генерации одного trip report остается относительно небольшой. В типичных сценариях создание полного отчета — включая обработку медиа, computer vision inference и генерацию контента — стоит примерно от $0.10 до $0.50 за отчет. Итоговая стоимость зависит от таких факторов, как количество обработанных изображений, наличие видео и объем AI inference requests. Поскольку workflow serverless и event-driven, гиды несут расходы только тогда, когда отчеты действительно генерируются, что делает unit economics предсказуемой по мере роста использования.

Влияние на маркетинг outdoor-индустрии

Когда Jack AI работает end-to-end на AWS, эффект выходит далеко за рамки автоматизации и меняет повседневную практику маркетинга в outdoor-индустрии. Объединив AI-driven automation с сервисами AWS, процесс создания, доработки и публикации маркетингового контента сводится к одному повторяемому workflow. Outdoor-гидов больше не заставляют тратить часы на написание trip reports, форматирование изображений или планирование постов в соцсетях. Вместо этого эти задачи выполняются автоматически, освобождая гидов для главного: клиентов и самого outdoor-опыта.

Итогом становится стабильное, качественное цифровое присутствие на сайтах, в социальных сетях и email-кампаниях. Гиды повышают видимость, улучшают позиции в поиске и эффективнее взаимодействуют с клиентами без необходимости нанимать отдельную маркетинговую команду.

Результаты

После запуска Jack AI на AWS Guidesly увидела быстрое внедрение и измеримый эффект среди сообщества outdoor-гидов. Автоматизировав одну из самых трудоемких частей работы — маркетинг, Jack AI снизил операционные усилия, необходимые после каждой поездки, и помог гидам оставаться заметными и конкурентоспособными в онлайне.

Раньше гиды часто проводили за ноутбуком больше шести часов в неделю, пиша trip reports, форматируя blog posts, создавая подписи для социальных сетей и пытаясь улучшить поисковую оптимизацию контента. С Jack AI на AWS большая часть этой работы теперь выполняется автоматически. Фотографии поездок и короткие заметки, загруженные гидами, преобразуются в полный набор маркетинговых assets. Это включает trip reports, SEO-rich контент для сайта, подписи для социальных сетей и email-обновления, которые создаются за минуты, а не за часы.

Показатели внедрения Jack AI стабильно растут: с чуть более чем 100 отчетов в начале 2025 года до почти 340 отчетов к июлю 2025 года. Этот рост отражает более широкую смену в поведении гидов и всей outdoor-индустрии: те, кто раньше неохотно принимал технологии и digital marketing, теперь используют Jack AI для построения и развития своего онлайн-присутствия.

Объем создаваемого контента вырос резко: с менее чем 800 assets в начале 2025 года до более чем 2 500 к середине лета. Каждый trip report порождает несколько материалов — включая SEO-артефакты для сайтов гидов, подписи для Instagram и Facebook, а также narrative descriptions, адаптированные для email-маркетинга, — что позволяет гидам поддерживать аутентичное и последовательное присутствие во всех каналах.

Контент доставляется в момент максимальной релевантности. Когда время генерации assets сократилось с 13 минут в декабре 2024 года до всего двух минут к августу 2025 года, Jack AI начал обеспечивать готовность trip reports, постов в соцсетях и email-кампаний почти сразу после завершения поездки. Такая скорость позволяет гидам обращаться к клиентам и их сетям, пока впечатления еще свежи, что повышает engagement в социальных каналах и ускоряет реакцию на post-trip email. Автоматические письма с рассказом о недавних поездках доходят до бывших и текущих клиентов в течение нескольких часов, помогая превратить положительный эмоциональный отклик в повторные бронирования и сарафанный маркетинг.

Рост выручки

Финансовый эффект этих улучшений оказался очевиден. Среди пяти самых активных гидов, использующих Jack AI:

средняя ежемесячная выручка выросла примерно с $3 000 в январе 2025 года до более чем $27 000 к июлю 2025 года — почти 9-кратный рост всего за шесть месяцев.
Гиды связывают этот рост со способностью поддерживать постоянный поток контента, который повышал видимость в поисковых системах, увеличивал engagement в социальных сетях и в конечном итоге конвертировался в новые бронирования.

Вывод

Возможно, самое важное — гиды приняли Jack AI не только как инструмент для отчетности, но и как неотъемлемую часть управления и роста бизнеса. Автоматизируя создание trip reports, SEO-улучшения, контент для социальных сетей и email-кампании, Jack AI стал частью повседневной операционной работы, снижая маркетинговую нагрузку и при этом сохраняя аутентичность голоса каждого гида. Его способность определять виды, оценивать размер и включать в контент реальные условия поездки добавляет уровень детализации и вовлечения, который ценят и гиды, и их клиенты. Jack AI надежно и стабильно предоставляет эту функциональность, обрабатывая растущие объемы медиа и данных о поездках без перебоев. Serverless-архитектура системы гарантирует, что по мере роста внедрения производительность остается высокой, а гиды могут сосредоточиться на том, что они делают лучше всего: дарить исключительные outdoor-впечатления. Эти результаты показывают, как Jack AI помогает outdoor-гидовам возвращать часы, уходившие на ручное создание контента, поддерживать постоянное онлайн-присутствие и увеличивать бронирования. Построенная на масштабируемой AWS-инфраструктуре система превращает трудоемкую задачу в автоматизированный, повторяемый workflow.

Узнайте больше о Amazon SageMaker AI, чтобы начать работу.

Материал — перевод статьи с английского.

Оригинал: How Guidesly built AI-generated trip reports for outdoor guides on AWS

Подписаться на новости в Telegram