AI-автоматическое тегирование контента в мобильном приложении

AI-автоматическое тегирование контента в мобильном приложении

Типичная ситуация: пользователь загружает фото в приложение, но чтобы добавить тег, приходится вручную выбирать из сотен вариантов или писать текст. Теряются контекст и время. Мы внедряем автоматическое тегирование на основе AI — изображения, текст и видео получают метки без участия человека. Наш опыт — более 20 проектов, от маркетплейсов до соцсетей, с кастомными таксономиями. Решение подходит для любой предметной области: медицина, недвижимость, ритейл, образование. Точность on-device моделей достигает 92%, а серверных — 98% при правильно настроенном confidence score.

Например, для интернет-магазина одежды мы обучили модель распознавать 150 категорий с точностью 91%. Теперь каждый загруженный товар автоматически получает теги: «Платье», «Хлопок», «Лето». Это сократило время модерации в 4 раза и позволило сэкономить около 500 000 руб. в год на ручной разметке.

Apple Core ML documentation рекомендует Transfer Learning для создания компактных моделей с 20+ примерами на категорию.

Как AI тегирует изображения в iOS и Android?

Стандартная связка — VNClassifyImageRequest (iOS) + ImageLabeler (Android). Они выдают общие метки вроде «Food», «Sky», «Cat». Для бизнес-задач нужна кастомная таксономия: не «Одежда», а «Кожаная куртка», «Платье в цветочек». Обучаем модель через CreateML (iOS) или TensorFlow Lite (Android). Ниже — пример обучения кастомной модели под iOS.

// Обучение через CreateML (запускать на Mac, не на устройстве) import CreateML let trainingData = MLImageClassifier.DataSource.labeledDirectories( at: URL(fileURLWithPath: "/training_data") // Структура: /training_data/jacket/, /training_data/shoes/, /training_data/bag/ ) var params = MLImageClassifier.ModelParameters() params.maxIterations = 25 params.validationData = .split(strategy: .automatic) params.featureExtractor = .scenePrint(revision: 2) // Transfer learning от Apple let model = try MLImageClassifier(trainingData: trainingData, parameters: params) try model.write(to: URL(fileURLWithPath: "/model.mlmodel"), metadata: nil) 

20–50 примеров на категорию, 15–30 минут обучения на MacBook Pro M2 — получаем компактную модель. Core ML Model Deployment позволяет обновлять её без публикации новой версии в App Store.

Почему иерархические теги ускоряют поиск?

Плоский список тегов — хаос. Иерархия «Еда → Итальянская кухня → Паста» даёт структурированный поиск и фильтры. Реализуем через деревья:

// Android: TagTree data class Tag( val id: String, val name: String, val parentId: String?, val synonyms: List<String> = emptyList() ) // При тегировании: если назначен тег "Паста" — автоматически добавляем родительские fun expandWithParents(tagId: String, tagTree: Map<String, Tag>): Set<String> { val result = mutableSetOf(tagId) var current = tagTree[tagId] while (current?.parentId != null) { current = tagTree[current.parentId] current?.let { result.add(it.id) } } return result } 

Для хранения используем отдельную таблицу с полем source (auto, user, admin). Автотеги видны только поиску, пользовательские — в UI.

Сравнение on-device и серверного тегирования

Мы комбинируем: основные теги ставим на устройстве, для сложных случаев отправляем запрос на сервер. On-device тегирование в 3-10 раз быстрее серверного при аналогичной точности для типовых категорий.

Как повысить точность тегов?

Если точность ниже ожидаемой, увеличьте объём обучающей выборки до 100+ примеров на категорию или используйте серверную модель для сложных случаев. Регулярное дообучение на новых данных поддерживает актуальность таксономии. Мы рекомендуем ежемесячно переобучать модель при появлении новых типов контента.

Тегирование текста и видео

Текстовые посты — NLP-классификация on-device через Natural Language Framework или на сервере. Промпт: «Определи 3-5 тегов из списка: ...». JSON-ответ парсится на клиенте.

Видео — анализ ключевых кадров:

func tagVideo(at url: URL) async throws -> Set<String> { let asset = AVURLAsset(url: url) let duration = asset.duration.seconds let generator = AVAssetImageGenerator(asset: asset) generator.maximumSize = CGSize(width: 224, height: 224) var allTags = Set<String>() var time = 0.0 while time < duration { let cgImage = try generator.copyCGImage(at: CMTime(seconds: time, preferredTimescale: 600), actualTime: nil) let frameTags = try await classifyImage(cgImage) allTags.formUnion(frameTags) time += 3.0 // каждые 3 секунды } return allTags } 

Для длинных видео используем фоновые задачи (BackgroundFetch на iOS, WorkManager на Android) или отправляем на backend.

Что входит в нашу работу

• Аудит текущего контента и бизнес-требований
• Проектирование таксономии тегов (плоская или иерархическая)
• Сбор и разметка обучающей выборки (минимум 20 примеров на категорию)
• Обучение моделей (CreateML, TensorFlow Lite, Core ML)
• Интеграция в iOS (Swift, SwiftUI) и Android (Kotlin, Jetpack Compose)
• Реализация поиска и фильтрации по тегам
• On-device + серверная архитектура (Firebase, Supabase или ваш бэкенд)
• Документация по таксономии и API
• Обучение команды (1-2 воркшопа)
• Техподдержка 1 месяц после релиза

Сроки реализации

Стоимость рассчитывается индивидуально. Для точной оценки пришлите описание вашего проекта — мы подготовим коммерческое предложение за 1-2 дня.

Свяжитесь с нами для консультации. Закажите бесплатный аудит вашего проекта — мы проанализируем объём контента и предложим оптимальную архитектуру.