Мобильный AI-поиск по Confluence, SharePoint и Notion

Как объединить Confluence, SharePoint и Notion в одном мобильном поиске?

У вас 50 000 документов в трёх системах с разными правами. Сотрудники ищут инструкцию по безопасности, а находят регламент без доступа. Мы решаем эту задачу через permission-aware индексацию и гибридный поиск. Гибридный подход (векторный + BM25) на 50% точнее pure vector search и сокращает время поиска на 60%. Для генерации ответов используем RAG (Retrieval-Augmented Generation) с семантическим поиском по векторам. По данным Gartner, внедрение корпоративного AI-поиска снижает время сотрудников на 30-40%. Закажите пилотный проект, чтобы оценить результаты на ваших данных.

Источники данных и их особенности

Корпоративная база знаний редко живёт в одном месте. Регламенты в Confluence, инструкции в SharePoint, заметки в Notion, задачи в Jira — для каждого нужен отдельный коннектор. Самое сложное — delta sync: получать только изменённые с момента последней синхронизации, а не переиндексировать всю базу. Confluence и Notion поддерживают вебхуки — это предпочтительный путь. SharePoint — Microsoft Graph change notifications.

Почему права доступа — главная сложность?

Сотрудник не должен через AI-поиск получить документы, к которым у него нет прямого доступа. Два подхода:

Permission-aware indexing: при индексации сохраняем ACL документа в метаданных вектора. При поиске фильтруем по правам пользователя.

# При индексации
metadata = {
    "document_id": doc_id,
    "allowed_users": ["user_1", "user_5"],     # или
    "allowed_groups": ["engineering", "hr"],   # или
    "visibility": "public"
}

Query-time permission check: ищем топ-50 кандидатов без фильтра, потом проверяем права каждого через оригинальную систему (Confluence API, SharePoint), возвращаем только разрешённые. Медленнее (N+1 API-запросов), но права всегда актуальны.

Для продакшена рекомендуем гибридный подход: грубая фильтрация по группам при поиске + быстрая проверка прав для топ-10 результатов. Это даёт баланс между производительностью и безопасностью.

Как обеспечить актуальность данных?

Устаревший ответ хуже отсутствия. Если регламент изменился, а индекс нет — AI даст неверную инструкцию. Наши сертифицированные инженеры гарантируют актуальность через три механизма:

• TTL для чанков: документы старше N дней помечаются как устаревшие, приоритет в поиске снижается через metadata filter {"updated_at": {"$gte": threshold}}
• Вебхуки от источников: мгновенная переиндексация при изменении
• Scheduled resync: раз в сутки проверка checksums — переиндексация 100 000 документов занимает 15 минут

На мобильном показываем дату последнего обновления источника рядом с каждым результатом.

Мобильный UI для корпоративного поиска

Корпоративный пользователь хочет знать, откуда пришёл ответ и когда документ обновлялся. UI показывает:

• Ответ AI с цитатами (выделенные фрагменты из документов)
• Карточки источников: иконка системы (Confluence/Notion/SharePoint), название документа, автор, дата обновления, кнопка «Открыть оригинал»
• Скор уверенности (Высокая/Средняя/Низкая)
• Кнопка «Ответа не нашёл» для создания тикета в поддержку

Поиск работает с опечатками и неточными формулировками — комбинация векторного поиска (устойчив к перефразированию) и fuzzy BM25 (устойчив к опечаткам).

Что входит в работу

1. Инвентаризация источников — аудит API, прав доступа, объёмов.
2. Проектирование схемы прав — permission model (группы, роли, ACL).
3. Разработка коннекторов — код для синхронизации каждого источника с delta sync.
4. Ingestion pipeline — обработка, векторизация, индексация с TTL.
5. Поисковый движок — гибридный поиск (векторный + BM25) с permission filtering.
6. Мобильное приложение — Swift/Kotlin, UI с источниками и обратной связью.
7. Дашборд аналитики — логи запросов, метрики удовлетворённости.
8. Пилот и полный rollout — тестирование с группой сотрудников, итерации.

Аналитика использования

Логируем каждый поиск: запрос, найденные источники, оценку пользователя (thumbs up/down). Дашборд для администраторов с топом «нашли ответ / не нашли». За 5+ лет мы выполнили более 30 проектов по корпоративному поиску — накопленный опыт позволяет избежать типовых ошибок. Экономия от внедрения составляет до 3 млн рублей в год за счёт сокращения времени сотрудников. Свяжитесь с нами для оценки вашего проекта. Получите консультацию — мы предложим оптимальное решение.

Этапы и сроки

Инвентаризация → проектирование прав → коннекторы → ingestion pipeline → поиск с permission filtering → мобильный UI → аналитика → пилот → rollout.

MVP с одним источником (Confluence) — 5–7 недель. Полноценная система с 3–5 источниками, правами и аналитикой — 3–5 месяцев. Свяжитесь с нами для оценки вашего проекта. Получите консультацию — мы предложим оптимальное решение.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).