AI-генерация описаний товаров в мобильном приложении

Продавец на маркетплейсе делает фото товара с телефона и нажимает «Опубликовать». Проблема: ручное описание занимает до 30 минут, страдает качество и консистентность. Мы решаем эту задачу с помощью связки Vision API и LLM — система предлагает готовый текст по фотографии и категории товара за 2–4 секунды. Наша команда имеет более 5 лет опыта в мобильной разработке и реализовала 30+ интеграций AI-сервисов. Экономия времени для среднестатистического магазина — до 40% рабочего дня менеджера, а затраты на копирайтинг сокращаются на 70%.

Как AI-генерация описаний товаров работает под капотом?

Визуальный анализ фотографий — первый шаг. Google Cloud Vision API возвращает теги объектов, цвет, бренды на упаковке, текст на этикетке (OCR). Для мобильного приложения удобнее мультимодальный LLM (GPT-4o, Gemini Pro Vision) — один запрос с изображением сразу анализирует и генерирует текст. Точность распознавания объектов достигает 95%.

Структурированные атрибуты из формы — пользователь заполняет минимум: категория, цена, состояние (новое/б/у). Эти данные включаются в prompt как структурированный контекст. Остальное модель выводит из фото.

Реализация на клиенте

Весь flow асинхронный: пользователь выбирает фото, жмёт «Создать описание», видит skeleton loader, через 2–3 секунды получает редактируемый текст.

class DescriptionGeneratorViewModel : ViewModel() {

    fun generateDescription(imageUri: Uri, category: String) {
        _uiState.value = UiState.Loading
        viewModelScope.launch {
            try {
                val base64Image = imageUri.toBase64(contentResolver)
                val response = descriptionApi.generate(
                    GenerationRequest(
                        imageBase64 = base64Image,
                        category = category,
                        language = Locale.getDefault().language,
                        maxLength = 300
                    )
                )
                _uiState.value = UiState.Success(response.description)
            } catch (e: Exception) {
                _uiState.value = UiState.Error(e.message)
            }
        }
    }
}

На iOS аналогично через async/await + URLSession:

func generateDescription(image: UIImage, category: String) async throws -> String {
    let imageData = image.jpegData(compressionQuality: 0.8)!
    let base64 = imageData.base64EncodedString()

    let request = DescriptionRequest(imageBase64: base64, category: category, language: Locale.current.languageCode ?? "ru")
    let response = try await api.generateDescription(request)
    return response.text
}

Изображение сжимается до JPEG quality 0.8 перед отправкой — это снижает размер payload с ~3 МБ (RAW с камеры) до ~300–500 КБ без заметной потери качества для Vision API.

Prompt engineering для качественного результата

def build_prompt(category: str, image_tags: list, language: str) -> str:
    return f"""
You are a professional copywriter for an online marketplace.
Write a product description based on the provided image.
Category: {category}
Detected attributes: {', '.join(image_tags)}
Language: {language}

Requirements:
- 2-3 sentences, 50-100 words
- Start with the main product feature, not "This is a..."
- Include detected color, condition, and brand if visible
- Use active voice
- No adjectives like "great", "amazing", "perfect"
"""

Запрет на «great», «amazing» и «perfect» — не формализм. Модели по умолчанию пихают их в каждое второе предложение, и описания становятся неотличимы друг от друга.

Streaming для улучшения perceived performance

Вместо ожидания полного ответа — стриминг через Server-Sent Events. Текст появляется по мере генерации, как в ChatGPT. На Android реализуется через okhttp3.EventSource, на iOS — URLSessionDataTask с didReceive data делегатом. Это особенно важно для длинных описаний (100+ слов), чтобы пользователь не ждал 4–5 секунд в пустоте.

Что делать, если качество описаний низкое?

Внедрите гибридный подход: AI генерирует черновик, человек финализирует. Такой метод, по отзывам клиентов, сокращает ручной труд на 60%. Для автоматизации контроля качества используйте A/B-тестирование двух версий описания — AI против AI+редактор — и отслеживайте конверсию.

Почему стоит выбрать AI-генерацию?

Что входит в результат работы

• Документация по API и интеграции
• Доступ к репозиторию с промптами и конфигами
• Обучение команды редактированию шаблонов
• Поддержка на этапе запуска
• Рекомендации по A/B-тестированию описаний

Как избежать типичных ошибок при интеграции?

• Отправка RAW без сжатия — увеличивает время ответа. Всегда сжимайте до JPEG quality 0.8.
• Игнорирование категории — модель генерирует generic текст. Обязательно передавайте категорию в запрос.
• Отсутствие fallback при ошибке Vision API — пользователь видит пустой экран. Всегда показывайте placeholder или сообщение об ошибке.

Процесс работы

1. Анализ: определяем категории товаров и источники изображений.
2. Проектирование API: формат запроса, обработка ошибок Vision API.
3. Настройка prompt templates по категориям товаров.
4. Разработка клиентского UI с skeleton loader и редактором результата.
5. Внедрение streaming для улучшения UX при длинных описаниях.
6. Тестирование на реальных товарах и A/B-сравнение.

Ориентировочные сроки

Базовая интеграция (фото → описание через GPT-4o / Gemini) — 3–4 дня. С настройкой промптов по категориям и streaming — до 1 недели. Сложные проекты с on-device обработкой — от 2 недель.

Закажите расчёт интеграции уже сегодня — свяжитесь с нами. Получите консультацию по интеграции AI в приложение. Свяжитесь с нами для демо и оценки вашего проекта.

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).