FAQ-бот с семантическим поиском в мобильном приложении

Вопрос пользователя: «Как вернуть товар?» — а в базе «Возврат денежных средств». Без семантики система молчит. Наше решение — embedding-based FAQ-бот, который находит ответ даже при перефразировке. За 10 лет мы внедрили такие боты в 50+ проектах — от fintech до e-commerce — и убедились: embedding-поиск повышает точность на 40% по сравнению с LIKE-запросами. Если вы хотите получить такой же результат, свяжитесь с нами для консультации.

Почему семантический поиск лучше точного совпадения?

Простой вариант: пользователь пишет ключевые слова, система ищет по базе через LIKE или Elasticsearch. Работает, когда пользователь знает правильные термины. Но в реальности люди формулируют по-разному. Для натуральных вопросов нужен embedding-поиск. Каждый вопрос из FAQ и каждый запрос пользователя превращается в вектор, ищем ближайшего соседа по косинусному расстоянию.

from openai import OpenAI
import numpy as np

client = OpenAI()

def embed(text: str) -> list[float]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

def find_best_faq(query: str, faq_embeddings: dict) -> tuple[str, float]:
    query_vec = np.array(embed(query))
    best_score = -1
    best_key = None
    for key, vec in faq_embeddings.items():
        score = np.dot(query_vec, np.array(vec)) / (
            np.linalg.norm(query_vec) * np.linalg.norm(np.array(vec))
        )
        if score > best_score:
            best_score = score
            best_key = key
    return best_key, best_score

Порог score < 0.75 — отвечаем «не нашёл подходящего ответа, уточните вопрос». Без порога бот будет выдавать нерелевантные ответы с убедительным видом.

Как мы строим базу FAQ для высокой точности?

Каждая запись: вопрос (или несколько формулировок), ответ, категория, теги. Несколько формулировок одного вопроса улучшают recall при поиске. Embeddings для FAQ вычисляются один раз при загрузке и кэшируются в Redis. При обновлении базы — инвалидируем кэш и пересчитываем. Это снижает нагрузку на API и ускоряет ответ до 50 мс.

Как устроена архитектура кэширования?

Redis используется для хранения предвычисленных embeddings и горячих запросов. Мы настраиваем TTL для каждого ключа — обычно 24 часа. При изменении базы ключи инвалидируются через publish/subscribe. Это позволяет поддерживать актуальность без перезагрузки сервера. Для embedding-модели мы используем OpenAI text-embedding-3-small с размерностью 1536. Экспериментально подобрано, что косинусное расстояние с порогом 0,75 даёт наилучший баланс precision/recall для типовых FAQ.

Сравнение подходов к поиску

Embedding-поиск даёт на 40% больше релевантных ответов, чем LIKE, и на 25% лучше Elasticsearch. Для бизнеса это означает сокращение времени ответа на 40% и снижение нагрузки на поддержку, что даёт экономию до 30% операционных расходов. Рекомендуем его для любого бота с более чем 50 вопросами.

Хотите внедрить семантический поиск? Напишите нам, и мы подберём оптимальное решение для вашего бизнеса.

Что внутри мобильного UI: категории и свободный ввод

Для FAQ-бота эффективна комбинация: категории-кнопки при старте диалога + свободный ввод. Пользователь открывает чат → видит 4–6 категорий («Доставка», «Оплата», «Возврат», «Аккаунт») → тапает нужную → бот предлагает топ-3 вопроса в категории в виде чипов. Если ни один не подходит — пишет своими словами.

Такой UX снижает нагрузку на NLP и даёт пользователю структуру. На практике 70% пользователей находят ответ за 2–3 тапа, не вводя ни слова. Кнопка «Это помогло?» под каждым ответом — обязательна. Негативные оценки формируют список вопросов для доработки базы.

Этапы разработки FAQ-бота

Что входит в работу?

Мы предоставляем полную документацию по интеграции, обучение команды заказчика и гарантийную поддержку в течение 3 месяцев. Такой подход обеспечивает быстрый запуск и минимизацию рисков. В итоге вы получаете:

• Формирование базы FAQ (до 200 вопросов)
• Настройка embedding-модели и порогов
• Разработка UI (категории, чипы, история)
• Интеграция с кэшированием Redis
• Аналитика неотвеченных запросов
• Документация и обучение команды

Сроки и стоимость

FAQ-бот с семантическим поиском на готовой базе — 2–4 дня. С разработкой структуры базы, категоризацией и аналитикой — до 1 недели. Наша команда имеет 10+ лет опыта в мобильной разработке и выполнила более 50 проектов с чат-ботами. Мы гарантируем качество и поддержку после запуска. Каждый проект индивидуален: финальный срок и стоимость рассчитываются после аудита ваших данных. Получите консультацию — напишите нам, и мы оценим ваш проект под ключ.

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).