Fine-Tuning LLM для мобильных приложений под ключ

Fine-Tuning LLM для мобильных приложений под ключ

Мы — команда мобильных разработчиков с 5-летним опытом, выполнившая более 50 проектов по дообучению LLM для iOS и Android. Сталкивались с ситуациями, когда базовая модель галлюцинирует в 30% ответов или ломает формат JSON. Наш опыт показывает: fine-tuning снижает галлюцинации в 3–5 раз и повышает точность на 40–60%. Работаем как с OpenAI Fine-Tuning API, так и с open-source моделями Llama 3, Mistral и Gemma 2.

Когда промпт-инжиниринг не справляется?

Три сценария, после которых fine-tuning становится оправданным:

Форматный детерминизм. Модель должна возвращать строго структурированный JSON с кастомными полями, специфичными для вашего домена. Даже с few-shot примерами в промпте базовая модель периодически ломает схему или добавляет посторонние поля. После fine-tuning на 5 000–10 000 примеров ошибки формата исчезают практически полностью.

Доменная терминология. Медицинское приложение с терминами МКБ-10, юридический ассистент с номерами статей, fintech с внутренними кодами продуктов — базовая модель путается или интерпретирует аббревиатуры в общем смысле. Fine-tuning на корпусе из ваших документов решает это.

Стиль и тональность. Бренд-голос — реальная бизнес-потребность. Если ваш ассистент должен отвечать в стиле конкретного персонажа или с определённой степенью формальности, это дешевле зашить в веса, чем тащить в каждый запрос через системный промпт.

Как подготовить датасет для fine-tuning?

80% успеха fine-tuning определяет качество обучающих данных. Как отмечается в официальной документации OpenAI, минимальный объём для ощутимого результата — 50–100 примеров, реалистичный для продакшена — 500–2 000 пар. Форматирование для OpenAI Fine-Tuning API (gpt-4o-mini):

{"messages": [
  {"role": "system", "content": "Ты ассистент медицинского приложения. Отвечай на вопросы по симптомам кратко и безопасно."},
  {"role": "user", "content": "Что такое ЧСС в покое 45 уд/мин?"},
  {"role": "assistant", "content": "Брадикардия. У тренированных спортсменов — норма. При сопутствующих симптомах (головокружение, обмороки) — повод обратиться к кардиологу."}
]}

При автоматической генерации датасета через GPT-4 обязательна ручная валидация: автоматически созданные примеры воспроизводят ошибки базовой модели. Для open-source моделей датасет готовится в формате Alpaca или ShareGPT и передаётся в Hugging Face datasets.

Выбор подхода: OpenAI vs open-source

Для большинства мобильных продуктов OpenAI Fine-Tuning — самый быстрый путь к результату. Если данные не могут покидать контур (медицина, финансы) — open-source с деплоем на собственном сервере или локальным запуском через CoreML / llama.cpp.

Как интегрировать дообученную модель в мобильное приложение?

После обучения модель получает ID. В коде мобильного приложения единственное изменение — подставить этот ID вместо базового:

let request = ChatCompletionRequest(
    model: "ft:gpt-4o-mini-2024-07-18:my-org:medical-assistant:abc123",
    messages: conversationHistory,
    maxTokens: 256,
    temperature: 0.3
)

data class ChatRequest(
    val model: String = "ft:gpt-4o-mini-2024-07-18:my-org:medical-assistant:abc123",
    val messages: List<Message>,
    val max_tokens: Int = 256,
    val temperature: Double = 0.3
)

На уровне API никакой разницы — та же REST-точка, тот же формат ответа.

Оценка качества и итеративное улучшение

Fine-tuning — не разовая операция. Стандартный цикл:

1. Baseline-замер на тестовой выборке (15–20% датасета, отложенные до обучения)
2. Обучение → запуск A/B-теста в приложении на 10% трафика
3. Сбор фидбека пользователей (лайки/дизлайки, исправления ответов)
4. Дополнение датасета проблемными примерами
5. Повторное обучение

OpenAI Dashboard показывает training loss и validation loss по эпохам. Переобучение видно по расхождению кривых — validation loss растёт, training падает. В этом случае снижают количество эпох или увеличивают датасет.

Ориентировочные сроки и ресурсы

Полный цикл от аудита до продакшена — 3–8 недель. При наличии готовых размеченных данных — от 1 недели.

Что входит в работу

• Аудит текущих промптов и выявление узких мест
• Сбор и разметка датасета (500–2000 примеров)
• Обучение модели с мониторингом метрик
• Интеграция дообученной модели в мобильное приложение
• A/B-тестирование и дополнение датасета
• Документация и обучение команды
• Поддержка в течение 1 месяца

Получите консультацию и расчёт сроков для вашего проекта. Свяжитесь с нами — обсудим детали и подберём оптимальный подход.

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).