Внедрение AI-рекомендательной системы в мобильное приложение

Проблема: рекомендации грузятся медленно или нерелевантны

Недавно к нам пришёл клиент из e-commerce: его iOS-приложение показывало рекомендации с задержкой 2 секунды — пользователи успевали прокрутить дальше. Конверсия в блоке рекомендаций была 1.2%. Мы перевели финальный реранкинг на устройство с CoreML — время отклика снизилось до 50 мс, конверсия выросла до 4.1%. Экономия на серверных ресурсах — 40% (около $3,500 в месяц) за счёт снижения числа запросов. Холодный старт для новых пользователей решили онбординг-квизом (2 вопроса о предпочтениях) и popularity-based fallback. Через 10 сессий персональные рекомендации уже работали.

Мы разрабатываем AI-рекомендательные системы не как чёрный ящик, а как конвейер: сбор поведенческих событий, передача в ML-модель, ранжирование и встройка в UI без потери производительности. Наша команда — 7+ лет опыта, 15+ проектов для iOS и Android. Гибридная архитектура лучше чисто серверной: CTR выше в 2–3 раза при тех же данных.

Как выбрать архитектуру: on-device или серверная?

On-device реранкинг сокращает задержку в 3–5 раз и экономит до 60% серверных ресурсов (до $4,000/мес). Тестирование показало, что гибридный подход улучшает CTR в 2–3 раза по сравнению с чисто серверным.

Почему сбор событий — основа качества?

Рекомендательная система хороша ровно настолько, насколько хороши данные. На мобильном клиенте нужно логировать минимум:

• item_view — просмотр объекта (с временем просмотра, не просто показ)
• item_click — клик/тап по объекту
• item_purchase / item_save — конверсионное действие
• item_skip — прокрутили мимо (важный отрицательный сигнал)

// Android: событийный логгер с батчингом class RecoEventLogger(private val api: RecoApi) { private val buffer = mutableListOf<RecoEvent>() private val flushInterval = 30_000L // 30 секунд fun log(event: RecoEvent) { buffer.add(event.copy(timestamp = System.currentTimeMillis())) if (buffer.size >= 20) flush() // или по таймеру } private fun flush() { if (buffer.isEmpty()) return val batch = buffer.toList() buffer.clear() viewModelScope.launch(Dispatchers.IO) { runCatching { api.sendEvents(batch) } // При ошибке — записать в Room для повторной отправки } } } 

Важно: время просмотра (dwell_time) — часто упускаемый сигнал. Засекайте момент появления карточки в viewport (RecyclerView.OnScrollListener или LazyList.onVisibleItemsChanged) и момент ухода. Просмотр меньше 2 секунд — скорее всего скролл мимо. В одном из проектов добавление dwell_time повысило CTR на 18%.

Как работает встройка CoreML / TFLite для реранкинга?

Если сервер отдаёт топ-200 кандидатов, финальное ранжирование можно сделать на устройстве. Это устраняет лишний сетевой запрос при каждом открытии экрана.

На iOS с CoreML:

// Загрузка модели (bundled или через Core ML Model Deployment) let model = try MLModel(contentsOf: modelURL) let input = RerankerInput( userVector: userEmbedding, // Float32 array 64d itemVectors: itemEmbeddings, // [Float32 array 64d] sessionFeatures: sessionContext // последние 10 действий ) let output = try model.prediction(from: input) let scores = output.featureValue(for: "scores")?.multiArrayValue 

TensorFlow Lite на Android — через Interpreter с ByteBuffer входом. Для моделей > 10 МБ используйте GPU delegate (GpuDelegate) — ускорение на 3–8x на флагманах.

Обновление модели без релиза приложения: на iOS — Core ML Model Deployment через CloudKit или собственный CDN с MLModel.compileModel(at:). На Android — Firebase ML с RemoteModel или прямая загрузка .tflite в filesDir с верификацией хеша.

Этапы внедрения рекомендательной системы

1. Аудит данных и событий — проверяем, какие события уже логируются, добавляем недостающие (dwell_time, skip).
2. Выбор архитектуры — определяем, что живёт на сервере, что на устройстве.
3. Разработка event-трекера — с батчингом, retry-механизмом и хранением в Room на случай офлайна.
4. Серверная модель — коллаборативная фильтрация или готовый сервис (Amazon Personalize, Google Recommendations AI).
5. Интеграция модели на клиент — CoreML/TFLite, реранкинг кандидатов.
6. UI-компоненты — адаптивные блоки с ленивой загрузкой.
7. A/B-тестирование — Firebase Remote Config, Amplitude Experiment.
8. Документация и гарантия 6 месяцев.

Что даёт on-device реранкинг (сравнение)

Как бороться с холодным стартом?

Первые 5–10 сессий нет достаточно данных для персонализации. Стандартный подход — гибрид:

1. Онбординг-квиз (2–3 вопроса о предпочтениях) даёт начальный профиль.
2. Popularity-based рекомендации как fallback.
3. Implicit feedback с первых взаимодействий быстро смещает профиль.

Не показывайте «рекомендации для вас» до набора минимальной истории — это честнее с пользователем и не ломает метрики качества.

Какие метрики качества отслеживать?

Click-Through Rate (CTR) и конверсия — базовые. Но для мобильного UX важна также «слепота к рекомендациям»: если блок игнорируют, это хуже низкого CTR. A/B-тестирование через Firebase Remote Config или Amplitude Experiment — обязательно при изменении алгоритма. Минимальная выборка для статистической значимости — 1000+ уникальных пользователей на вариант.

Что входит в работу (deliverables)

• Техническая документация: архитектура событийного трекера, модель данных.
• Исходный код event-трекера с батчингом и retry (Swift/Kotlin).
• Интеграция серверной рекомендательной модели (или кастомной).
• In-app UI-компонент рекомендаций с ленивой загрузкой.
• Настройка A/B-тестирования и мониторинга метрик.
• Обучение команды работе с системой.
• 6 месяцев технической поддержки.

Ориентиры по срокам

Интеграция готового серверного рекомендательного сервиса с event-трекером — 2–3 недели. Гибридная система с on-device реранкингом, кастомными событиями и A/B-тестированием — 6–10 недель. Стоимость рассчитывается индивидуально.

Свяжитесь с нами для бесплатного аудита вашего приложения — мы оценим архитектуру и предложим оптимальное решение. Закажите внедрение — получите консультацию по выбору модели.