Интеграция NLP-движка (Rasa) в мобильного чат-бота

Стандартный конфиг Rasa на русском языке выдаёт точность около 50 % — на коротких фразах это означает, что каждый второй запрос неверно распознаётся. Клиенты с высокими требованиями к конфиденциальности (медицина, финансы) не могут использовать облачные NLP-сервисы вроде Dialogflow или Google NL. Для них Rasa — единственный вариант, но его нужно правильно настроить. Мы делаем это с 2018 года: более 20 проектов, среднее повышение точности с 50 % до 85 % за счёт кастомного пайплайна и качественного датасета.

Почему Rasa лучше Dialogflow для чувствительных данных?

Rasa — self-hosted, Dialogflow — облачный. Для компаний, где данные не должны покидать сервер, разница принципиальна. Rasa даёт полный контроль над пайплайном: вы можете заменить любой компонент, добавить свой токенизатор, использовать кастомные модели. Dialogflow же ограничивает вас встроенными механизмами. При масштабировании на 10 000+ диалогов в день Rasa обходится дешевле в 3–4 раза за счёт отсутствия платы за запросы.

Как мы настраиваем Rasa для русского языка?

Основная проблема — стандартный WhitespaceTokenizer плохо работает с русской морфологией. Мы заменяем его на SpacyNLP с моделью ru_core_news_md и добавляем char n-gram фичи через CountVectorsFeaturizer. Вот продакшн-конфиг, который мы используем:

language: ru

pipeline:
  - name: SpacyNLP
    model: ru_core_news_md
  - name: SpacyTokenizer
  - name: SpacyFeaturizer
  - name: RegexFeaturizer
  - name: LexicalSyntacticFeaturizer
  - name: CountVectorsFeaturizer
  - name: CountVectorsFeaturizer
    analyzer: char_wb
    min_ngram: 1
    max_ngram: 4
  - name: DIETClassifier
    epochs: 150
  - name: EntitySynonymMapper
  - name: ResponseSelector
    epochs: 100
  - name: FallbackClassifier
    threshold: 0.7
    ambiguity_threshold: 0.1

Этот пайплайн даёт 85 % точности на наборе из 20–50 интентов. DIETClassifier с 150 эпохами обучается за 5–10 минут на VPS с 4 ГБ RAM.

Как Rasa Core управляет диалогом?

Rasa разделяет NLU (понимание намерений) и Core (управление диалогом). Core работает на основе правил (rules.yml) и историй (stories.yml). Самая частая ошибка — пытаться описать все сценарии через rules и получить хрупкую систему, которая ломается на нестандартном порядке реплик.

Правило: жёсткие команды (отмена, помощь, начать заново) — в rules. Многошаговые сценарии с вариативностью — в stories. Rasa Core обучается на историях и обобщает сценарии, которых явно не видел — это его главное преимущество перед деревьями решений.

Custom Actions. Динамические ответы (статус заказа, доступные слоты) реализуются через action_server — отдельный Python-сервис, который Rasa вызывает через HTTP. Мобильное приложение с этим не взаимодействует напрямую:

class ActionCheckOrderStatus(Action):
    def name(self) -> str:
        return "action_check_order_status"

    async def run(self, dispatcher, tracker, domain) -> list:
        order_id = tracker.get_slot("order_id")
        status = await order_service.get_status(order_id)
        dispatcher.utter_message(text=f"Ваш заказ #{order_id}: {status}")
        return [SlotSet("order_status", status)]

Как интегрировать Rasa с мобильным приложением?

Rasa Server предоставляет REST-канал на /webhooks/rest/webhook. Мобильное приложение отправляет POST-запрос:

{
  "sender": "user_device_id_or_session_uuid",
  "message": "текст сообщения"
}

Ответ — массив сообщений, каждое из которых может быть текстом, изображением, кнопками или кастомным payload.

На Android это стандартный Retrofit-вызов. Важный момент: sender должен быть стабильным идентификатором сессии — Rasa хранит слоты (slots) между запросами в рамках одного sender. Если генерировать новый ID каждый раз, контекст диалога будет теряться.

Для продакшна Rasa не стоит открывать напрямую в интернет — перед ним ставим nginx с rate limiting и аутентификацией по токену.

Развёртывание

Rasa Server + Action Server удобно запускать в Docker Compose. Модель обучается командой rasa train и монтируется в контейнер. На слабом VPS обучение 50 интентов занимает 5–10 минут — вполне приемлемо для CI/CD.

Rasa Enterprise (коммерческая версия) добавляет аналитику и A/B тестирование диалогов, но для большинства задач достаточно open-source версии.

Что входит в работу

• Аудит предметной области и сбор примеров реплик для NLU-датасета.
• Настройка pipeline, обучение базовой модели, оценка точности через rasa test.
• Разработка диалоговых сценариев (rules + stories), custom actions.
• Интеграция REST-канала с мобильным клиентом, настройка инфраструктуры.
• Документация и обучение вашей команды.
• Гарантийная поддержка 30 дней.

Ориентиры по срокам

Интеграция с готовым Rasa-сервером — 3–4 дня. Полный цикл включая обучение модели с нуля, написание сценариев и развёртывание — 2–4 недели в зависимости от числа интентов.

Свяжитесь с нами для оценки вашего проекта. Получите консультацию по настройке Rasa под вашу задачу.

Rasa Documentation | Wikipedia: Rasa

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).