Реализация бота-ассистента для техподдержки в мобильном приложении

Мы реализуем ботов техподдержки для мобильных приложений, которые решают до 70% обращений без участия оператора. В среднем бот обрабатывает 80% типовых вопросов за 2 секунды, снижая нагрузку на первую линию на 60%. Опираемся на RAG (Retrieval-Augmented Generation) — подход, описанный на Wikipedia, сочетающий векторную базу знаний и LLM. Это даёт точные ответы на основе вашей документации, без галлюцинаций. Точность ответов возрастает с 65% до 92% по сравнению с чистым поиском. Имеем более 5 лет опыта в мобильной разработке и запустили 30+ проектов с AI-поддержкой. Гарантируем качество и прозрачность каждого этапа — от аудита базы знаний до деплоя в App Store и Google Play.

RAG лучше простого поиска по ключевым словам в 3 раза по точности ответа. Экономия времени операторов — до 40 часов в неделю на каждые 1000 обращений. Окупаемость инвестиций — в среднем за 3 месяца. По данным нашего анализа, RAG снижает стоимость одного обращения на $0.50, что при 10 000 обращений в месяц даёт экономию $5 000. Для крупных клиентов с объёмом 50 000 обращений в месяц экономия достигает $25 000 в месяц.

Как работает RAG в боте поддержки?

Классическая схема: база знаний (статьи, документация, решённые тикеты) разбивается на смысловые чанки, которые индексируются в векторной базе. При новом запросе мы ищем топ-5 релевантных фрагментов и передаём их LLM как контекст. Модель строит ответ строго на этих данных.

Стек, проверенный на проектах с нагрузкой до 10 000 запросов в день:

База знаний (Confluence, Notion, MDX файлы)
    ↓ Chunking + Embedding (text-embedding-3-small / BGE-m3)
Qdrant / pgvector
    ↓ Semantic search (top-5 чанков)
GPT-4o mini / Claude 3.5 Haiku
    ↓ Answer generation with context
Мобильный клиент

Критически важно: чанки должны быть смысловыми, не механическими по 500 символов. Если разрезать статью посередине абзаца, релевантный контекст потеряется. Используем RecursiveCharacterTextSplitter с разделителями по заголовкам и абзацам.

Что делать, если бот не знает ответа?

Бот не должен изображать всезнание. Если confidence ниже порога (например, 0.7) — эскалация к оператору. Переключение прозрачное: пользователь видит уведомление «Подключаю специалиста», история диалога передаётся оператору через вебхук.

Интеграции для передачи в живой чат: Zendesk Chat API, Intercom, AmoCRM, собственная система тикетов. Важный паттерн: бот продолжает работать в фоне при ожидании оператора. Если очередь длинная, бот пробует найти ответ ещё раз, предлагает полезные статьи.

Классификация и приоритизация тикетов

Если бот не решил проблему самостоятельно, он классифицирует обращение перед передачей:

CATEGORY_PROMPT = """
Классифицируй обращение пользователя по категории:
- billing (вопросы оплаты, счёт, возврат)
- technical (ошибки, не работает функция)
- account (аккаунт, пароль, доступ)
- other

Верни только название категории, без пояснений.
"""

async def classify_ticket(user_message: str) -> str:
    response = await openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": CATEGORY_PROMPT},
            {"role": "user", "content": user_message}
        ],
        temperature=0
    )
    return response.choices[0].message.content.strip()

Категория определяет очередь и приоритет тикета. temperature=0 — детерминированность, не творческий подход.

UI особенности для поддержки

Вложения. Пользователи загружают скриншоты и видео. На iOS — PHPickerViewController с ограничением типов медиа, на Android — ActivityResultContracts.GetContent(). Файлы загружаются на S3/Cloudinary, в сообщение вставляется превью.

Статус тикета. Если тикет создан, пользователь видит его номер и может отслеживать через того же бота: «Статус моего обращения #12345».

Рейтинг ответа. После каждого бот-ответа — thumbs up/down. Данные идут в аналитику и помогают улучшать базу знаний. Получите консультацию по вашему проекту, чтобы оценить потенциал автоматизации.

Что входит в работу

Ориентиры по срокам

Обсудите ваш проект — мы поможем выбрать оптимальную архитектуру. Свяжитесь с нами, чтобы заказать разработку бота поддержки под ключ с гарантией качества. Мы гарантируем прозрачность на всех этапах — от первой консультации до релиза в магазинах приложений.

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).