Інтеграція Google Gemini API: Pro, Flash, Ultra

При інтеграції Gemini API в production ми зіткнулися з типовою проблемою: контекстне вікно в 1 млн токенів обробляло великі документи, але затримка p99 досягала 12 секунд. Причина — відсутність чанкінгу та неправильна конфігурація generation_config. Наш клієнт з фінтеху хотів обробляти квартальні звіти компаній (до 500 сторінок) у реальному часі. Без оптимізації модель видавала відповіді за 10–15 секунд, що було неприйнятно для чату.

Типова помилка при інтеграції — використовувати модель без чанкінгу на довгих документах: токени заповнюють контекст, і відповідь стає повільною або неповною. Ми розробили стратегію розбивки з перекриттям 200 токенів, що знизило p99 до 2 секунд на документах до 1 млн токенів. Крім того, неправильне налаштування safety settings може блокувати легітимні запити — ми налаштовуємо пороги для кожного сценарію, щоб не втратити важливі дані. На відміну від GPT-4o, Gemini дає більше контексту (1M проти 128K), але вимагає точного налаштування generation_config. Для аналітичних завдань ми ставимо temperature 0.2, для креативних — 0.9. Gemini також нативно обробляє відео та аудіо, що відкриває сценарії для медійних платформ.

Які проблеми вирішує інтеграція Gemini API?

Висока затримка на довгих контекстах

Без чанкінгу та streaming час відповіді зростає лінійно. Використовуємо розбивку документів на чанки по 2000 токенів з перекриттям 200 токенів. Стрімінг з stream=True знижує сприйману затримку в 3 рази.

Нестабільний JSON-відповідь

Модель іноді повертає невалідний JSON, якщо response_mime_type не вказано. Примусово задаємо application/json і додаємо fallback-перевірку.

Зашумлені результати при мультимодальних запитах

Зображення низької якості або відео з артефактами. Нормалізуємо вхідні дані: стискаємо зображення до 1024×1024, конвертуємо відео в H.264.

Як ми це робимо: кейс з RAG та Function Calling

У нашій практиці був проєкт для фінтех-стартапу: асистент аналізує звіти компаній і відповідає на питання в реальному часі. Стек: Gemini 1.5 Pro, pgvector для ембеддингів (1536-dim), LangChain для оркестрації. Щоб отримати точні числові відповіді, додали Function Calling — модель викликає get_financial_metric(ticker, period) і повертає дані з бази.

import google.generativeai as genai

def get_financial_metric(ticker: str, period: str) -> dict:
    # запит до SQL бази
    return {"ticker": ticker, "revenue": 125000000, "currency": "EUR"}

model = genai.GenerativeModel("gemini-1.5-pro", tools=[get_financial_metric])
response = model.generate_content("Прибуток Apple (AAPL) за останній звітний квартал")
print(response.text)  # отримуємо фактичне значення

Без Function Calling модель могла б галюцинувати цифри. З інструментом — гарантуємо точність.

Процес роботи

Строки орієнтовно

• Базова інтеграція одного ендпоїнта — від 1 дня.
• Сценарій з RAG та Function Calling — від 3 днів.
• Повноцінний production з Vertex AI та CI/CD — до тижня.

Вартість розраховується індивідуально — пишіть, оцінимо проєкт за 24 години.

Що входить в роботу

• Код інтеграції з Gemini API (Python / TypeScript).
• Документація по ендпоїнтам та генерації контенту.
• Доступи та IAM-налаштування (Google Cloud Service Account).
• Навчання вашої команди (2 години онлайн).
• Підтримка після деплою — 2 тижні.

Порівняння моделей: GPT-4o vs Gemini Pro vs Flash

Gemini Flash у 5 разів швидший за Pro по latency p50. Flash — вибір номер один для чатів, де важлива швидкість. Pro — для глибокого аналізу документів. При правильному налаштуванні ви знижуєте витрати на API-запити до 40% відносно сирої інтеграції. Середня вартість одного запиту на Flash у 5 разів нижча за Pro, що дає економію при високих обсягах.

Оптимізація затримки p99

Використовуємо пули aiohttp-з'єднань, вмикаємо стрімінг, ставимо max_output_tokens = 1024 для коротких відповідей. Для Flash-моделі latency p99 не перевищує 1 секунди при 50 паралельних запитах. Налаштування стрімінгу:

1. Встановіть google-generativeai>=0.3.0.
2. Ініціалізуйте модель: genai.GenerativeModel("gemini-1.5-flash").
3. Задайте generation_config з max_output_tokens=1024 та temperature=0.2.
4. Викличте model.generate_content(..., stream=True).
5. Обробляйте чанки в циклі for chunk in response:.

Типові помилки при інтеграції: не налаштовані safety settings (модель блокує коректні запити), відсутній fallback (при помилці мережі клієнт падає), ігнорування rate limits (безкоштовний тайєр має 60 RPM, в production переходимо на платний тайєр або Vertex AI).

Чому Vertex AI для enterprise?

Vertex AI надає IAM, VPC-SC, аудит та SLA 99.9%. Ми маємо сертифікати Google Cloud і досвід деплою в регіонах europe-west4 та us-central1. За 7 років роботи в AI-розробці ми реалізували понад 50 інтеграцій з Google AI, включаючи великі фінтех- та e-commerce проєкти.

Скорочення витрат на API

Правильний вибір моделі та налаштування знижують витрати на 30–40%. Для простих запитів використовуємо Flash, для складних — Pro. Кешування embeddings скорочує кількість викликів API. Докладніше про зниження витрат: Google AI documentation. Зв'яжіться з нами — отримайте консультацію по вашому проєкту та оцінку бюджету за 24 години. Замовте інтеграцію сьогодні та отримайте безкоштовний аудит вашого поточного AI-пайплайну.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.