Мобільний AI-асистент на Llama: on-device та серверна інтеграція

Offline та Online Llama: ключові сценарії

Інтеграція Llama в мобільний застосунок впирається в два питання: запускати модель локально чи через сервер? Вибір диктує всю архітектуру — від розміру бінарника до вартості підтримки. Ми пройшли цей шлях із десятками проєктів: від медичних чатів до фінансових консультантів. Нижче — технічні деталі, які зекономлять вам місяці експериментів.

Як вибрати між on-device та серверною Llama?

On-device — модель живе в пам'яті телефона, inference без інтернету. Реально для Llama 3.2 1B та 3B в INT4 квантизації. Llama 3.2 3B INT4 займає ~2 ГБ RAM і на iPhone 15 Pro видає 15–25 токенів/сек. Це варіант для застосунків із жорсткими вимогами до приватності (медичні дані не покидають пристрій) або для роботи в офлайні.

Серверна Llama — модель на вашому GPU-сервері (або орендованому), мобільний клієнт спілкується через API. Дозволяє використовувати Llama 3.3 70B або Llama 3.1 405B — повноцінні моделі, невідличні за якістю від GPT-4. Більшість комерційних проєктів обирають саме серверний підхід: простіше оновлювати модель, не обмежений розміром оперативної пам'яті.

Чому on-device все ще актуальний?

Для сценаріїв із критичною приватністю (банківські транзакції, медичні рекомендації) або при роботі в умовах нестабільного інтернету локальна модель — єдиний вихід. До того ж відпадає потреба в серверній інфраструктурі та оплаті API-запитів. Економія на серверних витратах при локальному запуску може сягати сотень тисяч гривень на місяць. Однак якість відповідей нижча через обмежені розміри моделі.

// iOS — мінімальна обгортка над llama.cpp
class LlamaContext {
    private var context: OpaquePointer?

    init(modelPath: String) {
        var params = llama_context_default_params()
        params.n_ctx = 4096
        params.n_threads = 4  // менше потоків — менше нагрів
        let model = llama_load_model_from_file(modelPath, llama_model_default_params())
        context = llama_new_context_with_model(model, params)
    }

    func generate(prompt: String, maxTokens: Int = 256) -> AsyncStream<String> {
        // tokenize → sample loop → detokenize
    }
}

Серверна Llama: Ollama та vLLM

Для серверного деплою — Ollama (простота) або vLLM (продуктивність). Ollama підіймає OpenAI-сумісний API: POST /api/chat, формат запиту ідентичний OpenAI Chat Completions. Мобільний клієнт, написаний для OpenAI, працює з Ollama без змін — потрібно тільки змінити base URL.

vLLM переважніший для продакшену з навантаженням: continuous batching, tensor parallelism на декількох GPU, throughput в рази вищий за Ollama.

Fine-tuning: коли та як

Fine-tuning необхідний, коли базова Llama не справляється зі спеціалізованими задачами: медичні терміни, юридичний стиль, специфіка галузі. LoRA/QLoRA — стандартний підхід для fine-tuning на одному GPU. Навчені адаптери (~50–100 МБ) завантажуються поверх базової моделі. Впровадження on-device знижує операційні витрати на хмарні обчислення.

Що входить у роботу

1. Аналіз вимог і вибір архітектури: on-device чи серверна, підбір моделі та квантизації.
2. Інтеграція runtime: збірка llama.cpp/ExecuTorch під iOS/Android, обгортка API.
3. Налаштування серверної частини: деплой Ollama/vLLM, балансування, моніторинг.
4. Тестування: метрики затримки, споживання пам'яті, якості відповідей.
5. Документація та навчання: як оновлювати модель, змінювати параметри.
6. Підтримка після запуску: гарантія на інтеграцію, консультації з доробок.

Процес реалізації: покроково

1. Аудит вимог: сценарії використання, цільові пристрої, бюджет.
2. Вибір моделі та runtime.
3. Інтеграція та збірка.
4. Деплой серверної частини (якщо потрібно).
5. Тестування метрик.
6. Документація та передача.
7. Гарантійна підтримка.

Орієнтири за термінами

Серверна Llama з Ollama та мобільним клієнтом — 1–2 тижні. On-device через llama.cpp зі збіркою під iOS/Android — 3–5 тижнів. Fine-tuning + деплой — окрема оцінка. Отримайте консультацію по вашому проєкту. Залиште заявку — ми проаналізуємо задачу та запропонуємо оптимальне рішення.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.