On-Device AI-асистент: розробка локального помічника

Розробка AI-асистента на пристрої (On-Device)

Медичні щоденники, корпоративні документи, особисті нотатки — дані не повинні покидати пристрій. On-device LLM — це архітектурне рішення, яке гарантує приватність. Ми реалізували такі проєкти для клієнтів у MedTech та FinTech: локальний асистент працює без інтернету, використовуючи лише обчислювальні ресурси смартфона. Наша команда має 5-річний досвід у мобільній розробці та понад 30 проєктів з on-device AI.

Сучасні флагмани здатні запускати 3B-моделі в INT4 квантизації зі швидкістю 15–30 токенів/сек — достатньо для діалогового асистента. Однак вибір моделі та рантайму критично впливає на продуктивність і сумісність.

Яку модель і рантайм обрати для on-device?

Apple пропонує два шляхи для iOS. Core ML — стабільний, підтримує iOS 16+, автоматично використовує Neural Engine. Модель конвертується через coremltools з PyTorch/GGUF. Обсяг після конвертації Llama 3.2 3B в INT4 — близько 1.8 ГБ.

import CoreML

class OnDeviceLLM {
    private let model: MLModel

    init() throws {
        let config = MLModelConfiguration()
        config.computeUnits = .all  // CPU + GPU + Neural Engine
        model = try LlamaModel(configuration: config).model
    }

    func generate(prompt: String) -> AsyncStream<String> {
        AsyncStream { continuation in
            Task.detached(priority: .userInitiated) {
                // tokenize → autoregressive decode → yield tokens
                let tokens = self.tokenize(prompt)
                for _ in 0..<512 {
                    let nextToken = self.model.predictNextToken(tokens)
                    continuation.yield(self.detokenize(nextToken))
                    if nextToken == self.eosTokenId { break }
                }
                continuation.finish()
            }
        }
    }
}

Apple MLX (Swift framework, iOS 16+) — більш зручний API, але вимагає iOS 16+ і працює краще на пристроях з уніфікованою пам'яттю. Офіційні конвертовані моделі від Apple доступні на Hugging Face.

llama.cpp — найбільший вибір моделей у форматі GGUF, активно підтримується спільнотою. Інтеграція через C++ bridging header складніша, ніж Core ML, але дає доступ до будь-якої GGUF-моделі.

На Android більше варіантів і менше єдиного стандарту. MediaPipe LLM Inference API (Google) — найбільш зріле рішення для Android. Підтримує Gemma 2B/7B, Phi-2, Llama 2, ExportedModels у форматі TFLite. Інтеграція через клас LlmInference:

val options = LlmInference.LlmInferenceOptions.builder()
    .setModelPath("/data/local/tmp/gemma-2b-it-gpu-int4.bin")
    .setMaxTokens(1024)
    .setResultListener { partialResult, done ->
        runOnUiThread { appendText(partialResult) }
    }
    .build()

val llmInference = LlmInference.createFromOptions(context, options)
llmInference.generateResponseAsync(prompt)

TFLite з кастомним LLM runner — гнучкіше, але вимагає більше роботи з інтеграції.

ExecuTorch (Meta) — офіційний рантайм для Llama на Android, підтримує Llama 3.x напряму без конвертації. Компілюється через buck2, що нетривіально налаштувати в Gradle-проєкті.

Намагатися запустити 7B+ модель на телефоні з 4 ГБ RAM — гарантований OOM crash. Ми допомагаємо підібрати оптимальну модель під ваш пристрій та сценарій. При переході на on-device AI клієнти економлять до 80% на витратах на серверну інфраструктуру та хмарні обчислення.

Порівняння рантаймів для on-device AI

Як ми інтегруємо AI-асистента: покроковий план

1. Аналіз цільових пристроїв — визначаємо мінімальні характеристики (RAM, чипсет, версія ОС) і підбираємо модель з оптимальним співвідношенням якість/продуктивність.
2. Конвертація та квантизація — використовуємо INT4 (Q4_K_M) для балансу розміру та точності. Для старих пристроїв — Q2_K. Конвертуємо в Core ML / MediaPipe / ExecuTorch.
3. Розробка UI та архітектури — створюємо екран завантаження моделі з прогресом, інтерфейс чату зі стрімінгом токенів, налаштовуємо Deep Link для виклику асистента.
4. Інтеграція рантайму та тестування — підключаємо обраний runtime, пишемо обгортку для генерації та токенізації. Тестуємо на 5+ фізичних пристроях.
5. Оптимізація теплового режиму — реалізуємо моніторинг ProcessInfo.thermalState (iOS) або PowerManager.thermalStatus (Android) і адаптивне зниження навантаження.
6. Деплой та моніторинг — налаштовуємо віддалене оновлення моделі через маніфест, додаємо аналітику використання та краш-репорти.

Чому важлива правильна стратегія завантаження моделі?

Модель не можна пакувати в bundle застосунку — 1.5–3 ГБ одразу призведуть до відхилення в App Store та відлякують користувачів великим розміром APK. Правильний підхід: перший запуск → пропозиція завантажити модель → фонове завантаження з прогрес-баром → верифікація контрольної суми.

На iOS: URLSession.downloadTask з backgroundConfiguration — завантаження продовжується при переході у фон. Файл зберігається в Application Support (не Caches — там може бути видалений системою при нестачі місця). На Android: DownloadManager або WorkManager з NetworkType.UNMETERED constraint — користувач не витратить мобільний трафік.

Оновлення моделі: сервер публікує маніфест з поточною версією та SHA-256 сумою. При запуску застосунок перевіряє маніфест, якщо версія змінилася — пропонує оновити.

Чому важливо керувати тепловим станом?

Inference на Neural Engine/GPU гріє пристрій. Для довгих генерацій (>200 токенів) потрібно моніторити тепловий стан через ProcessInfo.thermalState (iOS) — при .serious знижувати n_threads або тимчасово перемикатися на CPU-only inference. На Android — PowerManager.thermalStatus. Батарейне споживання: 3B модель на iPhone 15 Pro витрачає ~5–8% батареї на 100 запитів. Це менше, ніж стрімінг відео, тому попередження користувачу не потрібні.

Що входить в роботу з інтеграції AI-асистента

• Аналіз цільових пристроїв та підбір моделі під їх характеристики.
• Конвертація моделі у формати Core ML / TFLite / MediaPipe.
• Розробка UI для завантаження моделі та взаємодії.
• Інтеграція стрімінгу токенів та управління пам'яттю.
• Тепловий моніторинг та адаптивне зниження навантаження.
• Тестування на фізичних пристроях (5+ популярних моделей).
• Документація з підтримки та навчання команди.

Орієнтовні терміни

Базовий on-device асистент (одна платформа, Core ML або MediaPipe) — 4–5 тижнів. Крос-платформа з управлінням завантаженням, оновленнями та тепловим моніторингом — 8–12 тижнів. Вартість розраховується індивідуально залежно від складності та необхідної продуктивності. Замовте консультацію — ми підготуємо план та оцінку.

Детальніше про Core ML див. офіційну документацію.

Зв'яжіться з нами, щоб обговорити ваш проєкт. Ми гарантуємо стабільну роботу на пристроях з 4 ГБ RAM і вище.

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.