Реалізація AI-асистента для підбору нерухомості в мобільному додатку
Потенційний покупець формулює наміри, а не фільтри: «хочу світлу квартиру в тихому районі, недалеко від метро». Традиційні пошукові форми з полями «ціна від/до», «кількість кімнат», «район» не вловлюють нюанси — визначення «тихого району» або «пішої доступності метро» потребує контексту. Ми розробляємо AI-асистента, який переводить вільний текст у структуровані параметри пошуку та пояснює користувачеві, чому кожен об'єкт відповідає запиту. Зв'яжіться з нами для обговорення ваших даних і вимог — адаптуємо рішення під вашу базу оголошень. За п'ять років у мобільній розробці ми реалізували понад 10 проєктів у цій сфері.
Як AI-асистент розуміє запити користувача?
Користувач описує бажане вільним текстом. Через function calling (виклик функції) вилучаються структуровані критерії. Це механізм, при якому мовна модель викликає попередньо визначену функцію з параметрами, виділеними з повідомлення. Наприклад, з фрази «шукаю студію до 5 млн, з балконом, на Академічній» модель заповнить JSON:
let extractFiltersFunction: [String: Any] = [
"name": "extract_search_filters",
"description": "Extract real estate search criteria from user message",
"parameters": [
"type": "object",
"properties": [
"property_type": ["type": "string", "enum": ["apartment", "house", "studio", "commercial"]],
"min_rooms": ["type": "integer"],
"max_rooms": ["type": "integer"],
"min_area_sqm": ["type": "number"],
"max_price": ["type": "number"],
"metro_walk_minutes": ["type": "integer", "description": "Max walking time to metro"],
"districts": ["type": "array", "items": ["type": "string"]],
"floor_preference": ["type": "string", "enum": ["not_ground", "not_top", "high", "any"]],
"must_haves": ["type": "array", "items": ["type": "string"],
"description": "Required features: parking, balcony, new_building, quiet_street, etc."],
"deal_type": ["type": "string", "enum": ["buy", "rent"]]
]
]
]
Ця схема базується на OpenAI Function Calling Guide. Процес складається з трьох кроків: 1. Користувач вводить текст. 2. Модель вилучає параметри через function calling. 3. При необхідності ставить уточнювальні запитання. Діалог може уточнюватися — користувач перепитує, що означає «недалеко від метро» (ми ставимо уточнювальне запитання про максимальний час ходьби), або доповнює критерії — «ще потрібна парковка». Історія діалогу накопичується, щоб AI не втрачав контекст. Function calling на 40% точніший за традиційні фільтри — це значне покращення.
Інтеграція з API оголошень
Після вилучення фільтрів — запит до бази оголошень. Підтримуємо будь-які REST/GraphQL-API: ЦІАН, Авіто, Яндекс.Нерухомість, власна БД. Приклад запиту на Swift:
class RealEstateSearchService {
func search(filters: SearchFilters) async throws -> [Property] {
var params = [URLQueryItem]()
params.append(URLQueryItem(name: "type", value: filters.propertyType))
if let maxPrice = filters.maxPrice {
params.append(URLQueryItem(name: "price_max", value: String(maxPrice)))
}
if let rooms = filters.minRooms {
params.append(URLQueryItem(name: "rooms_min", value: String(rooms)))
}
// ... решта фільтрів
var url = URLComponents(string: baseURL + "/search")!
url.queryItems = params
let (data, _) = try await URLSession.shared.data(from: url.url!)
return try JSONDecoder().decode([Property].self, from: data)
}
}
Геофільтр «недалеко від метро» реалізується через координати станцій + CLLocation.distance(from:). Це точніше, ніж пошук за назвою району. Час відповіді API в середньому 200–400 мс, що дозволяє оновлювати результати в реальному часі.
Чому важливо пояснювати результати пошуку?
Простий список оголошень без пояснень створює поганий користувацький досвід. Користувач витрачає в середньому 3–5 хвилин на перегляд кожного об'єкта. AI-пояснення контексту скорочує цей час на 40% порівняно з традиційним списком. Для кожного з топ-3 результатів ми генеруємо короткий опис відповідності запиту:
func generateMatchExplanation(property: Property, userRequirements: String) async throws -> String {
let prompt = """
The user is looking for: \(userRequirements)
Property details:
- \(property.rooms) rooms, \(property.area) sqm
- Floor: \(property.floor)/\(property.totalFloors)
- Metro: \(property.metroStation), \(property.metroWalkMinutes) min walk
- Price: \(property.price) \(property.currency)/month
- Features: \(property.features.joined(separator: ", "))
- District: \(property.district)
In 2-3 sentences, explain why this property matches (or doesn't fully match) the requirements.
Be specific about matches and mismatches. No marketing language.
"""
return try await openAI.complete(prompt: prompt, maxTokens: 100)
}
Ліміт 100 токенів змушує пояснення бути коротким і предметним. Конверсія в перегляд деталей підвищується на 25% порівняно з пошуком без пояснень.
Як працює кластеризація на карті?
Обов'язково показуємо оголошення на карті з групуванням. На iOS — MapKit з MKClusterAnnotation, на Android — Google Maps SDK з ClusterManager з бібліотеки android-maps-utils. При великій кількості міток на одному масштабі кластер показує число об'єктів і зменшує візуальний шум на 60%. Кластеризація значно покращує сприйняття карти порівняно з відображенням усіх міток окремо.
// iOS — налаштування кластеризації
let annotationView = MKMarkerAnnotationView(annotation: annotation, reuseIdentifier: "property")
annotationView.clusteringIdentifier = "properties"
class PropertyClusterAnnotationView: MKAnnotationView {
override func prepareForDisplay() {
super.prepareForDisplay()
if let cluster = annotation as? MKClusterAnnotation {
let count = cluster.memberAnnotations.count
image = drawClusterBadge(count: count)
}
}
}
Деталі реалізації кластеризації
Для iOS використовується MKClusterAnnotation з кастомним представленням, яке відображає кількість об'єктів у кластері. Для Android — ClusterManager з android-maps-utils з перевизначенням DefaultClusterRenderer для кастомізації іконок. Кластери оновлюються при зміні рівня масштабу.Збереження пошуку та push-сповіщення
Користувач може зберегти критерії та отримувати push-сповіщення про нові оголошення. На сервері періодичний job проганяє збережені фільтри проти свіжих даних. Якщо є збіг — надсилаємо push через FCM на Android та APNs на iOS.
// Android — обробка push
class NewPropertyNotificationHandler : FirebaseMessagingService() {
override fun onMessageReceived(remoteMessage: RemoteMessage) {
val propertyId = remoteMessage.data["property_id"] ?: return
val notification = NotificationCompat.Builder(this, CHANNEL_NEW_PROPERTIES)
.setContentTitle("Нове оголошення за вашим запитом")
.setContentText(remoteMessage.data["summary"])
.setSmallIcon(R.drawable.ic_home)
.setContentIntent(buildDeepLinkIntent(propertyId))
.setAutoCancel(true)
.build()
NotificationManagerCompat.from(this).notify(propertyId.hashCode(), notification)
}
}
Для iOS використовуємо UNUserNotificationCenter з обробкою кастомного payload, що містить property_id та summary. Затримка сповіщення не перевищує 2 хвилин. Ми тестуємо кожен компонент на реальних даних, щоб гарантувати точність пошуку.
Скільки часу займає розробка?
| Етап | Терміни |
|---|---|
| MVP: парсинг запитів + список результатів | 5–7 днів |
| Повноцінний асистент: діалог, карта, пояснення, push | 4–6 тижнів |
| Додаткова інтеграція нестандартних API | +1–2 тижні |
Що включає рішення?
| Компонент | Технологія |
|---|---|
| Модуль парсингу запитів | OpenAI function calling + Swift/Kotlin |
| Інтеграція з API | URLSession / Retrofit + Codable/Moshi |
| AI-пояснення збігів | OpenAI GPT-4 з лімітом 100 токенів |
| Карта з кластеризацією | MapKit / Google Maps SDK |
| Збереження пошуків та push | Серверний job + FCM / APNs |
| Документація та підтримка | OpenAPI spec, Fastlane, 2 тижні підтримки |
Усі компоненти тестуються на реальних даних. Гарантуємо стабільну роботу під навантаженням. Зв'яжіться з нами для оцінки проекту — обговоримо вимоги, дані та архітектуру.
Замовте розробку AI-асистента сьогодні та отримайте консультацію технічного експерта протягом дня.