AI-автоматичне тегування контенту в мобільному додатку

AI-автоматичне тегування контенту в мобільному додатку

Типова ситуація: користувач завантажує фото в додаток, але щоб додати тег, доводиться вручну вибирати з сотень варіантів або писати текст. Втрачаються контекст і час. Ми впроваджуємо автоматичне тегування на основі AI — зображення, текст і відео отримують мітки без участі людини. Наш досвід — понад 20 проектів, від маркетплейсів до соцмереж, з кастомними таксономіями. Рішення підходить для будь-якої предметної області: медицина, нерухомість, ритейл, освіта. Точність on-device моделей досягає 92%, а серверних — 98% при правильно налаштованому confidence score.

Наприклад, для інтернет-магазину одягу ми навчили модель розпізнавати 150 категорій з точністю 91%. Тепер кожен завантажений товар автоматично отримує теги: «Сукня», «Бавовна», «Літо». Це скоротило час модерації в 4 рази.

Apple Core ML documentation рекомендує Transfer Learning для створення компактних моделей з 20+ прикладами на категорію.

Як AI тегує зображення в iOS та Android?

Стандартна зв'язка — VNClassifyImageRequest (iOS) + ImageLabeler (Android). Вони видають загальні мітки на кшталт «Food», «Sky», «Cat». Для бізнес-завдань потрібна кастомна таксономія: не «Одяг», а «Шкіряна куртка», «Сукня в квіточку». Навчаємо модель через CreateML (iOS) або TensorFlow Lite (Android). Нижче — приклад навчання кастомної моделі під iOS.

// Навчання через CreateML (запускати на Mac, не на пристрої) import CreateML let trainingData = MLImageClassifier.DataSource.labeledDirectories( at: URL(fileURLWithPath: "/training_data") // Структура: /training_data/jacket/, /training_data/shoes/, /training_data/bag/ ) var params = MLImageClassifier.ModelParameters() params.maxIterations = 25 params.validationData = .split(strategy: .automatic) params.featureExtractor = .scenePrint(revision: 2) // Transfer learning від Apple let model = try MLImageClassifier(trainingData: trainingData, parameters: params) try model.write(to: URL(fileURLWithPath: "/model.mlmodel"), metadata: nil) 

20–50 прикладів на категорію, 15–30 хвилин навчання на MacBook Pro M2 — отримуємо компактну модель. Core ML Model Deployment дозволяє оновлювати її без публікації нової версії в App Store.

Чому ієрархічні теги прискорюють пошук?

Плоский список тегів — хаос. Ієрархія «Їжа → Італійська кухня → Паста» дає структурований пошук і фільтри. Реалізуємо через дерева:

// Android: TagTree data class Tag( val id: String, val name: String, val parentId: String?, val synonyms: List<String> = emptyList() ) // При тегуванні: якщо призначено тег "Паста" — автоматично додаємо батьківські fun expandWithParents(tagId: String, tagTree: Map<String, Tag>): Set<String> { val result = mutableSetOf(tagId) var current = tagTree[tagId] while (current?.parentId != null) { current = tagTree[current.parentId] current?.let { result.add(it.id) } } return result } 

Для зберігання використовуємо окрему таблицю з полем source (auto, user, admin). Автотеги видні тільки пошуку, користувацькі — в UI.

Порівняння on-device та серверного тегування

Ми комбінуємо: основні теги ставимо на пристрої, для складних випадків відправляємо запит на сервер. On-device тегування в 3-10 разів швидше серверного при аналогічній точності для типових категорій.

Як підвищити точність тегів?

Якщо точність нижча за очікувану, збільште обсяг навчальної вибірки до 100+ прикладів на категорію або використовуйте серверну модель для складних випадків. Регулярне донавчання на нових даних підтримує актуальність таксономії. Ми рекомендуємо щомісяця перенавчати модель при появі нових типів контенту.

Тегування тексту та відео

Текстові пости — NLP-класифікація on-device через Natural Language Framework або на сервері. Промпт: «Визнач 3-5 тегів зі списку: ...». JSON-відповідь парситься на клієнті.

Відео — аналіз ключових кадрів:

func tagVideo(at url: URL) async throws -> Set<String> { let asset = AVURLAsset(url: url) let duration = asset.duration.seconds let generator = AVAssetImageGenerator(asset: asset) generator.maximumSize = CGSize(width: 224, height: 224) var allTags = Set<String>() var time = 0.0 while time < duration { let cgImage = try generator.copyCGImage(at: CMTime(seconds: time, preferredTimescale: 600), actualTime: nil) let frameTags = try await classifyImage(cgImage) allTags.formUnion(frameTags) time += 3.0 // кожні 3 секунди } return allTags } 

Для довгих відео використовуємо фонові завдання (BackgroundFetch на iOS, WorkManager на Android) або відправляємо на backend.

Що входить в нашу роботу

• Аудит поточного контенту та бізнес-вимог
• Проектування таксономії тегів (плоска або ієрархічна)
• Збір та розмітка навчальної вибірки (мінімум 20 прикладів на категорію)
• Навчання моделей (CreateML, TensorFlow Lite, Core ML)
• Інтеграція в iOS (Swift, SwiftUI) та Android (Kotlin, Jetpack Compose)
• Реалізація пошуку та фільтрації за тегами
• On-device + серверна архітектура (Firebase, Supabase або ваш бекенд)
• Документація з таксономії та API
• Навчання команди (1-2 воркшопи)
• Техпідтримка 1 місяць після релізу

Строки реалізації

Вартість розраховується індивідуально. Для точної оцінки надішліть опис вашого проекту — ми підготуємо комерційну пропозицію за 1-2 дні.

Зв'яжіться з нами для консультації. Замовте безкоштовний аудит вашого проекту — ми проаналізуємо обсяг контенту та запропонуємо оптимальну архітектуру.