Реалізація бота з генерацією зображень (AI) у мобільному застосунку

Реалізація бота з генерацією зображень (AI) у мобільному застосунку

Ми розробляємо ботів з генерацією зображень на мобільних платформах. Інтегруємо серверні рішення DALL-E 3, Stable Diffusion, Ideogram — підбираємо оптимальну модель під завдання вашого проєкту. Маємо 5 років досвіду в мобільній розробці та 20+ реалізованих AI-проєктів. Генерація зображень на мобільному — це завжди серверне завдання. Stable Diffusion на пристрої технічно можлива на сучасних iPhone (Core ML) і флагманських Android, але час генерації 30–60 секунд і перегрів роблять це непридатним для продакшн-застосунку. Тому ми працюємо через хмарні API, забезпечуючи стабільність і швидкість. Клієнти часто стикаються з проблемою вибору моделі: DALL-E 3 вимагає підписки, Stable Diffusion — складний у налаштуванні. Ми допомагаємо підібрати оптимальний варіант під конкретні завдання.

Як вибрати модель для генерації?

Згідно з документацією OpenAI, DALL-E 3 забезпечує найкраще розуміння складних промптів. DALL-E 3 добре розуміє складні текстові описи, строго слідує промпту. Якість висока, особливо для реалістичних сцен та ілюстрацій. Обмеження: не можна робити портрети реальних людей, сувора модерація. Stable Diffusion через Replicate / Modal / Runpod — open-source модель, що запускається на орендованих GPU. Величезна гнучкість: LoRA-адаптери для стилізації, ControlNet для контролю композиції, інпейнтинг. Моделі: SDXL, Flux.1, SD 3.5. Midjourney API — офіційного немає, тільки unofficial wrapper або Discord-інтеграція. Не рекомендуємо для продакшну через нестабільність. Ideogram / Recraft — хороша робота з текстом на зображеннях (логотипи, постери), у DALL-E і SD з цим традиційно проблеми.

Чому асинхронна генерація обов'язкова?

Генерація займає 3–15 секунд залежно від моделі та складності. Мобільний клієнт не може тримати HTTP-з'єднання відкритим — таймаут мережі або перемикання в фон перерве запит. Правильний паттерн: polling або WebSocket.

Polling

POST /generate → { "task_id": "abc123", "status": "queued" }
GET /tasks/abc123 → { "status": "processing", "progress": 40 }
GET /tasks/abc123 → { "status": "done", "image_url": "..." }

WebSocket / SSE: сервер пушить оновлення по мірі готовності. На Android — WorkManager для фонових запитів з polling, щоб генерація продовжувалася навіть якщо користувач згорнув застосунок. На iOS — URLSession background configuration.

// iOS: фонова завантаження результату
let config = URLSessionConfiguration.background(withIdentifier: "image.generation")
let session = URLSession(configuration: config, delegate: self, delegateQueue: nil)

func pollTaskStatus(taskId: String) {
    var components = URLComponents(string: "\(baseURL)/tasks/\(taskId)")!
    let task = session.dataTask(with: components.url!) { [weak self] data, _, _ in
        guard let result = try? JSONDecoder().decode(GenerationTask.self, from: data!) else { return }
        if result.status == "done" {
            self?.downloadAndDisplay(url: result.imageUrl!)
        } else {
            DispatchQueue.main.asyncAfter(deadline: .now() + 2) {
                self?.pollTaskStatus(taskId: taskId)
            }
        }
    }
    task.resume()
}

Як працює промпт-інжиніринг у мобільному боті?

Користувачі мобільного застосунку пишуть короткі запити: «намалюй кота», «логотип для кав'ярні». Це погані промпти для генерації. Бот повинен збагачувати їх перед відправкою в модель. Два підходи:

LLM-розширення промпта. GPT-4o mini бере користувацький запит і перетворює на розгорнутий промпт з деталями стилю, освітлення, настрою.

PROMPT_ENHANCER = """
Ти допомагаєш покращувати промпти для генерації зображень.
Візьми короткий опис і розшир його до детального промпта.
Додай стиль, освітлення, настрій. Відповідь тільки англійською —
це мова Stable Diffusion.
Максимум 200 слів.
"""

Параметричний UI. Користувач вибирає стиль (реалізм / аніме / олія / акварель) через кнопки, потім пише опис. Стиль додається до промпта програмно. Простіше, передбачуваніше.

Negative prompt і модерація

Для Stable Diffusion negative prompt знижує артефакти. Базовий: blurry, low quality, deformed, extra limbs, watermark. Для дитячих/сімейних застосунків додаємо фільтрацію контенту в negative prompt і safety checker на серверній стороні. Перед відправкою користувацького запиту — OpenAI Moderation API або власний фільтр. Відхилені запити логуються.

UI для генерації

Процес генерації має бути візуально цікавим, а не просто спіннером:

• Анімований placeholder у вигляді progressbar або shimmer ефекту
• Показ етапів: «Аналізую запит → Генерую → Обробляю»
• Після готовності — плавна поява зображення (fade in / reveal animation)

Результат: кнопки «Завантажити», «Поділитися», «Згенерувати ще», «Змінити промпт». Галерея попередніх генерацій в рамках сесії.

Варіації та редагування

DALL-E 3 підтримує inpainting — заміну частини зображення. Stable Diffusion через img2img дозволяє ітерувати по базовому зображенню. Для mobile UI це означає інструмент виділення області (маска) поверх зображення — аналог гумки.

Процес роботи і що входить

1. Аналіз і вибір моделі — підбираємо генеративне API під завдання та стиль застосунку.
2. Проектування архітектури — серверна черга завдань, асинхронна генерація, зберігання результатів.
3. Реалізація промпт-інжинірингу — LLM-розширення або параметричний UI.
4. Розробка мобільного UI — анімація прогресу, галерея, інструменти редагування.
5. Тестування і модерація — перевірка з реальними користувацькими запитами, налаштування фільтрів.
6. Документація і навчання — передаємо вихідні коди, інструкції з експлуатації, навчаємо вашу команду.

Орієнтовні терміни: базовий бот з DALL-E 3 / Replicate API — від 1 тижня. З варіацією стилів, img2img, промпт-інжинірингом і галереєю — 3–4 тижні. Точні терміни та вартість розраховуємо індивідуально після аналізу вашого проєкту.

Зв'яжіться з нами для оцінки вашого проєкту. Замовте розробку під ключ — наші інженери гарантують стабільну роботу та дотримання App Store Review Guidelines / Google Play політик. Отримайте консультацію з інтеграції AI-генерації у ваш мобільний застосунок.

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.