Інтеграція AI-генерації зображень у мобільний додаток

У проекті з'являється задача: дати користувачам можливість генерувати зображення за текстовим описом. Ви пробуєте Midjourney — він швидко видає якісні результати, але офіційного API немає. Всі сторонні обгортки порушують умови використання Discord. Без чіткої архітектури інтеграція перетворюється на зоопарк костилів. Ми стикалися з цим не раз і виробили підхід: не використовувати неофіційні рішення в продакшні або, якщо клієнт наполягає, робити це з чіткими застереженнями.

Який API для AI генерації зображень обрати для продакшну?

Розглянемо три основні варіанти. Якість генерації у всіх висока, але стабільність та юридична чистота відрізняються кардинально.

Flux Pro в 12 разів швидший за Midjourney проксі

Для продакшну Flux Pro — best in class. Він генерує зображення за 5–15 секунд, а Midjourney через проксі потребує до трьох хвилин. Різниця в 12 разів, і це без урахування простоїв через блокування акаунтів. Крім того, Flux Pro дозволяє налаштовувати кроки інференсу, guidance scale та ratio — гнучкість, якої Midjourney не дає. Офіційна документація FAL.ai підтверджує підтримку синхронного та асинхронного режимів.

Як інтегрувати Flux Pro на Swift?

Приклад інтеграції Flux Pro через FAL.ai:

1. Отримайте API ключ на fal.ai після реєстрації.
2. Налаштуйте мережу — додайте URLSession або Alamofire у проект.
3. Створіть сервіс (див. код нижче) для відправки POST-запиту.
4. Обробіть відповідь — декодуйте JSON з URL зображення.
5. Відобразіть результат у SwiftUI Image або UIImageView.

struct FalFluxService {
    private let baseURL = "https://fal.run/fal-ai/flux-pro"

    func generate(prompt: String) async throws -> URL {
        var request = URLRequest(url: URL(string: baseURL)!)
        request.httpMethod = "POST"
        request.setValue("Key \(apiKey)", forHTTPHeaderField: "Authorization")
        request.setValue("application/json", forHTTPHeaderField: "Content-Type")

        let body: [String: Any] = [
            "prompt": prompt,
            "image_size": "square_hd",
            "num_inference_steps": 28,
            "guidance_scale": 3.5,
            "num_images": 1,
            "enable_safety_checker": true
        ]
        request.httpBody = try JSONSerialization.data(withJSONObject: body)

        let (data, _) = try await URLSession.shared.data(for: request)
        let response = try JSONDecoder().decode(FalResponse.self, from: data)
        return URL(string: response.images[0].url)!
    }
}

class MidjourneyProxyService(private val apiKey: String) {
    private val client = OkHttpClient.Builder()
        .readTimeout(300, TimeUnit.SECONDS)
        .build()

    suspend fun imagine(prompt: String): String = withContext(Dispatchers.IO) {
        val body = JSONObject().apply {
            put("prompt", prompt)
        }.toString().toRequestBody("application/json".toMediaType())

        val request = Request.Builder()
            .url("https://api.useapi.net/v2/jobs/imagine")
            .header("Authorization", "Bearer $apiKey")
            .post(body)
            .build()

        val response = client.newCall(request).execute()
        val json = JSONObject(response.body!!.string())
        json.getString("jobid")
    }

    suspend fun getResult(jobId: String): MidjourneyResult? = withContext(Dispatchers.IO) {
        val request = Request.Builder()
            .url("https://api.useapi.net/v2/jobs/?jobid=$jobId")
            .header("Authorization", "Bearer $apiKey")
            .get()
            .build()

        val response = client.newCall(request).execute()
        val json = JSONObject(response.body!!.string())

        when (json.optString("status")) {
            "completed" -> {
                val attachments = json.getJSONArray("attachments")
                MidjourneyResult.Success(attachments.getJSONObject(0).getString("url"))
            }
            "failed" -> MidjourneyResult.Failed(json.optString("error"))
            else -> null
        }
    }
}

Що входить в роботу

Ми надаємо інтеграцію «під ключ»:

• Вибір оптимального AI-сервісу під ваші задачі
• Реалізація API-клієнта з обробкою помилок та retry
• UI для введення промпта, відображення результату (з анімацією завантаження)
• Підтримка upscale, варіацій, збереження в галерею
• Документація по використанню та налаштуванню
• Тестування на реальних пристроях
• Підтримка протягом місяця після здачі

Скільки коштує інтеграція AI-генерації?

Інтеграція проксі-API (useapi.net) з polling та базовим UI — 4–6 днів, вартістю від $2000. Flux/Ideogram з нативним API, upscale/variations, галерея — 10–14 днів, від $5000. Економія до 40% бюджету досягається завдяки кешуванню результатів. Вартість розраховується індивідуально в залежності від складності та стеку. Оцінимо проект за 1–2 дні.

Організація черги запитів та кешування

Генерація зображень — ресурсоємна операція. Щоб додаток залишався чуйним, задачі ставляться в чергу. На стороні сервера використовуємо Redis + Bull (Node.js) або Laravel Queues (PHP): кожен запит отримує jobId, статус якого клієнт опитує через polling кожні 2–3 секунди. При успіху URL зображення кешується в CDN (Cloudflare R2 або S3), щоб повторні запити одного промпта віддавалися миттєво без платного API-виклику. На мобільному клієнті показуємо анімацію shimmer-завантаження — користувач бачить, що процес іде. Тайм-аут 5 хвилин з автоматичним retry 3 рази гарантує стійкість до тимчасових збоїв AI-сервісу. Такий підхід знижує навантаження на API та економить до 40% бюджету при активній користувацькій базі. Додатково, ми реалізуємо сховище історії генерацій — користувач може повернутися до попередніх промптів і повторно використовувати вдалі варіанти без повторного виклику API. Історія зберігається локально в CoreData (iOS) або Room (Android), синхронізується з сервером через background sync, що забезпечує доступ до генерацій без підключення до інтернету.

Наш досвід та компетенції

Ми більше 5 років займаємося мобільною розробкою, реалізували 50+ проектів з інтеграцією AI-сервісів. В портфоліо — додатки з генерацією зображень, обробкою природної мови та комп'ютерним зором. Глибоке розуміння як клієнтської, так і серверної частини гарантує надійне рішення.

Якщо вам потрібна AI-генерація в мобільному додатку — отримайте консультацію або надішліть технічне завдання на оцінку. Зв'яжіться з нами — оцінимо проект за 1–2 дні.

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.