AI-сумаризація довгих текстів у мобільному додатку

AI-сумаризація довгих текстів: як вмістити все в контекстне вікно

Сумаризація довгого тексту одразу впирається в обмеження контекстного вікна моделі. GPT-4o приймає 128K токенів (приблизно 100K слів), Claude 3 — 200K. На перший погляд цього достатньо, але юридичні договори на 200 сторінок, технічні звіти або книги часто перевищують ліміт. Навіть якщо текст вміщується, довгий контекст збільшує вартість і затримку відповіді. Наприклад, типовий договір поставки може містити 150 сторінок дрібного тексту — прямий запит коштуватиме ~$0.03 за обробку, але результат може бути неповним через ефект "втрати середини". Про це говорить дослідження Lost in the Middle — модель гірше запам'ятовує інформацію з середини документа. Тому для великих документів потрібні стратегії декомпозиції.

Ми використовуємо три основні стратегії: пряму сумаризацію, Map-Reduce та Refine. Кожна підходить для свого обсягу та вимог до якості. Нижче — деталі.

Стратегії для текстів різної довжини

Пряма сумаризація — працює для текстів до 50–80K токенів. Відправляємо весь текст одним запитом, просимо сумаризувати. Просто, дешево по реалізації. Обмеження — вартість токенів та latency (модель обробляє великий контекст повільніше).

Map-Reduce — для текстів, що не вміщуються в контекст. Розбиваємо на чанки → сумаризуємо кожен чанк → сумаризуємо сумари:

async def map_reduce_summarize(text: str, chunk_size: int = 4000) -> str:
    chunks = split_text(text, chunk_size)
    chunk_summaries = await asyncio.gather(*[
        summarize_chunk(chunk) for chunk in chunks
    ])
    combined = "\n\n".join(chunk_summaries)
    if count_tokens(combined) > chunk_size:
        return await map_reduce_summarize(combined, chunk_size)
    return await summarize_final(combined)

asyncio.gather — паралельні запити до API для всіх чанків одночасно. Для 10 чанків час майже такий самий, як для одного. Map-Reduce працює в 5–10 разів швидше за Refine.

Refine — сумаризуємо перший чанк, потім уточнюємо сумари з кожним наступним чанком. Підсумкове сумари послідовно збагачується. Якість вища, ніж Map-Reduce для зв'язних наративних текстів, але повільніше — запити послідовні.

Як керувати токенами та уникнути помилок?

Головна помилка — не рахувати токени до відправки. tiktoken (Python) або gpt-tokenizer (JS) дають точний підрахунок:

import tiktoken

enc = tiktoken.encoding_for_model("gpt-4o")
token_count = len(enc.encode(text))

if token_count < 100_000:
    return await direct_summarize(text)
elif token_count < 500_000:
    return await map_reduce_summarize(text, chunk_size=8000)
else:
    return await map_reduce_summarize(text, chunk_size=4000)

Різні типи сумари — різні промпти:

• Executive summary (для керівників): 3–5 речень, лише ключові рішення та цифри
• Детальний переказ: структурований список з підзаголовками
• Список ключових пунктів: булети без зв'язного тексту
• Відповідь на запитання: «що це за документ і що в ньому потрібно зробити»

На мобільному — пропонуємо користувачеві обрати тип сумари перед запуском. Розробка мобільних клієнтів ведеться на Swift (iOS) та Kotlin (Android).

Як уникнути дублювання в сумаризації?

При Map-Reduce фінальна сумаризація може повторювати схожі пункти з різних чанків. Дублювання усувається явним зазначенням у промпті: «Об'єднай схожі пункти, не повторюй одну думку двічі». Для юридичних та фінансових документів використовуємо structured output у форматі JSON з фіксованими полями (parties, obligations, deadlines, key_figures). Це надійніше за вільний текст.

Як налаштувати сумаризацію для вашого документа

1. Визначте максимальний розмір контексту моделі (наприклад, 128K для GPT-4o).
2. Розбийте текст на чанки по 4–8K токенів з урахуванням меж абзаців.
3. Виберіть стратегію: пряма — для коротких текстів, Map-Reduce — для середніх, Refine — для зв'язних наративів.
4. Налаштуйте промпти для кожного типу сумари (executive, детальний тощо).
5. Реалізуйте кешування за хешем документа та відправку прогресу через SSE.

Прогрес сумаризації на мобільному

Сумаризація 100-сторінкового документа займає 15–60 секунд. Без індикатора прогресу — поганий UX. Серверна частина відправляє події через SSE:

event: progress
data: {"step": "chunking", "total_chunks": 12, "completed": 0}

event: progress
data: {"step": "summarizing", "total_chunks": 12, "completed": 4}

event: result
data: {"summary": "...", "word_count": 450}

На мобільному клієнті — прогрес-бар з описом кроку, анімований текст «Обробляю сторінки 1–25...».

Кешування

Сумаризація одного документа коштує грошей. Кешуйте результат за хешем вмісту документа + тип сумари. Redis з TTL 7–30 днів — стандартний підхід. Якщо документ змінився — інвалідація кешу за document_id. Завдяки кешуванню економія може сягати до 50% вартості.

Що входить у нашу роботу?

• Аналіз задачі та вибір стратегії (пряма, Map-Reduce, Refine)
• Розробка серверного pipeline з інтеграцією моделі
• Налаштування кешування та стрімінгу
• Мобільний UI з вибором типу сумари та прогрес-баром
• Тестування на реальних документах замовника
• Документація, навчання команди, підтримка 2 тижні після запуску

Ми — команда з 5+ роками досвіду в AI та 30+ успішними проєктами. Гарантуємо якість та конфіденційність.

Етапи та терміни

Оцінимо ваш проєкт за 1 день — зв'яжіться з нами для консультації. Отримайте демо за 2–3 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.