AI-оптимізація пошуку в мобільному додатку

AI-оптимізація пошуку в мобільному додатку вирішує проблему коротких запитів, помилок та відсутності персоналізації. Стандартні текстові движки (BM25, TF-IDF) не справляються з короткими запитами, помилками та необхідністю персоналізації. Ми вирішуємо це завдання через комбінацію Learning to Rank (LTR), семантичного пошуку та адаптації видачі під кожного користувача. Оцінимо ваш проєкт і запропонуємо рішення під ключ. Ми маємо понад 5 років досвіду та 20+ впроваджень AI-пошуку.

Як AI-оптимізація пошуку в мобільному додатку вирішує проблему мобільного пошуку?

BM25 хороший на точних текстових збігах. Але мобільний пошук — це короткі запити («nike білі 42»), голосові запити з транскрипційними помилками. BM25 не розуміє семантику, дає нерелевантні результати. Друга проблема — персоналізація: запит «кросівки» для різних віків і статей повинен видавати різні топи. BM25 про це не знає. У результаті користувачі не знаходять потрібне, падає CTR та конверсія. Уявіть: користувач вводить «nike білі кросівки 42». BM25 поверне товари, де є всі слова, але не зрозуміє, що «білі» — колір, а «42» — розмір. AI-оптимізація пошуку вирішує це через семантичне розуміння та персоналізацію.

Як AI-оптимізація пошуку підвищує точність?

Ми використовуємо комбінацію BM25 (первинний retrieval), LTR (переранжування) та семантичних ембеддингів (розуміння сенсу). LTR-модель в 2-3 рази ефективніша за чистий BM25 у CTR@5. Згідно з нашими даними, LTR у 2-3 рази краще за BM25 за метрикою CTR@5. Процес включає:

1. Аудит поточного пошукового движка — перевіряємо якість логування кліків, конверсій, час на сторінці.
2. Feature engineering — збираємо ознаки: BM25 score, CTR, conversion rate, семантична близькість, афініті до категорії/бренду.
3. Навчання LTR-моделі — використовуємо pairwise LightGBM з LambdaRank objective. Для навчання LTR ми використовуємо pairwise hinge loss з LambdaRank, що безпосередньо оптимізує NDCG@10. Навчаємо на історичних пошукових сесіях.
4. Семантичний пошук — кодуємо запити та документи у вектори (BERT-ембеддинги), шукаємо через FAISS. Комбінуємо з BM25 через Reciprocal Rank Fusion.
5. Інтеграція в мобільний додаток — деплоїмо модель на сервер, додаємо трекінг impressions/clicks в UI (SwiftUI / Jetpack Compose).
6. A/B тест — порівнюємо з baseline BM25 за метриками CTR@5 та конверсії.

Таблиця: порівняння підходів LTR

Pairwise — золота середина: дає приріст CTR@5 на 20‑40% і реалізується швидше listwise.

async def search(query: str, user: User, size: int = 20) -> list[SearchResult]:
    # Stage 1: BM25 retrieval
    es_results = await elasticsearch.search(
        index="products",
        body={
            "query": {"multi_match": {"query": query, "fields": ["title^3", "description", "tags"]}},
            "size": 100
        }
    )

    candidates = [SearchResult.from_es(hit) for hit in es_results["hits"]["hits"]]

    # Stage 2: ML reranking
    features = extract_features(query, candidates, user)
    scores = ranker.predict(features)

    return sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)[:size]

Чому семантичний пошук критичний для мобільних додатків?

Голосові запити, помилки, короткі фрази — ембеддинги розуміють сенс, а не тільки слова. Ми використовуємо Reciprocal Rank Fusion для об'єднання BM25 та семантичних результатів:

def reciprocal_rank_fusion(bm25_results: list, semantic_results: list, k=60) -> list:
    from collections import defaultdict
    scores = defaultdict(float)
    for rank, doc_id in enumerate(bm25_results):
        scores[doc_id] += 1 / (k + rank + 1)
    for rank, doc_id in enumerate(semantic_results):
        scores[doc_id] += 1 / (k + rank + 1)
    return sorted(scores, key=scores.get, reverse=True)

Згідно з нашими тестами, така комбінація підвищує залученість у 2-3 рази порівняно з чистим BM25.

З нашої практики: інтернет-магазин одягу

Після впровадження LTR+семантика CTR@5 виріс на 35%, конверсія з пошуку — на 18%. Досягнуто за 3 тижні.

Метрики AI-оптимізації пошуку

Офлайн-метрика NDCG@10 показує якість ранжування на історичних даних. Онлайн — CTR@5 (частка користувачів, які клікнули по топ-5 результатів) та конверсія з пошуку. Наші проєкти демонструють зростання CTR@5 мінімум на 20%.

Що входить у роботу

• Аудит поточного пошукового движка та логування
• Feature engineering та збір навчальних даних з пошукових сесій (від 10k подій)
• Розробка та навчання LTR-моделі (LightGBM) з pairwise-оптимізацією
• Впровадження семантичного пошуку (BERT ембеддинги + FAISS) з RRF
• Інтеграція у ваш Elasticsearch / мобільний додаток
• A/B тестування (мінімум 2 тижні) та звіт за метриками: NDCG@10, CTR@5, конверсія
• Документація та навчання команди з донавчання моделі

Орієнтири за термінами та вартістю

Середня вартість впровадження LTR становить $7,000–$15,000, що окупається за 2-3 місяці за рахунок зростання конверсії. Точні терміни та вартість розраховуємо після аудиту вашого проєкту.

Learning to Rank — детальніше про підхід. Семантичний пошук — детальніше про технологію.

Зв'яжіться з нами — оцінимо ваш пошук безкоштовно. Досвід: понад 5 років у мобільній розробці, 20+ впроваджень AI-пошуку, робота з додатками на мільйони користувачів. Гарантуємо приріст CTR@5 від 20%. Отримайте консультацію щодо вашого проєкту вже сьогодні.

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.