Розробка мобільного застосунку для крипто-новинного агрегатора

Крипто-новини надходять з десятків джерел одночасно: RSS-фіди, API новинних сервісів (CryptoCompare News, CoinGecko, Messari), Twitter/X API, дані про ціни. Завдання: зібрати все, дедуплікувати, відранжувати за релевантністю та показати користувачеві без затримки. Ми займаємося цим завданням з моменту появи попиту на агрегатори — створюємо надійні мобільні рішення для FinTech. Наш досвід — понад 5 років та 15+ запущених застосунків. Істотна економія на серверних ресурсах досягається за рахунок кешування та дедуплікації. Зв'яжіться з нами для консультації — обговоримо ваш проект.

Джерела даних: порівняння та вибір

CryptoCompare News API — безкоштовний tier дає 100k запитів/місяць, підтримує фільтрацію за категоріями (Bitcoin, Ethereum, DeFi, NFT) та мовами. Messari API — більш аналітичний контент, хороший для серйозного фінансового контенту, але платний tier для повного доступу. RSS-фіди — CoinDesk, Decrypt, The Block — публікують RSS; парсинг на сервері через feedparser (Python) або власний RSS-парсер.

Як уникнути дублювання новин?

Дублювання виникає, коли одна й та сама новина надходить з різних джерел (CryptoCompare та Messari). Ми застосовуємо серверну дедуплікацію: порівнюємо заголовки через difflib (Python) або Levenshtein distance. Поріг схожості — 0.85, що дозволяє виловлювати 95% дублікатів. Це очищає стрічку і зменшує кількість запитів до клієнта. Python Software Foundation рекомендує difflib для порівняння послідовностей.

Як забезпечити real-time оновлення?

Новини з'являються постійно. Polling кожні 60 секунд — розумний компроміс для більшості користувачів. WebSocket для real-time оновлень — якщо потрібна реакція за секунди (наприклад, breaking news).

WebSocket в 10 разів швидше polling для real-time, але вимагає більше ресурсів сервера. Вибір залежить від бюджету та вимог до актуальності. Якщо вам потрібне real-time рішення, зв'яжіться з нами — ми підберемо оптимальну архітектуру.

class NewsWebSocketClient: ObservableObject {
    @Published var latestNews: [NewsItem] = []
    private var webSocketTask: URLSessionWebSocketTask?

    func connect() {
        let url = URL(string: "wss://api.yourservice.com/news/stream")!
        var request = URLRequest(url: url)
        request.addValue("Bearer \(token)", forHTTPHeaderField: "Authorization")
        webSocketTask = URLSession.shared.webSocketTask(with: request)
        webSocketTask?.resume()
        listen()
    }

    private func listen() {
        webSocketTask?.receive { [weak self] result in
            if case .success(.string(let text)) = result,
               let item = try? JSONDecoder().decode(NewsItem.self, from: Data(text.utf8)) {
                DispatchQueue.main.async {
                    self?.latestNews.insert(item, at: 0)
                    if self?.latestNews.count ?? 0 > 200 {
                        self?.latestNews.removeLast()
                    }
                }
            }
            self?.listen()
        }
    }
}

Персоналізація та фільтрація

Користувач стежить за конкретними монетами — BTC, ETH, SOL. Фільтрація за тегами на стороні клієнта працює тільки якщо всі новини вже завантажені. При великому обсязі — серверна фільтрація з параметрами запиту. Ми гарантуємо, що стрічка завантажується за 1–2 секунди навіть при 10 000 новин у кеші. Оптимізація витрат на API — ми підбираємо тариф під обсяг трафіку.

AI-сумаризація: для кожної новини — коротке резюме в 2–3 речення, згенероване через GPT-4o mini на сервері при індексуванні. Це дорожче, ніж показувати оригінальний лід, але користувач отримує суть без відкриття статті. Вартість сумаризації — економічна, ми підбираємо оптимальну модель під ваш бюджет.

Аналіз тональності заголовка (Positive / Neutral / Negative) — швидкий сигнал ринку. ML Kit Sentiment на Android або NLTagger.sentimentScore на iOS, або спеціалізовані crypto sentiment моделі (CryptoNewsScore).

Як показувати котирування поруч із новинами?

Показувати поточну ціну монети поруч із новиною — стандарт для крипто-агрегаторів. CoinGecko free API дозволяє отримати ціни 250+ монет одним запитом /simple/price?ids=bitcoin,ethereum&vs_currencies=usd,rub. Кеш на 30 секунд, щоб не частотити.

// Android: кореляція новини з ціновим віджетом
data class NewsWithPrice(
    val news: NewsItem,
    val relatedCoin: CoinPrice?  // null якщо монета не визначена
)

fun enrichNewsWithPrices(
    news: List<NewsItem>,
    prices: Map<String, CoinPrice>
): List<NewsWithPrice> {
    return news.map { item ->
        val coin = item.tags.firstOrNull { prices.containsKey(it.lowercase()) }
        NewsWithPrice(news = item, relatedCoin = coin?.let { prices[it.lowercase()] })
    }
}

Push-сповіщення для breaking news

Сповіщення про breaking news — за ключовими словами або за монетами з watchlist користувача. Firebase Cloud Messaging з topic-підпискою: /topics/bitcoin-news, /topics/ethereum-news. Користувач підписується в налаштуваннях застосунку. Рекомендуємо не більше 3–5 push на день, інакше відписки. Background fetch (iOS) або WorkManager (Android) для тихого оновлення стрічки. Ми налаштовуємо сповіщення так, щоб вони були корисними, а не нав'язливими.

Процес роботи

1. Аналітика — узгоджуємо джерела, вимоги до персоналізації, обсяг даних.
2. Проектування — архітектура сервера, API, схеми даних.
3. Реалізація — серверна агрегація, дедуплікація, AI-сумаризація, мобільний клієнт.
4. Тестування — навантажувальне тестування при 1000+ новин на день, перевірка затримок.
5. Деплой — публікація в App Store та Google Play, налаштування моніторингу.

Що входить у роботу (deliverables)

• Документація по API сервера.
• Доступи до Firebase, CoinGecko, обраних джерел.
• Вихідний код під NDA.
• Навчання команди замовника роботі з адмінкою.
• Підтримка 2 тижні після запуску.

Орієнтири за термінами

Базовий агрегатор з кількома джерелами та фільтрами — 4–6 тижнів. Повна система з AI-сумаризацією, sentiment, персоналізацією та push-сповіщеннями — 10–16 тижнів. Терміни варіюються залежно від вимог.

Оцінимо ваш проект безкоштовно — зв'яжіться з нами для консультації. Розробка під ключ гарантує прозорість та дотримання термінів. Обговоріть ваш проект з нашим інженером — ми підберемо оптимальне рішення.

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.