Завантаження та індексація документів для RAG у мобільних додатках

Додаток вилітає при завантаженні PDF 50+ МБ — типова скарга на етапі QA. У 90% випадків пряме завантаження в пам'ять призводить до OutOfMemoryError на Android і низької продуктивності на iOS. Ми вирішили це потоковою передачею даних та асинхронним pipeline. Користувач прикріплює PDF із Files.app або галереї, натискає «Завантажити» — і через кілька секунд отримує можливість ставити запитання за документом. За цими секундами криється складний pipeline: завантаження файлу на сервер, парсинг, розбиття на чанки, генерація ембеддингів і запис у векторну БД. Кожен етап — потенційне джерело проблем: витік пам'яті на мобільному, обрив з'єднання, невірний чанкінг, втрата даних. Ми реалізували такий pipeline під ключ для 5 проєктів, включно з додатками з мільйонними базами документів. Наш досвід показує, що без правильної архітектури пайплайн може зруйнуватися під навантаженням. У цій статті детально розбираємо технічні рішення кожного етапу — від вибору API для завантаження до обробки помилок на сервері.

Як реалізувати завантаження файлів на мобільному пристрої?

Android: вибір правильного API

Для Android 13+ використовуємо ActivityResultContracts.GetContent() з MIME-типом application/pdf або */*. Отримуємо Uri типу content://. Щоб прочитати дані без OutOfMemoryError для великих файлів, не завантажуємо все в ByteArray — передаємо InputStream напряму через кастомний RequestBody в OkHttp. Приклад:

val uri: Uri = // з ActivityResult
val requestBody = object : RequestBody() {
    override fun contentType() = "application/octet-stream".toMediaType()
    override fun contentLength() = -1 // unknown
    override fun writeTo(sink: BufferedSink) {
        contentResolver.openInputStream(uri)?.use { input ->
            sink.writeAll(input.source())
        }
    }
}

Для файлів понад 50 МБ — чанковане завантаження через MultipartBody з викликом writeTo по частинах. Це дозволяє уникнути перевантаження оперативної пам'яті та підвищити стабільність додатка.

iOS: UIDocumentPicker і потокове завантаження

На iOS використовуємо UIDocumentPickerViewController з UTType.pdf тощо. Отримуємо URL типу file://. Читання через Data(contentsOf:) для файлів >20 МБ небезпечне — краще використовувати URLSession.uploadTask(with:fromFile:), який читає файл напряму з файлової системи, не завантажуючи в пам'ять.

let request = URLRequest(url: uploadEndpoint)
let (_, response) = try await URLSession.shared.upload(for: request, fromFile: fileURL)

Детальніше про URLSession – стандартна документація Apple (Apple URLSession documentation).

Прогрес завантаження

Прогрес-бар обов'язковий: на Android — через CountingOutputStream в OkHttp, на iOS — через URLSession у властивості uploadProgress. Користувач повинен бачити, скільки залишилося. Без прогресу великі файли створюють враження «зависання». Типовий час завантаження 20-30 МБ файлу — близько 5 секунд на хорошому з'єднанні.

Серверний pipeline: від файлу до векторів

Процес включає наступні кроки: 1) завантаження файлу, 2) вилучення тексту, 3) розбиття на чанки, 4) генерація ембеддингів, 5) завантаження у векторну БД. Після завантаження файлу на сервер запускаємо асинхронний pipeline через Celery (або аналогічну чергу). Клієнту одразу повертаємо {"job_id": "abc", "status": "processing"}, а статус відстежується через polling або WebSocket.

@celery.task
def process_document(file_path: str, user_id: str, content_type: str):
    text = extract_text(file_path, content_type)
    chunks = split_into_chunks(text, chunk_size=500, overlap=50)
    embeddings = create_embeddings_batch(chunks)
    upsert_to_vector_store(chunks, embeddings, user_id)
    update_document_status(file_path, "completed")

Парсинг документів — таблиця:

PyMuPDF — наш вибір для PDF: коректно обробляє кирилицю, зберігає інформацію про шрифти (корисно для визначення заголовків). Джерело: PyMuPDF. Детальніше — PyMuPDF.

Які чанки вибирати: фіксований розмір vs семантичний?

Фіксований чанкінг швидший і передбачуваніший, але може розривати смислові блоки. Семантичний довший, але підвищує якість відповідей RAG на 15–20% за нашими вимірами. Розмір чанка залежить від моделі ембеддингів: для text-embedding-3-small оптимально 512 токенів. Якщо документ містить таблиці або код, збільшуйте перекриття до 100 токенів.

Чому важливий прогрес і статус індексації?

Поки документ обробляється, клієнт повинен бачити актуальний стан. Два підходи:

• Polling — кожні 2–3 секунди запитуємо /api/documents/{job_id}/status. Просто, працює скрізь, але створює зайві запити (до 20-30 за хвилину).
• WebSocket / SSE — клієнт підписується на події для job_id. Бекенд надсилає оновлення: {"step": "chunking", "progress": 0.3} → {"step": "embedding", "progress": 0.7} → {"step": "completed"}. Найкращий UX, але складніше реалізувати при фоновій роботі.

Ми використовуємо SSE як баланс між складністю та досвідом користувача. Після завершення індексації — push-сповіщення через APNs/FCM. Час індексації одного документа скоротили на 40% за рахунок паралельної обробки чанків.

Управління документами користувача

Користувач може видаляти документи. При видаленні:

1. Видаляємо файл зі сховища.
2. Видаляємо всі чанки з векторної БД (по user_id + document_id).
3. Оновлюємо запис у реляційній БД.

У Pinecone: index.delete(filter={"document_id": "xyz"}, namespace=user_id). У pgvector: DELETE FROM documents WHERE document_id = $1 AND user_id = $2.

Документи зберігаються з метаданими: ім'я, розмір, дата завантаження, кількість чанків, статус. Це дозволяє відновити індексацію при збої.

Що входить у нашу роботу з впровадження RAG-пайплайна

Ми надаємо:

• Проектування архітектури пайплайна під ваші сценарії
• Реалізацію завантаження з прогресом на iOS/Android
• Серверну частину: парсинг, чанкінг, ембеддинги, векторне зберігання
• Інтеграцію з Firebase Cloud Messaging для сповіщень
• Документацію за API та інструкції з деплою
• Навчання команди роботі з системою
• Гарантію стабільності: покриваємо код unit-тестами та проводимо навантажувальне тестування

Наша команда має понад 5 років досвіду в мобільній розробці та успішно впровадила RAG-пайплайни для 5+ проєктів. Отримайте консультацію з архітектури пайплайна.

Терміни та вартість

MVP з підтримкою PDF і TXT, базовим чанкінгом і pgvector — 3–4 тижні. Повний pipeline з OCR, кількома форматами, асинхронною чергою та WebSocket-статусом — 6–8 тижнів. Вартість розраховується індивідуально після аналізу вимог.

Зв'яжіться з нами для оцінки вашого проєкту. Замовте впровадження під ключ.

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.