Fine-Tuning LLM для мобільних додатків під ключ

Fine-Tuning LLM для мобільних додатків під ключ

Ми — команда мобільних розробників з 5-річним досвідом, яка виконала більше 50 проектів з донавчання LLM для iOS та Android. Стикалися з ситуаціями, коли базова модель галюцинує в 30% відповідей або ламає формат JSON. Наш досвід показує: fine-tuning знижує галюцинації в 3–5 разів і підвищує точність на 40–60% порівняно з базовою моделлю. Середня вартість проекту з fine-tuning — $3 000–$7 000, включаючи підготовку датасету, навчання та інтеграцію. Працюємо як з OpenAI Fine-Tuning API, так і з open-source моделями Llama 3, Mistral та Gemma 2.

Коли промпт-інжиніринг не справляється?

Три сценарії, після яких fine-tuning стає виправданим:

Форматний детермінізм. Модель має повертати строго структурований JSON з кастомними полями, специфічними для вашого домену. Навіть з few-shot прикладами в промпті базова модель періодично ламає схему або додає сторонні поля. Після fine-tuning на 5 000–10 000 прикладів помилки формату зникають практично повністю.

Доменна термінологія. Медичний додаток з термінами МКХ-10, юридичний асистент з номерами статей, fintech з внутрішніми кодами продуктів — базова модель плутається або інтерпретує абревіатури в загальному значенні. Fine-tuning на корпусі з ваших документів вирішує це.

Стиль і тональність. Бренд-голос — реальна бізнес-потреба. Якщо ваш асистент має відповідати в стилі конкретного персонажа або з певним ступенем формальності, це дешевше зашити у ваги, ніж тягнути в кожен запит через системний промпт.

Як підготувати датасет для fine-tuning?

80% успіху fine-tuning визначає якість навчальних даних. Як зазначається в офіційній документації OpenAI, мінімальний обсяг для відчутного результату — 50–100 прикладів, реалістичний для продакшену — 500–2 000 пар. Форматування для OpenAI Fine-Tuning API (gpt-4o-mini):

{"messages": [
  {"role": "system", "content": "Ти асистент медичного додатку. Відповідай на питання по симптомах коротко і безпечно."},
  {"role": "user", "content": "Що таке ЧСС у спокої 45 уд/хв?"},
  {"role": "assistant", "content": "Брадикардія. У тренованих спортсменів — норма. При супутніх симптомах (запаморочення, непритомність) — привід звернутися до кардіолога."}
]}

При автоматичній генерації датасету через GPT-4 обов'язкова ручна валідація: автоматично створені приклади відтворюють помилки базової моделі. Для open-source моделей датасет готується у форматі Alpaca або ShareGPT і передається в Hugging Face datasets.

Вибір підходу: OpenAI vs open-source

Для навчання open-source моделей використовуємо LoRA або QLoRA, що дозволяє знизити витрати на GPU та прискорити ітерації. Для більшості мобільних продуктів OpenAI Fine-Tuning — найшвидший шлях до результату. Якщо дані не можуть покидати контур (медицина, фінанси) — open-source з деплоєм на власному сервері або локальним запуском через CoreML / llama.cpp.

Як інтегрувати донавчену модель у мобільний додаток?

Після навчання модель отримує ID. У коді мобільного додатку єдина зміна — підставити цей ID замість базового:

let request = ChatCompletionRequest(
    model: "ft:gpt-4o-mini-2024-07-18:my-org:medical-assistant:abc123",
    messages: conversationHistory,
    maxTokens: 256,
    temperature: 0.3
)

data class ChatRequest(
    val model: String = "ft:gpt-4o-mini-2024-07-18:my-org:medical-assistant:abc123",
    val messages: List<Message>,
    val max_tokens: Int = 256,
    val temperature: Double = 0.3
)

На рівні API жодної різниці — та ж REST-точка, той же формат відповіді.

Оцінка якості та ітеративне покращення

Fine-tuning — не разова операція. Стандартний цикл:

1. Baseline-замір на тестовій вибірці (15–20% датасету, відкладені до навчання)
2. Навчання → запуск A/B-тесту в додатку на 10% трафіку
3. Збір фідбеку користувачів (лайки/дизлайки, виправлення відповідей)
4. Доповнення датасету проблемними прикладами
5. Повторне навчання

OpenAI Dashboard показує training loss та validation loss по епохах. Перенавчання видно по розходженню кривих — validation loss зростає, training падає. У цьому випадку знижують кількість епох або збільшують датасет.

Орієнтовні терміни та ресурси

Повний цикл від аудиту до продакшену — 3–8 тижнів. За наявності готових розмічених даних — від 1 тижня.

Що входить в роботу

• Аудит поточних промптів та виявлення вузьких місць
• Збір та розмітка датасету (500–2000 прикладів)
• Навчання моделі з моніторингом метрик
• Інтеграція донавченої моделі в мобільний додаток
• A/B-тестування та доповнення датасету
• Документація та навчання команди
• Підтримка протягом 1 місяця
• Гарантія якості: ми надаємо підтримку протягом місяця після впровадження та усуваємо всі виявлені проблеми.

Отримайте консультацію та розрахунок термінів для вашого проекту. Зв'яжіться з нами — обговоримо деталі та підберемо оптимальний підхід.

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.