Інтеграція Microsoft Bot Framework у мобільний додаток

Підключення NLP до мобільного чат-бота: практика Microsoft Bot Framework

Припустимо, у вас є мобільний додаток, який має спілкуватися з користувачами природною мовою — розуміти команди, відповідати в різних каналах. Якщо ви вирішите писати NLP з нуля, це займе півроку і бюджет, порівнянний із командою з трьох розробників. Microsoft Bot Framework v4 і Azure Bot Service дають готову інфраструктуру: діалоговий рушій, інтеграцію з десятками каналів (Teams, Telegram, веб) і вбудований NLP-компонент CLU. Однак інтеграція в мобільний додаток вимагає розуміння архітектурних нюансів. Розберемо ключові точки: Direct Line, токени, стан діалогу та відмова від Adaptive Cards. Це економить до 40% бюджету порівняно з кастомною розробкою.

Як безпечно підключити мобільний додаток до Azure Bot Service?

Direct Line — єдиний канал для кастомних мобільних клієнтів (див. Direct Line Protocol). Помилка, яку ми бачили в десятках проєктів: розробники зашивають DirectLineSecret у код додатку. Після реверс-інжинірингу APK або IPA секрет потрапляє у відкритий доступ. Це дозволяє зловмисникам надсилати запити від імені бота. Рішення — токенізація: сервер генерує тимчасовий token через /v3/directline/tokens/generate і передає його клієнту. Токен живе 30 хвилин, його можна оновити через /v3/directline/tokens/refresh. Приклад на Swift:

// iOS: отримання токена з сервера та ініціалізація сесії Direct Line
func startBotSession() async throws -> String {
    let tokenResponse = try await authService.getDirectLineToken()
    UserDefaults.standard.set(tokenResponse.conversationId, forKey: "botConversationId")
    return tokenResponse.token
}

У документації Microsoft підтверджується: The Direct Line token is valid for 30 minutes. You can obtain a new token from the /v3/directline/tokens/refresh endpoint.

LUIS чи CLU: що обрати для нового проєкту?

Bot Framework традиційно використовував LUIS для розпізнавання намірів. Але Microsoft мігрувала на CLU (Conversational Language Understanding) у складі Azure AI Language. CLU працює вдвічі швидше за LUIS, підтримує 50+ мов і краще розпізнає складні діалоги з контекстом. Якщо ви починаєте новий проєкт — обирайте CLU. Для існуючих проєктів на LUIS готуйте міграцію: формати експорту та SDK відрізняються (Azure.AI.Language.Conversations замість Microsoft.Azure.CognitiveServices.Language.LUIS). Ми допомогли клієнтам мігрувати п'ять проєктів за останні роки.

Економія при переході на CLU становить 30–40% вартості транзакцій і 40% часу розробки. Отримайте консультацію нашого інженера, щоб оцінити вигоду для вашого проєкту.

Зберігання стану діалогу в продакшні

За замовчуванням Bot Framework зберігає UserState і ConversationState у пам'яті. Після перезапуску сервера контекст втрачається. Для продакшну використовуємо CosmosDbPartitionedStorage або BlobStorage. Приклад налаштування на C#:

var storage = new CosmosDbPartitionedStorage(new CosmosDbPartitionedStorageOptions {
    CosmosDbEndpoint = configuration["CosmosDb:Endpoint"],
    AuthKey = configuration["CosmosDb:AuthKey"],
    DatabaseId = "BotStorage",
    ContainerId = "DialogState"
});

var userState = new UserState(storage);
var conversationState = new ConversationState(storage);

Це гарантує збереження контексту навіть при масштабуванні до 1000+ одночасних діалогів. Якщо у вас виникли питання щодо налаштування CosmosDB, зв'яжіться з нами — ми допоможемо.

Вибір протоколу: WebSocket чи Polling

Direct Line підтримує два режими отримання повідомлень: long polling (REST) і WebSocket. Порівняємо їх за ключовими метриками.

WebSocket кращий для активного чату. На Android використовуємо OkHttp WebSocket, на iOS — URLSessionWebSocketTask. Важливий нюанс: streamUrl живе близько 60 секунд без активності, після чого з'єднання закривається. Потрібно обробляти onClosed і перепідключатися з оновленим токеном.

Обмеження Adaptive Cards для мобільного UI

Adaptive Cards — це JSON-схема для UI-карток, яку Bot Framework використовує для мультиканального рендерингу. Для iOS і Android є офіційні SDK (AdaptiveCards-iOS, adaptivecards-android), але кастомізація стилів обмежена: не можна перевизначити шрифти, відступи та анімації. У 80% наших проєктів ми відмовляємося від Adaptive Cards на користь кастомних event-активностей, які рендерять UI нативно. Це дає повний контроль над дизайном і поведінкою — наприклад, можна вбудувати інтерактивні форми або графіку.

Що входить у роботу при замовленні інтеграції під ключ

• Архітектурна документація (схема Direct Line, діаграма діалогів)
• Репозиторій з кодом бота та SDK для iOS/Android
• Доступ до Azure ресурсів (Bot Service, CLU, CosmosDB)
• Інструкція з деплою через CI/CD та моніторингу (Application Insights)
• Навчання команди (2 години онлайн з розбором типових помилок)
• Гарантія сумісності з iOS 15+ та Android 12+

Ми працюємо з Bot Framework v4 з його першого релізу. Оцінимо ваш проєкт за 1 день — просто напишіть у чат на сайті.

Процес роботи

1. Аналітика: аудит поточних чат-сценаріїв, збір вимог.
2. Проєктування: вибір стеку (CLU/LUIS), проєктування діалогів, архітектура Direct Line.
3. Розробка: реалізація бота на C# (.NET) або TypeScript, створення мобільного клієнта з підтримкою WebSocket.
4. Тестування: Bot Framework Emulator для юніт-тестів, навантажувальне тестування на 500+ RPS.
5. Деплой: Azure Web App з автоскейлінгом, налаштування моніторингу та алертів.

Орієнтири за термінами

Інтеграція з готовим Azure Bot — 3–5 днів. Розробка з нуля (включаючи CLU-модель, діалогову логіку, Azure-інфраструктуру та мобільний клієнт) — 2–4 тижні.

Замовте консультацію — ми покажемо, як заощадити до 40% бюджету на розробці чат-бота.

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.