Розробка мобільного додатку для онлайн-шахів

Розробка мобільного додатку для онлайн-шахів

Створюєте шаховий додаток і зіткнулися з розсинхроном ходів, суперечками щодо таймера або інтеграцією AI? Ми вирішуємо ці задачі на iOS, Android та Flutter вже багато років. Головна технічна складність — синхронізація стану партії між двома клієнтами в реальному часі з мінімальною затримкою та коректною обробкою таймера. Без продуманої архітектури гравці зіткнуться з розсинхроном, «залипанням» ходів та несправедливим таймінгом. WebSocket — єдиний підхожий протокол для обміну ходами; HTTP polling дає затримки та зайвий трафік. На iOS використовуємо URLSessionWebSocketTask, на Android — OkHttp WebSocket, на Flutter — web_socket_channel. Клієнт надсилає хід у UCI-нотації (e2e4), сервер валідує позицію та розсилає оновлення обом гравцям. Вся перевірка легальності — на сервері.

Як синхронізувати ходи в реальному часі?

WebSocket — єдиний підхожий протокол. HTTP polling дає затримки та зайвий трафік. На iOS використовуємо URLSessionWebSocketTask (нативний), на Android — OkHttp WebSocket, на Flutter — web_socket_channel. Протокол обміну: клієнт надсилає хід у UCI-нотації (e2e4), сервер валідує позицію та розсилає оновлення обом гравцям. Клієнт не довіряє собі в легальності ходу — всю перевірку робить сервер. Інакше модифікований додаток може робити нелегальні ходи.

// Android — надсилання ходу
webSocket.send(Json.encodeToString(MoveMessage(
    gameId = currentGameId,
    move = "e2e4",
    remainingTimeMs = timerViewModel.whiteTimeMs
)))

При розриві з'єднання клієнт переходить на HTTP polling кожні 2 секунди та намагається реконнект з exponential backoff. Партія триває — гравець з поганим з'єднанням не втрачає час автоматично.

Чому таймер має бути на сервері?

Таймер — джерело суперечок в онлайн-шахах. Якщо тримати його лише на клієнті, недобросовісний гравець може сповільнити свій таймер. Правильна схема: сервер зберігає white_remaining_ms та black_remaining_ms, оновлює при кожному ході та надсилає актуальні значення клієнтам. Клієнт відображає таймер (анімація зменшення), але не є джерелом істини. При реконнекті клієнт запитує поточний стан і синхронізує відображення.

Технології рендеру дошки

Для нативних додатків використовуємо Canvas API (Android) або CAShapeLayer + CALayer (iOS). Анімація ходу — переміщення ImageView/UIImageView через ValueAnimator / UIView.animate. У Flutter — кастомний CustomPainter з Canvas.drawImage для фігур. Фігури у форматі SVG конвертуються в растрові зображення під різні роздільності — це дозволяє перефарбовувати їх для різних тем.

Шаховий двигун для гри з AI

Stockfish — стандарт індустрії, відкритий, найсильніший. Компілюється як C++ бібліотека для iOS, через JNI для Android або через пакет stockfish для Flutter. Глибина пошуку керується UCI-командами: setoption name Skill Level value 10 (0–20), go movetime 1000. Аналіз позиції виконується в окремому потоці, щоб не блокувати UI. Налаштування двигуна дозволяють адаптувати складність: на рівні 0 він допускає грубі помилки, на 20 — грає на рівні гросмейстера.

Рейтинг Ело та матчмейкінг

Формула Ело: newRating = oldRating + K * (score - expectedScore). K = 32 для нових гравців, 16 для досвідчених. Матчмейкінг шукає суперника в діапазоні ±100 Ело з таймаутом розширення кожні 10 секунд. Черга зберігається в Redis Sorted Set, score = timestamp постановки. При пошуку обирається найближчий за рейтингом учасник. Алгоритм гарантує, що час очікування рідко перевищує 30 секунд при 500 одночасних гравцях.

Порівняння платформ: продуктивність та затримки

Нативний додаток на Swift/Kotlin дає на 20% менше затримок порівняно з Flutter на пристроях 5-річної давності. Для сучасних флагманів різниця несуттєва. Це підтверджують наші тести на iPhone 8 та Samsung Galaxy S9.

Як масштабувати додаток під тисячі гравців?

Архітектура побудована на мікросервісах: матчмейкінг, синхронізація та рейтинг винесені в окремі сервіси. База даних на PostgreSQL з шардуванням по games.id. Redis використовується для черг та кешу. WebSocket-сервер на Node.js з кластеризацією — для горизонтального масштабування. Це дозволяє витримувати тисячі одночасних партій без втрати продуктивності.

Що входить в роботу

• Архітектурна документація (діаграми потоків, схеми БД).
• Вихідний код з Unit-тестами.
• Інтеграція з App Store Connect / Google Play Console.
• Інструкція по деплою та моніторингу.
• Навчання команди замовника (1–2 дні).
• Технічна підтримка 3 місяці після релізу.

Орієнтовні терміни

Чому варто замовити у нас

Наша команда має понад 8 років досвіду в мобільній розробці та більше 15 реалізованих проєктів у сфері онлайн-ігор. Використовуємо лише перевірені технології: WebSocket, Stockfish, нативні API. Оптимізація витрат — до 30% економії порівняно з розробкою власного двигуна. Ми пропонуємо розробку під ключ: від прототипу до публікації в сторах. App Store Review Guidelines (Section 4.2, 5.1) — наші інженери знають їх напам'ять.

Зв'яжіться з нами, щоб обговорити ваш проєкт. Отримайте консультацію з архітектури та оцінку вартості. Ми гарантуємо прозорість на кожному етапі. Замовте демонстрацію нашого підходу на реальному проєкті.

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.