Векторне сховище AI в мобільному додатку: інтеграція Pinecone

У мобільному додатку зберігається 2 млн векторних ембеддінгів користувацьких документів. pgvector на PostgreSQL видає latency 400 мс на 99-му перцентилі, а мультитенантність вимагає костильних схем. Pinecone — managed векторна БД з автоматичним масштабуванням, P99 <50 мс та вбудованими namespace-ами. Ми підключаємо Pinecone до вашого бекенду та мобільного клієнта, налаштовуємо індексацію, пошук та ізоляцію даних. Досвід — понад 5 успішних інтеграцій, гарантуємо latency пошуку <50 мс на 99-му перцентилі. Ви позбавляєтеся ручного масштабування та налаштування HNSW-індексів.

Проблема: pgvector при корпусі >1 млн дає latency 200–500 мс і вимагає тюнінгу. Pinecone Serverless масштабується автоматично. Але інтеграція потребує правильної архітектури: namespace-и для ізоляції, metadata filtering, батчинг upsert. Ми це реалізуємо. Розберемо ключові технічні рішення, без яких інтеграція Pinecone перетвориться на джерело багів. Зв'яжіться з нами для попередньої оцінки — ми підготуємо архітектуру за один день.

Коли Pinecone замість pgvector?

Pgvector — правильний вибір для старту. Але Pinecone потрібен коли:

• Корпус > 1 млн векторів і latency критична (< 50 мс на 99-му перцентилі)
• Потрібні namespace-и для ізоляції даних різних користувачів
• Вимагається metadata filtering з високою кардинальністю (тисячі унікальних значень)
• Команда не хоче займатися tuning pgvector HNSW-індексів

Для більшості B2C мобільних продуктів pgvector достатній. Pinecone — вибір при серйозному навантаженні або мультитенантності.

Архітектура: чому Pinecone не викликається з мобільного напряму?

API-ключ Pinecone не можна зберігати в мобільному додатку — це загроза безпеці. Правильна схема:

Мобільний клієнт ↓ REST API (з JWT-аутентифікацією) Ваш бекенд ↓ Pinecone SDK (Node.js / Python / Java) Pinecone Index 

Мобільний клієнт надсилає текстовий запит. Бекенд створює ембеддінг, виконує пошук у Pinecone, повертає відформатований результат. Ми реалізуємо цей шар з нуля або інтегруємо в існуючий бекенд. Згідно з документацією Pinecone, API-ключ повинен бути захищений на серверній стороні.

Namespaces для мобільних додатків

Namespace — логічна ізоляція даних всередині одного індексу. Для мобільного додатку з користувацькими даними:

# Upsert даних користувача в його namespace index.upsert( vectors=[ { "id": f"doc_{doc_id}", "values": embedding, "metadata": { "content": chunk_text, "source": filename, "created_at": timestamp } } ], namespace=f"user_{user_id}" # ізоляція даних користувача ) # Пошук лише за даними конкретного користувача results = index.query( vector=query_embedding, top_k=5, namespace=f"user_{user_id}", include_metadata=True ) 

Це критично важливо для додатків з особистими документами — без namespace-ів дані всіх користувачів перемішаються в одному індексі.

Metadata filtering

Pinecone підтримує фільтрацію за метаданими. Синтаксис схожий на MongoDB:

results = index.query( vector=query_embedding, top_k=10, filter={ "language": {"$eq": "uk"}, "category": {"$in": ["support", "faq"]}, "created_at": {"$gte": 1700000000} } ) 

Важливе обмеження: на pod-based індексах фільтр застосовується після ANN-пошуку (post-filter). На Serverless — до (pre-filter). Якщо плануєте високоселективні фільтри, використовуйте Serverless.

Upsert з мобільного: завантаження документів користувача

Коли користувач завантажує документ через мобільний додаток:

1. Клієнт надсилає файл на бекенд
2. Бекенд розбиває на чанки, створює ембеддінги батчем
3. Upsert в Pinecone (батч до 100 векторів за раз)
4. Бекенд повідомляє клієнта про успіх

Batching важливий: 1000 векторів одним upsert займає той самий час, що й 10 батчів по 100, але один великий запит нестабільніший при мережевих помилках.

// Node.js бекенд — батч upsert const BATCH_SIZE = 100; for (let i = 0; i < vectors.length; i += BATCH_SIZE) { const batch = vectors.slice(i, i + BATCH_SIZE); await index.upsert({ vectors: batch, namespace: userId }); } 

Порівняння Pod-based і Serverless

Як оптимізувати вартість Pinecone Serverless?

Pinecone Serverless тарифікується за операціями читання/запису. Для мобільного додатку основні витрати — запити пошуку. Оптимізація:

• Кешуйте результати для повторюваних запитів (Redis з TTL 5–15 хвилин)
• Зменшуйте розмірність ембеддінгів якщо якість дозволяє (text-embedding-3-small з dimensions: 512 — вдвічі дешевше зберігання)
• Використовуйте top_k = 5–10, не 50+

Такі заходи дають економію до 40% на зберіганні. Загалом типовий проєкт з Pinecone Serverless обходиться дешевше, ніж власний кластер.

Що входить в роботу?

• Проектування архітектури (namespace-стратегія, фільтрація, кешування)
• Реалізація бекенд-сервісу на Node.js або Python з Pinecone SDK
• Інтеграція з мобільним клієнтом (REST API, JWT-аутентифікація)
• Налаштування моніторингу (Pinecone Console, алерти)
• Документація API та схеми даних
• Навчання команди (1–2 години)
• Підтримка 2 тижні після деплою