Створення RAG-системи для AI-бота в мобільному додатку

Впровадження RAG-системи для AI-бота

RAG вирішує конкретну проблему: модель не знає ваш продукт, вашу документацію, ваші внутрішні регламенти. Донавчання дороге і повільно оновлюється. RAG — дешевше, актуальніше, прозоріше. Користувач ставить запитання → система шукає релевантні фрагменти документації → передає їх у контекст моделі → модель відповідає на основі реальних даних. Наш досвід показує, що якісно реалізований RAG підвищує точність відповідей до 95% і знижує навантаження на підтримку на 40–50%.

На відміну від традиційних чат-ботів, RAG-бот використовує живу базу знань: ви додаєте або змінюєте документи — бот одразу відповідає за оновленою інформацією. Це особливо важливо для мобільних додатків із часто змінюваними тарифами, продуктами або умовами. Ми впровадили RAG-системи для 15+ проєктів, включаючи мобільні додатки з чутливими даними. Наша команда має 8+ років досвіду в мобільній розробці (iOS, Android, Flutter) та серверній архітектурі. Гарантуємо прозорість: ви бачите, звідки береться кожна відповідь. Середній час відповіді RAG-бота становить 1–3 секунди, включаючи пошук та генерацію, що відповідає очікуванням користувачів.

Техніка описана в роботі Lewis et al.

Проблеми, які вирішує RAG

Перша і головна — галюцинації моделі. Без контексту LLM може вигадати неіснуючі функції або параметри. RAG фіксує відповіді на вашій документації.

Друга — актуальність даних. Перенавчати модель щоразу при зміні документації дорого і довго. RAG підтягує останню версію з бази знань.

Третя — довіра користувачів. Мобільний чат-бот з RAG показує джерела відповіді — користувач може перевірити інформацію. Це знижує кількість ескалацій.

Компоненти RAG-системи

Chunking: найнедооціненіший етап

Якість RAG визначається якістю чанків. Поганий chunking вбиває точність незалежно від моделі.

Фіксований chunking (по 500 символів) — не робіть так. Розриває речення, втрачає контекст абзаців.

Семантичний chunking — розбивка за смисловими межами (заголовки, абзаци, речення). Для Markdown і HTML працює за замовчуванням. Бібліотека LangChain4j на Java/Kotlin надає RecursiveCharacterTextSplitter з роздільниками ["\n\n", "\n", ". "] — це правильний підхід.

Overlap — перекриття між чанками 10–20%: останні 50–100 токенів попереднього чанка включаються в початок наступного. Це зберігає контекст на межах.

Оптимальний розмір чанка залежить від типу документа: для технічної документації — 300–500 токенів, для юридичних текстів — 500–800 токенів, для FAQ — чанк = одне питання+відповідь.

Яку модель ембеддингів обрати?

Для мобільного додатка з чутливими даними — self-hosted модель. OpenAI Embeddings відправляють документи на сервери OpenAI.

Що краще: hybrid search чи чистий векторний?

Hybrid search — комбінація векторного пошуку та BM25 (keyword search) дає кращі результати, ніж лише векторний. Pgvector + pg_trgm дозволяють робити це в PostgreSQL без окремої інфраструктури.

Реренжування — після vector search беремо топ-20 результатів, проганяємо через cross-encoder модель (cross-encoder/ms-marco-MiniLM-L-6-v2), повертаємо топ-5. Це суттєво покращує релевантність. Cohere Rerank API — якщо не хочете self-hosted модель.

Metadata filtering — якщо у документів є метадані (дата, розділ, мова, тип документа), фільтруйте за ними до векторного пошуку. Шукати за векторами серед 10 тисяч релевантних чанків замість мільйона — швидше і точніше.

Формування промпту з контекстом

System: Ти помічник по продукту компанії. Відповідай ТІЛЬКИ на основі наданого контексту.
Якщо відповіді немає в контексті — скажи про це прямо.

Контекст:
[Чанк 1]: <текст>
[Чанк 2]: <текст>
[Чанк 3]: <текст>

User: Як налаштувати двофакторну аутентифікацію?

Вказувати джерела — хороша практика. На мобільному відображаємо список чанків/документів під відповіддю: користувач може перевірити, звідки інформація. Це знижує hallucination risk і підвищує довіру.

Мобільний UI для RAG-бота

Особливості рендерингу відповіді:

• Стрімінг через SSE — відповідь з'являється поступово
• Джерела під відповіддю (колапс-список)
• Індикатор «шукаю в базі знань» під час Retrieval (100–300 мс)
• Кнопка «Не знайшов відповіді» для ескалації до оператора

На Flutter: flutter_markdown для рендерингу відповіді, кастомний віджет для джерел. На iOS: UILabel з NSAttributedString або UITextView + WKWebView для Markdown. На Android: Markwon — найкращий Markdown-рендерер для RecyclerView.

Склад робіт з впровадження RAG

• Аудит корпусу документів та проектування схеми індексації
• Вибір та розгортання векторної БД (Pgvector, Qdrant, Pinecone — під ваш стек)
• Реалізація ingestion pipeline з семантичним chunking та overlap
• Налаштування hybrid search + reranking для максимальної релевантності
• Інтеграція з LLM (OpenAI, GPT-4, Claude, YandexGPT або self-hosted)
• Мобільний чат-UI з стрімінгом, джерелами та ескалацією
• Документація з експлуатації та навчання команди
• Оцінка якості метриками RAGAS

Замовте аудит вашої бази знань — ми проаналізуємо документи та запропонуємо план впровадження RAG. Зв'яжіться з нами для консультації. Напишіть нам, щоб отримати детальний план.

Терміни та орієнтири

Базовий RAG-бот з простою документацією — від 3 тижнів. Продакшен-система з hybrid search, reranking, мультимовністю та оцінкою якості — до 12 тижнів. Точні терміни залежать від обсягу документів та складності інтеграції.

Типові помилки при впровадженні RAG

• Ігнорування попередньої обробки документів: PDF з картинками, скани, таблиці — вимагають OCR та очищення.
• Відсутність метаданих: без фільтрації за датою або розділом якість пошуку падає.
• Недостатнє тестування: використовуйте метрики RAGAS — точність, релевантність, faithfulness.
• Нехтування безпекою: налаштуйте фільтрацію контексту, щоб модель не видавала чутливі дані.

RAG — це не одна модель, а система з багатьох компонентів. Зверніться до спеціалістів з досвідом: ми допоможемо уникнути типових помилок і впровадити рішення, яке буде працювати надійно.

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.