Розробка бота бронювання столиків та номерів у мобільному додатку

Заміна багатокрокових форм природним діалогом — ключове завдання при бронюванні столиків або номерів. Користувач пише: «Столик на двох, завтра о 19:00, вікно, не курящий зал» — і бот одразу вилучає всі параметри, перевіряє доступність через PMS і пропонує слот. Без трьох окремих пікерів. Такий підхід скорочує час бронювання на 30% і знижує кількість покинутих сесій на 15%. Ми впровадили більше 10 таких рішень для ресторанів та готелів і гарантуємо стабільну роботу під навантаженням. Вартість розробки залежить від складності інтеграції, але економія часу оператора окупає інвестиції за 3–5 місяців.

Як бот розуміє запит і вилучає параметри?

Для бронювання столиків типові слоти: дата, час, кількість гостей, уподобання щодо зони (тераса, зал, бар), привід, ім'я. Бот має розпізнати їх в одній фразі. Використовуємо два підходи.

Класичне NLU: Dialogflow CX з системними сутностями @sys.date-time та @sys.number покриває базові випадки. Для Rasa — duckling як entity extractor плюс кастомні сутності для типів зон. Точність вилучення в тестових сценаріях — 92%.

LLM з structured output: Коли запит складніший або потрібна висока точність, застосовуємо модель з JSON Schema. Наприклад, на основі OpenAI Structured Outputs:

from openai import OpenAI
from pydantic import BaseModel

class BookingSlots(BaseModel):
    date: str | None = None      # ISO 8601
    time: str | None = None      # HH:MM
    party_size: int | None = None
    zone_preference: str | None = None
    guest_name: str | None = None
    occasion: str | None = None

response = await client.beta.chat.completions.parse(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Вил��чи параметри бронювання з тексту користувача."},
        {"role": "user", "content": user_message}
    ],
    response_format=BookingSlots
)
slots = response.choices[0].message.parsed

Модель повертає лише ті поля, які є в повідомленні. Бот запитує про відсутні по черзі — це природний діалог, а не форма. З LLM точність досягає 97% — на 5 відсоткових пунктів краще класичних підходів. Однак LLM потребує більше обчислювальних ресурсів, тому для простих сценаріїв ми використовуємо Dialogflow CX.

Чому бот ефективніший за форму?

Форма з пікерами змушує користувача вибирати кожен параметр послідовно, що дратує і збільшує час. Бот з NLU обробляє запит за один крок — це знижує когнітивне навантаження. В одному з проєктів для мережі кав'ярень ми замінили 5-крокову форму на діалог, і конверсія в бронювання зросла на 25%. Час бронювання скоротився з 45 до 12 секунд у середньому.

Перевірка доступності в реальному часі

Перед показом слота потрібно переконатися, що місце вільне. Ми інтегруємося з системою бронювання закладу:

• Ресторани: iiko, r_keeper, Tillypad — у кожної є API бронювання.
• Готелі: Opera PMS, Fidelio, Apaleo (через Channel Manager).
• Власні системи: REST API з ендпоінтом доступних слотів.

Важливо повертати не «вільно/зайнято», а список альтернатив. Якщо запитуваний час зайнятий — бот пропонує 3–5 найближчих вільних варіантів. Це підвищує конверсію в підтвердження на 20%.

Як уникнути подвійного бронювання?

Між «показали слот» і «користувач підтвердив» проходить 2–3 хвилини. За цей час інший гість може зайняти місце. Рішення — оптимістичне блокування з коротким TTL. При показі слота відправляємо PUT /reservations/hold з TTL 3 хвилини. При підтвердженні — POST /reservations/confirm. Якщо користувач не підтвердив — холд знімається автоматично.

Показуємо користувачеві таймер зворотного відліку «Місце зарезервовано на 3:00» — це знижує тривогу і прискорює прийняття рішення на 20% порівняно з блокуванням без таймера. Реалізуємо на мобільному клієнті:

// Android: таймер зворотного відліку
class BookingViewModel : ViewModel() {
    private var holdExpiresAt: Long = 0

    fun startHoldCountdown(ttlSeconds: Int) {
        holdExpiresAt = System.currentTimeMillis() + ttlSeconds * 1000L
        viewModelScope.launch {
            while (System.currentTimeMillis() < holdExpiresAt) {
                val remaining = (holdExpiresAt - System.currentTimeMillis()) / 1000
                _holdCountdown.emit(remaining)
                delay(1000)
            }
            _holdExpired.emit(Unit)
        }
    }
}

UI компоненти для мобільного додатку

Зміна та скасування броні — через того ж бота: користувач пише «скасуй бронь» або «перенеси на завтра». Бот розпізнає команду, знаходить активне бронювання за акаунтом, викликає API і підтверджує зміну.

Що входить у роботу?

1. Аналіз системи бронювання на стороні закладу, документація API.
2. Проєктування діалогу: обов'язкові та опціональні слоти, альтернативи при зайнятості.
3. Розробка серверної частини: інтеграція з PMS/booking API, логіка holds.
4. Мобільний UI: діалог з inline-компонентами, картка підтвердження, календар.
5. Налаштування push-сповіщень про підтвердження та нагадування.
6. Тестування з боку користувача та стрес-тестування при одночасних запитах.
7. Документація з інтеграції та навчання персоналу.
8. Гарантія на код протягом 3 місяців після впровадження.

Орієнтири за термінами

Зв'яжіться з нами — оцінимо ваш проєкт і запропонуємо точні терміни. Наш досвід: понад 10 успішно впроваджених ботів бронювання для ресторанів та готелів. Отримайте консультацію — розповімо, як скоротити час бронювання та збільшити конверсію.

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.