Реалізація бота техпідтримки для мобільних додатків

Ми реалізуємо ботів техпідтримки для мобільних додатків, які вирішують до 70% звернень без участі оператора. В середньому бот обробляє 80% типових питань за 2 секунди, знижуючи навантаження на першу лінію на 60%. Спираємося на RAG (Retrieval-Augmented Generation) — підхід, описаний на Wikipedia, що поєднує векторну базу знань і LLM. Це дає точні відповіді на основі вашої документації, без галюцинацій. Точність відповідей зростає з 65% до 92% у порівнянні з чистим пошуком. Маємо більше 5 років досвіду в мобільній розробці та запустили 30+ проєктів з AI-підтримкою. Гарантуємо якість і прозорість кожного етапу — від аудиту бази знань до деплою в App Store та Google Play.

RAG кращий за простий пошук за ключовими словами в 3 рази за точністю відповіді. Економія часу операторів — до 40 годин на тиждень на кожні 1000 звернень. Окупність інвестицій — в середньому за 3 місяці. За даними нашого аналізу, RAG знижує вартість одного звернення на $0.50, що при 10 000 звернень на місяць дає економію $5 000. Для великих клієнтів з обсягом 50 000 звернень на місяць економія досягає $25 000 на місяць.

Як працює RAG у боті підтримки?

Класична схема: база знань (статті, документація, вирішені тікети) розбивається на смислові чанки, які індексуються у векторній базі. При новому запиті ми шукаємо топ-5 релевантних фрагментів і передаємо їх LLM як контекст. Модель будує відповідь строго на цих даних.

Стек, перевірений на проєктах з навантаженням до 10 000 запитів на день:

База знань (Confluence, Notion, MDX файли)
    ↓ Chunking + Embedding (text-embedding-3-small / BGE-m3)
Qdrant / pgvector
    ↓ Semantic search (top-5 чанків)
GPT-4o mini / Claude 3.5 Haiku
    ↓ Answer generation with context
Мобільний клієнт

Критично важливо: чанки мають бути смисловими, не механічними по 500 символів. Якщо розрізати статтю посередині абзацу, релевантний контекст загубиться. Використовуємо RecursiveCharacterTextSplitter з роздільниками по заголовках і абзацах.

Що робити, якщо бот не знає відповіді?

Бот не повинен вдавати всезнання. Якщо confidence нижче порогу (наприклад, 0.7) — ескалація до оператора. Перемикання прозоре: користувач бачить повідомлення «Підключаю спеціаліста», історія діалогу передається оператору через вебхук.

Інтеграції для передачі в живий чат: Zendesk Chat API, Intercom, AmoCRM, власна система тікетів. Важливий патерн: бот продовжує працювати у фоні при очікуванні оператора. Якщо черга довга, бот пробує знайти відповідь ще раз, пропонує корисні статті.

Класифікація та пріоритизація тікетів

Якщо бот не вирішив проблему самостійно, він класифікує звернення перед передачею:

CATEGORY_PROMPT = """
Класифікуй звернення користувача за категорією:
- billing (питання оплати, рахунок, повернення)
- technical (помилки, не працює функція)
- account (акаунт, пароль, доступ)
- other

Поверни лише назву категорії, без пояснень.
"""

async def classify_ticket(user_message: str) -> str:
    response = await openai_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": CATEGORY_PROMPT},
            {"role": "user", "content": user_message}
        ],
        temperature=0
    )
    return response.choices[0].message.content.strip()

Категорія визначає чергу та пріоритет тікету. temperature=0 — детермінованість, не творчий підхід.

UI особливості для підтримки

Вкладення. Користувачі завантажують скріншоти та відео. На iOS — PHPickerViewController з обмеженням типів медіа, на Android — ActivityResultContracts.GetContent(). Файли завантажуються на S3/Cloudinary, в повідомлення вставляється прев'ю.

Статус тікету. Якщо тікет створено, користувач бачить його номер і може відстежувати через того ж бота: «Статус мого звернення #12345».

Рейтинг відповіді. Після кожної відповіді бота — thumbs up/down. Дані йдуть в аналітику і допомагають покращувати базу знань. Отримайте консультацію по вашому проєкту, щоб оцінити потенціал автоматизації.

Що входить в роботу

Орієнтири за термінами

Обговоріть ваш проєкт — ми допоможемо обрати оптимальну архітектуру. Зв'яжіться з нами, щоб замовити розробку бота підтримки під ключ з гарантією якості. Ми гарантуємо прозорість на всіх етапах — від першої консультації до релізу в магазинах додатків.

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.