Інтеграція YandexGPT у мобільний додаток

Інтеграція YandexGPT у мобільний додаток

При спробі безпосередньо використовувати IAM-токен у мобільному додатку користувачі стикаються з помилкою 401 Unauthorized через 12 годин — термін життя токена закінчується. API-ключ же залишається в APK після збірки та витягується зворотною розробкою за кілька хвилин. Рішення — проксі-сервіс на власному бекенді. Розглянемо архітектуру та ключові моменти інтеграції YandexGPT на iOS і Android.

YandexGPT дає перевагу там, де важлива російськомовна семантика: підтримка користувачів, автозаповнення форм, генерація контенту з урахуванням локальної лексики. OpenAI-моделі сильні для англійської мови, але YandexGPT точніше обробляє регіональні запити та специфічні терміни. Завдання інтеграції на перший погляд просте: POST на https://llm.api.cloud.yandex.net/foundationModels/v1/completion, передати IAM-токен і текст. На практиці — ланцюжок нетривіальних рішень, які ми відпрацювали на десятках проєктів.

Як налаштувати IAM-токен для мобільного додатку?

Перша точка відмови — авторизація. IAM-токен живе 12 годин, API-ключ — постійний, але менш безпечний. У мобільному додатку зберігати сервісний ключ напряму не можна: його витягнуть із APK за 10 хвилин через apktool. Правильна схема: мобільний клієнт авторизується у вашому бекенді, бекенд тримає IAM-токен і проксіює запити до Yandex Cloud.

// iOS: запит через власний проксі
struct YGPTRequest: Encodable {
    let prompt: String
    let maxTokens: Int
    let temperature: Double
}

func sendToYandexGPT(prompt: String) async throws -> String {
    let url = URL(string: "https://api.yourapp.com/ai/complete")!
    var request = URLRequest(url: url)
    request.httpMethod = "POST"
    request.setValue("Bearer \(authToken)", forHTTPHeaderField: "Authorization")
    request.httpBody = try JSONEncoder().encode(YGPTRequest(
        prompt: prompt,
        maxTokens: 500,
        temperature: 0.7
    ))
    let (data, _) = try await URLSession.shared.data(for: request)
    return try JSONDecoder().decode(CompletionResponse.self, from: data).text
}

На Android — аналогічно через Retrofit з OkHttp-інтерсептором для підстановки токена.

Чому варто використовувати потокову генерацію?

Режим stream: true в Yandex Foundation Models API повертає відповідь чанками — як у ChatGPT. Для мобільного UX це важливо: користувач бачить текст у міру генерації, не чекає 3–5 секунд. Ми гарантуємо, що потокова передача не збільшує навантаження на пристрій при правильній реалізації.

На iOS обробка Server-Sent Events через URLSessionDataDelegate:

class StreamingDelegate: NSObject, URLSessionDataDelegate {
    var onChunk: (String) -> Void
    var buffer = Data()

    func urlSession(_ session: URLSession,
                    dataTask: URLSessionDataTask,
                    didReceive data: Data) {
        buffer.append(data)
        guard let text = String(data: buffer, encoding: .utf8) else { return }
        let lines = text.components(separatedBy: "\n")
        for line in lines where line.hasPrefix("data: ") {
            let json = String(line.dropFirst(6))
            if let chunk = parseYGPTChunk(json) {
                DispatchQueue.main.async { self.onChunk(chunk) }
            }
        }
    }
}

На Android — OkHttp з EventSource (бібліотека okhttp-sse) або ручний парсинг BufferedReader по рядках.

Моделі та параметри

Yandex надає кілька варіантів: yandexgpt-lite — швидкий і дешевий, yandexgpt — повна версія, yandexgpt-32k — для довгих контекстів. Для більшості мобільних сценаріїв (чат-підказки, автозаповнення) yandexgpt-lite достатній і помітно швидше.

Параметр temperature від 0 до 1: 0.2–0.4 — детерміновані відповіді (FAQ-бот), 0.7–0.9 — творчі тексти. Рекомендуємо системний промпт українською (або російською залежно від аудиторії) — це підвищує релевантність відповідей.

Докладніше про моделі — в документації Yandex Cloud API.

Кеш та обмеження

Yandex Cloud тарифікує по токенам. На мобільному клієнті необхідно кешувати повторювані запити — типовий патерн для FAQ або онбордингу. Простий LRU-кеш на 100 записів у пам'яті скорочує витрати при повторюваних сесіях. Ми використовуємо такий кеш у всіх проєктах — економія до 40% на API-запитах.

Rate limit Yandex Foundation Models — 10 RPS на фолдер за замовчуванням. При піковому навантаженні (багато користувачів одночасно) потрібна черга на бекенді, а не прямі виклики з кожного пристрою. Оцінимо ваш проєкт і допоможемо обрати архітектуру.

Що входить у роботу

• Аудит сценаріїв: профілювання користувацьких запитів, оцінка необхідної глибини контексту.
• Проєктування архітектури: проксі-сервіс, управління IAM-токенами, кешування.
• Інтеграція у мобільний додаток (iOS/Android) з підтримкою потокової генерації.
• Тестування якості відповідей на реальних даних, підбір системного промпту.
• Документація по API та приклади коду.
• Навчання команди замовника роботі з Yandex Cloud.

Процес роботи

1. Аудит сценаріїв: де саме потрібен LLM — підтримка, генерація тексту, класифікація запитів.
2. Вибір моделі та режиму (synchronous / stream).
3. Розробка проксі-сервісу на бекенді з управлінням IAM-токеном.
4. Інтеграція у мобільний додаток з UI для потокової генерації.
5. Тестування якості відповідей на реальних користувацьких запитах, підбір системного промпту.
6. Передача документації та фінальне демо.

// Retrofit інтерфейс
interface YandexGPTProxy {
    @POST("ai/complete")
    suspend fun complete(@Body request: CompletionRequest): CompletionResponse
}

// ViewModel з кешуванням
class ChatViewModel(private val api: YandexGPTProxy) : ViewModel() {
    private val cache = LruCache<String, String>(100)
    
    fun sendPrompt(prompt: String) = viewModelScope.launch {
        cache.get(prompt)?.let { /* use cached */ }
        val result = api.complete(CompletionRequest(prompt))
        cache.put(prompt, result.text)
    }
}

Орієнтири по термінах

Вартість розраховується індивідуально в залежності від складності та обсягу робіт. Отримайте консультацію: ми оцінимо ваш проєкт протягом одного робочого дня. Зв'яжіться з нами для обговорення деталей.

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.