МОБИЛЬНОЕ ПРИЛОЖЕНИЕ ДЛЯ ПЛАНИРОВАНИЯ И СОПРОВОЖДЕНИЯ ПОХОДОВ С ПРИМЕНЕНИЕМ ЛОКАЛЬНОЙ LLM

1. Введение

В последние годы внутренний туризм в России демонстрирует устойчивый рост: количество туристических поездок увеличилось с 66,5 млн в 2021 году до 90 млн в 2024 году (среднегодовой рост около 12%). При этом примерно четверть туристов сознательно выбирают отдых в местах без доступа к интернету. Более 95% путешественников берут смартфон с собой на природу, используя его для навигации и безопасности [3].

Технологическая база для интеллектуализации туристических приложений формируется активно: около 35% чипов для смартфонов в 2025 году поддерживают on‑device генеративный ИИ, а рынок on‑device AI оценивается в 26,61 млрд долларов с прогнозом роста до 124 млрд к 2032 году. Однако интеллектуальные функции современных туристических приложений требуют интернет‑соединения и становятся бесполезными вдали от сети [6].

Цель работы — разработка мобильного приложения, генерирующего контекстно‑зависимые рекомендации на основе локальной языковой модели без подключения к интернету.

Задачи:  

-проанализировать существующие приложения и выявить их ограничения;  

-спроектировать гибридную архитектуру «детерминированный ГИС‑анализ + вероятностный LLM‑вывод» [7];  

-разработать метод контекстуализации маршрута (HikeContextBuilder);  

-реализовать Android‑прототип и провести оценку качества работы;  

-выполнить экономическое обоснование проекта.

Научная новизна — в гибридной архитектуре и методе автоматической контекстуализации маршрута для локальных языковых моделей [7].

2. Анализ существующих решений

Для сравнительного анализа выбраны три ключевых приложения: Wikiloc, Komoot и AllTrails.

Wikiloc — одно из старейших приложений для записи и воспроизведения маршрутов. Приложение обладает обширной базой пользовательских маршрутов, позволяет сохранять треки и просматривать профили высот. Однако интеллектуальные функции, такие как персонализированные рекомендации или консультации на естественном языке, практически отсутствуют.

Komoot — современное приложение для планирования маршрутов с учётом типа поверхности, уровня сложности и личных предпочтений. Komoot реализует интеллектуальные функции: генерацию рекомендаций и персонализированные советы. Однако эти функции доступны только при наличии интернет‑соединения. В офлайн‑режиме приложение предоставляет только базовые функции навигации.

AllTrail — популярное приложение с обширной базой маршрутов и фильтрами по сложности. AllTrails реализует некоторые интеллектуальные функции, такие как рекомендации на основе истории активности пользователя, но, как и Komoot, эти функции работают только онлайн.

Ни одно из рассмотренных приложений не удовлетворяет одновременно всем ключевым критериям интеллектуального офлайн‑ассистента: адаптация рекомендаций под пользователя, персонализированные советы на основе контекста маршрута, консультация на естественном языке и полная автономность ИИ‑функций. Wikiloc полностью лишён интеллектуальных функций, Komoot и AllTrails предлагают ИИ‑функции только онлайн. Данный разрыв определяет нишу для разрабатываемого решения.

3. Архитектура приложения3.1. Гибридная архитектура

Центральная идея — разделение детерминированного анализа геоданных и вероятностного вывода языковой модели. LLM получает на вход не «сырые» координаты, а структурированный текстовый контекст, сформированный на основе детерминированной обработки геоданных. Это снижает размер промпта, повышает предсказуемость вывода и уменьшает требования к вычислительным ресурсам [2].

3.2. Слои архитектуры

Архитектура включает три слоя:  

- Презентационный слой (Jetpack Compose): экраны карты, чата с ассистентом и списка сохранённых маршрутов. ViewModel управляет состоянием и связывает UI с доменной логикой.  

- Доменный слой: центральный компонент — HikeContextBuilder, который собирает геоданные (рельеф, водные источники, погоду, параметры пользователя) и формирует структурированный промпт.  

- Слой данных: репозитории (LlmRepository, MapLibreRepository, ElevationRepository, OsmFeatureRepository, WeatherRepository) и внешние SDK (MediaPipe LLM, MapLibre) [8].

3.3. Локальная языковая модель

В качестве локальной LLM используется модель Gemma 3 1B в 4‑битном квантизированном формате, запускаемая через MediaPipe LLM Inference API. Модель загружается один раз при старте (время инициализации 30–60 секунд на устройствах среднего сегмента) и работает полностью автономно [2].

3.4. Компонент HikeContextBuilder

HikeContextBuilder выполняет следующие операции:  

- расчёт расстояний по формуле гаверсинуса [9];  

- определение перепадов высот с использованием локального DEM‑файла SRTM [11];  

- поиск водных объектов путём анализа OSM‑тегов в офлайн‑тайлах MapLibre [10];  

- выявление критических участков (перевалы, крутые подъёмы с уклоном >15%);  

- сбор прогноза погоды из загруженного GRIB‑файла [5].

Все гео‑расчёты детерминированы; LLM получает только итоговый текст.

4. Реализация и технические детали

Прототип реализован на Android с использованием:  

- Jetpack Compose — декларативный UI;  

- MapLibre — офлайн‑карты с тайлами OpenStreetMap [8];  

- MediaPipe LLM Inference API — запуск LLM на устройстве [7];  

- Gemma 3 1B — компактная модель в 4‑битной квантизации [1].

Офлайн‑карты обеспечиваются MapLibre с заранее загруженными тайлами, что гарантирует стабильный рендеринг без задержек. Обработка гео‑данных осуществляется с использованием локальных файлов DEM (SRTM), GRIB (погода) и OSM‑тайлов [11].

5. Экспериментальная оценка5.1. Методология

Оценивались:  

- время генерации ответов (TTFT);  

- качество рекомендаций (экспертная оценка инструкторов);  

- энергопотребление в режиме трекинга с LLM‑ассистентом [4];  

- стабильность работы офлайн‑карт.

Эксперименты проводились на устройствах среднего сегмента

5.2. Результаты

Время генерации. TTFT зависел от длины промпта и сложности запроса, в большинстве случаев находился в приемлемом диапазоне для интерактивного использования. Наблюдалась зависимость от вычислительной мощности устройства.

Качество рекомендаций. Экспертная оценка показала, что подавляющее большинство рекомендаций признаны адекватными и полезными. Небольшая часть — допустима с оговорками, минимальная доля — нерелевантна [4].

Энергопотребление. Расход заряда в режиме трекинга с активным LLM‑ассистентом был несколько выше по сравнению с простым трекингом, но оставался в пределах приемлемых значений для полноценного использования в течение одного дня похода [4].

Стабильность карт. Офлайн‑карты обеспечивали стабильный рендеринг без задержек, проблем с отображением и масштабированием не наблюдалось.

5.3. Обсуждение

Результаты подтверждают работоспособность гибридной архитектуры и эффективность метода контекстуализации маршрута. Работа с локальной LLM накладывает ограничения на производительность и энергопотребление; в дальнейших исследованиях целесообразно рассмотреть оптимизацию модели и адаптацию размера под классы устройств.

6. Экономическое обоснование6.1. Финансовая модель

- Стартовые инвестиции: 1 900 000 ₽ (разработка — 1 350 000 ₽, маркетинг — 300 000 ₽, облачная инфраструктура — 54 000 ₽, прочие расходы — 196 000 ₽).  

- Монетизация: Freemium с подпиской (ARPU ≈ 390 ₽/мес., конверсия ~4%).  

- Ставка дисконтирования: 25% (ключевая ставка ЦБ РФ 21% + премия за риск).

6.2. Показатели

Прогноз за три года:  

- NPV = +11 196 000 ₽;  

- ROI = 954%;  

- IRR ≈ 190%;  

- DPP — менее одного года.

Показатели превышают типовые бенчмарки для венчурных IT‑проектов, что подтверждает инвестиционную привлекательность.

7. Заключение

Разработано мобильное приложение для планирования и сопровождения пеших походов, обеспечивающее персонализированные контекстно‑зависимые рекомендации на основе локальной языковой модели в офлайн‑режиме.

Решены задачи:  

- проведён анализ аналогов и обоснована потребность в офлайн‑интеллектуальном ассистенте;  

- спроектирована гибридная архитектура и разработан метод HikeContextBuilder;  

- реализован Android‑прототип с офлайн‑картами, трекингом и чат‑ассистентом на MediaPipe LLM (Gemma 3 1B) [2];  

- проведена экспериментальная оценка;  

- выполнено экономическое обоснование (NPV +11,2 млн ₽, ROI 954%, IRR ~190%, окупаемость < 1 года).

Научная новизна — в гибридной архитектуре «детерминированный ГИС‑анализ + вероятностный LLM‑вывод» и методе автоматической контекстуализации маршрута [7].

Перспективные направления: голосовое управление, интеграция с фитнес‑трекерами, анализ мультимедийных данных через мультимодальные модели.