Внедрение AI-проверки грамматики и стиля в мобильное приложение

Почему AI-проверка грамматики нужна вашему приложению?

Встроенная проверка орфографии iOS и Android ловит опечатки, но не контекст. «Я пошёл в банку» — орфографически правильно. «Отчёт был мной написан» — стилистически слабо для делового документа. Нативные средства находят до 70% опечаток, но лишь 20% стилистических ошибок. LanguageTool API — свыше 95% точности. Наша команда с 5-летним опытом внедрила AI-проверку в 20+ проектов. Результат: пользователи получают подчёркивание ошибок с объяснением и вариантами исправлений.

Например, в кейсе с юридической компанией время редактирования документов сократилось на 40%, а число стилистических ошибок в финальных версиях уменьшилось на 60%. Экономия на этапе корректуры может достигать 50% бюджета — особенно актуально для B2B-продуктов с большим объёмом текстов. Такая проверка становится не роскошью, а необходимостью для приложений, где качество текста напрямую влияет на репутацию.

Нативные средства как первый слой

Прежде чем подключать LLM, используем возможности платформы. На iOS NLLanguageRecognizer + UITextChecker закрывают базовую орфографию. NLTagger с .lemma и .lexicalClass позволяет строить простые стилистические правила — например, флагить пассивный залог.

func checkPassiveVoice(in text: String) -> [NSRange] {
    let tagger = NLTagger(tagSchemes: [.lexicalClass, .lemma])
    tagger.string = text
    var findings = [NSRange]()

    tagger.enumerateTags(in: text.startIndex..<text.endIndex,
                         unit: .word,
                         scheme: .lexicalClass) { tag, range in
        // Упрощённый паттерн: форма "быть" + причастие
        if tag == .verb {
            let lemma = tagger.tag(at: range.lowerBound, unit: .word, scheme: .lemma).0
            if lemma?.rawValue == "be" {
                findings.append(NSRange(range, in: text))
            }
        }
        return true
    }
    return findings
}

Для кириллицы паттерн сложнее — нужен анализ морфологии. NLTagger с кириллицей работает с iOS 16+, точность достаточная для базовой проверки. Пример обработки русского пассивного залога аналогичен, но с учётом местных морфем.

AI-уровень: LanguageTool API

LanguageTool API покрывает грамматику для 20+ языков, возвращает конкретные правила и предложения по исправлению. Self-hosted версия — для приватных данных. Стоимость API разумна для B2B-продуктов.

// Android - запрос к LanguageTool
data class LTRequest(
    val text: String,
    val language: String,  // "ru-RU", "en-US"
    val enabledOnly: Boolean = false
)

suspend fun checkGrammar(text: String, lang: String): List<GrammarMatch> {
    val response = languageToolApi.check(LTRequest(text, lang))
    return response.matches.map { match ->
        GrammarMatch(
            range = match.offset..(match.offset + match.length),
            message = match.message,
            rule = match.rule.id,
            replacements = match.replacements.take(3).map { it.value }
        )
    }
}

LanguageTool возвращает rule.id — например, MORFOLOGIK_RULE_RU_RU для орфографии или PASSIVE_VOICE для стиля. Это позволяет фильтровать по типу: пользователь может отключить стилистические предупреждения, оставив только грамматику.

Сравнение нативных средств и AI-уровня

LanguageTool в 4 раза точнее нативных средств для стилистических ошибок: 95% против 20%.

Как работает подсветка ошибок?

Найденные ошибки подчёркиваются прямо в поле ввода. На iOS — NSAttributedString с .underlineStyle и .underlineColor. Красный для грамматики, жёлтый для стиля.

func applyUnderlines(_ matches: [GrammarMatch], to textStorage: NSTextStorage) {
    // Сначала снимаем старые подчёркивания
    let fullRange = NSRange(location: 0, length: textStorage.length)
    textStorage.removeAttribute(.underlineStyle, range: fullRange)

    textStorage.beginEditing()
    for match in matches {
        let color: UIColor = match.isGrammar ? .systemRed : .systemOrange
        textStorage.addAttributes([
            .underlineStyle: NSUnderlineStyle.single.rawValue,
            .underlineColor: color
        ], range: match.nsRange)
    }
    textStorage.endEditing()
}

На Android — SpannableStringBuilder с UnderlineSpan или кастомный ForegroundColorSpan. Jetpack Compose требует BasicTextField с кастомным visualTransformation.

Дебаунс и кэширование

Проверка запускается не на каждое нажатие. Оптимальная схема:

• Дебаунс 800–1200 мс после последнего изменения
• Проверяем только изменённый абзац, не весь текст
• Кэшируем результаты по хэшу абзаца

private var checkWorkItem: DispatchWorkItem?
private var paragraphCache = [String: [GrammarMatch]]()

func scheduleCheck(for paragraph: String) {
    checkWorkItem?.cancel()
    let hash = paragraph.hashValue.description

    if let cached = paragraphCache[hash] {
        applyMatches(cached)
        return
    }

    checkWorkItem = DispatchWorkItem { [weak self] in
        Task {
            let matches = try await self?.grammarService.check(paragraph)
            await MainActor.run {
                self?.paragraphCache[hash] = matches ?? []
                self?.applyMatches(matches ?? [])
            }
        }
    }
    DispatchQueue.main.asyncAfter(deadline: .now() + 1.0, execute: checkWorkItem!)
}

Как внедрить AI-проверку: пошаговый план

1. Подключение LanguageTool API (выбор cloud или self-hosted).
2. Настройка клиентского SDK для отправки запросов.
3. Реализация подсветки ошибок с цветовой кодировкой.
4. Внедрение дебаунса и кэширования.
5. Тестирование на реальных устройствах.
6. Развёртывание в App Store и Google Play.

Кейс: текстовый редактор для юридической компании

Мы внедрили LanguageTool с поддержкой русского и английского, настроили фильтры для юридической лексики. Время редактирования документов сократилось на 40%. Пользователи отметили снижение числа стилистических ошибок в финальных версиях на 60%. Проект был выполнен за 2 недели, бюджет остался в рамках плана.

Что входит в реализацию?

• Интеграция LanguageTool API (cloud или self-hosted) с поддержкой русского и английского.
• Реализация подсветки ошибок с цветовой индикацией и подсказками.
• Механизм дебаунса и кэширования.
• Настройки пользователя: уровень проверки, отключение стилистических правил.
• Документация по API и архитектуре.
• Код-ревью и тестирование на реальных устройствах.
• Поддержка после внедрения.

Ориентиры по срокам

Почему стоит доверить эту задачу нам?

Мы — команда с 5+ лет опыта, более 20 успешных проектов, сертифицированные разработчики Apple и Google. Гарантируем соблюдение гайдлайнов App Store и Google Play, включая приватность данных. Оценим ваш проект бесплатно. Свяжитесь с нами для консультации и получите индивидуальное предложение. Закажите внедрение AI-проверки грамматики прямо сейчас — напишите нам на почту или в мессенджеры.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).