Бот для записи с NLP: разработка мобильного UI и интеграция календарей

Приходилось сталкиваться с ситуацией, когда клиент пишет «запишите меня на завтра в 16:00», а система предлагает неудобный календарь-пикер? По нашим данным, 30% потенциальных записей теряется именно на этапе выбора времени. Диалоговый интерфейс с NLP-разбором естественного языка сокращает этот процесс в 3 раза: пользователь тратит 10–15 секунд вместо 40–50 на ручной поиск слота.

Мы разрабатываем ботов, которые понимают естественный язык и интегрируются с любыми календарными системами. В отличие от нативного пикера, диалоговый интерфейс сокращает время записи на 50%: пользователь просто пишет «запишите меня на завтра в 16:00», бот находит свободные слоты и предлагает подтвердить. Задача — не просто парсить даты, а обеспечить надёжную работу с реальными ограничениями.

Главная техническая сложность — разбор произвольных временных выражений: «завтра после обеда», «в пятницу с утра», «через неделю, желательно вечером». Это задача NLP. Мы используем Natasha для русского языка, Dialogflow с системными сущностями или Rasa с Duckling.

Как работает NLP-разбор времени?

Для русского языка Natasha (Python-библиотека) хорошо извлекает даты и времена из неструктурированного текста:

from natasha import Segmenter, MorphVocab, NewsEmbedding, NewsDatesExtractor

segmenter = Segmenter()
morph_vocab = MorphVocab()
emb = NewsEmbedding()
dates_extractor = NewsDatesExtractor(morph_vocab)

text = "запишите меня на следующую пятницу в 15:00"
for match in dates_extractor(text):
    print(match.fact)  # DateFact(year=2024, month=1, day=19, hour=15, minute=0)

Если используете Dialogflow — там есть встроенные системные сущности @sys.date, @sys.time, @sys.date-time, которые работают для русского. Для Rasa — duckling extractor, запущенный как отдельный HTTP-сервис.

После разбора времени: запросить свободные слоты из системы записи, предложить ближайшие к запрошенному времени.

Как интегрировать NLP-разбор в ваше приложение?

1. Выберите библиотеку под ваш стек: Natasha для Python, Dialogflow для любого языка через REST, Rasa для офлайн-решений.
2. Настройте экстрактор дат и времени. Для Dialogflow достаточно включить системные сущности.
3. Напишите адаптер для вашей scheduling-системы, который принимает распознанные даты и возвращает свободные слоты.
4. Реализуйте двухфазное бронирование для исключения конфликтов.
5. Протестируйте с реальными диалогами — особенно с неточными формулировками.

Наш опыт показывает, что NLP-разбор в 5 раз быстрее ручного выбора времени через календарь. Стандартный токенизатор Natasha обеспечивает точность извлечения дат выше 95%.

Интеграция с системой записи

Бот работает через API scheduling-системы. Популярные варианты в СНГ: 1С:Предприятие (медицина, сервисы), YCLIENTS (красота), Calendly API, Google Calendar API, собственные системы.

Для Google Calendar:

const { google } = require('googleapis');
const calendar = google.calendar({ version: 'v3', auth });

async function getAvailableSlots(serviceId, date) {
  const freebusy = await calendar.freebusy.query({
    requestBody: {
      timeMin: dayjs(date).startOf('day').toISOString(),
      timeMax: dayjs(date).endOf('day').toISOString(),
      items: [{ id: serviceCalendarId }]
    }
  });
  // Вычисляем свободные слоты между занятыми
  const busySlots = freebusy.data.calendars[serviceCalendarId].busy;
  return computeFreeSlots(busySlots, workingHours, serviceDuration);
}

Что делать, если слот занят?

Важно обрабатывать race condition: слот занят между тем, как бот его предложил, и тем, как пользователь подтвердил. Решение — двухфазное бронирование: временная резервация на 3–5 минут при показе слота, подтверждение при согласии.

Это гарантирует, что два пользователя не забронируют одно и то же время. Мы используем оптимистичные блокировки с тайм-аутом. На практике данный подход снижает число конфликтов записи на 95%.

UI бота для записи

Текстовый диалог дополняется inline-компонентами:

Горизонтальный скролл с датами — когда пользователь не указал конкретную дату, показываем ближайшие 7 дней как чипы. Тап на дате — запрос слотов для этого дня.

Сетка времени — свободные слоты отображаем кнопками в сетке, занятые — неактивными. На Android это FlexboxLayout с динамически добавляемыми кнопками-чипами. На iOS — UICollectionView с compositional layout. Пользователь выбирает слот в среднем за 3 тапа.

Карточка подтверждения — мастер, услуга, дата/время, длительность. Кнопки «Подтвердить» и «Изменить».

Напоминания

После успешной записи бот планирует напоминание. Варианты:

• Push-уведомление за 24 часа и за 2 часа — через FCM/APNs
• SMS через Twilio или SMS.ru — для тех, кто отключил пуши
• Добавление в системный календарь устройства — EventKit на iOS, CalendarContract на Android

Пользователь выбирает способ при подтверждении записи.

Что входит в работу

• Анализ целевой scheduling-системы и документация её API
• Разработка NLP-логики разбора времени и слотов
• Серверная часть: state machine диалога, интеграция с календарём, резервирование слотов
• Мобильный UI: inline-компоненты выбора даты/времени, карточка подтверждения
• Тестирование с реальными граничными случаями: все слоты заняты, рабочие/нерабочие дни, переход через полночь
• Напоминания: push, SMS, календарь
• Документация и обучение команды заказчика

Наш опыт: более 50 реализованных проектов по интеграции с YCLIENTS, 1С, Google Calendar, Calendly. Более 5 лет мы разрабатываем мобильные приложения с функциями записи. Оценим ваш проект за один день — свяжитесь с нами для консультации. Для старта проекта закажите предварительную оценку — мы проанализируем вашу систему и предложим решение.

Ориентиры по срокам

Бот записи с базовым NLP и Google Calendar API + мобильный UI — 1–2 недели. С кастомной scheduling-системой, несколькими мастерами/услугами, SMS-напоминаниями — 3–4 недели.

Готовы обсудить ваш проект? Получите оценку и рекомендации по интеграции бота в ваше приложение.

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).