Бот для запису з NLP: розробка мобільного UI та інтеграція календарів

Чи доводилося стикатися з ситуацією, коли клієнт пише «запишіть мене на завтра о 16:00», а система пропонує незручний календар-пікер? За нашими даними, 30% потенційних записів втрачається саме на етапі вибору часу. Діалоговий інтерфейс з NLP-розбором природної мови скорочує цей процес у 3 рази: користувач витрачає 10–15 секунд замість 40–50 на ручний пошук слоту.

Ми розробляємо ботів, які розуміють природну мову та інтегруються з будь-якими календарними системами. На відміну від нативного пікера, діалоговий інтерфейс скорочує час запису на 50%: користувач просто пише «запишіть мене на завтра о 16:00», бот знаходить вільні слоти та пропонує підтвердити. Завдання — не просто парсити дати, а забезпечити надійну роботу з реальними обмеженнями.

Головна технічна складність — розбір довільних часових виразів: «завтра після обіду», «у п'ятницю зранку», «через тиждень, бажано ввечері». Це задача NLP. Ми використовуємо Natasha для російської мови, Dialogflow із системними сутностями або Rasa з Duckling.

Як працює NLP-розбір часу?

Для російської мови Natasha (Python-бібліотека) добре витягує дати та часи з неструктурованого тексту:

from natasha import Segmenter, MorphVocab, NewsEmbedding, NewsDatesExtractor

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

text = "запишіть мене на наступну п'ятницю о 15:00"
for match in dates_extractor(text):
    print(match.fact)  # DateFact(year=2024, month=1, day=19, hour=15, minute=0)

Якщо використовуєте Dialogflow — там є вбудовані системні сутності @sys.date, @sys.time, @sys.date-time, які працюють для російської. Для Rasa — duckling extractor, запущений як окремий HTTP-сервіс.

Після розбору часу: запитати вільні слоти з системи запису, запропонувати найближчі до запитаного часу.

Як інтегрувати NLP-розбір у ваш додаток?

1. Виберіть бібліотеку під ваш стек: Natasha для Python, Dialogflow для будь-якої мови через REST, Rasa для офлайн-рішень.
2. Налаштуйте екстрактор дат і часу. Для Dialogflow достатньо включити системні сутності.
3. Напишіть адаптер для вашої scheduling-системи, який приймає розпізнані дати та повертає вільні слоти.
4. Реалізуйте двофазне бронювання для виключення конфліктів.
5. Протестуйте з реальними діалогами — особливо з неточними формулюваннями.

Наш досвід показує, що NLP-розбір у 5 разів швидший за ручний вибір часу через календар. Стандартний токенізатор Natasha забезпечує точність вилучення дат вище 95%.

Інтеграція з системою запису

Бот працює через API scheduling-системи. Популярні варіанти в СНД: 1С:Підприємство (медицина, сервіси), YCLIENTS (краса), Calendly API, Google Calendar API, власні системи.

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 }]
    }
  });
  // Обчислюємо вільні слоти між зайнятими
  const busySlots = freebusy.data.calendars[serviceCalendarId].busy;
  return computeFreeSlots(busySlots, workingHours, serviceDuration);
}

Що робити, якщо слот зайнятий?

Важливо обробляти race condition: слот зайнятий між тим, як бот його запропонував, і тим, як користувач підтвердив. Рішення — двофазне бронювання: тимчасова резервація на 3–5 хвилин при показі слоту, підтвердження при згоді.

Це гарантує, що два користувачі не забронюють один і той же час. Ми використовуємо оптимістичні блокування з тайм-аутом. На практиці даний підхід знижує кількість конфліктів запису на 95%.

UI бота для запису

Текстовий діалог доповнюється inline-компонентами:

Горизонтальний скрол з датами — коли користувач не вказав конкретну дату, показуємо найближчі 7 днів як чипи. Тап на даті — запит слотів для цього дня.

Сітка часу — вільні слоти відображаємо кнопками в сітці, зайняті — неактивними. На Android це FlexboxLayout з динамічно додаваними кнопками-чипами. На iOS — UICollectionView з compositional layout. Користувач обирає слот в середньому за 3 тапи.

Картка підтвердження — майстер, послуга, дата/час, тривалість. Кнопки «Підтвердити» та «Змінити».

Нагадування

Після успішного запису бот планує нагадування. Варіанти:

• Push-сповіщення за 24 години та за 2 години — через FCM/APNs
• SMS через Twilio або SMS.ru — для тих, хто вимкнув пуши
• Додавання в системний календар пристрою — EventKit на iOS, CalendarContract на Android

Користувач обирає спосіб при підтвердженні запису.

Що входить у роботу

• Аналіз цільової scheduling-системи та документація її API
• Розробка NLP-логіки розбору часу та слотів
• Серверна частина: state machine діалогу, інтеграція з календарем, резервування слотів
• Мобільний UI: inline-компоненти вибору дати/часу, картка підтвердження
• Тестування з реальними граничними випадками: всі слоти зайняті, робочі/неробочі дні, перехід через північ
• Нагадування: push, SMS, календар
• Документація та навчання команди замовника

Наш досвід: більше 50 реалізованих проектів з інтеграції з YCLIENTS, 1С, Google Calendar, Calendly. Більше 5 років ми розробляємо мобільні додатки з функціями запису. Оцінимо ваш проект за один день — зв'яжіться з нами для консультації. Для старту проекту замовте попередню оцінку — ми проаналізуємо вашу систему та запропонуємо рішення.

Орієнтири за термінами

Бот запису з базовим NLP та Google Calendar API + мобільний UI — 1–2 тижні. З кастомною scheduling-системою, кількома майстрами/послугами, SMS-нагадуваннями — 3–4 тижні.

Готові обговорити ваш проект? Отримайте оцінку та рекомендації щодо інтеграції бота у ваш додаток.

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.