Реалізація бота з розпізнаванням зображень у мобільному додатку

Реалізація бота з розпізнаванням зображень у мобільному додатку

Користувач фотографує — бот відповідає. Звучить просто, але між «прикріпити фото» та «отримати корисну відповідь» лежать вибір моделі, управління розміром запиту та обробка випадків, коли зображення не містить того, що очікується. Наш досвід 5+ років та 50+ проєктів показує, що правильний вибір Vision API та оптимізація потоку даних скорочують вартість обробки до 2–3 разів, а при on-device розпізнаванні — до нуля за запит. Ми пропонуємо розробку бота під ключ з урахуванням ваших сценаріїв — від рітейлу до медичних консультацій. Розповімо, які технології використовувати та як уникнути типових помилок.

Перший крок — визначити задачу: вільний опис фото, OCR документів, розпізнавання товарів або модерація контенту. Від цього залежить вибір моделі та архітектура серверної частини. Ми використовуємо GPT-4o Vision, Claude, Google Cloud Vision API та on-device ML Kit — комбінуємо їх для оптимального співвідношення ціни та якості. За 3–5 днів отримуєте працюючий прототип, за 3–6 тижнів — готове рішення з кастомною моделлю та навчанням.

Який Vision API обрати?

Вибір залежить від задачі, бюджету та вимог до затримки. Ми протестували всі основні рішення:

• GPT-4o Vision (OpenAI). Передаєте зображення base64 або URL у запит, отримуєте текстову відповідь. Розуміє складні сцени, документи, рукопис, схеми. Вартість залежить від розміру зображення (tile-based pricing). Для детального аналізу високої роздільної здатності — дорожче.
• Claude 3.5 Sonnet / Haiku. Аналогічна можливість через Anthropic Messages API. Добре працює з документами та таблицями.
• Google Cloud Vision API. Спеціалізовані функції: OCR (TEXT_DETECTION), розпізнавання об'єктів (OBJECT_LOCALIZATION), облич, логотипів, безпека контенту (SAFE_SEARCH_DETECTION). Дешевше LLM для однотипних задач.
• ML Kit (Google) on-device. Повністю на пристрої: розпізнавання тексту, штрих-кодів, облич, об'єктів. Немає затримки мережі та вартості за запит. Точність нижча за хмарні LLM для складних сцен, але для структурованих задач (QR, штрихкод, текст документа) достатньо.
• CoreML + Vision (iOS). MobileNetV3, EfficientNet для класифікації. VNRecognizeTextRequest для OCR, VNDetectBarcodeRequest для QR/штрихкодів.

Apple CoreML Vision documentation рекомендує використовувати on-device моделі для задач, де важлива швидкість та конфіденційність.

Відправка зображення з мобільного додатку

Зображення не відправляються напряму до Vision API з мобільного клієнта — ключ API не можна зберігати в додатку.

Потік даних:

Мобільний клієнт → Resize/Compress → Upload to S3/GCS → URL → Ваш сервер → Vision API

Зображення стискається на пристрої до потрібного розміру перед завантаженням. GPT-4o з detail: "auto" сам визначає потрібне розрізнення, але передавати 12-мегапіксельне фото без стиснення — марнотратно та дорого.

// Android: стиснення зображення перед завантаженням
fun compressForBot(uri: Uri, maxSizePx: Int = 1024): ByteArray {
    val bitmap = MediaStore.Images.Media.getBitmap(contentResolver, uri)
    val scale = maxSizePx.toFloat() / maxOf(bitmap.width, bitmap.height)
    val scaled = if (scale < 1f) {
        Bitmap.createScaledBitmap(
            bitmap,
            (bitmap.width * scale).toInt(),
            (bitmap.height * scale).toInt(),
            true
        )
    } else bitmap
    val output = ByteArrayOutputStream()
    scaled.compress(Bitmap.CompressFormat.JPEG, 85, output)
    return output.toByteArray()
}

Чому важливо стискати зображення перед відправкою?

Без стиснення кожен запит до GPT-4o Vision може коштувати в 3–5 разів дорожче. Крім того, час завантаження великого файлу збільшується на 2–4 секунди на повільних з'єднаннях. Стиснення до 1024px по більшій стороні з якістю 85% JPEG знижує розмір у 10–20 разів без втрати точності для типових сценаріїв.

Сценарії застосування

• Боти для рітейлу. Користувач фотографує товар — бот знаходить його в каталозі, показує ціну та наявність. Пошук за візуальним embedding (CLIP + Qdrant) точніший, ніж за текстом з OCR.
• Медичні боти. Фото симптому, рецепту, результату аналізу — бот роз'яснює (не ставить діагноз). Системний промпт повинен явно обмежувати область відповідей та включати disclaimer.
• Боти для документів. Фото накладної, рахунку, паспорта — вилучення структурованих даних. GPT-4o Vision + structured output через JSON Schema дає високу точність на типових документах.
• Боти для інспекцій. Будівельник фотографує дефект — бот класифікує тип дефекту та створює задачу в системі управління.

Як обробляти погані фото?

Обов'язкові кейси для тестування:

• Розмите зображення
• Погане освітлення
• Фото не по темі (користувач відправив котика замість чека)
• Зображення з забороненим контентом

Для останнього — модерація перед відправкою в основну модель. OpenAI Moderation API або Google Safe Search як перший фільтр.

Процес роботи

1. Аналіз сценаріїв — визначення задач розпізнавання, вибір Vision API, оцінка бюджету.
2. Серверна архітектура — проектування та розробка backend для завантаження зображень, інтеграція API.
3. Мобільна розробка — реалізація модуля камери/галереї, стиснення, відправка.
4. UI/UX — інтерфейс чату з попереднім переглядом, індикацією завантаження.
5. Тестування — перевірка на реальних даних, поганих фото, граничних випадках.
6. Документація та навчання — інструкції з розгортання, підтримка команди.

Що входить в роботу

Орієнтири за термінами

Бот з базовим Vision API (Google Vision або GPT-4o) — 3–5 днів. З кастомною моделлю класифікації, on-device inference та складними сценаріями — 3–6 тижнів. Економія на API-запитах при on-device може досягати 40%.

Зв'яжіться з нами для оцінки вашого проєкту. Наш досвід — 5+ років розробки мобільних додатків, 50+ проєктів з Vision API. Ми гарантуємо підтримку та оновлення рішення. Вартість базового проєкту — від $1 500, комплексне рішення з кастомною моделлю — від $8 000. Економія при on-device інференсі — до 40% на API-запитах.

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.