Інтеграція ML Kit у мобільний застосунок: практичний досвід

Інтеграція ML Kit у мобільний застосунок: практичний досвід

Ми інтегруємо ML Kit Google у мобільні застосунки для машинного навчання: розпізнавання тексту, облич, об'єктів та інших AI-функцій. На практиці клієнти часто приходять із задачею: «Потрібен сканер чеків, який працює на Android та iOS з точністю >95%». За уявною простотою ML Kit ховаються нюанси, які з'ясовуються тільки в продакшні — від повороту зображення до різниці в швидкості на бюджетних пристроях. Ми зібрали реальний досвід впровадження, щоб ви не наступали на ті ж граблі.

Часті проблеми при роботі з ML Kit

Готові API (Text Recognition v2, Face Detection, Barcode Scanning) працюють коректно, якщо дотримуватися вимог до вхідного зображення. Face Detection з FaceDetectorOptions.PerformanceMode.ACCURATE на Android повертає результати за 80–150 ms на Pixel 6, але на бюджетних пристроях із Snapdragon 680 — вже 400+ ms. Якщо використовувати FAST-режим, точність падає при повороті голови більше 30°.

На iOS MLKitFaceDetection через VisionImage(image:) втрачає орієнтацію зображення, якщо не виставити image.orientation явно з UIImage.imageOrientation. Краш не відбувається — просто обличчя не детектуються, коли телефон повернутий горизонтально.

З кастомними TFLite-моделями через CustomImageLabeler важливо правильно упакувати metadata. Без TFLiteMetadataHelper модель не знає нормалізацію входу — потрібно або додати metadata через flatbuffers, або вказувати нормалізацію вручну через CustomRemoteModel options.

Чому on-device часто вигідніше за cloud?

On-Device працює офлайн, швидше та без витрат на API-виклики. Cloud — точніший для складних випадків (багатомовний OCR, нестандартні шрифти). Як зазначають у документації Google, Cloud API може бути на 10-15% точнішим для складних кейсів, але On-Device швидший у 2-3 рази. Для більшості B2C-застосунків оптимальна гібридна схема: on-device як основний шлях, cloud як fallback при низькій впевненості. Так ми отримали 94% точність на стандартних чеках без доплат за хмарні запити.

Як ми впроваджуємо ML Kit: кейс розпізнавання чеків

Кейс із практики: застосунок для сканування чеків. ML Kit Text Recognition v2 on-device давав 94% точність на стандартних касових чеках, але на термопапері з вицвілим текстом — 67%. Додали preprocessing через CIFilter (підвищення контрасту, бінаризація) перед передачею в VisionImage — точність зросла до 89% без переходу в Cloud API.

Для Android інтеграція йде через BarcodeScanning.getClient() або TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS). Моделі завантажуються автоматично через Play Services при першому запуску — це потрібно враховувати в UX: перший інференс може зайняти кілька секунд, поки модель не завантажена. Використовуємо ModuleInstallClient для явного preload при онбордингу.

Для кастомних моделей — FirebaseModelDownloader з ModelDownloadType.LOCAL_MODEL_UPDATE_IN_BACKGROUND. Модель оновлюється в фоні, застосунок використовує поточну версію до наступного запуску.

Як уникнути типових помилок інтеграції? Покрокова інструкція

1. Перевірте image.orientation на iOS — інакше детекція обличчя зламається при зміні орієнтації телефону.
2. На Android використовуйте ModuleInstallClient для попереднього завантаження моделей, щоб уникнути затримки першого інференсу.
3. Для кастомних TFLite-моделей обов'язково пакуйте metadata через TFLiteMetadataHelper, інакше нормалізація буде невірною.
4. Тестуйте на 5-10 реальних пристроях різних виробників — швидкість інференсу може відрізнятися в 3 рази.
5. Впроваджуйте fallback-логіку: при низькій впевненості on-device відправляйте запит у Cloud API (якщо задача критична).

Підтримувані API ML Kit

Що входить в інтеграцію ML Kit під ключ

Ми передаємо повний пакет результатів:

• Аудит поточної архітектури та вибір оптимального API (готовий vs кастомний)
• Інтеграція SDK ML Kit з налаштуванням передобробки зображень
• Тестування на 10+ пристроях (різні версії ОС, виробники)
• Документація інтеграції та конфігурації
• Навчання команди роботі з моделями
• Гарантія на 6 місяців після здачі

Процес і терміни

Аудит вимог → вибір API (готовий vs кастомний) → інтеграція SDK → налаштування preprocessing → тестування на цільових пристроях → налаштування моніторингу точності в продакшні.

Інтеграція одного готового API під ключ (наприклад, Barcode Scanning або Face Detection) — 2–4 робочих дні, вартість від 350$. Кастомна TFLite-модель з preprocessing та fallback-логікою — 1–2 тижні, вартість від 1200$. Вартість розраховується індивідуально.

Ми реалізували ML Kit у 15+ проєктах, включаючи фінтех та ритейл, і гарантуємо точність не менше 90% на етапі приймання. Зв'яжіться з нами для оцінки вашого проєкту — підберемо оптимальне рішення під ваші задачі.

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.