Розробка мобільного застосунку для сканера візиток з OCR

Розробка мобільного застосунку для сканера візиток

Задача виглядає просто: сфотографував візитку — отримав контакт в адресній книзі. На практиці між знімком і правильно заповненим CNContact — ланцюжок, в якому ламається все, що може зламатися: погане освітлення, нестандартні шрифти, двомовні візитки, вертикальна орієнтація тексту на японських картках. Ми розробляємо під ключ сканери візиток, які справляються з цими проблемами та дають точність розпізнавання понад 95%.

Що сканування візиток дає бізнесу?

Сканування візиток вирішує три задачі: миттєве введення контактів без ручного набору, автоматичне збагачення CRM та виключення помилок «людського фактору». В середньому один контакт вводиться за 3 секунди замість 30 — це економить 27 секунд на кожній візитці. Для менеджера, який обробляє 50 візиток на тиждень, вивільняється понад 20 годин на рік, що при середній ставці 500 руб/год дає економію 10 000 руб на місяць.

Проблеми, які ми вирішуємо

1. Якість знімка. Більшість користувачів фотографує візитку «як попало»: під кутом, у русі, при поганому світлі. Наша система автоматично детектує картку через VNDetectRectanglesRequest (iOS) або ObjectDetector (ML Kit), випрямляє перспективу (CIPerspectiveCorrection), підвищує контраст і робить знімок тільки коли картка займає >60% кадру та стабільна 0.5 секунди. Ручний захват ми не використовуємо — він дає на 30% більше браку.

2. Розпізнавання тексту в складних умовах. На iOS використовуємо VNRecognizeTextRequest від Apple (офлайн, 18 мов). На Android — ML Kit Text Recognition v2 (офлайн, латиниця + кирилиця + CJK). Для максимальної точності підключаємо Google Cloud Vision або AWS Textract — вони повертають структурований вивід з bounding box. Порівняння підходів:

Vision швидший і простіший, але на складних шрифтах Cloud API виграє на 2-3%. Вибір залежить від вимог до офлайн-режиму.

3. Парсинг неструктурованого тексту. OCR видає масив рядків, а не поля контакту. Ми використовуємо регулярні вирази для телефонів та email, а для імен та посад — NER (CoreML для iOS, nlp в ML Kit для Android). Двомовні візитки (українська/англійська) обробляємо окремо: визначаємо мову кожного рядка через NLLanguageRecognizer і застосовуємо різні правила парсингу.

Як ми досягаємо точності 95%+?

Точність забезпечується комбінацією етапів:

Для критичних випадків ми рекомендуємо гібридний підхід: on-device для швидкого попереднього перегляду, хмарний для фінальної верифікації. Згідно з документацією Apple Vision, on-device розпізнавання має точність до 98% при хорошому освітленні.

З нашої практики: кейс

Реалізували сканер для торгової компанії з 150+ менеджерами. Стек: iOS — SwiftUI + Vision + CoreData, Android — Jetpack Compose + ML Kit + Room. Окрема складність — інтеграція з AmoCRM через REST API. Після сканування менеджер підтверджує поля в інтерфейсі, дані летять в угоду за 2 секунди. Ручне введення виключено. Підсумок: швидкість обробки однієї візитки — 5 секунд, економія 25 годин на місяць на одного менеджера. Інвестиції в розробку окупилися за 2 місяці.

Процес роботи

1. Аудит: які мови, чи потрібен офлайн, інтеграція з CRM або тільки з контактами пристрою.
2. Проєктування: архітектура модулів (захват → корекція → OCR → парсинг → редагування → експорт).
3. Реалізація: пишемо з урахуванням best practices (коригування перспективи, авто-захват, NER).
4. Тестування: на наборі з 100+ реальних візиток різної якості та форматів.
5. Деплой: публікація в App Store / Google Play, налаштування push-сповіщень (APNs/FCM), deep linking.

Що входить в роботу

• Вихідний код застосунку (iOS/Android/Flutter) з документацією.
• Доступи до репозиторію (Git) та CI/CD (GitHub Actions / GitLab).
• Дві ітерації тестування з нашим набором візиток.
• Навчання команди замовника роботі з адмін-панеллю та експортом.
• Гарантія 3 місяці на баги, пов'язані з розпізнаванням.

Орієнтири за термінами

Сканер з Vision/ML Kit, базовим парсингом та збереженням у контакти — 2–3 тижні. З хмарним OCR, NER, підтримкою кількох мов та інтеграцією з CRM — 5–7 тижнів. Терміни уточнюємо на аудиті — отримайте консультацію безкоштовно.

Типові помилки при самостійній розробці

• Відсутність авто-захвату → користувач робить фото тремтячими руками → розпливчастий знімок.
• Використання лише регулярних виразів для парсингу → пропуск імен у нестандартному форматі.
• Ігнорування корекції перспективи → похилий текст розпізнається гірше на 20%.

Наша реалізація ефективніша, тому що ми комбінуємо on-device та cloud підходи, автоматизуємо якість знімків та використовуємо NER для надійного вилучення полів. Результат: точність 95%+ за будь-яких умов.

Зв'яжіться з нами, щоб обговорити ваш проєкт. Маємо 5+ років досвіду в мобільній розробці та понад 50 реалізованих проєктів у сфері OCR та сканування. Гарантуємо результат — зафіксуємо точність розпізнавання в ТЗ.

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.