Розробка мобільного додатку для садівників та городників

Уявіть: садівник завантажує фото підозрілої плями на листку помідора — через секунду додаток видає діагноз (фітофтора, 87% впевненості) і рекомендує обробку мідним купоросом. Все це без інтернету, на дачі в глибинці. Реалізувати таке на iOS та Android — завдання, де кожна деталь вирішує: від вибору моделі машинного навчання до фонової синхронізації.

Ми створюємо додатки, в яких CV-моделі, погодні тригери та офлайн-режим працюють як єдиний механізм. За плечима — 6 років мобільної розробки та 50+ проектів у AgriTech. Складність не в окремих компонентах, а в їхній безшовній інтеграції: датчик дощу через OpenWeatherMap, локальна база на SQLite, розпізнавання за допомогою CoreML або TFLite — і все це має стабільно працювати на пристроях п'ятирічної давності.

Як працює розпізнавання рослин?

Центральна фіча — визначення рослин і хвороб по фото. Два підходи: хмарний API (Plant.id, PlantNet) або on-device модель (CoreML/TFLite). Порівняємо:

On-device розпізнавання працює в 5 разів швидше за хмарне — 0.2 с проти 1–3 с — але точність нижча на 15–20%. Для дачі без інтернету це єдиний варіант.

Plant.id API повертає назву, хвороби з confidence score та рекомендації щодо лікування. Фото кодується в base64, надсилається POST-запитом, відповідь містить suggestions з probability. Важливо: API вимагає добре освітлений знімок листка або квітки — фото загального плану дає низьку точність. Ми обов'язково навчаємо користувача правильній зйомці.

struct PlantIdentificationRequest: Encodable {
    let images: [String]       // base64
    let modifiers: [String]    // ["crops_fast", "similar_images"]
    let plant_language: String // "ru"
    let plant_details: [String] // ["common_names", "url", "description", "treatment"]
}

On-device варіант використовує моделі від iNaturalist або навчені на датасеті PlantVillage (54 000 зображень, 38 класів хвороб листків). Точність нижча за хмару на 15–20%, але повністю офлайн.

Чому важлива інтеграція з погодою?

Звучить просто, але головна помилка — ставити сповіщення з фіксованим часом і дивуватися, чому користувачі скаржаться на пропущені поливи. Проблема: сповіщення не перераховуються при зміні опадів.

Правильна логіка: щоранку запитуємо прогноз погоди через OpenWeatherMap API або Apple WeatherKit. Якщо прогнозується дощ > 5 мм — пропускаємо полив і скасовуємо сповіщення через UNUserNotificationCenter.removePendingNotificationRequests. Це вимагає фонового завдання: BGAppRefreshTask на iOS або WorkManager на Android.

На Android використовуємо WorkManager з PeriodicWorkRequest та обмеженням NetworkType.CONNECTED. Не AlarmManager напряму — на Android 12+ потрібен дозвіл SCHEDULE_EXACT_ALARM, який користувачі рідко надають.

Економія часу на ручному плануванні поливу — до 2 годин на тиждень. Зниження витрат на воду за рахунок розумного обліку опадів — до 30% у сезон.

Що входить в роботу

Замовляючи розробку під ключ, ви отримуєте:

• Архітектуру та вибір стеку (iOS/Android/крос-платформа)
• Інтеграцію всіх API (погода, розпізнавання)
• Офлайн-базу рослин з кешуванням зображень
• Налаштування пуш-сповіщень та фонових завдань
• Документацію з експлуатації та посилання на доступи
• Допомогу з публікацією в App Store та Google Play
• Гарантію на код — 3 місяці безкоштовної підтримки

Офлайн та база рослин

Локальна база рослин (назва, опис, правила догляду, календар посіву) зберігається в SQLite. Для 500–1000 записів використовуємо Room на Android, Core Data або GRDB на iOS. Зображення кешуються при першому перегляді з LRU-політикою (Kingfisher на iOS, Coil на Android).

Дача без інтернету — реальність. Всі базові функції (додавання рослини, перегляд порад, встановлення нагадувань) працюють без мережі. Синхронізація при відновленні з'єднання — через чергу відкладених операцій.

Погодна інтеграція

OpenWeatherMap — стандарт для таких додатків: безкоштовний тариф покриває 1000 запитів на день. WeatherKit на iOS (з новітніх версій) точніший і не вимагає власного ключа, але доступний тільки на платформах Apple. Для городнього додатку важлива не тільки температура, а й humidity, uvi, rain (опади за 1 та 3 години) — ці поля доступні в current ендпоінті OWM.

Процес роботи

1. Аналітика — визначаємо набір фіч: які рослини (тільки город чи сад+кімнатні), чи потрібна соціальна складова, чи потрібна офлайн-база хвороб.
2. Проектування — створюємо архітектуру, обираємо стек (нативний або крос-платформа).
3. Розробка — офлайн-база → додавання рослин → розклад поливу зі сповіщеннями → погодна інтеграція → розпізнавання. Розпізнавання — останнім, оскільки API-ключі та тарифікація потребують узгодження.
4. Тестування — покриваємо основну логіку unit-тестами, проводимо польові випробування на реальних пристроях.
5. Деплой — публікація в сторах, налаштування моніторингу Crashlytics та аналітики.

Отримайте консультацію щодо вашого проекту — ми допоможемо обрати оптимальний стек та оцінити терміни.

Орієнтири за термінами

Щоб оцінити ваш проект, зв'яжіться з нами — ми підготуємо точний кошторис і запропонуємо оптимальне рішення. Гарантуємо проходження App Store Review та Google Play Review з першого разу.

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.