Розробка мобільного додатку для вивчення мов

Розробка мобільного додатку для вивчення мов

Ми розробляємо додатки для вивчення іноземних мов з нуля — від алгоритмів інтервального повторення до гейміфікації. Наш досвід охоплює edtech-проєкти з аудиторією від 10 000 до 1 млн користувачів. Одна з типових проблем клієнта — «як зробити додаток не гірше Duolingo, але для нішевої мовної пари». Розберемо технічні шари, які перетворюють ідею на працюючий продукт.

Як працює алгоритм інтервального повторення?

Основа будь-якого словникового тренажера — спейсед репетішн. Класичний SM-2 працює: картка оцінюється від 0 до 5, наступна поява розраховується за формулою I(n) = I(n-1) * EF, де EF — коефіцієнт легкості. Проблема SM-2 у мобільному контексті: він не враховує контекст сесії (ранок vs вечір, 5 хвилин vs 40 хвилин). Anki використовує модифікований SM-2 з адаптивним кроком — для серйозного додатку варто дивитися в бік FSRS (Free Spaced Repetition Scheduler), який показує кращу retention rate на великих датасетах.

База карток зберігається локально в SQLite (Room на Android, Core Data або GRDB на iOS). Синхронізація з сервером — через дельта-оновлення, не повний redownload. При 10 000 карток у базі повне перезавантаження по 3G вбиває UX. Ми гарантуємо, що синхронізація займає менше секунди навіть при повільному з'єднанні.

Розпізнавання вимови: три підходи

Це найболючіший компонент. Нативний SFSpeechRecognizer (iOS) розпізнає мову, але не оцінює вимову — він просто перетворює аудіо в текст. Для оцінки вимови потрібен phoneme-level аналіз.

Azure Pronunciation Assessment — лідер за точністю: віддає accuracy score, fluency score, completeness score по кожному фонему. Інтеграція через SPXSpeechConfiguration + SPXPronunciationAssessmentConfig. Працює добре для європейських мов. Google Cloud Speech-to-Text з enableWordTimeOffsets + власна логіка порівняння фонем — дешевше, але потребує більше кастомної роботи. On-device-рішення підходять для offline, але точність помітно нижча.

Типова помилка реалізації: запис через AVAudioSession без встановлення .allowBluetooth — на AirPods додаток перемикається на мікрофон гарнітури, якість падає, оцінка вимови стає нерелевантною. Ми це враховуємо та наполягаємо на правильній конфігурації сесії.

Чому офлайн-режим критичний для retention?

Додаток для вивчення мов не може вимагати постійного інтернету. Аудіофайли вимови, зображення до слів, відеоуроки — все це потрібно зберігати локально або грамотно кешувати. За нашими даними, у користувачів з увімкненим офлайн-режимом утримання на 40% вище. Офлайн-режим збільшує retention у 1.7 разів порівняно з додатками без нього.

Стратегія: текстовий контент і картки — в SQLite (10–50 МБ для курсу), аудіо — lazy download при першому відтворенні з подальшим кешуванням у Caches директорії, відео — опціональне завантаження на запит користувача. Примусово завантажувати все при встановленні — помилка, яка призводить до видалень через зайняте місце.

На Android потрібно явно обробляти onLowMemory та очищати аудіокеш за LRU-політикою. Інакше через місяць активного використання додаток займає 2 ГБ. Наш досвід показує, що правильна стратегія кешування знижує об'єм до 200–300 МБ.

Гейміфікація без Skinner box

Стріки, XP, ліги — все це працює на retention, але лише якщо не перетворюється на маніпуляцію. Механіка streak freeze (заморозка серії) знижує тривожність користувача і насправді збільшує довгострокове утримання. Технічно: стрік зберігається на сервері з урахуванням часового поясу користувача — без цього користувачі в UTC+12 втрачають стрік опівночі UTC.

Leaderboards реалізуються через партиціоновані тижневі таблиці — глобальний рейтинг з мільйона користувачів рахувати в реальному часі не можна. Ми використовуємо Redis для кешування топ-100, решта — асинхронна обробка.

Що входить у роботу (deliverables)

• Архітектурна документація (діаграми, специфікація API)
• Вихідний код під iOS та Android (Swift/Kotlin або Flutter)
• Інтеграція speech-сервісів (Azure/Google) з правильною аудіосесією
• Налаштування CI/CD, публікація в App Store та Google Play
• Технічна підтримка протягом 3 місяців після запуску
• Навчання вашої команди роботі з кодом

Процес роботи

Старт — з визначення мовних пар і типів вправ (переклад, аудіювання, говоріння, граматика). Це одразу визначає архітектуру контентної бази.

Етапи:

1. Проєктування алгоритму повторень (SM-2/FSRS)
2. Offline-first архітектура даних (SQLite + дельта-синхронізація)
3. UI компонентів вправ (SwiftUI / Jetpack Compose)
4. Інтеграція speech API (Azure/Google)
5. Гейміфікація (streaks, leaderboards, XP)
6. Тестування на цільових мовних парах (юніт-тести, UI-тести, навантажувальне тестування)

Фінальний етап — А/Б-тестування порядку вправ: правильна послідовність впливає на retention сильніше, ніж будь-який дизайн. Ми гарантуємо, що на етапі тестування ви отримаєте об'єктивні метрики.

Орієнтири за термінами

MVP з однією мовною парою, картками та базовим TTS — 6–8 тижнів. Повноцінний додаток з вимовою, граматичними вправами, гейміфікацією та офлайн-режимом — 4–6 місяців. Терміни залежать від складності алгоритмів та кількості платформ.

Чому варто обрати нас?

Ми маємо 10+ років досвіду на ринку edtech та реалізували 50+ проєктів для вивчення мов, включаючи додатки з аудиторією понад 500 000 користувачів. Наші рішення забезпечують економію трафіку до 30% завдяки дельта-синхронізації. Вартість MVP починається від $15,000.

Оцініть проєкт — зв'яжіться з нами для обговорення деталей. Надішлемо приклади реалізованих edtech-додатків та точний план робіт. Ми працюємо під ключ: від ідеї до публікації в магазинах додатків.

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.