Реалізація NLP у мобільному застосунку: підходи та інструменти

Реалізація Natural Language Processing у мобільному застосунку

Ми інтегруємо NLP у мобільні застосунки понад п'ять років. Якщо ваш застосунок обробляє текст — відгуки користувачів, чати підтримки, скани документів — рано чи пізно виникає завдання додати аналіз тональності, розпізнавання імен або автоматичний переклад. Рішень десятки: платформенні API від Apple та Google, кастомні моделі на MobileBERT, хмарні сервіси. Як вибрати правильне без досвіду? Наші інженери сертифіковані Apple та Google, а кожен проєкт починається з аудиту ваших даних. Правильний вибір архітектури NLP визначає не тільки точність, але й час відгуку, розмір застосунку та приватність користувачів. У цій статті ми ділимося практичним досвідом: як не помилитися з вибором, заощадивши час та гроші. Ми підготували порівняльну таблицю основних підходів — вона допоможе швидко оцінити, який варіант підходить вашому проєкту.

Який підхід обрати для NLP у мобільному застосунку?

Вибір між on-device та хмарним NLP залежить від сценарію. On-device — швидше, приватніше, працює офлайн. Хмара — точніше, підтримує більше мов, потребує інтернету. Ми допомагаємо обрати оптимальний варіант під ваші завдання.

Порівняння: On-device NLP обробляє текст у 5–10 разів швидше за хмарний за умови, що модель оптимізована під мобільний пристрій. Це підтверджує наша практика.

Платформенні NLP API

Починати потрібно з того, що вже є на пристрої — це безкоштовно за ресурсами та працює без інтернету.

iOS — NaturalLanguage framework:

import NaturalLanguage

// Визначення мови
let recognizer = NLLanguageRecognizer()
recognizer.processString("Привіт, як справи?")
let language = recognizer.dominantLanguage // .ukrainian

// Токенізація
let tokenizer = NLTokenizer(unit: .word)
tokenizer.string = text
tokenizer.enumerateTokens(in: text.startIndex..<text.endIndex) { range, _ in
    print(String(text[range]))
    return true
}

// Аналіз тональності
let tagger = NLTagger(tagSchemes: [.sentimentScore])
tagger.string = text
let (sentiment, _) = tagger.tag(at: text.startIndex,
                                  unit: .paragraph,
                                  scheme: .sentimentScore)
let score = Double(sentiment?.rawValue ?? "0") ?? 0.0
// score: -1.0 (негатив) ... +1.0 (позитив)

Android — ML Kit Text APIs:

EntityExtraction (ML Kit) вміє знаходити адреси, телефони, дати, трекінг-номери, гроші — без інтернету, модель завантажується один раз (~8 МБ). LanguageIdentification — аналог NLLanguageRecognizer. Модель SmartReply — вже розібрана в іншій послузі.

Apple NaturalLanguage Framework та ML Kit for Android — перевірені інструменти, які ми використовуємо в кожному другому проєкті.

Коли хмарне API вигідніше за on-device?

Якщо потрібна підтримка рідкісних мов або максимальна точність (наприклад, юридична документація), хмарні сервіси (OpenAI, YandexGPT, Google Cloud NLP) дають кращу якість. Ми підключаємо їх як fallback або основний двигун, коли вимоги до швидкості не критичні.

Класифікація тексту на TFLite

Платформенні API не вміють у доменну класифікацію — не скажуть «це відгук про їжу» або «це технічний запит у підтримку». Потрібна власна модель.

Типовий pipeline для мобільного NLP-класифікатора:

1. Навчання: BERT-tiny або MobileBERT (8 МБ vs 100 МБ у full BERT) на PyTorch/TF
2. Конвертація: torch.onnx.export() → ONNX → onnxruntime-mobile, або tf2tflite → .tflite
3. Квантизація: int8 через TFLite Converter дає ~4x стиснення з мінімальною втратою точності

class TextClassifier(context: Context) {
    private val interpreter: Interpreter
    private val tokenizer: BertTokenizer

    init {
        val modelBuffer = loadModelFile(context, "bert_tiny_classifier.tflite")
        interpreter = Interpreter(modelBuffer, Interpreter.Options().apply {
            addDelegate(NnApiDelegate()) // Android Neural Networks API
        })
        tokenizer = BertTokenizer.fromAssets(context, "vocab.txt")
    }

    fun classify(text: String): ClassificationResult {
        val tokens = tokenizer.encode(text, maxLength = 128, truncate = true)
        val inputIds = Array(1) { tokens.inputIds.toIntArray() }
        val attentionMask = Array(1) { tokens.attentionMask.toIntArray() }
        val output = Array(1) { FloatArray(NUM_LABELS) }

        interpreter.runForMultipleInputsOutputs(
            arrayOf(inputIds, attentionMask),
            mapOf(0 to output)
        )
        return output[0].argmax().let { ClassificationResult(label = LABELS[it], confidence = output[0][it]) }
    }
}

NNAPI делегат на Android 8.1+ прискорює інференс через DSP/NPU. На Pixel 7+ — прискорення до 10x. На бюджетних пристроях NNAPI може бути повільнішим за CPU — тестуйте на реальних девайсах.

Named Entity Recognition

NER — вилучення іменованих сутностей з тексту (персони, організації, локації, дати). Приклади застосування: автоматичне створення подій у календарі з повідомлень, попереднє заповнення форм з CV, парсинг чеків.

ML Kit EntityExtraction покриває типові сутності без навчання. Для кастомних доменів — власна NER-модель на базі BiLSTM+CRF або BERT. Розмір моделі: BiLSTM — 5–15 МБ, DistilBERT-NER — ~60 МБ у fp16.

На iOS NL framework повертає NLTag з типами: .personalName, .placeName, .organizationName. Працює на пристрої без інтернету.

Сумаризація та переклад

Сумаризація on-device потребує важких моделей (BART, T5 мінімум 60–100 МБ). Для мобільного — або екстрактивна сумаризація (вибір ключових речень без генерації, працює через TF-IDF + MMR, ~100 КБ логіки), або cloud API (OpenAI, YandexGPT).

Машинний переклад: ML Kit Translation підтримує 59 мов, моделі завантажуються за запитом (~30 МБ на пару мов). На iOS — MLTranslation через Apple Intelligence (iOS 18+) або хмарні API.

Обробка користувацького вводу: очищення та нормалізація

Часто упущений крок — попередня обробка тексту перед NLP-моделлю. Помилки, сленг, смайли, змішана розкладка (коли латиницею пишуть українські слова) — все це знижує точність. Apache Lucene Analyzers на Android або NLTokenizer з кастомними правилами на iOS допомагають привести текст до нормальної форми.

Що входить у нашу роботу

Ми гарантуємо прозорий процес та фіксуємо результат:

• Аналіз ваших даних та вимог до NLP-функцій (точність, швидкість, мови)
• Вибір підходу: платформенні API, кастомна on-device модель або хмарний сервіс
• Розробка та навчання моделі (якщо потрібно)
• Інтеграція у застосунок з урахуванням архітектури (чиста архітектура, MVVM, MVI)
• Тестування на реальних пристроях (понад 30 моделей iOS/Android)
• Документація та навчання вашої команди
• Підтримка після запуску (гарантійний період 3 місяці)

Чому варто довірити NLP-інтеграцію нам?

• 5+ років досвіду в мобільній розробці
• 30+ проєктів з NLP (від аналізу відгуків до голосових асистентів)
• Сертифіковані інженери (iOS, Android, ML)
• Рішення працюють на 500+ мільйонах пристроїв
• Прискорення time-to-market в середньому в 2 рази завдяки готовим компонентам

Оцінимо ваш проєкт за 1 день. Зв'яжіться з нами — обговоримо задачу та запропонуємо оптимальне рішення. Замовте інтеграцію NLP вже сьогодні.

Орієнтири за термінами

Інтеграція платформенних NLP API (тональність, токенізація, NER) — 3–5 днів. Кастомний класифікатор з навчанням та мобільною оптимізацією — 3–6 тижнів. Терміни вказані для роботи під ключ.

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.