От SwiftUI до Core ML и обратно: анализ текста в iOS

Как превратить текстовый ввод пользователя в ценные инсайты с помощью SwiftUI и Core ML? В этом докладе мы поговорим о работе с текстом в iOS-приложениях: от создания интерфейса для ввода текста на SwiftUI до его анализа с использованием Natural Language и собственной модели на Core ML. Разберем ключевые шаги — от обработки данных для обучения модели и интеграции результатов обратно в интерфейс приложения. Доклад будет полезен разработчикам, желающим добавить анализ текста в свои приложения, а также тем, кто только начинает знакомство с машинным обучением в экосистеме Apple.

Запись доклада: https://www.youtube.com/watch?v=Jp643WnAIOE

Transcript

1. Артём Новичков, iOS Mobile Engineer, Welltory От SwiftUI до CoreML и обратно Анализ текста в iOS
3. Как понять пользователя? 3
6. Гилфойл из “Кремниевой долины” 6
7. Как понять пользователя? • ML инженер + Devops инженер • Ресурсы бекенда • Интернет • Задержка ответа • Приватность 7
8. Как понять пользователя? • ML инженер + Devops инженер • Ресурсы бекенда • Интернет • Задержка ответа • Приватность 8
9. Как понять пользователя? • ML инженер + Devops инженер • Ресурсы бекенда • Интернет • Задержка ответа • Приватность 9
10. Как понять пользователя? • ML инженер + Devops инженер • Ресурсы бекенда • Интернет • Задержка ответа • Приватность 10
11. Как понять пользователя? • ML инженер + Devops инженер • Ресурсы бекенда • Интернет • Задержка ответа • Приватность 11
12. 12 Как понять пользователя?
13. О чём поговорим? • Ввод текста • Готовое решение в iOS SDK • Работа с машинным обучением 13
14. О чём поговорим? • Ввод текста • Готовое решение в iOS SDK • Работа с машинным обучением 14
15. О чём поговорим? • Ввод текста • Готовое решение в iOS SDK • Работа с машинным обучением 15
16. 16 SwiftUI Ввод текста
17. 17 Ввод текста
18. Ввод текста • TextEditor • TextField + vertical axis • Сторонние библиотеки (RichTextKit, STTextView) • UITextView + UIViewRepresentable 18
19. Ввод текста • TextEditor • TextField + vertical axis • Сторонние библиотеки (RichTextKit, STTextView) • UITextView + UIViewRepresentable 19
20. Ввод текста • TextEditor • TextField + vertical axis • Сторонние библиотеки (RichTextKit, STTextView) • UITextView + UIViewRepresentable 20
21. Ввод текста • TextEditor • TextField + vertical axis • Сторонние библиотеки (RichTextKit, STTextView) • UITextView + UIViewRepresentable 21
22. TextEditor vs UITextView 22
24. Natural Language 24
25. Фреймворк Natural Language • Определяет язык • Определяет части речи • Распознаёт имена людей, названия мест или организаций • Определяет эмоциональную окраску текста и т. д. 25
26. Фреймворк Natural Language • Определяет язык • Определяет части речи • Распознаёт имена людей, названия мест или организаций • Определяет эмоциональную окраску текста и т. д. 26
27. Фреймворк Natural Language • Определяет язык • Определяет части речи • Распознаёт имена людей, названия мест или организаций • Определяет эмоциональную окраску текста и т. д. 27
28. Фреймворк Natural Language • Определяет язык • Определяет части речи • Распознаёт имена людей, названия мест или организаций • Определяет эмоциональную окраску текста и т. д. 28
29. import NaturalLanguage let text = "My day was good" let tagger = NLTagger(tagSchemes: [.sentimentScore]) tagger.string = text let (sentimentTag, _) = tagger.tag(at: text.startIndex, unit: .paragraph, scheme: .sentimentScore) let score = Double(sentimentTag!.rawValue) print(score) / / prints -0.4 29
31. Create ML + Core ML 31
32. Create ML + Core ML • Создание датасета • Обучение модели • Использование в проекте 32
33. Создание датасета • Используем готовые датасеты (Kaggle или HuggingFace) • Создаём свой на основе контента из приложения • Используем ChatGPT/Claude/ваша любимая LLM 33
34. Создание датасета • Используем готовые датасеты (Kaggle или HuggingFace) • Создаём свой на основе контента из приложения • Используем ChatGPT/Claude/ваша любимая LLM 34
35. Создание датасета • Используем готовые датасеты (Kaggle или HuggingFace) • Создаём свой на основе контента из приложения • Используем ChatGPT/Claude/ваша любимая LLM 35
36. Создание датасета 36 [ { "text": "Сегодня был замечательный день, я успел всё, что запланировал!", "label": "positive" }, … { "text": "Успел сделать пару мелких дел, ничего важного.", "label": "neutral" }, … { "text": "Күшім таусылды, барлығын тастағым келеді.", "label": "negative" } ]
37. Обучение модели 37
38. Обучение модели 38
39. Обучение модели 39
40. Обучение модели 40
41. Использование в проекте 41
42. func predictSentiment() throws { let text = "Я очень рад выступить с докладом на Altel Digital iOS Meetup" let classifier = try SentimentTextClassifier() let output = try classifier.prediction(text: text) print(output) // “positive” } Использование в проекте 42
43. Использование в проекте 43
44. Create ML + Core ML • Хороший датасет — ключ к успеху • Простой интерфейс без программирования, но можно всё автоматизировать с помощью кода • Простая интеграция 44
45. Create ML + Core ML • Хороший датасет — ключ к успеху • Простой интерфейс без программирования, но можно всё автоматизировать с помощью кода • Простая интеграция 45
46. Create ML + Core ML • Хороший датасет — ключ к успеху • Простой интерфейс без программирования, но можно всё автоматизировать с помощью кода • Простая интеграция 46
48. Выводы • Анализ текста — не такая сложная задача • Важно знать инструменты и их ограничения • Вы уже умеете обучать модели, осталось добавить их в свой проект! 48
49. Выводы • Анализ текста — не такая сложная задача • Важно знать инструменты и их ограничения • Вы уже умеете обучать модели, осталось добавить их в свой проект! 49
50. Выводы • Анализ текста — не такая сложная задача • Важно знать инструменты и их ограничения • Вы уже умеете обучать модели, осталось добавить их в свой проект! 50
51. https://taplink.cc/artemnovichkov 51 Спасибо! Вопросы?