Blog News Contatti Richiedi una proposta

Servizi di sviluppo TensorFlow Lite per ML on-device su Android e iOS

Machine learning che funziona offline sul dispositivo — nessun round-trip verso il cloud, nessuna esposizione dei dati. Modelli TFLite quantizzati per il riconoscimento di immagini, il rilevamento di attività e l'inferenza NLP su Android (NNAPI, delegate GPU) e iOS (delegate Metal). Sviluppato e testato sull'hardware effettivamente utilizzato dagli utenti finali.

  • TensorFlow Lite
  • TensorFlow
  • PyTorch (via ONNX)
  • Android NNAPI

Distribuiamo pipeline di inferenza TFLite in app di logistica, sanitarie e consumer dove la capacità offline e la privacy dei dati sono requisiti non negoziabili. Convertiamo modelli TensorFlow e PyTorch in formato flatbuffer TFLite, applichiamo la quantizzazione post-training INT8 o FP16 e selezioniamo il delegate hardware appropriato per il livello di dispositivo target. Quando il modello deve migliorare nel tempo, progettiamo un meccanismo di aggiornamento OTA che scarica i nuovi pesi flatbuffer senza necessità di una release sull'app store.

Sfide del settore che affrontiamo

Perdita di precisione dalla quantizzazione

La quantizzazione INT8 può degradare il mAP del rilevamento oggetti del 3–10% se il dataset rappresentativo è troppo ridotto. Effettuiamo la calibrazione con un campione statisticamente rappresentativo dei dati di produzione.

Compatibilità del delegate sui firmware OEM

Il delegate NNAPI non è disponibile o presenta bug su alcune build Android OEM. Implementiamo una catena di fallback del delegate (GPU → NNAPI → CPU) e testiamo sulla matrice di dispositivi effettivamente utilizzata.

Dimensioni del modello vs latenza su Android di fascia bassa

Un modello float32 da 20 MB può causare OOM sui dispositivi entry-level. Applichiamo la quantizzazione a range dinamico e il pruning dell'architettura per rientrare in 8 MB mantenendo il SLA di latenza.

Conversione di modelli da PyTorch

I modelli PyTorch richiedono un formato intermedio ONNX o torch.export per una conversione TFLite pulita. Le op personalizzate non presenti nel set di op TFLite richiedono un kernel C++ apposito.

Thread safety del delegate Metal su iOS

Le operazioni del delegate Metal devono essere eseguite sul thread compatibile con Metal. Isoliamo l'inferenza in una DispatchQueue dedicata e la validiamo sotto stress di concorrenza.

Aggiornamenti OTA del modello e gestione delle versioni

Il rilascio di nuovi pesi del modello richiede una pipeline di download, la verifica dell'integrità e il rollback in caso di picco del tasso di errori di inferenza. Implementiamo bundle di modelli con versioning e validazione tramite hash SHA-256.

Soluzioni che realizziamo

Riconoscimento di immagini e oggetti

Classificazione e rilevamento in tempo reale per retail, operazioni sul campo, imaging medicale e overlay di realtà aumentata — con capacità offline.

ML basato su attività e sensori

Riconoscimento di attività basato su IMU, rilevamento di anomalie e classificazione di gesti tramite dati di accelerometro e giroscopio.

NLP on-device

Classificazione del testo, riconoscimento di entità denominate e rilevamento dell'intento senza trasmettere il testo dell'utente a un'API remota.

Deployment cross-platform su Android e iOS

Un singolo flatbuffer .tflite distribuito su entrambe le piattaforme con selezione del delegate specifica per piattaforma e output di inferenza identico.

Ottimizzazione del modello per l'edge

Quantizzazione post-training (INT8/FP16), pruning basato sulla magnitudine e ricerca dell'architettura per adattarsi ai vincoli hardware.

Distribuzione OTA del modello

Download del modello in background con controllo della versione, verifica dell'integrità e rollback automatico in caso di regressione della precisione.

Stack tecnologico

  • TensorFlow Lite
  • TensorFlow
  • PyTorch (via ONNX)
  • Android NNAPI
  • GPU delegate
  • iOS Metal delegate
  • Kotlin
  • Swift
  • Android NDK
  • CMake

Conformità normativa

Conforme a GDPR · Compatibile con HIPAA · Elaborazione on-device · Minimizzazione dei dati

UE

  • GDPR — inferenza on-device, minimizzazione dei dati.
  • EU AI Act — classificazione del rischio per i casi d'uso AI ad alto rischio.
  • EAA — presentazione accessibile dell'output ML.
  • MDR — conformità normativa per applicazioni di monitoraggio della salute.

USA

  • HIPAA — inferenza sanitaria on-device, nessun ePHI trasmesso.
  • CCPA/CPRA — dati inferiti come informazioni personali.
  • FDA 21 CFR Part 11 — standard per il software di dispositivi medici.
  • COPPA — controllo dell'età per app che utilizzano ML su fotocamera/sensori.

Cosa dicono i clienti

“
Gestire appuntamenti e referti in più città su tre piattaforme è genuinamente complesso. YuSMP ha risolto un problema di integrazione legacy che avevamo evitato per due anni e ha rilasciato un'esperienza paziente che i nostri punteggi NPS hanno immediatamente rispecchiato.
James WhitfieldHead of Digital, Unilab
Vedi il caso →
“
Un motore di decisione sui prestiti che impiega dieci volte meno tempo per approvare non avviene per caso. YuSMP ha costruito la pipeline di scoring, l’integrazione con i bureau del credito e un back-office che i nostri sottoscrittori apprezzano davvero. I tempi di approvazione sono passati da due giorni a meno di quattro ore.
Gregory LawsonCTO, LoanFlow
Vedi il caso →
“
Pubblichiamo decine di articoli sportivi al giorno. YuSMP ha costruito una pipeline editoriale usando un bot Telegram come CMS — i redattori pubblicano una volta sola, il contenuto arriva sul web, su iOS e su Android istantaneamente. L'architettura non richiede alcuna manutenzione quotidiana.
Ryan O'ConnorCEO, Media Arena
Vedi il caso →
“
Il self-service telecom è utile solo se i clienti lo preferiscono davvero al supporto telefonico. YuSMP ha sviluppato app iOS e Android con gestione del saldo, cambio del piano e analisi dell’utilizzo che hanno ridotto il volume del nostro call center del 30% nel primo trimestre dopo il lancio.
Charles DuboisDirector of Digital Products, TelecomSelf
Vedi il caso →

1 / 4

Perché i team scelgono YuSMP per i deployment TFLite

Gestione completa della pipeline da ML ad app

Conversione del modello, quantizzazione, selezione del delegate e integrazione sono gestiti da un unico team — nessun overhead di coordinamento tra data scientist e ingegneri mobile.

Testato sulla matrice di dispositivi reali

Non rilasciamo finché il modello non supera i benchmark di precisione e latenza sui livelli hardware effettivamente nelle mani degli utenti.

Offline-first per progettazione

Ogni deployment TFLite che realizziamo funziona senza connessione di rete — un requisito imprescindibile per app di logistica, operazioni sul campo e sanitarie.

FAQ

Domande frequenti su TensorFlow Lite

È possibile convertire un modello PyTorch in TFLite?

Sì. Utilizziamo torch.export o ONNX come formato intermedio, quindi il convertitore TFLite. Le operazioni personalizzate non presenti nel set di op di TFLite richiedono un kernel C++ per op personalizzate — lo sviluppiamo e testiamo come parte del processo di conversione.

Di quanto la quantizzazione INT8 riduce la precisione?

In genere del 1–5% di mAP per il rilevamento di oggetti e del 2–8% per i task NLP, con una riduzione delle dimensioni di 4× e un miglioramento della latenza di 2–3×. Effettuiamo benchmark sull'hardware target prima di definire il livello di quantizzazione.

TFLite funziona allo stesso modo su Android e iOS?

L'output di inferenza è identico; il delegate di accelerazione differisce — NNAPI/GPU su Android, Metal su iOS. Astraiamo la selezione del delegate dietro un'interfaccia comune e ne validiamo la parità.

È possibile aggiornare il modello senza una release sull'app store?

Sì — per i pesi del modello (flatbuffer). Implementiamo una pipeline di download in background con verifica dell'integrità SHA-256 e rollback in caso di picco di errori di inferenza. Le modifiche alla pipeline di pre-elaborazione richiedono un aggiornamento dell'app.

Qual è la versione minima di Android supportata?

Il delegate NNAPI richiede Android 8.1 (API 27). Il delegate GPU funziona da Android 5.0. Il fallback su CPU funziona dall'API 21. Configuriamo la catena di fallback in base alla versione minima supportata dal progetto.

Come gestite la privacy dei dati con il ML on-device?

L'inferenza on-device significa che i dati grezzi non lasciano mai il dispositivo. Ai sensi del GDPR, documentiamo comunque l'output inferito se costituisce un dato personale e applichiamo la minimizzazione dei dati all'output del livello del modello.

Sviluppate anche i modelli ML o vi occupate solo del deployment?

Entrambi — sviluppiamo e addestriamo modelli in TensorFlow/PyTorch per i clienti privi di un team di data science, e gestiamo la conversione e il deployment per i clienti che dispongono già di modelli addestrati.

Distribute il vostro ML on-device con ingegneri senior di TensorFlow Lite

Diteci dove volete essere tra dodici mesi. Vi risponderemo con un piano per arrivarci.

Richiedi una proposta

Risposta entro 1 giorno lavorativo. NDA su richiesta.

Richiedi una proposta

Condividete alcuni dettagli e un consulente senior risponderà entro un giorno lavorativo.

Stima del progetto gratuita — ti inviamo un piano entro 1–2 giorni lavorativi.
  • Analisi dei requisiti e consigli sullo stack tecnologico
  • Stima di tempi, budget e composizione del team
  • Senza impegno — solo un piano chiaro

Email: sales@yusmpgroup.com

Telefono: +374 44 871 811

Uffici: KAMAR Business Center, Vazgen Sargsyan St. 2, Erevan, Armenia · Remoto — sovrapposizione con la costa est degli Stati Uniti (9:00–13:00 ET)

— campi obbligatori