Разработка AI-рекомендаций по здоровью для мобильных приложений

Реализация AI-рекомендаций по здоровью на основе данных в мобильном приложении

Большинство health-приложений показывают пользователю цифры — и тот закрывает приложение, так и не изменив привычек. Мы меняем сценарий: вместо «вот ваши данные» даём «вот что эти данные значат для вас сегодня». По данным HealthKit, средняя ежедневная активность пользователя — 5 423 шага, сон — 7.1 ч. На основе этих данных rule engine генерирует 12–20 кандидатов в день, ML-ранжирование выбирает 3–5 наиболее релевантных. Например, если пульс покоя выше 80 bpm и сон менее 6.5 ч, рекомендация — снизить интенсивность тренировок.

В этой статье я расскажу, как мы строим систему рекомендаций: от сбора данных до доставки push-уведомлений. Вы узнаете, почему rule engine — не пережиток, а фундамент, и как ML добавляет персонализацию без потери прозрачности. Мы разработали 15+ health-приложений, 5+ лет опыта, один из проектов достиг 500 000+ установок. Если вам нужна аналогичная система, свяжитесь с нами — мы поможем спроектировать и внедрить её.

Почему rule engine — основа персонализированных рекомендаций?

Rule-based подход — не устаревший, а практичный. Правила прозрачны, тестируемы, не требуют датасета для обучения. ML поверх правил добавляет персонализацию в ранжировании. Комбинированные условия важны: пульс покоя 85 bpm сам по себе может быть нормой, но в сочетании с недосыпом — маркер перетренированности.

Архитектура системы рекомендаций

Персонализированные рекомендации по здоровью — это pipeline из нескольких слоёв, а не один алгоритм. В таблице ниже — основные компоненты и их назначение.

Данные: HealthKit как единая точка на iOS

class HealthDataAggregator {
    private let store = HKHealthStore()

    func weeklyStats() async throws -> HealthWeekSnapshot {
        async let steps = fetchSum(.stepCount, days: 7)
        async let sleepHours = fetchCategorySamples(.sleepAnalysis, days: 7)
        async let restingHR = fetchAverage(.restingHeartRate, days: 7)
        async let activeEnergy = fetchSum(.activeEnergyBurned, days: 7)

        return try await HealthWeekSnapshot(
            avgDailySteps: steps / 7,
            avgSleepHours: sleepHours,
            avgRestingHR: restingHR,
            totalActiveKcal: activeEnergy
        )
    }
}

На Android — Health Connect SDK с HealthConnectClient.readRecords(StepsRecord::class) для запроса шагов за период. Мы также подключаем сторонние устройства через Core Bluetooth на iOS и BLE на Android, чтобы получать данные с весов, тонометров и фитнес-браслетов.

Как ML улучшает персонализацию?

Rule engine генерирует список кандидатов-рекомендаций. ML-модель ранжирует их по вероятности выполнения конкретным пользователем. Используем gradient boosting на фичах: исторический CTR, паттерн дня недели, streak выполнения. Обучаем на implicit feedback: показано → открыто → выполнено (данные из HealthKit).

Как подбирается время для push-уведомлений?

Правильный момент важнее содержания. «Ложитесь спать пораньше» в 20:00 работает, в 23:30 — нет.

func scheduleRecommendation(_ rec: Recommendation) {
    let content = UNMutableNotificationContent()
    content.title = rec.title
    content.body = rec.shortBody
    content.sound = .default

    let bestTime = optimalDeliveryTime(for: rec, userSchedule: userProfile.typicalSchedule)
    let trigger = UNCalendarNotificationTrigger(
        dateMatching: Calendar.current.dateComponents([.hour, .minute], from: bestTime),
        repeats: false
    )
    let request = UNNotificationRequest(identifier: rec.id, content: content, trigger: trigger)
    UNUserNotificationCenter.current().add(request)
}

optimalDeliveryTime анализирует паттерны пользователя: время открытия приложения, сон, тренировки. Привязка к контексту: если CMMotionActivityManager показывает, что пользователь идёт — рекомендацию по активности не показываем.

Принципы эффективных рекомендаций

Одна конкретная рекомендация в день лучше пяти общих. «Пройдите 2 000 шагов до 18:00, у вас сейчас 1 200» — работает. «Больше двигайтесь» — нет. Привязка к контексту и персонализация — ключевые факторы вовлечения. Мы используем A/B тестирование, чтобы отбирать наиболее эффективные форматы и контент.

Пошаговый процесс работы над рекомендациями

1. Анализ источников данных и проектирование схемы HealthKit/Health Connect.
2. Разработка 20–50 правил на основе медицинских протоколов и типовых сценариев.
3. Реализация ML-ранжирования на синтетических данных для обучения.
4. Система доставки: in-app виджеты + push с оптимальным таймингом.
5. A/B тестирование эффективности (минимум 2 недели).
6. Документация API и обучение команды администрированию правил.

Что входит в работу

• Документация API по интеграции и управлению правилами.
• Обучение команды заказчика администрированию и доработке рекомендаций.
• Поддержка после запуска в течение 3 месяцев.
• Гарантия на код: исправление ошибок в рамках заданной архитектуры.

Ориентиры по срокам

Точная оценка зависит от сложности интеграции и количества источников данных. Свяжитесь с нами для консультации — мы проанализируем ваш проект за 1 день. Получите индивидуальное предложение, позвонив нам.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).