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.