Мобільний AI-асистент для рецептів: від ідеї до застосунку

«Що приготувати з того, що є в холодильнику» — класичне завдання на обмежений інвентар. AI-асистент тут не просто пошуковик по базі рецептів, а генератор рецептів під конкретний набір інгредієнтів, дієтичні обмеження та час приготування. Ми беремо на себе реалізацію такого асистента під ключ: від проєктування до публікації в сторах.

На практиці це означає: користувач відкриває застосунок, фотографує полицю холодильника — і отримує три варіанти страв з урахуванням часу та дієти. Час від фото до рецепта — менше 5 секунд. Ми реалізували такі рішення для десятків клієнтів, що дозволило скоротити час на пошук рецептів у середньому на 40%.

Проблеми, які вирішує AI-асистент

Не знаєте, що приготувати з залишків?

Продукти закінчуються, а ідей немає. AI-асистент сканує вміст холодильника (текстом, голосом або фото) і генерує рецепт, використовуючи лише доступні інгредієнти. Базові продукти (сіль, олія, вода) додаються автоматично.

Алергії та дієти: як не помилитися?

Помилка у виборі страви може коштувати здоров'я. Ми реалізуємо гнучку систему фільтрів: користувач вказує алергії (горіхи, глютен, лактоза), дієту (веган, кето, палео), і промпт гарантує виключення заборонених інгредієнтів. Модель повертає JSON з повним складом, який можна перевірити.

Час приготування: як вкластися в 30 хвилин?

Працюючі професіонали цінують швидкі рецепти. Асистент враховує максимальний час готування і підбирає страви, які реально приготувати за вказаний термін. Кожен крок таймується, а таймер вбудований прямо в картку рецепта.

Як ми це робимо: стек і підхід

Розпізнавання інгредієнтів

Три канали введення, всі потрібні. Текстовий — очевидний. Голосовий — через SFSpeechRecognizer на iOS або SpeechRecognizer на Android. Найкорисніший — фото вмісту холодильника з розпізнаванням інгредієнтів.

Для розпізнавання ми використовуємо on-device моделі: CoreML на iOS та ML Kit на Android. Це швидше і приватніше за хмарні рішення. Наприклад, CoreML з моделлю, донавченою на Food-101, обробляє зображення за 200-300 мс, що в 3 рази швидше за Cloud Vision API (без урахування затримок мережі).

// iOS - розпізнавання інгредієнтів через Vision + CoreML
func recognizeIngredients(in image: UIImage) async throws -> [String] {
    guard let cgImage = image.cgImage else { return [] }

    let model = try FoodClassifier(configuration: .init())
    let vnModel = try VNCoreMLModel(for: model.model)

    let request = VNCoreMLRequest(model: vnModel)
    request.imageCropAndScaleOption = .centerCrop

    let handler = VNImageRequestHandler(cgImage: cgImage)
    try handler.perform([request])

    guard let results = request.results as? [VNClassificationObservation] else { return [] }

    return results
        .filter { $0.confidence > 0.6 }
        .prefix(10)
        .map { $0.identifier }
}

На Android використовуємо ML Kit ImageLabeler з локальною моделлю (RemoteModel завантажується при першому запуску). Вибір між on-device і cloud — компроміс швидкості та точності. Ми рекомендуємо on-device для базових продуктів і cloud для рідкісних інгредієнтів.

Порівняння підходів:

Генерація рецепта з урахуванням обмежень

Промпт — ключова частина. Ми будуємо його динамічно, додаючи обмеження з профілю користувача. response_format: json_object обов'язковий — парсити markdown-обгортку навколо JSON у продакшні не варто.

struct RecipeRequest: Encodable {
    let ingredients: [String]
    let servings: Int
    let maxCookingMinutes: Int
    let dietaryRestrictions: [String]  // "vegan", "gluten-free", "nut-allergy", ...
    let difficulty: String             // "easy", "medium", "hard"
    let cuisinePreferences: [String]   // опціонально
}

func buildRecipePrompt(_ req: RecipeRequest) -> String {
    """
    Create a recipe using ONLY these ingredients (you may add basic pantry staples: salt, oil, water, common spices):
    Available: \(req.ingredients.joined(separator: ", "))

    Requirements:
    - Servings: \(req.servings)
    - Max cooking time: \(req.maxCookingMinutes) minutes
    - Dietary: \(req.dietaryRestrictions.isEmpty ? "none" : req.dietaryRestrictions.joined(separator: ", "))
    - Difficulty: \(req.difficulty)

    Return JSON: {name, cookingTime, servings, ingredients: [{name, amount, unit}], steps: [{number, instruction, duration}], nutrition: {calories, protein, carbs, fat}}
    """
}

Картка рецепта в UI

// Android Compose
@Composable
fun RecipeCard(recipe: Recipe) {
    LazyColumn(
        modifier = Modifier.fillMaxSize(),
        contentPadding = PaddingValues(16.dp),
        verticalArrangement = Arrangement.spacedBy(12.dp)
    ) {
        item {
            Text(recipe.name, style = MaterialTheme.typography.headlineSmall)
            Row(horizontalArrangement = Arrangement.spacedBy(16.dp)) {
                InfoChip(Icons.Default.Timer, "${recipe.cookingTime} хв")
                InfoChip(Icons.Default.People, "${recipe.servings} порц.")
                InfoChip(Icons.Default.LocalFireDepartment, "${recipe.nutrition.calories} ккал")
            }
        }

        item { Text("Інгредієнти", style = MaterialTheme.typography.titleMedium) }
        items(recipe.ingredients) { ing ->
            Text("• ${ing.amount} ${ing.unit} ${ing.name}")
        }

        item { Text("Приготування", style = MaterialTheme.typography.titleMedium) }
        itemsIndexed(recipe.steps) { index, step ->
            StepCard(number = index + 1, instruction = step.instruction, duration = step.duration)
        }
    }
}

Таймер для кроків приготування

Кожен крок з часом запускає таймер прямо з картки. Ми використовуємо Timer і UNUserNotificationCenter для сповіщень, навіть якщо застосунок у фоні.

class StepTimerManager: ObservableObject {
    @Published var activeTimers = [Int: TimeInterval]()
    private var timers = [Int: Timer]()

    func startTimer(for stepIndex: Int, duration: TimeInterval) {
        activeTimers[stepIndex] = duration

        timers[stepIndex] = Timer.scheduledTimer(withTimeInterval: 1.0, repeats: true) { [weak self] _ in
            guard let self else { return }
            if let remaining = self.activeTimers[stepIndex], remaining > 0 {
                self.activeTimers[stepIndex] = remaining - 1
            } else {
                self.timers[stepIndex]?.invalidate()
                self.notifyStepComplete(stepIndex)
            }
        }
    }

    private func notifyStepComplete(_ step: Int) {
        let content = UNMutableNotificationContent()
        content.title = "Крок \(step + 1) готовий"
        content.sound = .default
        UNUserNotificationCenter.current().add(
            UNNotificationRequest(identifier: "step-\(step)", content: content, trigger: nil)
        )
    }
}

Чому важливо використовувати JSON response_format?

Без нього модель повертає markdown-обгортку з кодом. Парсити таку відповідь надійно — майже неможливо: модель може змінити форматування. Вказавши response_format: json_object, ми гарантуємо чистий JSON, який можна декодувати через Codable або Gson. Це прискорює розробку та знижує баги.

Як працює персоналізація рецептів?

Кожен збережений і приготований рецепт додається в профіль уподобань. При наступному запиті ми включаємо в промпт список страв, що сподобалися, що підвищує релевантність без необхідності fine-tuning моделі. Зберігання рецептів: SwiftData (iOS останніх версій) або Core Data — JSON-серіалізація структури рецепта в атрибут. На Android — Room з TypeConverter для List<Ingredient> та List<Step>.

Що входить в роботу

Орієнтири за термінами

Базовий асистент (текстове введення + генерація рецепта) — від 3 днів. Повна реалізація з розпізнаванням фото, таймерами кроків, профілем уподобань та офлайн-зберіганням — від 4 тижнів. Вартість розраховується індивідуально після оцінки проєкту.

Досвід команди — 5+ років у мобільній розробці, понад 30 успішних проєктів. Ми гарантуємо дотримання вимог App Store та Google Play. Кожен проєкт проходить код-рев'ю та навантажувальне тестування.

Зв'яжіться з нами, щоб обговорити ваш проєкт та отримати індивідуальну оцінку.

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.