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.