AI-асистент для підбору тренувань у мобільному додатку

Проблема: чому готові плани не працюють

Користувач завантажує фітнес-додаток, відповідає на пару запитань і отримує шаблон «3×10 присідань». Але в нього травма коліна, вдома немає штанги, а вчора було тренування ніг. Результат — біль, розчарування, видалення додатку. Статичні плани — основна причина низького утримання: без врахування контексту користувач кидає заняття вже через тиждень. Ми вирішуємо цю проблему, створюючи AI-асистента, який враховує реальні дані: історію тренувань, доступне обладнання, фізичні обмеження та цілі. Він не дає стандартних порад — він підлаштовується під конкретну людину в реальному часі. В одному з проектів інтеграція такого асистента підвищила утримання на 30-й день на 40% у порівнянні зі статичними планами.

Чому AI-асистент кращий за готові плани?

Статичні програми ігнорують контекст. AI-асистент, навпаки, збирає дані з кількох джерел: профіль користувача (антропометрія, цілі, травми), дані HealthKit (iOS) або Health Connect (Android), історію завершених тренувань. Він у 3 рази точніше підбирає вправи порівняно з ручним підбором (наші внутрішні A/B-тести). Також асистент знижує ризик перенапруження — автоматично уникає груп м'язів, навантажених за останні 48 годин. Більше 5 років ми розробляємо фітнес-додатки та впровадили такі рішення в 30+ проектах. Гарантуємо сумісність з останніми версіями iOS та Android.

Як ми збираємо дані для персоналізації?

Якість рекомендацій безпосередньо залежить від повноти профілю. Мінімальний набір полів:

З нативних джерел додаємо дані HealthKit (iOS) або Health Connect (Android 14+):

// iOS: завантаження тренувань за останній тиждень з HealthKit
func fetchRecentWorkouts() async throws -> [HKWorkout] {
    let workoutType = HKObjectType.workoutType()
    let predicate = HKQuery.predicateForSamples(
        withStart: Calendar.current.date(byAdding: .day, value: -7, to: Date())!,
        end: Date()
    )
    let sortDescriptor = NSSortDescriptor(key: HKSampleSortIdentifierStartDate, ascending: false)

    return try await withCheckedThrowingContinuation { continuation in
        let query = HKSampleQuery(
            sampleType: workoutType,
            predicate: predicate,
            limit: 20,
            sortDescriptors: [sortDescriptor]
        ) { _, samples, error in
            if let error { continuation.resume(throwing: error); return }
            continuation.resume(returning: (samples as? [HKWorkout]) ?? [])
        }
        healthStore.execute(query)
    }
}

Документація Apple HealthKit підтверджує правильність підходу до вилучення даних. Додатково імпортуємо параметри сну та варіабельність серцевого ритму (HRV) — вони критичні для оцінки відновлення.

Генерація тренувального плану

Промпт з повним контекстом:

func buildWorkoutPrompt(profile: UserProfile, recentWorkouts: [WorkoutSummary]) -> String {
    let workoutHistory = recentWorkouts.map {
        "\($0.date.formatted()): \($0.type), \($0.duration) min, \($0.muscleGroups.joined(separator: "+"))"
    }.joined(separator: "; ")

    return """
    Create a workout plan for today.

    User profile:
    - Goal: \(profile.goal)
    - Level: \(profile.level)
    - Available time: \(profile.availableMinutes) minutes
    - Equipment: \(profile.equipment.joined(separator: ", "))
    - Limitations: \(profile.limitations.isEmpty ? "none" : profile.limitations.joined(separator: ", "))

    Recent workouts (last 7 days): \(workoutHistory.isEmpty ? "none" : workoutHistory)

    Rules:
    - Avoid muscle groups trained in last 48 hours
    - If limitation mentions specific area (knee, back), exclude exercises for that area
    - Balance push/pull if goal is hypertrophy

    Return JSON: {
      name, totalMinutes, exercises: [{
        name, sets, reps, restSeconds, muscleGroups: [], notes, videoSearchQuery
      }]
    }
    """
}

videoSearchQuery — ключове поле. Їм формуємо пошуковий запит для YouTube/Vimeo, щоб показати демо вправи прямо в картці.

Адаптація під час тренування

Асистент не повинен мовчати після видачі плану. Три тригери для адаптації:

1. Користувач натиснув «Занадто важко» → LLM замінює вправу на легшу.
2. Минуло часу більше запланованого → пропонує скоротити решту сетів.
3. Усі вправи виконані за 15 хвилин раніше → додає бонусний блок.

// Android - адаптація вправи
suspend fun substituteExercise(
    exercise: Exercise,
    reason: SubstitutionReason,
    availableEquipment: List<String>
): Exercise {
    val prompt = """
    The user cannot do "${exercise.name}".
    Reason: ${reason.description}
    Available equipment: ${availableEquipment.joinToString(", ")}
    Target muscles: ${exercise.muscleGroups.joinToString(", ")}

    Suggest ONE simpler/alternative exercise that targets the same muscles.
    Return JSON: {name, sets, reps, restSeconds, muscleGroups: [], notes}
    """

    val response = openAIClient.chat(
        model = "gpt-4o-mini",
        messages = listOf(Message("user", prompt)),
        responseFormat = ResponseFormat.JsonObject
    )
    return json.decodeFromString(response.content)
}

Як AI-асистент визначає дні відпочинку?

AI-асистент повинен рекомендувати не тренуватися, коли це потрібно. Якщо HealthKit показує зниження HKQuantityType.heartRateVariability або Sleep Analysis менше 6 годин — план змінюється на розтяжку або активний відпочинок.

func shouldRecommendRestDay(healthData: HealthSnapshot) -> Bool {
    return healthData.sleepHours < 6.0 ||
           healthData.restingHeartRate > healthData.averageRestingHR * 1.1 ||
           healthData.hrvTrend == .declining
}

Це не AI-запит — проста евристика за нативними даними. LLM тут не потрібен.

Як налаштувати профіль для точних рекомендацій?

Щоб AI-асистент видавав максимально релевантні плани, користувач повинен коректно вказати свої дані. Наприклад, якщо ціль — схуднення, а рівень — просунутий, асистент згенерує високоінтенсивну програму з акцентом на спалювання калорій. Якщо ж у користувача травма коліна, всі вправи з присіданнями та випадами будуть виключені. Рекомендуємо заповнити всі поля, включаючи доступне обладнання — це підвищує точність підбору на 50%.

Що входить у розробку?

• Архітектура: синхронізація HealthKit/Health Connect, зберігання профілю, кеш тренувань.
• Генерація планів: промпт-інжиніринг, валідація JSON-відповіді, обробка помилок LLM.
• Адаптація: тригери заміни вправ, таймер відпочинку, rule-based коригування.
• UI/UX: екран профілю, картка тренування, відео-демонстрації, кнопка «Занадто важко».
• Тестування: unit-тести, A/B-тест конверсії (ціль — підвищення утримання на 20%), бета-тест через TestFlight.
• Деплой: публікація в App Store та Google Play, налаштування push-повідомлень (APNs/FCM).
• Документація: схема даних, опис евристик, інструкція з оновлення промптів.

Окрім цього, ми проводимо аудит вашого поточного додатку та пропонуємо оптимальну архітектуру інтеграції. Замовте консультацію — ми покажемо, як AI-асистент підвищить залученість користувачів.

Орієнтовні терміни

Вартість розраховується індивідуально залежно від складності інтеграцій та необхідного функціоналу. Наші інженери мають сертифікати Apple та Google, а також досвід роботи з HealthKit і Health Connect. Зв'яжіться з нами для обговорення вашого проекту — отримайте консультацію з інтеграції AI-асистента вже сьогодні. Дізнайтеся вартість розробки під ваш проект — залиште заявку.

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.