Розробка AI-рекомендацій здоров'я для мобільних додатків

Більшість health-додатків показують користувачеві цифри — і той закриває додаток, так і не змінивши звичок. Ми змінюємо сценарій: замість «ось ваші дані» даємо «ось що ці дані значать для вас сьогодні». За даними HealthKit, середня щоденна активність користувача — 5 423 кроки, сон — 7.1 год. На основі цих даних rule engine генерує 12–20 кандидатів на день, ML-ранжування вибирає 3–5 найбільш релевантних. Наприклад, якщо пульс спокою вище 80 bpm і сон менше 6.5 год, рекомендація — знизити інтенсивність тренувань.

У цій статті я розповім, як ми будуємо систему рекомендацій: від збору даних до доставки push-повідомлень. Ви дізнаєтеся, чому rule engine — не пережиток, а фундамент, і як ML додає персоналізацію без втрати прозорості. Ми розробили 15+ health-додатків, 5+ років досвіду, один із проектів досяг 500 000+ встановлень. Якщо вам потрібна аналогічна система, пишіть нам — ми допоможемо спроектувати та впровадити її під ключ.

Чому rule engine — основа персоналізованих рекомендацій?

Rule-based підхід — не застарілий, а практичний. Правила прозорі, тестовані, не потребують датасету для навчання. ML поверх правил додає персоналізацію в ранжуванні. Комбіновані умови важливі: пульс спокою 85 bpm сам по собі може бути нормою, але в поєднанні з недосипом — маркер перетренованості. Згідно з дослідженнями Американської кардіологічної асоціації, таких комбінацій десятки.

Архітектура системи рекомендацій

Персоналізовані рекомендації здоров'я — це pipeline з кількох шарів, а не один алгоритм. У таблиці нижче — основні компоненти та їх призначення.

Дані: HealthKit як єдина 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 з HealthConnectClient.readRecords(StepsRecord::class) для запиту кроків за період. Ми також підключаємо сторонні пристрої через Core Bluetooth на iOS та BLE на Android, щоб отримувати дані з ваг, тонометрів та фітнес-браслетів.

Як ML покращує персоналізацію?

Rule engine генерує список кандидатів-рекомендацій. ML-модель ранжує їх за ймовірністю виконання конкретним користувачем. Використовуємо градієнтний бустинг на фічах: історичний CTR, патерн дня тижня, streak виконання. Навчаємо на імпліцитному зворотному зв'язку: показано → відкрито → виконано (дані з HealthKit). ML-ранжування в 1.5–2 рази ефективніше за чисто rule-based підхід за показником CTR.

Як підбирається час для push-повідомлень?

Правильний момент важливіший за зміст. «Лягайте спати раніше» о 20:00 працює, о 23:30 — ні.

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 аналізує патерни користувача: час відкриття додатку, сон, тренування. Прив'язка до контексту: якщо CMMotionActivityManager показує, що користувач іде — рекомендацію по активності не показуємо.

Принципи ефективних рекомендацій

Одна конкретна рекомендація на день краща за п'ять загальних. «Пройдіть 2 000 кроків до 18:00, у вас зараз 1 200» — працює. «Більше рухайтесь» — ні. Прив'язка до контексту та персоналізація — ключові фактори залучення. Ми використовуємо A/B тестування, щоб відбирати найбільш ефективні формати та контент.

Поетапний процес роботи над рекомендаціями

1. Аналіз джерел даних та проектування схеми HealthKit/Health Connect.
2. Розробка 20–50 правил на основі медичних протоколів та типових сценаріїв.
3. Реалізація ML-ранжування на синтетичних даних для навчання.
4. Система доставки: in-app віджети + push з оптимальним таймінгом.
5. A/B тестування ефективності (мінімум 2 тижні).
6. Документація API та навчання команди адмініструванню правил.

Що входить в роботу

• Документація API з інтеграції та управління правилами.
• Навчання команди замовника адмініструванню та доопрацюванню рекомендацій.
• Підтримка після запуску протягом 3 місяців.
• Гарантія на код: виправлення помилок у рамках заданої архітектури.

Вартість такого рішення під ключ — від $5 000 до $15 000 залежно від складності інтеграції. Економія на міграції до нашого рішення складає до 40% порівняно з альтернативами.

Орієнтири за термінами

Точна оцінка залежить від складності інтеграції та кількості джерел даних. Напишіть нам для консультації — ми проаналізуємо ваш проект за 1 день. Отримайте індивідуальну пропозицію, зв'язавшись з нами.

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.