AI-оптимізація енергоспоживання IoT у мобільному додатку

Розумний дім клієнта споживав на 30% більше, ніж треба. Кондиціонер працював у порожній кімнаті, бойлер грів воду в піковий тариф, освітлення не гасло за розкладом. Типова ситуація: IoT-пристрої є, але керування ними хаотичне. Рішення — AI-система, яка аналізує дані з датчиків, прогнозує споживання та автоматично вмикає/вимикає пристрої. Ми впроваджуємо такі системи під ключ за 6–10 тижнів. Зв'яжіться для оцінки вашого проекту — безкоштовно розберемо поточну схему.

Проблема: чому пристрої споживають зайве

Без оптимізації кожен прилад живе сам по собі. Кондиціонер не знає, що в кімнаті нікого немає. Бойлер вмикається в годину пік, коли тариф максимальний. Насос підтримує тиск вночі, хоча можна вимкнути. AI вирішує це автоматично: модель на основі LSTM вчиться на історії споживання та погодних даних, передбачає профіль на 24-48 годин і дає рекомендації або виконує команди.

Як ми збираємо дані: розумні лічильники та датчики

Для точної картини використовуємо пристрої з потоковою передачею даних через MQTT. Дані читаємо з частотою 1-10 секунд залежно від завдання.

Для промислових ліній — струмові трансформатори SCT-013 або PZEM-004T. Дані читає ESP32 через АЦП та публікує в MQTT топік. Всі пристрої калібруються під конкретну проводку.

// Android: підписка на дані потужності через MQTT
data class PowerReading(
    val deviceId: String,
    val activePower: Double,   // Вт
    val reactivePower: Double, // ВАр
    val voltage: Double,       // В
    val current: Double,       // А
    val energy: Double,        // кВтч, накопичений лічильник
    val timestamp: Long
)

class EnergyMonitorRepository {
    fun observeDevicePower(deviceId: String): Flow<PowerReading> = channelFlow {
        mqttClient.subscribe("devices/$deviceId/power", qos = 1) { _, msg ->
            val reading = Json.decodeFromString<PowerReading>(String(msg.payload))
            trySend(reading)
        }
        awaitClose { mqttClient.unsubscribe("devices/$deviceId/power") }
    }
}

Як AI аналізує патерни споживання?

Сервер отримує потік даних і будує профіль кожного пристрою. Кластеризація часових рядів (K-Means на MFCC-подібних ознаках) виявляє типові патерни: робочий день, вихідний, порожній дім. Потім LSTM-модель прогнозує споживання на 24-48 годин з точністю 85-90% — це на 20% краще за традиційні ARIMA. Вхідні ознаки: 7 днів історії, день тижня, година, зовнішня температура, присутність людей.

# Сервер: підготовка ознак для прогнозу споживання
def build_features(device_id: str, horizon_hours: int = 24) -> pd.DataFrame:
    history = get_power_history(device_id, days=7)
    weather = get_weather_forecast(hours=horizon_hours)

    df = pd.DataFrame({
        'hour_sin': np.sin(2 * np.pi * history.hour / 24),
        'hour_cos': np.cos(2 * np.pi * history.hour / 24),
        'dow_sin': np.sin(2 * np.pi * history.dayofweek / 7),
        'dow_cos': np.cos(2 * np.pi * history.dayofweek / 7),
        'temp_outdoor': weather.temperature,
        'power_lag_1h': history.power.shift(1),
        'power_lag_24h': history.power.shift(24),
        'power_lag_168h': history.power.shift(168),  # тиждень тому
    })
    return df

Які автосценарії можна налаштувати?

На основі прогнозу додаток пропонує конкретні автоматизації. Наприклад: "Кондиціонер працював 3 години в порожній кімнаті — створити правило вимкнення при відсутності руху?", "Пральна машина запускається в піковий тариф — перенести на 23:00 і економити X гривень на місяць". Користувач підтверджує рекомендацію, і сценарій створюється на бекенді (Node-RED, Home Assistant) або надсилається безпосередньо на пристрій через MQTT.

// iOS: створення розкладу пристрою
struct DeviceSchedule: Codable {
    let deviceId: String
    let actions: [ScheduledAction]
}

struct ScheduledAction: Codable {
    let cronExpression: String // "0 1 * * *" — щодня о 01:00
    let command: DeviceCommand  // ON, OFF, SET_TEMPERATURE, SET_MODE
    let payload: [String: AnyCodable]?
    let tariffProfile: String?  // "night" — тільки при нічному тарифі
    let conditions: [ScheduleCondition]? // presence_detected: false
}

Що входить в роботу

• ML-модель прогнозування з документуванням
• Мобільний додаток (iOS на SwiftUI, Android на Jetpack Compose)
• Бекенд на Kotlin/Spring Boot з REST API та WebSocket
• Інтеграція з Home Assistant або Node-RED
• Встановлення та налаштування обладнання (розумні розетки, ESP32)
• Документація та навчання вашої команди

Процес розробки

Аналіз — збір вимог, аудит поточних пристроїв, вибір стеку. Проектування — архітектура ML-моделі, бази даних, API. Реалізація — навчання моделі, розробка мобільного та серверного коду, налаштування MQTT. Тестування — навантажувальні тести, налагодження сценаріїв, інтеграційне тестування. Деплой — публікація в App Store та Google Play, налаштування CI/CD. Отримайте консультацію — ми оцінимо ваш проект протягом дня.

Тарифні розрахунки та економія

Двотарифні лічильники — дані з API енергозбуту або ручне налаштування. Додаток відображає вартість споживання в реальному часі: поточний тариф × потужність. Графіки з накладеною тарифною сіткою на Swift Charts або MPAndroidChart. Користувач бачить, скільки коштує вечірній пік, і може налаштувати автосценарії для зниження витрат.

Терміни та вартість

Розробка модуля AI-оптимізації: 6–10 тижнів. Вартість розраховується індивідуально — напишіть нам для оцінки.

Гарантія та досвід

Ми гарантуємо стабільну роботу рішення. Досвід наших інженерів — понад 7 років в IoT та машинному навчанні. За більш ніж 5 років на ринку реалізували 20+ проектів у розумному домі та промисловості. При публікації додатку враховуємо App Store Review Guidelines Section 4.2. Зв'яжіться з нами для консультації — оцінимо ваш проект безкоштовно. Замовте розробку зараз.

Інтеграція з залізом: BLE, NFC, IoT та HomeKit у мобільних додатках

Коли задача — зв’язати смартфон з фізичним пристроєм, половина проблем знаходиться не в коді, а в прошивці заліза, характеристиках BLE-сервісів та затримках протоколу. Ми, як мобільні розробники, працюємо на стику з firmware-командою, і без розуміння стеку знизу вгору результат непередбачуваний. Ось чому ми завжди починаємо з HCI-логу та специфікації GATT — Apple Developer: Core Bluetooth Framework — це єдиний спосіб уникнути реверс-інжинірингу в польових умовах.

Чому BLE-інтеграція — найчастіша точка відмови?

Bluetooth Low Energy — основний протокол для носимих, медичних пристроїв, розумних замків та промислових датчиків. Core Bluetooth на iOS та BluetoothGatt на Android реалізують одну специфікацію, але поводяться по-різному в крайніх випадках. Статистика наших проектів: більше 70% звернень у підтримку по BLE пов’язані саме з низькорівневими помилками GATT, а не з логікою додатку.

Що робити з помилкою 133 в Android?

Помилка 133 — найчастіша в Android BLE-розробці. Це не «щось пішло не так», а конкретний індикатор переповнення черги GATT або некоректного закриття попереднього з’єднання. Ми лікуємо її двома прийомами: використовуємо чергу операцій над GATT (write, read, notification subscribe строго послідовно через операційну чергу) та завжди викликаємо disconnect() перед close(). Наша черга GATT-операцій у 3 рази знижує кількість помилок ATT_INSUFFICIENT_RESOURCES порівняно з конкурентними запитами. MTU за замовчуванням — 23 байти. Запит на збільшення (MTU exchange) обов’язковий для передачі даних об’ємом понад 20 байт. На iOS MTU запитується автоматично при підключенні, на Android потрібно явно викликати requestMtu(). Без цього ви не зможете передати, наприклад, зображення або лог через характеристику.

NFC: CoreNFC та Android NFC API

iOS підтримує NFC-читання через CoreNFC з версії iOS 11, запис — з iOS 13. Важливе обмеження: сесія сканування активна лише поки живий об’єкт NFCNDEFReaderSession і показує системний UI. Фонове сканування доступне лише для додатків з entitlement com.apple.developer.nfc.readersession.formats і лише для ISO 14443 (банківські картки, паспорти) — і цей entitlement видається не всім. На Android все простіше: NfcAdapter.enableForegroundDispatch() ловить теги у foreground без системного UI. Фоновий запуск додатку по NFC-тегу реалізується через intent-filter з ACTION_NDEF_DISCOVERED. Порівняння платформ по NFC:

HomeKit та Matter

HomeKit — екосистема Apple для розумного дому. Для інтеграції пристрій повинен мати MFi-сертифікацію (або працювати через Software Authentication для Matter). Мобільний додаток використовує HomeKit framework: HMHomeManager → HMHome → HMRoom → HMAccessory → HMService → HMCharacteristic. Matter (раніше CHIP) — крос-платформний стандарт, який підтримують Apple, Google, Amazon та Samsung. На iOS Matter-пристрої додаються через MTRDeviceController, на Android — через Google Home SDK або Matter SDK безпосередньо. Перевага Matter: один пристрій працює з HomeKit, Google Home та Alexa без перепрошивки, а конфігурація налаштовується в 4 рази швидше порівняно з власним HAP-протоколом.

Для Flutter та React Native використовуємо flutter_blue_plus та react-native-ble-plx відповідно — обидва активно підтримуються і покривають 90% сценаріїв, але для роботи з GATT-нотифікаціями у background на Android все одно потрібен foreground service. Переконайтеся, що deep linking (Universal Links на iOS, App Links на Android) налаштовані для коректного пробудження додатку при скануванні NFC-тегу або отриманні push-повідомлення від IoT-пристрою. Вимоги ATT (App Tracking Transparency) для інтеграції з залізом зазвичай не застосовуються, але якщо додаток збирає анонімну аналітику — додайте запит. Отримайте консультацію нашого інженера — він розбере вашу специфікацію за 2 дні.

Як ми інтегруємо BLE та NFC?

1. Аналітика — отримуємо від firmware-команди повну специфікацію BLE GATT (список сервісів, характеристик, формати даних) або HCI-лог. Без цього розробка перетворюється на реверс-інжиніринг через nRF Connect або Wireshark over HCI.
2. Проектування — визначаємо архітектуру підключень: чергу GATT-операцій, фонові сервіси для Android, перепідключення при втраті зв’язку. Враховуємо MTU-узгодження та обробку помилок ATT_INSUFFICIENT_RESOURCES.
3. Реалізація — кодимо на Swift/Kotlin з урахуванням особливостей платформ (Universal Links, App Links, push-повідомлення через APNs/FCM для тригерів). Для захисту Android-коду використовуємо ProGuard / R8 (shrink).
4. Тестування — на реальних пристроях з першого дня. Емулятор BLE в симуляторах не відтворює edge cases перепідключення, втрати сигналу, зміни MTU. Використовуємо автоматизацію на базі XCTest та Espresso.
5. Деплой — завантаження в App Store Connect / Google Play Console з правильним code signing та provisioning profile. Для iOS — TestFlight, для Android — Firebase App Distribution.

Що входить в роботу (deliverables)

• Вихідний код мобільного додатку з інтеграцією BLE, NFC або IoT (Swift / Kotlin / Flutter / React Native)
• Документація по протоколу GATT (карта сервісів та характеристик)
• Навантажувальне тестування на 10+ реальних пристроях (помилка 133, перепідключення, MTU-узгодження)
• Аналіз та усунення edge cases (помилка ATT_INSUFFICIENT_RESOURCES, втрата з’єднання на фоні, конфлікт з background fetch)
• Інструкція зі збірки та деплою (code signing, TestFlight, Firebase App Distribution)
• Місяць підтримки після релізу

Строки та орієнтовна вартість

Проста інтеграція з одним BLE-периферійним пристроєм (показання + команди керування) — від 2 до 4 тижнів. Типова вартість такої задачі розраховується індивідуально, включаючи налагодження GATT-профілю та обробку edge cases. Повноцінний IoT-додаток з декількома типами пристроїв, firmware OTA-оновленнями та HomeKit-підтримкою — від 2 місяців. Вартість розраховується індивідуально під ваш проект.

Ми займаємося мобільною розробкою кілька років — досвід 45+ проектів з BLE/NFC/HomeKit. Наші інженери сертифіковані Apple та Google, а кожен етап роботи фіксується в issue tracker з прив’язкою до комітів. Ми гарантуємо прозорість процесу та дотримання строків. Використовуємо підхід «інженер клієнту»: без маркетингових пауз, з прямим доступом до розробника.

Закажіть оцінку — отримайте консультацію інженера з розбором вашої специфікації. Замовте інтеграцію під ключ: ми проаналізуємо HCI-лог, перевіримо GATT-характеристики та запропонуємо архітектуру за 2 дні.