Внедрение ИИ-алгоритмов сократило время логирования рациона в 5 раз

Для решения задачи мы отказались от создания собственного мобильного приложения в пользу интерфейса в Telegram, интегрированного с внешними нейросетевыми моделями. Было принято решение создать полностью рабочую архитектуру, интегрирующую Telegram-бота с внешними LLM-моделями для обработки неструктурированных данных о питании.

Шаг 1. Оценка проблемы и определение стратегии

В начале проекта команда сосредоточилась на осмыслении бизнес-целей в области HealthTech, связанных с анализом питания, а также на изучении сценариев использования, вместо составления строгого технического задания. На этом этапе мы:

• выполнили анализ целевой аудитории, исследовав поведенческие паттерны пользователей, включая предпочтение простых интерфейсов в мессенджерах;
• определили основные проблемы: трудности с вводом неструктурированных данных о пище, отсутствие индивидуальной адаптации и слабая мотивация к мониторингу питания;
• выделили ключевые сценарии с приоритетом, такие как голосовой ввод, идентификация продуктов и вычисление нутриентов;
• задокументировали требования к интеграции с внешними моделями LLM, обеспечению безопасности данных и соблюдению правил обработки персональной информации.

Итогом этапа стало формирование общего представления о продукте в виде чат-бота и Telegram Mini App, направленного на упрощение пути пользователя и применение ИИ для анализа данных.

Шаг 2. Создание сценариев использования и пользовательского опыта

После выявления основных задач команда приступила к разработке интерфейса и логики взаимодействия с ботом. Этапы работы:

• создали сценарии использования для ключевых операций: голосовой или текстовый ввод информации о пище, анализ ингредиентов, вычисление КБЖУ и предоставление рекомендаций;
• подготовили прототипы чат-взаимодействия, включая примеры выражений вроде «две столовые ложки гречки и котлета на пару»;
• минимизировали число шагов, сведя процедуру к одному действию — отправке сообщения в бот;

Эта фаза помогла уменьшить вероятность доработок и предварительно оценить интуитивность системы.

Шаг 3. Разработка дизайна интерфейса

Дизайн формировался с учетом разнообразной аудитории и частого применения бота в ежедневной рутине. Мы разрабатывали дизайн интерфейса шаг за шагом:

• создали концепцию лаконичного интерфейса без избыточных деталей, встроенного в Telegram;
• подготовили набор шаблонов для сообщений и откликов с интеграцией голосовых команд;
• обеспечили адаптивность к различным устройствам и темам (светлая/темная);
• приняли во внимание доступность для пользователей с разным уровнем технических навыков.

В итоге дизайн послужил надежной основой для оперативной интеграции и устойчивой эксплуатации.

Шаг 4. Разработка MVP

Далее мы разработали MVP с основным функционалом. В рамках этого этапа мы:

• интегрировали Telegram-бота с внешними LLM-моделями для обработки неструктурированных данных;
• настроили голосовое управление с технологией Speech-to-Text (STT) для преобразования речи в текст;
• реализовали NLP-алгоритмы для распознавания продуктов, объемов и способов приготовления;
• подключили идентификацию нутриентов через обученные модели и базы данных;
• настроили базовые персонализированные рекомендации на основе статистики.

Этот MVP дал возможность проверить ключевые сценарии использования и точность расчетов перед расширением функционала.

Бот объединяет весь цикл анализа питания: от ввода данных до фиксации и корректировки рациона. Пользователи отправляют сообщение, система автоматически анализирует и предоставляет результаты, исключая повторные действия.

Шаг 5. Развитие функционала и интеграций

После успешной стабилизации работы MVP мы приступили к расширению возможностей продукта и углублению его функциональности. В рамках данного этапа были выполнены следующие работы:

• внедрена поддержка комбинированного ввода данных (голос и текст) в рамках одного аккаунта;
• добавлен архив питания с визуализацией данных в виде графиков и аналитической панелью;
• реализована система умных напоминаний о балансе нутриентов и необходимых корректировках рациона;
• обеспечена интеграция с внешними авторитетными базами данных для верификации пищевой информации;
• разработан API для безопасного обмена данными с другими системами в сфере HealthTech.

Технологический стек: бэкенд-система построена на Python с использованием специализированных фреймворков для NLP, а Telegram-бот разработан на основе Telegram API с глубокой интеграцией LLM-моделей.

Шаг 6. Тестирование и релиз продукта

На финальном этапе основное внимание было сосредоточено на обеспечении высокого качества и отказоустойчивости системы перед публичным запуском. Работа включала следующие шаги:

• выполнение комплексного функционального и интеграционного тестирования;
• валидацию точности распознавания запросов, корректности расчетов КБЖУ и алгоритмов персонализации;
• оптимизацию производительности и отказоустойчивости системы;
• подготовку и настройку бота для публичного развертывания в Telegram;
• сопровождение релиза и первичных обновлений.

Платформа включает клиентскую часть на базе Telegram API, серверный backend на Python с NLP- и STT-компонентами, а также LLM-модели для анализа пищевой ценности. Через единый API осуществляется обработка запросов, взаимодействие с базами данных и формирование персональных рекомендаций.