Розробка веб-застосунку для персоналізованого моніторингу фізичної активності з використанням штучного інтелекту

Abstract

Магістерська робота присвячена дослідженню та розробці веб-застосунку для моніторингу фізичної активності з інтеграцією алгоритмів штучного інтелекту (ШІ). У контексті зростання попиту на персоналізовані фітнес-рішення та розвитку ШІ-технологій (CAGR 26,47% у Європі), тема є актуальною. У роботі проведено аналіз сучасних підходів до використання ШІ у фітнес-застосунках, досліджено принципи прогнозування активності та персоналізації рекомендацій. Розглянуто методи машинного навчання, зокрема лінійну регресію та LSTM-мережі, для обробки біометричних даних. Розроблено архітектуру вебзастосунку на основі клієнт-серверного підходу, що включає серверну частину (Spring Boot, MySQL, Hibernate) та клієнтську (Angular, TensorFlow.js). Модуль AI-Coach генерує рекомендації (калорії, макронутрієнти, тренування) на основі формул Харріса-Бенедикта. Запропоновано метод оцінки ефективності ШІ-моделей за метрикою MAE (середня похибка 5,24%), що підтверджує їх точність. Розроблено механізми гейміфікації (модуль досягнень), які підвищують мотивацію користувачів через візуалізацію прогресу. Експериментальне дослідження на вибірці з 10 користувачів показало стабільність системи (100% успішних запусків) та відповідність швидкодії стандартам Web Vitals (LCP = 0,31 с, CLS = 0,04, INP = 63,8 мс). Виявлено обмеження – відсутність адаптивності для мобільних пристроїв. Практична значимість роботи полягає у створенні програмного забезпечення, яке забезпечує персоналізований фітнес-коучинг. Розроблені алгоритми дозволяють аналізувати біометричні дані, оптимізувати тренувальні плани та інтегруватися з носимими пристроями. Особливу увагу приділено надійності системи: реалізовано обробку винятків, логування та моніторинг через Postman і MySQL Workbench. Код відповідає стандартам якості та супроводжується документацією. Досліджено сценарії застосування: персоналізований коучинг, аналіз даних у реальному часі, профілактика здоров’я через інтеграцію з медичними API. Система масштабна для обробки великих обсягів даних. Розробка велася з використанням сучасних технологій (Spring Boot, Angular, TensorFlow.js, Chart.js, jsPDF) і інструментів (IntelliJ IDEA, Visual Studio Code, Git). Код оптимізований для продуктивності та супроводжується документацією. Перспективи розвитку включають інтеграцію більших датасетів для підвищення точності ШІ (MAE < 3%), адаптивну верстку (Bootstrap Grid), аналіз біометричних даних через Bluetooth API та дослідження етичних аспектів ШІ. Результати роботи мають теоретичне значення для розвитку ШІ у фітнес-технологіях та практичну цінність для створення систем цифрової медицини. Робота вносить внесок у дослідження персоналізованого коучингу, закладаючи основу для подальших інновацій.