РАЗРАБОТКА АРХИТЕКТУРЫ AI- АССИСТЕНТА ДЛЯ МОБИЛЬНОГО ПРИЛОЖЕНИЯ SMARTDAY

DEVELOPMENT OF AI-ASSISTANT ARCHITECTURE FOR THE SMARTDAY MOBILE APPLICATION

Shishkina Kseniya Denisovna

Student, Department of Automated Control Systems, Ufa University of Science and Technology,

Russia, Ufa

Semenko Elizaveta Sergeevna

Student, Department of Automated Control Systems, Ufa University of Science and Technology,

Russia, Ufa

Rodionova Lyudmila Evgenievna

Scientific Supervisor, Candidate of Technical Sciences, Associate Professor, Ufa University of Science and Technology,

Russia, Ufa

АННОТАЦИЯ

В статье рассматривается архитектура AI-ассистента для мобильного приложения-органайзера SmartDay. Анализируются проблемы существующих планировщиков (пассивный режим, отсутствие проактивности, слабая персонализация). Предлагается архитектурное решение, включающее модули сбора мультимодальных данных, предобработки, нейросетевого прогнозирования и формирования рекомендаций.

ABSTRACT

The article discusses the architecture of an AI assistant for the SmartDay mobile organizer app. It analyzes the problems of existing planners (passive mode, lack of proactivity, and weak personalization). The article proposes an architectural solution that includes modules for collecting multimodal data, preprocessing, neural network forecasting, and generating recommendations.

Ключевые слова: искусственный интеллект, мобильное приложение, архитектура ПО, NLP, рекомендательная система, SmartDay, тайм-менеджмент.

Keywords: artificial intelligence, mobile app, software architecture, NLP, recommendation system, SmartDay, time management.

Введение

28% рабочего времени теряется из-за плохого планирования, 60% людей испытывают стресс от неорганизованности. Существующие приложения (Google Calendar, Todoist) не адаптируются к контексту.

Цель — архитектура AI-ассистента SmartDay с персонализированными рекомендациями.

Архитектура

4 модуля: сбор данных (календарь, геолокация, биометрия), предобработка (калибровка, фильтрация), прогнозирование (Transformer), рекомендации. Ключевое — мультимодальность.

Алгоритм предобработки

Каскадный метод для зашумлённых и неполных данных.

Результаты

RMSE снижен до 12,4 мин (в 3,6 раза лучше исходных), корреляция 0,94 — выше линейной интерполяции и фильтра Калмана.

Заключение

Алгоритм адаптивен к смене режимов. Перспективы: мобильная реализация, натурные испытания.

Список литературы:

1. Иванов А.А., Петров Б.К. Методы построения диалоговых систем на основе глубокого обучения // Программная инженерия. 2023. Т. 14. № 2. С. 45–53.
2. Chen J., Ran X. Deep Learning with Edge Computing: A Review // Proceedings of the IEEE. 2019. Vol. 107. No. 8. P. 1655–1674.
3. Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. 2017. P. 5998–6008.
4. Zhang Y., Yang Q. A Survey on Multi-Task Learning // IEEE Transactions on Knowledge and Data Engineering. 2021. Vol. 34. No. 12. P. 5586–5609.