Адаптивний алгоритм та застосунок для персоніфікованого підбору дієтичних продуктів

Abstract

Об’єкт дослідження – методи та засоби персоніфікованого підбору харчових продуктів на основі контекстних бандитів і автоматизованого зчитування етикеток. Мета кваліфікаційної роботи – дослідити й розробити адаптивний алгоритм LinUCB та iOS-застосунок, що в режимі реального часу рекомендують продукти з урахуванням індивідуальних цілей Б/Ж/В, рівня активності та алергенів, використовуючи дані зі штрихкодів та OCR. Методи дослідження – аналіз предметної області та наявних БД продуктів; огляд і формалізація методів контекстних бандитів; побудова ознак (protein, fat, carbs, fiber, sugars, salt, bias) з нормуванням; розробка робастного парсера нутрієнтів (OCR + OFF); on-device навчання LinUCB; експериментальна оцінка точності/затримок; UX-тестування інтерфейсів. Результати роботи можуть бути використані під час розроблення програмних засобів для персоналізованого харчування та безпеки споживача: мобільні додатки зі сканером штрихкоду/OCR для миттєвого аналізу складу, виявлення алергенів та оцінки поживної цінності; рекомендаційні системи на основі контекстних бандитів (LinUCB), що адаптуються до цілей користувача Розробка та дослідження проводилися під управлінням ОС MacOS Sequoia версії 15.6.1. Розробка програми проводилася у середовищі Xcode 16.2, на мові програмування Swift.Object of research – methods and tools for personalized selection of food products based on contextual bandits and automated label reading. Aim of the qualification work – to research and develop an adaptive LinUCB algorithm and an iOS application that recommend products in real time, taking into account individual protein/fat/carbohydrate goals, activity level, and allergens, using data from barcodes and OCR. Research methods – analysis of the subject area and existing product databases; review and formalization of contextual bandit methods; feature construction (protein, fat, carbs, fiber, sugars, salt, bias) with normalization; development of a robust nutrient parser (OCR + OFF); on-device LinUCB training; experimental evaluation of accuracy/latency; UX testing of interfaces. Results of the work can be used in the development of software for personalized nutrition and consumer safety: mobile applications with a barcode/OCR scanner for instant composition analysis, allergen detection, and nutritional assessment; recommendation systems based on contextual bandits (LinUCB) that adapt to user goals Development and experiments were carried out under macOS Sequoia 15.6.1. The application was developed in Xcode 16.2 using the Swift programming language.