Мобильные приложения стали основным каналом сопровождения путешественника на всех этапах поездки, а развитие искусственного интеллекта формирует у пользователей ожидание персонализированного «умного гида». При этом существующие туристические сервисы редко сочетают глубокую персонализацию, контекстную маршрутизацию, защиту приватности данных и устойчивую работу при нестабильном интернет-соединении. Цель исследования – разработать и обосновать подход к проектированию iOS-приложения интеллектуального туристического гида с интеграцией AI-сервисов, включая выбор архитектуры, технологического стека, методов персонализации и UX-решений. Материалы и методы исследования. Выполнен анализ 47 приложений категории «Travel» в App Store и 17 специализированных AI-сервисов; проведен сравнительный анализ подходов к персонализации и рекомендательным системам в туризме; спроектирована многоуровневая архитектура (Clean Architecture и MVVM, SwiftUI, Core ML, облачные языковые модели) и реализован прототип – мобильное приложение на платформе iOS «TripSight». Результаты. Предложена архитектура приложения и гибридная схема AI-инференса, распределяющая обработку между локальными моделями Core ML и облачными языковыми моделями по критериям задержки, приватности, доступности сети и сложности запроса. Сформулированы научная новизна и авторский вклад, рекомендации по технологическому стеку и UX-паттернам, а также определены ограничения и область применимости решения.
Mobile applications have become the primary channel for supporting travelers throughout all stages of their journey, while the advancement of artificial intelligence shapes user expectations for a tailored “smart guide”. However, existing travel services rarely combine deep personalization, context-aware routing, data privacy protection, and robust performance under unstable internet connection conditions. Aim. The study aims to develop and justify an approach to designing an iOS intelligent tourist guide application with integrated AI services, including the choice of architecture, technology stack, personalization methods, and UX solutions. Materials and methods. An analysis of 47 “Travel” applications in the App Store and 17 specialized AI services was performed; a comparative analysis of approaches to personalization and recommendation systems in tourism was conducted; a multi-tiered architecture (Clean Architecture, MVVM, SwiftUI, Core ML, cloud-based language models) was designed, and a prototype, the iOS mobile application “TripSight”, was implemented. Results. An application architecture and a hybrid AI inference scheme have been proposed, distributing processing between local Core ML models and cloud-based language models based on criteria of latency, privacy, network availability, and request complexity. The scientific novelty and the author's contribution have been formulated, along with recommendations for the technology stack and UX patterns; furthermore, the limitations and the scope of applicability of the proposed solution have been defined.