Skalierbare Backend-Architektur für KI-basierte Diabetes‑Vorhersage-App

Die weltweite Zunahme von Diabetes erfordert frühzeitige Erkennung, um schwere Komplikationen zu verhindern. KI‑gestützte Vorhersage‑Apps bieten hierfür vielversprechende Lösungen, benötigen jedoch ein reaktionsschnelles und skalierbares Backend, um eine große Nutzerbasis effizient zu bedienen.

In der vorliegenden Studie wurde ein skalierbares Backend für eine mobile Diabetes‑Vorhersage‑App entwickelt und evaluiert. Das Ziel war es, die Fehlerquote unter 5 % zu halten und die durchschnittliche Antwortzeit unter 1 000 ms zu erreichen. Durch horizontales Scaling, Datenbank‑Sharding und asynchrone Kommunikation über eine Message‑Queue wurde die Architektur realisiert.

Die Leistungsbewertung zeigte, dass 83 % der 24 Features die festgelegten Ziele erreichten – 20 davon. Besonders die Verwaltung von Nutzerprofilen, die Aktivitätstracking‑Funktion und die leseintensiven Vorhersage‑Operationen lieferten die gewünschten Ergebnisse. Das System konnte bis zu 10 000 gleichzeitige Nutzer ohne Probleme bedienen, was die Skalierbarkeit bestätigt.

Ein entscheidender Faktor war die Implementierung von RabbitMQ für die asynchrone Kommunikation. Durch das Queue‑System konnten rechenintensive Vorhersage‑Anfragen zuverlässig verarbeitet und Fehler reduziert werden, ohne dass Daten bei hoher Last verloren gingen. Diese Lösung sichert die Zuverlässigkeit und Stabilität der Anwendung unter Spitzenbelastung.