AI-ассистент для финансового планирования в мобильном приложении

AI-ассистент для финансового планирования в мобильном приложении

Мы сталкивались с ситуацией, когда пользователь имеет пять банковских карт, два кредита и ни одного инструмента для сводного анализа. Разрозненные данные не дают увидеть реальную картину — траты по одной карте перекрываются кредитными лимитами, а накопления застывают на депозите с мизерной ставкой. Наш AI-ассистент собирает всё в единое приложение, строит прозрачный бюджет и даёт actionable-советы, а не общие фразы «сократите расходы». Мы делаем это под ключ, с интеграцией любого банковского API и безопасной обработкой данных. За 5 лет работы мы выпустили более 50 fintech-проектов, и каждый из них помог пользователям сэкономить в среднем $90–130 в месяц на необязательных тратах. Получите консультацию — мы оценим ваш проект.

Как AI-ассистент анализирует ваши финансы?

Агрегация данных — первый и самый критичный слой. Мы используем три источника:

• Open Banking / PFM API: Plaid (США/Европа), Salt Edge (СНГ и Европа), Tinkoff API (Россия). Возвращают транзакции с категориями, балансы, историю за 12+ месяцев. Требуют OAuth-авторизацию.
• Apple Pay / Google Pay транзакции — через PassKit / Google Wallet API. Доступ ограничен, но для приложений с разрешением даёт ценные данные.
• Ручной ввод — всегда как fallback, с AI-автозаполнением категории и суммы через распознавание чека камерой.

// iOS - инициация Plaid Link
import LinkKit

func openPlaidLink() {
    var config = LinkTokenConfiguration(token: plaidLinkToken) { result in
        switch result {
        case .success(let success):
            self.exchangePublicToken(success.publicToken)
        case .failure(let error):
            print("Plaid error: \(error.localizedDescription)")
        }
    }
    let result = Plaid.create(config)
    switch result {
    case .success(let handler):
        handler.open(presentUsing: .viewController(self))
    case .failure:
        break
    }
}

Категоризация транзакций: правила vs AI

Банки дают неоднородные категории — наша задача привести их к единой схеме. Мы используем двухэтапный подход:

Правила в 10 раз быстрее и дешевле, но не справляются с уникальными покупками (например, подписка на малоизвестный сервис). AI решает эти 10–15% кейсов, которые иначе пришлось бы обрабатывать вручную.

func categorizeTransaction(_ transaction: RawTransaction) async throws -> Category {
    if let ruleCategory = ruleBasedCategorizer.categorize(transaction) {
        return ruleCategory
    }
    let prompt = """
    Categorize this transaction into ONE category.
    Categories: food_groceries, food_restaurants, transport, housing, utilities, entertainment, health, education, shopping, travel, income, transfer, other
    Transaction: "\(transaction.merchantName)", amount: \(transaction.amount) \(transaction.currency)
    MCC code: \(transaction.mccCode ?? "unknown")
    Return only the category name, nothing else.
    """
    let category = try await openAI.complete(prompt: prompt, maxTokens: 10)
    return Category(rawValue: category.trimmingCharacters(in: .whitespacesAndNewlines)) ?? .other
}

Как AI генерирует финансовые рекомендации?

Анализ расходов — детерминированный код, AI нужен для интерпретации. Сначала строим FinancialSnapshot: доходы, расходы по категориям, норма накоплений, повторяющиеся платежи и аномалии. Затем генерируем инсайт через LLM.

struct FinancialSnapshot {
    let monthlyIncome: Decimal
    let expensesByCategory: [Category: Decimal]
    let savingsRate: Double
    let recurringExpenses: [RecurringExpense]
    let unusualExpenses: [Transaction]
}

func generateInsight(snapshot: FinancialSnapshot) async throws -> String {
    let expenseSummary = snapshot.expensesByCategory
        .sorted { $0.value > $1.value }
        .prefix(5)
        .map { "\($0.key.displayName): \($0.value.formatted(.currency(code: "USD")))" }
        .joined(separator: "\n")
    let prompt = """
    Financial data for this month:
    Income: \(snapshot.monthlyIncome.formatted(.currency(code: "USD")))
    Savings rate: \(String(format: "%.1f", snapshot.savingsRate))%
    Top expenses: \(expenseSummary)
    Unusual this month: \(snapshot.unusualExpenses.map { $0.description }.prefix(3).joined(separator: ", "))
    Give 2-3 specific, actionable insights. Be direct. No generic advice.
    Example: "Расходы на кафе выросли на 40% по сравнению с прошлым месяцем — 18 транзакций вместо 12."
    """
    return try await openAI.complete(prompt: prompt, maxTokens: 200)
}

Фраза «No generic advice» в промпте критична: без неё модель выдаёт «сократите расходы на еду» вместо конкретных цифр. OpenAI Prompt Engineering Guide

Прогнозирование и цели

Для расчёта срока достижения цели используем простую формулу на Kotlin:

// Android - расчёт срока достижения цели
data class SavingsGoal(
    val name: String,
    val targetAmount: BigDecimal,
    val savedAmount: BigDecimal,
    val monthlyContribution: BigDecimal
)

fun calculateGoalTimeline(goal: SavingsGoal): GoalTimeline {
    val remaining = goal.targetAmount - goal.savedAmount
    if (goal.monthlyContribution <= BigDecimal.ZERO) {
        return GoalTimeline.Unachievable
    }
    val months = (remaining / goal.monthlyContribution).toLong()
    val achieveDate = LocalDate.now().plusMonths(months)
    return GoalTimeline.Achievable(achieveDate, months)
}

AI подключается для оптимизации: находит категории с наибольшим потенциалом сокращения расходов и предлагает перераспределить их в накопления.

Пошаговая инструкция: как подключить свой банк

1. Выберите банк из поддерживаемых — мы предоставляем список из 50+ банков через Plaid и Salt Edge.
2. Авторизуйтесь через OAuth — приложение перенаправляет вас на страницу банка, где вы вводите логин и пароль (данные не передаются нам).
3. Подтвердите доступ — после успешного входа вы получаете токен, который сохраняется локально.
4. Настройте категории — AI автоматически распределит транзакции, но вы можете вручную переопределить любую категорию.
5. Анализируйте — в реальном времени приложение строит бюджет, прогнозы и даёт рекомендации.

Почему важно обезличивать данные перед отправкой в LLM?

Финансовые данные нельзя передавать в raw-виде. Наш пайплайн обезличивания:

• Суммы округляем до порядков (не $430–620, а ~48 000)
• Названия магазинов хэшируем или заменяем категорией
• Никогда не отправляем номера счетов, реквизиты, ФИО

На iOS используем DataProtection.complete для локального хранилища транзакций — файл зашифрован ключом, недоступным пока устройство заблокировано. На Android — EncryptedSharedPreferences + EncryptedFile из security-crypto. Дополнительно мы шифруем данные в передаче через TLS 1.3.

Что входит в работу

Мы предоставляем:

• Архитектуру и документацию по интеграциям
• Доступ к SDK (iOS/Android) с примерами
• Настройку серверной части для обогащения данных
• Техническую поддержку на этапе внедрения
• Обучение команды работе с AI-моделями

Команда имеет 5+ лет опыта в fintech и выпустила более 50 проектов с AI и Open Banking. Свяжитесь — и мы подготовим архитектуру под ваш проект.

Ориентиры по срокам

Стоимость рассчитывается индивидуально. Оценим ваш проект — получите консультацию.