AI-прогнозирование бюджета пользователя в мобильном приложении

Транзакции у пользователя есть. История трат — тоже. Но классические фильтры «прошлый месяц» не показывают, хватит ли денег до зарплаты. Результат — овердрафты, штрафы, стресс. Мы разрабатываем прогностическую модель, которая встраивается в мобильное приложение и закрывает этот разрыв. Модель анализирует паттерны расходов, учитывает сезонность (например, рост трат в праздники) и предупреждает за 5–7 дней до возможного дефицита. Для прогнозирования используем гибридную архитектуру: лёгкая on-device модель на CoreML или TFLite для быстрых предсказаний и серверная для периодического переобучения. Feature engineering включает скользящие средние, детекцию recurring-платежей и календарные признаки. Оценим ваш проект за 1–2 дня — свяжитесь, чтобы обсудить детали.

Архитектура: гибридный подход

Выбор места выполнения предсказаний — ключевое архитектурное решение. Для бюджетного прогнозирования оптимален гибридный вариант: лёгкая квантизованная модель на устройстве для быстрых inline-прогнозов, и полная модель на сервере для периодического переобучения.

На устройстве разворачиваем квантизованную модель через CoreML (iOS) или TensorFlow Lite (Android). Квантизация INT8 уменьшает размер модели в 4 раза без существенной потери точности. CoreML принимает .mlmodel, TFLite — .tflite. Конвертация из PyTorch или Keras — стандартная задача.

// iOS: загрузка CoreML модели и предсказание import CoreML class BudgetForecaster { private let model: BudgetForecastModel init() throws { let config = MLModelConfiguration() config.computeUnits = .cpuAndNeuralEngine model = try BudgetForecastModel(configuration: config) } func predictBalance(features: BudgetForecastModelInput) throws -> Double { let output = try model.prediction(input: features) return output.predictedBalance } } 

computeUnits = .cpuAndNeuralEngine — модель использует Neural Engine на A12+ чипах. Инференс 30-дневного прогноза на iPhone 14 занимает менее 5 мс.

Подготовка данных и фичи

Качество прогноза определяется не моделью, а фичами. Из истории транзакций формируем:

• скользящее среднее расходов за 7/30/90 дней по категориям
• день недели и день месяца (сезонность внутри месяца — реальная: расходы 25-го числа системно отличаются от 10-го)
• флаг recurring: платежи с регулярным интервалом (Netflix, аренда, кредит)
• отклонение текущего периода от среднего — z-score трат

Recurring-платежи — особый случай. Их нужно детектировать отдельно: кластеризация по amount ± 5% + периодичность. Хорошо работает простой алгоритм: группируем транзакции одного merchant, считаем медиану интервала между ними, если StdDev < 3 дня — это recurring.

Как выбрать модель для прогнозирования?

Для временных рядов финансовых данных с объёмом истории 3–24 месяца хорошо работают три подхода:

На практике для большинства приложений LightGBM выигрывает у LSTM при объёме истории менее 2 лет. В тестах LightGBM в 3 раза быстрее LSTM на типичных наборах данных с историей до 2 лет, при этом точность сопоставима. Сравнение по ключевым параметрам:

LightGBM конвертируется в TFLite через ONNX промежуточный формат.

Как внедрить прогнозирование: пошаговый план

1. Аудит данных – собираем минимум 3 месяца транзакций, проверяем качество и полноту.
2. Feature engineering – формируем скользящие средние, детектируем рекуррентные платежи, добавляем календарные признаки.
3. Выбор и обучение модели – сравниваем LightGBM и LSTM на ваших данных, выбираем лучшую по MAE.
4. Конвертация и оптимизация – квантизуем модель и конвертируем в CoreML/TFLite.
5. Интеграция и UI – встраиваем модель в приложение, добавляем график прогноза с доверительным интервалом.
6. Мониторинг и переобучение – настраиваем фоновое обновление модели раз в неделю.

Почему федеративное обучение повышает приватность?

Раз в неделю (или при добавлении N новых транзакций) серверная часть дообучает персональную модель на данных конкретного пользователя. Схема: базовая глобальная модель + файн-тюнинг на персональной истории.

Федеративное обучение (Federated Learning) — опция для приложений с требованиями к приватности. Google FL via TensorFlow Federated, Apple Private Federated Learning (iOS 17+). Данные пользователя не покидают устройство, на сервер отправляются только gradient updates. TensorFlow Federated

Персонализированная модель доставляется на устройство через фоновую задачу — BGProcessingTask на iOS, WorkManager на Android. Загрузка нового .mlmodel / .tflite по Wi-Fi, замена старого без перезапуска приложения.

UI: отображение прогноза

Прогноз без контекста — бесполезен. Показываем:

• Ожидаемый баланс к концу месяца с доверительным интервалом (не одно число — диапазон)
• Детализация: где модель «видит» крупные запланированные траты
• Алерт: если прогноз показывает дефицит — уведомление за 5+ дней, не в день X

Доверительный интервал реализуем через quantile regression: обучаем три модели (q10, q50, q90) — пессимистичный, медианный, оптимистичный прогноз. Отображаем как диапазон на графике.

Для внедрения такого интерфейса в ваше приложение свяжитесь с нами — мы подготовим прототип за 2–3 дня. По нашим оценкам, экономия на овердрафтах и штрафах составляет от 10 до 50 тысяч рублей в месяц для пользователя. Наши клиенты экономят в среднем 100 тысяч рублей в год.

Что входит в работу

• Аудит структуры транзакционных данных и их качества
• Разработка pipeline очистки и feature engineering
• Обучение и валидация модели на исторических данных
• Конвертация в CoreML/TFLite, оптимизация под устройство
• Интеграция в мобильное приложение, UI компонент прогноза
• Настройка серверного pipeline переобучения
• Документация, обучение команды и поддержка на этапе внедрения

Ориентиры по срокам

MVP с базовой ARIMA/LightGBM моделью и UI — 1–2 недели. Полная персонализированная система с федеративным обучением и фоновыми обновлениями модели — 4–8 недель.

Свяжитесь с нами для оценки вашего проекта. Закажите разработку MVP — мы гарантируем точность прогнозов и полную интеграцию. Получите консультацию по внедрению AI-прогнозирования.