AI-прогнозування бюджету користувача в мобільному додатку

Транзакції у користувача є. Історія витрат — теж. Але класичні фільтри «минулий місяць» не показують, чи вистачить грошей до зарплати. Результат — овердрафти, штрафи, стрес. Ми розробляємо прогностичну модель, яка вбудовується в мобільний додаток і закриває цей розрив. Модель аналізує патерни витрат, враховує сезонність (наприклад, зростання витрат у свята) та попереджає за 5–7 днів до можливого дефіциту. Для прогнозування використовуємо гібридну архітектуру: легка on-device модель на CoreML або TFLite для швидких передбачень і серверна для періодичного перенавчання. Feature engineering включає ковзні середні, детекцію recurring-платежів і календарні ознаки. Оцінимо ваш проєкт за 1–2 дні — зв'яжіться, щоб обговорити деталі.

Архітектура: гібридний підхід

Вибір місця виконання передбачень — ключове архітектурне рішення. Для бюджетного прогнозування оптимальний гібридний варіант: легка квантизована модель на пристрої для швидких inline-прогнозів, і повна модель на сервері для періодичного перенавчання.

На пристрої розгортаємо квантизовану модель через CoreML (iOS) або TensorFlow Lite (Android). Квантизація INT8 зменшує розмір моделі в 4 рази без суттєвої втрати точності. CoreML приймає .mlmodel, TFLite — .tflite. Конвертація з PyTorch або Keras — стандартна задача.

// iOS: завантаження CoreML моделі та передбачення
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 використовує Neural Engine на A12+ чіпах. Інференс 30-денного прогнозу на iPhone 14 займає менше 5 мс.

Підготовка даних і фічі

Якість прогнозу визначається не моделлю, а фічами. З історії транзакцій формуємо:

• ковзне середнє витрат за 7/30/90 днів за категоріями
• день тижня та день місяця (сезонність усередині місяця — реальна: витрати 25-го числа системно відрізняються від 10-го)
• прапорець recurring: платежі з регулярним інтервалом (Netflix, оренда, кредит)
• відхилення поточного періоду від середнього — z-score витрат

Recurring-платежі — особливий випадок. Їх потрібно детектувати окремо: кластеризація за amount ± 5% + періодичність. Добре працює простий алгоритм: групуємо транзакції одного merchant, рахуємо медіану інтервалу між ними, якщо StdDev < 3 дні — це recurring.

Як вибрати модель для прогнозування?

Для часових рядів фінансових даних з об'ємом історії 3–24 місяці добре працюють три підходи:

На практиці для більшості додатків LightGBM виграє у LSTM при об'ємі історії менше 2 років. У тестах LightGBM в 3 рази швидше за LSTM на типових наборах даних з історією до 2 років, при цьому точність порівнянна. Порівняння за ключовими параметрами:

LightGBM конвертується в TFLite через ONNX проміжний формат.

Як впровадити прогнозування: покроковий план

1. Аудит даних – збираємо мінімум 3 місяці транзакцій, перевіряємо якість і повноту.
2. Feature engineering – формуємо ковзні середні, детектуємо рекурентні платежі, додаємо календарні ознаки.
3. Вибір і навчання моделі – порівнюємо LightGBM і LSTM на ваших даних, обираємо кращу за MAE.
4. Конвертація та оптимізація – квантизуємо модель і конвертуємо в CoreML/TFLite.
5. Інтеграція та UI – вбудовуємо модель у додаток, додаємо графік прогнозу з довірчим інтервалом.
6. Моніторинг і перенавчання – налаштовуємо фонове оновлення моделі раз на тиждень.

Чому федеративне навчання підвищує приватність?

Раз на тиждень (або при додаванні N нових транзакцій) серверна частина донавчає персональну модель на даних конкретного користувача. Схема: базова глобальна модель + файн-тюнінг на персональній історії.

Федеративне навчання (Federated Learning) — опція для додатків з вимогами до приватності. Google FL via TensorFlow Federated, Apple Private Federated Learning (iOS 17+). Дані користувача не покидають пристрій, на сервер надсилаються лише gradient updates. TensorFlow Federated

Персоналізована модель доставляється на пристрій через фонове завдання — BGProcessingTask на iOS, WorkManager на Android. Завантаження нового .mlmodel / .tflite по Wi-Fi, заміна старого без перезапуску додатка.

UI: відображення прогнозу

Прогноз без контексту — марний. Показуємо:

• Очікуваний баланс на кінець місяця з довірчим інтервалом (не одне число — діапазон)
• Деталізацію: де модель «бачить» великі заплановані витрати
• Алерт: якщо прогноз показує дефіцит — сповіщення за 5+ днів, не в день X

Довірчий інтервал реалізуємо через quantile regression: навчаємо три моделі (q10, q50, q90) — песимістичний, медіанний, оптимістичний прогноз. Відображаємо як діапазон на графіку.

Для впровадження такого інтерфейсу у ваш додаток зв'яжіться з нами — ми підготуємо прототип за 2–3 дні. За нашими оцінками, економія на овердрафтах і штрафах становить від 10 до 50 тисяч гривень на місяць для користувача. Наші клієнти заощаджують у середньому 100 тисяч гривень на рік.

Що входить у роботу

• Аудит структури транзакційних даних та їх якості
• Розробка pipeline очищення та feature engineering
• Навчання та валідація моделі на історичних даних
• Конвертація в CoreML/TFLite, оптимізація під пристрій
• Інтеграція в мобільний додаток, UI компонент прогнозу
• Налаштування серверного pipeline перенавчання
• Документація, навчання команди та підтримка на етапі впровадження

Орієнтири за термінами

MVP з базовою ARIMA/LightGBM моделлю та UI — 1–2 тижні. Повна персоналізована система з федеративним навчанням і фоновими оновленнями моделі — 4–8 тижнів.

Зв'яжіться з нами для оцінки вашого проєкту. Замовте розробку MVP — ми гарантуємо точність прогнозів і повну інтеграцію. Отримайте консультацію щодо впровадження AI-прогнозування.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.