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.