Реализация AI-ассистента для финансового планирования в мобильном приложении
Финансовый AI-ассистент в мобильном приложении работает с чувствительными данными и должен давать практичные советы, не превращаясь в инструмент манипуляции. Техническая задача — агрегировать данные из разных источников (банковские транзакции, ручной ввод, OpenBanking API), строить картину расходов и давать конкретные рекомендации.
Источники финансовых данных
Три слоя данных:
Open Banking / PFM API. Plaid (США/Европа), Salt Edge (СНГ и Европа), Tinkoff API для России. Возвращают транзакции с категориями, балансы счетов, история за 12+ месяцев. Требуют OAuth авторизацию.
// 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
}
}
Apple Pay / Google Pay транзакции через PassKit / Google Wallet API — ограниченный доступ, только для приложений с соответствующим разрешением.
Ручной ввод — всегда нужен как fallback, с AI-автозаполнением категории и суммы через NLTagger / распознавание чека камерой.
Категоризация транзакций
Банки дают свои категории — они неоднородные и неполные. Нужна своя классификация, последовательная для всех источников.
func categorizeTransaction(_ transaction: RawTransaction) async throws -> Category {
// Сначала пробуем правила (быстро, бесплатно)
if let ruleCategory = ruleBasedCategorizer.categorize(transaction) {
return ruleCategory
}
// Затем — AI для нестандартных случаев
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
}
Правила сначала — это 70–80% транзакций по паттернам (МКК коды, известные сети). AI — для остального.
Бюджетный анализ и рекомендации
Анализ расходов — детерминированный код, а не AI. AI нужен для интерпретации и рекомендаций.
struct FinancialSnapshot {
let monthlyIncome: Decimal
let expensesByCategory: [Category: Decimal]
let savingsRate: Double // %
let recurringExpenses: [RecurringExpense]
let unusualExpenses: [Transaction] // выше среднего по категории
}
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: "RUB")))" }
.joined(separator: "\n")
let prompt = """
Financial data for this month:
Income: \(snapshot.monthlyIncome.formatted(.currency(code: "RUB")))
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 of good insight: "Расходы на кафе выросли на 40% по сравнению с прошлым месяцем — 18 транзакций вместо 12."
"""
return try await openAI.complete(prompt: prompt, maxTokens: 200)
}
«No generic advice» в промпте критично. Без этого модель будет давать «сократите расходы на еду» вместо конкретного наблюдения.
Прогнозирование и цели
// 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, когда нужно предложить, как увеличить накопления: находит категории с наибольшим потенциалом сокращения из истории пользователя.
Безопасность и конфиденциальность
Финансовые данные нельзя отправлять в LLM в raw-виде. Перед отправкой:
- Суммы округляем до порядков (не 47 839 руб, а ~48 000)
- Названия магазинов хэшируем или заменяем категорией
- Никогда не отправляем номера счетов, реквизиты, ФИО
На iOS — DataProtection.complete для локального хранилища транзакций: файл зашифрован ключом, недоступным пока устройство заблокировано. На Android — EncryptedSharedPreferences + EncryptedFile из security-crypto.
Ориентиры по срокам
Базовый анализ с ручным вводом транзакций + AI-инсайты — 1 неделя. Полная реализация с Open Banking интеграцией (Plaid/Salt Edge), автокатегоризацией, целями и прогнозами — 6–10 недель (значительная часть — интеграции и сертификация).