ניתוח הוצאות בינה מלאכותית וסיווג עסקאות לאפליקציות מובייל

הטמעת ניתוח הוצאות וסיווג עסקאות מבוסס בינה מלאכותית באפליקציית מובייל

סיווג עסקאות ידני — משתמשים עושים זאת בשבוע הראשון, ואז נוטשים. אוטומציה מבוססת חוקים ("אם ההודעה מכילה 'LENTA' → 'מכולת'") עובדת עבור רשתות גדולות אך נכשלת על "OOO PERSPEKTIVA" או "IP Ivanov A.V.". מסווג מבוסס למידת מכונה עם LLM מעליו מספק רמת איכות שונה. אנו מיישמים פתרונות סוהר — מאיסוף נתונים ועד הפצה ב-App Store וב-Google Play. הניסיון שלנו של 5+ שנים בפיתוח מובייל (40+ פרויקטים) מאפשר לנו להטמיע מודולי בינה מלאכותית מבלי לפגוע בביצועי המכשיר.

כיצד פועלת הגישה ההיברידית

מסווג למידת מכונה (TF-IDF + LightGBM או distilBERT). מאומן על עסקאות היסטוריות עם תוויות. זמן חיזוי < 10 אלפיות שנייה, עובד לא מקוון, עלות — אפס לאחר האימון. דיוק על 100 הסוחרים המובילים: 95%+, על זנב ארוך (עסקים קטנים): 60–70%.

LLM לעסקאות לא מזוהות. עסקאות עם ביטחון נמוך של המסווג (< 0.7) נשלחות ל-LLM. GPT-4o-mini, temperature=0, פרומפט יחיד עם קטגוריות ודוגמאות — תגובה תוך 300–500 אלפיות שנייה, דיוק על שמות חריגים: 80–90%.

# Серверный пайплайн категоризации
async def categorize_transaction(transaction: Transaction) -> CategoryResult:
    # 1. Быстрый классификатор
    ml_result = classifier.predict(transaction.description)
    if ml_result.confidence >= 0.75:
        return CategoryResult(
            category=ml_result.category,
            confidence=ml_result.confidence,
            method="ml_classifier"
        )
    # 2. LLM для неуверенных предсказаний
    llm_category = await llm_categorize(
        description=transaction.description,
        amount=transaction.amount,
        merchant=transaction.merchant_name
    )
    return CategoryResult(
        category=llm_category,
        confidence=0.85,  # LLM более уверен в сложных случаях
        method="llm_fallback"
    )

גישה היברידית: 85–90% מהעסקאות מטופלות על ידי מסווג מהיר (חינם), 10–15% על ידי LLM. ב-1,000 עסקאות ליום למשתמש, עלות שאילתות ה-LLM זניחה.

השוואת גישות סיווג

הגישה ההיברידית מנצחת בסך הכול: דיוק גבוה על פני כל הספקטרום בעלות מינימלית.

העשרת נתוני סוחרים

שמות בדפי בנק הם נתונים מלוכלכים. "MAGNIT COSMETIC 0001" ו-"МАГНИТ КОСМЕТИК" הם אותו סוחר. נורמליזציה באמצעות מאגרי סוחרים (Clearbit, Plaid Enrich, או מיפוי מותאם אישית) משפרת משמעותית את דיוק המסווג.

אות נוסף הוא קוד MCC (Merchant Category Code) שהבנקים משדרים עם כל עסקה. MCC 5411 — חנויות מכולת, MCC 5812 — מסעדות. שימוש ב-MCC כתכונה של המסווג מניב +5–10% דיוק.

ניתוח בינה מלאכותית של דפוסי הוצאות

סיווג הוא שלב ראשון. ניתוח בינה מלאכותית על גבי נתונים מסווגים — זה מה שהופך אפליקציה מטראקר ליועץ.

// iOS — Swift: запрос к LLM для анализа расходов за месяц
func generateExpenseInsights(transactions: [CategorizedTransaction]) async -> [Insight] {
    let summary = transactions.groupBy(\.category)
        .mapValues { txs in
            (count: txs.count, total: txs.map(\.amount).reduce(0, +))
        }
        .map { "\($0.key): \($0.value.total) руб. (\($0.value.count) транзакций)" }
        .joined(separator: "\n")
    let prompt = """
    Проанализируй расходы пользователя за месяц и дай 2-3 конкретных наблюдения.
    Не общие советы — конкретные паттерны из данных.
    Расходы по категориям:\n\(summary)
    """
    let response = await llmClient.complete(prompt, maxTokens: 300, temperature: 0.4)
    return parseInsights(response)
}

ה-LLM רואה: "הוצאות על משלוחי מזון גדלו משמעותית בהשוואה לחודש שעבר" ומייצר תובנה קונקרטית, לא "שימו לב להוצאות המזון" כללית.

למה לבחור בסיווג בינה מלאכותית?

חוקים מתיישנים, ומשתמשים לא רוצים לבזבז זמן על הזנה ידנית. סיווג בינה מלאכותית עם התאמה אישית מגדיל את שימור המשתמשים ב-20–30%. אנו מבטיחים דיוק סיווג של לפחות 90% על נתונים מלאים לאחר שבועיים של אימון. צרו קשר לייעוץ — נבחן את הפרויקט שלכם ונציע את הארכיטקטורה האופטימלית.

אימון על תיקוני משתמשים

משתמשים מתקנים קטגוריות שסווגו שגוי — זה זהב לאימון מחדש. כל תיקון הוא דוגמה מתויגת חדשה. לאחר צבירת מספיק תיקונים (50–100 למשתמש), נוכל לכוונן מודל מותאם אישית או להוסיף חוקים ספציפיים למשתמש:

// Android — сохранение пользовательской поправки
fun saveUserCorrection(transactionId: String, correctedCategory: Category) {
    val correction = UserCorrection(
        transactionDescription = getTransaction(transactionId).description,
        merchantId = getTransaction(transactionId).merchantId,
        correctedCategory = correctedCategory,
        timestamp = System.currentTimeMillis()
    )
    localDatabase.saveCorrection(correction)
    // Синхронизируем на сервер для переобучения
    syncService.scheduleCorrectionUpload(correction)
}

מה כלול

• ארכיטקטורת מודול בינה מלאכותית ואינטגרציה עם האפליקציה הקיימת
• פיתוח מסווג למידת מכונה (LightGBM או BERT) עם צינור אימון
• מעטפת LLM לטיפול בעסקאות מורכבות
• מנגנון איסוף תיקוני משתמשים ואימון מחדש
• אינטגרציה עם App Store ו-Google Play (באמצעות Firebase App Distribution)
• תיעוד קוד, הוראות תחזוקה ואימון מחדש
• חודש אחד של תמיכה טכנית לאחר השחרור

הערכות לוחות זמנים

מסווג חוקים + MCC: 3–5 ימים. מסווג למידת מכונה עם גיבוי LLM: 1–2 שבועות. מערכת מלאה עם ניתוח דפוסים, תובנות ולמידת תיקונים: 2–4 שבועות.

הזמינו פיתוח סיווג בינה מלאכותית לאפליקציית המובייל שלכם. צרו קשר — נכין הצעה מסחרית המותאמת לנתונים ולדרישות שלכם.