Анализ транзакций

Инструмент для аналитика, который помогает исследовать сеть внутрибанковских переводов и выбрать клиентов для ручной проверки. Проект читает три Parquet-файла, проверяет их согласованность, предлагает наблюдаемые роли клиентов, выделяет группы и объясняет приоритет исследования. Результат можно изучить в веб-интерфейсе и выгрузить в три CSV. Основной сценарий работает локально без LLM; AI-ассистент доступен как дополнительный режим.

Результат — объяснимая эвристическая оценка для дальнейшего расследования. Роль и приоритет не доказывают мошенничество; точность классификации на размеченной выборке не измерялась.

Что реализовано

• Проверка узлов, рёбер и операций, включая суммы и количества по направленным парам; сохранение изолированных клиентов и повторных строк операций.
• Расчёт графовых и временных признаков, групп Louvain, шести гипотез ролей и приоритета клиентов с численным объяснением.
• Три конкурсные CSV, JSON для интерфейса и краткий отчёт; все результаты воспроизводятся из исходных Parquet одной командой.
• Веб-интерфейс с общим графом, поиском клиента, окружением на один или два шага, группами, операциями и локально сохраняемыми заметками расследования.
• Дополнительный AI-ассистент: диалог по текущему анализу, аналитические инструменты и серверная сверка фактических утверждений. Для него нужен ключ OpenAI API.

Как работает решение

1. Python читает data/nodes.parquet, data/edges.parquet и data/transactions.parquet, проверяет схему и согласованность данных.
2. Анализ строит направленный граф, считает потоки и временные признаки, формирует группы, роли и приоритеты.
3. Экспорт создаёт nodes_roles.csv, clusters.csv, top_nodes.csv, graph.json, summary.json и report.md.
4. Интерфейс загружает готовый graph.json: аналитик находит клиента, видит основания роли и связанные переводы, затем скачивает CSV для дальнейшей проверки. В режиме агента вопрос и выбранный контекст поступают в локальный Python API, который обращается к OpenAI API и проверяет возвращённые факты.

Технологии

Часть	Используется
Анализ и выгрузки	Python, pandas, PyArrow, NetworkX, SciPy
API дополнительного агента	FastAPI, OpenAI Agents SDK, OpenAI API; модель задаётся через OPENAI_MODEL
Интерфейс	React, TypeScript, Vite, TanStack Start, Three.js, Sigma, Graphology, Radix Themes
Сборка и проверки	uv, npm workspaces, Turborepo, Ruff, pytest, Vitest, Playwright

Аналитические расчёты выполняются в backend/money_graph/. Интерфейс в frontend/ показывает готовые Python-результаты; отдельного расчёта ролей на TypeScript нет. Схема компонентов и структура каталогов приведены ниже.

Установка и запуск

Для анализа из командной строки нужны Python 3.11–3.14 и uv; для интерфейса дополнительно нужны Node.js 22.12+ либо 24+ и npm 11. Все команды выполняются из корня репозитория. Python-зависимости закреплены в backend/uv.lock, npm-зависимости всех рабочих пакетов — в корневом package-lock.json.

Для проверки пайплайна на чистой машине достаточно Python и uv. Одна команда устанавливает закреплённые зависимости и пересчитывает исходные Parquet в три конкурсных CSV и дополнительные артефакты:

uv run --project backend --locked money-graph --data data --out out

Node.js, ключ API, платные сервисы и GPU для этой команды не нужны. Первый запуск может потребовать интернет для установки зависимостей; сам расчёт выполняется локально. Для повторного расчёта после установки: make analyze. Лимит в пять минут относится к пересчёту данных, без установки окружения.

Для установки и запуска интерфейса:

make setup
make start

make setup создаёт backend/.venv, устанавливает Python-зависимости с поддержкой агента и выполняет корневой npm ci. make start запускает Turborepo: сначала подготавливает CSV/JSON через Python-анализ, затем запускает веб-интерфейс на http://127.0.0.1:5173. Если анализ завершается с ошибкой, интерфейс не запускается. Ctrl+C останавливает dev-сервер.

Те же действия без Make:

uv sync --project backend --locked --extra agent
npm ci
npm run dev

В каталоге data/ уже находятся nodes.parquet, edges.parquet и transactions.parquet из предоставленного архива; исходный датасет включён в репозиторий. Результаты анализа исключены из Git. Обычный режим работает локально без API-сервера и ничего не отправляет во внешние сервисы.

Команда из корня	Назначение
make setup	Установить закреплённые Python- и npm-зависимости
make start / npm run dev	Подготовить данные и запустить локальный интерфейс без LLM
make start-agent / npm run start:agent	Запустить Python API и интерфейс с AI-агентом
make analyze	Создать CSV, JSON и отчёт в out/ без интерфейса
make build / npm run build	Подготовить данные и собрать сайт в frontend/dist/client/
npm run preview	Собрать сайт и открыть предварительный просмотр на порту 5173
make check / npm run check	Проверить Python-стиль, типы интерфейса и все тесты

Отдельный запуск анализа и дополнительные параметры:

make analyze ARGS="--top 30 --window-days 2"
uv run --project backend --frozen money-graph --data data --out out

Параметры: --top 50 (минимум 20), --window-days 3 (1–30), --seed 42, --resolution 1.0. Для набора меньше 20 узлов экспортируются все узлы. Ошибка входных данных завершает команду с кодом 1 и понятным сообщением.

Как проверить решение

Из корня репозитория выполните make setup, затем make analyze и make start. Откройте локальный интерфейс и повторите сценарий:

1. В меню «Выбрать клиента» найдите 100000006704530100 и откройте «Исследование». Сопоставьте предложенную роль transit, входящие и исходящие суммы с переводами по датам.
2. В «Визуализации» откройте окружение клиента на один и два шага, затем перейдите в «Группы клиентов» и изучите связи группы.
3. Нажмите «Скачать данные» и откройте nodes_roles.csv, clusters.csv и top_nodes.csv. Те же файлы после make analyze находятся в out/; проверьте строку выбранного gid в nodes_roles.csv.

Основной сценарий не требует ключа API. Более подробный пятиминутный сценарий содержит другие примеры клиентов и проверку схем CSV.

Локальный фронтенд

Интерфейс находится в npm workspace frontend/ и использует React, TypeScript, Vite, TanStack Start, Three.js для объёмного графа и Sigma для плоского (WebGL). Общая сеть, группы, окружение клиента и пути поддерживают переключение 3D/2D. Сферическая раскладка статична; сцена перерисовывается при взаимодействии и изменении данных, без фоновой анимации. Панель агента использует готовые компоненты Radix Themes, оформленные под новый интерфейс TRACE. Запуском и сборкой из корня управляет Turborepo; аналитические расчёты выполняются через Python.

Задача data записывает выгрузки в frontend/public/generated. Turborepo использует локальный кеш этих выгрузок, пока Python-код, Parquet-файлы и Python-зависимости не изменились. Для принудительного пересчёта выполните npm run data; после изменения Python-кода или исходных данных перезапустите npm run dev. Изменения интерфейса подхватываются Vite автоматически. Уже подготовленные данные можно открыть через npm run dev --workspace frontend.

В интерфейсе доступны поиск по всем 2 248 клиентам, фильтры ролей и групп, граф на 1–2 шага и обзор всей сети, выбор узла мышью, основания роли, динамика по активным дням, таблица переводов с датами и направлениями, группы и скачивание CSV/JSON. ID сохраняются строками. Большие окружения ограничиваются 250 узлами с явным счётчиком; обзор показывает все узлы выбранной группы или всего графа. Даты фильтруют таблицу переводов, не пересчитывая месячные роли и приоритеты.

npm run check
npm run build
npm run preview

npm run check запускает проверки TypeScript, Vitest, Ruff и pytest. npm run build сначала подготавливает Python-данные, затем собирает интерфейс. Готовый статический сайт находится в frontend/dist/client, включая generated/. npm run preview собирает и запускает предварительный просмотр на том же порту 5173; перед этим остановите dev-сервер.

Артефакты кешируются только локально: удалённый кеш Turborepo отключён, поскольку сборка содержит банковские данные. node_modules, .turbo, dist и public/generated исключены из Git. Автоматически публиковать сайт с этими данными не нужно.

Расследования и навигация

Выбор клиента, группы, режима графа, глубины окружения, дат, направления и фильтров отражается в URL. Обновление страницы и кнопки браузера «Назад»/«Вперёд» восстанавливают контекст. Большие ID остаются строками. Ссылка относится к конкретной версии анализа; несовместимый анализ не получает старые фильтры автоматически.

В режиме группы отображаются все её участники. Переключатель внешних контрагентов добавляет непосредственные связи с другими группами; связи внешних клиентов между собой не включаются. В профиле графа клиента доступны один и два шага окружения с явным ограничением 250 клиентов и числом скрытых узлов.

Общий граф открывает всех клиентов на сфере и различает группы цветом. Поиск приближает клиента или группу, фильтры и список узлов открываются поверх карты. Клик выделяет узел без перехода и сброса масштаба; карточка содержит отдельное действие открытия клиента. В 3D перетаскивание фона вращает шар, перетаскивание узла сдвигает только этот узел, правая кнопка перемещает карту; колесо меняет масштаб. Стрелки вращают граф с клавиатуры, Home показывает его целиком. Автоматического движения нет. Доступен режим 2D с перемещением карты и поворотом через Shift + колесо. Цвета групп, ролей, однотонный режим и подписи переключаются в настройках вида.

Панель «Расследования» сохраняет по кнопке название, заметки, текущий контекст и выбранные основания в localStorage этого браузера. Можно добавлять клиента, отфильтрованные операции и карточки из ответа AI. Черновик до сохранения не переживает обновление страницы. Записи другого анализа доступны для экспорта Markdown/JSON; они не открываются поверх текущего графа. Экспорт включает контекст, основания, направление и периоды операций.

Карточка клиента показывает три ведущие роли с исходными оценками до поправок, разницу двух лучших оценок и составляющие приоритета. Близкие роли (разница меньше 0,05) отмечены как конкурирующие гипотезы. Оценки не являются вероятностями.

Режим AI-агента

Создайте .env в корне по образцу .env.example, укажите OPENAI_API_KEY и при необходимости OPENAI_MODEL (по умолчанию gpt-6-luna), затем выполните make start-agent или npm run start:agent. Команда запускает Python API на http://127.0.0.1:8000 и интерфейс на http://127.0.0.1:5173; Ctrl+C останавливает оба процесса. API самостоятельно рассчитывает данные один раз при запуске, а Vite передаёт ему запросы /api и /generated.

Без ключа просмотр графа доступен, AI-ответы недоступны. При обращении к агенту вопрос и контекст исследования передаются внешнему LLM API. Ключ остаётся на сервере. Панель автоматически сохраняет завершённые вопросы и ответы, основания и ход исследования в localStorage этого браузера. Боковой список слева показывает чаты текущего анализа с датами и названиями по первому вопросу. В нём доступны создание, поиск по названию и тексту, переименование и удаление отдельного чата с подтверждением. Список сворачивается после выбора диалога или создания нового чата и открывается кнопкой «Чаты»; выбранное состояние сохраняется после обновления страницы. На телефоне он выдвигается поверх переписки. Можно переключаться между диалогами и возвращаться к выбранному чату после обновления страницы, в том числе без доступного API. Названия и удаления также сохраняются в браузере. Чаты другого анализа сохраняются отдельно и не применяются к текущему графу.

Контекст для продолжения диалога хранится в памяти API до 8 вопросов и 30 минут бездействия. После завершения или истечения сеанса следующий вопрос создаёт отдельный чат; сохранённая переписка остаётся доступна для чтения. Перезапуск API завершает серверные сеансы: при попытке продолжения сервер сообщит об истечении диалога. История привязана к этому браузеру и адресу приложения; очистка данных сайта удаляет её. При недоступном или заполненном хранилище панель сообщает, что переписку не удалось сохранить.

Если задача непонятна, агент просит уточнить вопрос без вызова инструментов и аналитических секций. Выбранный клиент и фильтры сами по себе не запускают исследование. Уточнение сохраняется в переписке; следующий понятный вопрос продолжает тот же диалог.

При исследовании панель показывает этапы thinking, вызовы инструментов и краткое резюме рассуждений, если модель его возвращает. Ответ появляется постепенно через SSE; до проверки ссылок он помечен как формирующийся. Модель возвращает структурированные утверждения с полем и точным значением. Сервер сверяет их с разрешёнными данными инструмента и версией анализа, затем сам формирует тексты проверенных фактов. Свободная интерпретация и гипотезы модели обозначены отдельно; проверка не делает их подтверждёнными выводами. Карточки доказательств и история обновляются только после успешной проверки полного ответа. «Остановить» отменяет обработку; незавершённый ответ не сохраняется. Для модели настроен reasoning effort low.

Результаты

Файл	Содержание
nodes_roles.csv	Все входные клиенты, включая изоляты; роль, обоснованность, кластер, приоритет и объяснение до 200 символов
clusters.csv	Группы, число клиентов/seed, внутренний оборот, ведущие узлы и структурная гипотеза
top_nodes.csv	Ранжированный список; по умолчанию 50 клиентов, с численными причинами приоритета
graph.json	Узлы, рёбра, группы, топ, дневные потоки, исходные транзакции и метаданные
summary.json	Количества, параметры, методы, ограничения, SHA-256 нормализованных данных
report.md	Краткий читаемый отчёт с первыми десятью узлами

Конкурсные CSV имеют ровно заданные ТЗ колонки, в указанном порядке:

nodes_roles.csv: gid,role,role_score,cluster_id,priority_score,evidence
clusters.csv: cluster_id,n_nodes,n_seed,sum_kzt_internal,top_gids,hypothesis
top_nodes.csv: rank,gid,role,priority_score,why

В CSV нет пустых обязательных значений; evidence содержит не более 200 символов. gid записан десятичным int64 без округления. При импорте в электронные таблицы выбирайте текстовый тип для ID, чтобы приложение не потеряло младшие разряды. top_gids разделены ;.

Расширенные признаки, альтернативные роли, вклады приоритета и внешние потоки групп сохраняются в graph.json; их определения приведены в методике. Неопределимое отношение исходящих к входящим представлено в JSON как null вместе с pass_through_available=false. Аналогично представлена временная доля без входящих.

Архитектура проекта

Схема решения

flowchart LR
    A["3 Parquet: узлы, рёбра, операции"] --> B["Проверка схем, ID, сумм и количества"]
    B --> C["Направленный граф и метрики потоков"]
    B --> D["Временные признаки: FIFO по дням"]
    C --> E["Louvain: группы и их обороты"]
    C --> F["Правила ролей и приоритет"]
    D --> F
    E --> F
    F --> G["3 CSV + JSON + отчёт"]
    G --> H["Интерфейс: поиск, граф, карточки"]
    G --> I["Необязательный AI: инструменты и проверка фактов"]
    I --> H

Все метрики, роли, группы и приоритеты рассчитывает Python. LLM получает результаты ограниченных аналитических инструментов, а сервер сверяет фактические утверждения с текущим расчётом; свободные интерпретации отделены от проверенных фактов. Без LLM доступны весь основной анализ, интерфейс и выгрузки.

Данные и интеграции

Источник данных — включённые в репозиторий Parquet-файлы из предоставленного для кейса архива: клиенты, агрегированные направленные рёбра и отдельные транзакции. Анализ не загружает данные из банка или сторонней базы. В обычном режиме все вычисления и просмотр выполняются локально.

Дополнительный агент использует OpenAI API через OpenAI Agents SDK. Для запуска нужен OPENAI_API_KEY в корневом .env; пример переменных находится в .env.example. Ключ не должен попадать в GitHub: .env исключён из Git. NVIDIA API и GPU в текущем коде не используются. Заметки расследования и история чатов сохраняются в localStorage браузера, а активный контекст диалога — в памяти локального API.

Критерии ролей и приоритета

P(x) — процентиль положительных значений признака внутри текущей выборки, нулевому значению соответствует 0. in_deg/out_deg — число разных внешних контрагентов; самопереводы исключены. T — доля поступлений, совместимая с исходящими в следующие дни выбранного окна без повторного использования входящих сумм. Выбирается роль с максимальной поддержкой; при равенстве порядок: consolidator, transit, distributor, terminal, coordinator, peripheral.

Роль	Условие	Поддержка
consolidator	in_deg ≥ 3	0.40·min(in_deg/8,1) + 0.30·in_deg/(in_deg+out_deg) + 0.15·P(in_amount) + 0.15·P(in_tx)
distributor	out_deg ≥ 3	Та же формула по исходящим суммам, количеству и контрагентам
transit	Есть вход и выход; не seed; B = min(in_amount,out_amount)/max(in_amount,out_amount) ≥ 0.5	0.45·B + 0.35·T + 0.20·min(active_days/5,1)
terminal	Есть входящие, нет внешних исходящих	0.55 + 0.15·P(in_amount)
coordinator	Есть вход и выход; P(betweenness) ≥ 0.85; ≥2 соседних групп и ≥2 достижимых источников seed	0.40·P(betweenness) + 0.20·min(neighbor_clusters/3,1) + 0.20·min(seed_sources/5,1) + 0.20·min((in_deg+out_deg)/10,1)
peripheral	Базовая гипотеза	0.30; при отсутствии внешних связей — 0, приоритет также 0

После выбора роли поддержка terminal на границе четвёртого колена ограничивается 0.20 и получает статус boundary_hypothesis; для terminal-seed предел 0.35. Поддержка transit при неполном последующем временном окне умножается на 0.85. Граничный terminal — наблюдаемый конец обхода, а не установленный конечный получатель; предупреждение сохраняется и в evidence конкурсного CSV.

Приоритет складывается из 0.25·P(betweenness) + 0.20·P(turnover) + 0.15·P(tx_count) + 0.15·min(seed_sources/5,1) + 0.15·role_score + 0.10·T. Для seed временной вклад равен нулю. Сортировка — по убыванию приоритета, при равенстве по gid. В top_nodes.csv поле why объясняет численные вклады и наблюдения, а JSON сохраняет полное разложение. Оценки являются эвристиками, не вероятностями виновности. Полные определения и ограничения — в методике.

Контракт для фронтенда

• schema_version=1 находится в metadata.
• Все gid, src, dst в JSON — строки. Исходные int64 больше безопасного диапазона JavaScript. top_gids — массив строк; в CSV это строка с ; между ID.
• Денежные значения *_minor — целые тиыны; *_kzt — значения для отображения. Общий объём проверяется на безопасный диапазон JSON-чисел.
• date — YYYY-MM-DD. Времени внутри дня нет.
• role_candidates — применимые роли и исходные оценки по убыванию до поправок; role_margin — разница двух лучших или null. priority_components содержит вклады, сумма которых равна приоритету с учётом округления.
• role_score — эвристическая поддержка роли, priority_score — приоритет исследования. Оба в диапазоне 0–1 и не являются вероятностями мошенничества.
• У terminal проверяйте role_status и truncated_by_depth: boundary_hypothesis означает неподтверждённую конечную роль на границе обхода.
• flags — массив пометок; во всех узлах есть partial_observation.
• Для построения графа используйте строковые ID напрямую. Не преобразуйте их через Number().

Проверка предоставленного датасета

Локальный запуск подтвердил 2 248 клиентов, 3 119 рёбер, 4 840 транзакций и сумму по рёбрам 365 890 012,01 ₸ за 1–31 июля 2026 года. Это оборот по наблюдаемым переводам: одна и та же сумма может учитываться на нескольких шагах цепочки.

Сохранены 19 изолированных seed-клиентов и 97 повторных строк транзакций. Без transaction ID эти строки нельзя автоматически считать ошибочными дублями. Все 444 клиента четвёртого колена помечены как граница наблюдения. Суммы и количества переводов по каждой направленной паре совпадают с edges.parquet.

При параметрах по умолчанию получены 67 групп Louvain, включая одноузловые группы, и топ-50. Это результат выбранной эвристики кластеризации, а не установленное число экономических организаций.

Ограничения

• Выборка содержит только наблюдаемые переводы. У клиентов на четвёртом колене продолжение цепочки неизвестно, а у исходных клиентов входящий поток неполон.
• Сопоставление сумм в пределах дней и наличие пути в графе не подтверждают происхождение конкретных денег. Оценки ролей и приоритета не являются вероятностями нарушения; размеченной проверки качества нет.
• Текущий расчёт и загрузка полного graph.json в браузер рассчитаны на предоставленный небольшой набор данных. В окружении клиента интерфейс показывает не более 250 узлов; общий граф и группа доступны целиком.
• История агента и сохранённые расследования привязаны к браузеру. Серверные сеансы диалога не переживают перезапуск API; AI-режим зависит от доступности OpenAI API.

Масштабирование до ~1 млн узлов

Текущая реализация предназначена для предоставленного небольшого батча. Основные ограничения на большом графе — точное посредничество по всем источникам, память объектов NetworkX и передача всех операций в браузер. Лимит пяти минут на миллион узлов не заявляется: он зависит также от числа рёбер и транзакций.

Часть	Изменение при росте объёма
Чтение и проверки	Читать Parquet пакетами, выбирать нужные столбцы, агрегировать пары и дни в DuckDB/Polars или Arrow; сверять суммы и количества без загрузки всей таблицы операций в память
Хранение графа	Перейти к компактным индексам вершин и разреженным массивам смежности, использовать CPU-реализацию igraph/NetworKit; сохранить исходные int64 ID в таблице соответствия
Центральности	Вместо точного betweenness с затратами порядка O(V·E) использовать воспроизводимую выборку источников; отдельно измерить изменение топа и ошибку на малых подграфах
Группы и достижимость	Обрабатывать независимые слабые компоненты, использовать Louvain/Leiden в компактном движке; кешировать обходы от seed и выполнять индивидуальные пути по запросу
Временные признаки	Сортировать/разбивать операции по клиенту и дате, выполнять FIFO по независимым клиентам; промежуточные результаты хранить на диске
API и интерфейс	Отдавать агрегаты групп и ограниченные окружения по запросу; поиск и пагинацию операций перенести на сервер, не отправлять миллион узлов и все операции одним JSON
Проверка качества	Зафиксировать версии/параметры приближений, измерить время и память на нескольких размерах, сравнить роли и топ с точным расчётом на контрольной выборке

Расчёт остаётся возможным на CPU; облачный кластер и GPU не являются обязательной частью подхода. Потребность в памяти и количестве процессов определяется измерениями на целевом объёме. При смене алгоритмов нужна повторная экспертная проверка порогов и устойчивости приоритетов.

Демо и сдача

Сценарий на 5 минут включает живой пересчёт, выгрузки, поиск произвольного gid и разбор трёх узлов: координатора, транзита и границы обхода. Основной сценарий не зависит от доступности LLM API.

Перед сдачей выполните npm run check, npm run build и команду пересчёта выше. Отправьте актуальные исходники и README в GitHub-репозиторий команды. Каталог out/ исключён из Git: три CSV воспроизводятся командой make analyze и при необходимости передаются отдельно. Проверьте, что новые исходные файлы включены в отправленный репозиторий: локальные незакоммиченные файлы не появятся в чужом клоне автоматически. Не отправляйте .env и API-ключи. Исходные данные используются только в рамках хакатона.

Проверки разработки

Все проверки из корня через Turborepo:

npm run check

Браузерные регрессии:

npx playwright install chromium
npm run data
npm run check:e2e

Playwright использует интерфейс на порту 5173 (или запускает его, если порт свободен) и проверяет группу → клиента → окружение → операции, URL/reload/back, сохранение расследования и точное открытие операций из основания. Используются локальные данные без вызовов LLM. Функции сценариев в frontend/e2e/scenarios.mjs также поддерживают запуск через browser tool Codex. Трейсы и скриншоты ошибок остаются локально и исключены из Git.

Отдельные проверки:

make check-backend
make check-frontend

Тесты Python находятся в backend/tests/, тесты интерфейса — рядом с кодом в frontend/src/. Тесты проверяют согласованность входа, целые тиыны, большие ID, сохранение повторных транзакций и изолятов, границу глубины, ограничения seed, направление потоков, отсутствие двойного учёта во временном сопоставлении, самопереводы, CLI, побайтовый детерминизм экспортов при перестановке входных строк и контракт агента.

Структура репозитория

backend/
  money_graph/       Python-анализ, CLI и API агента
  tests/             тесты Python
  pyproject.toml     зависимости, команды и настройки Python
  uv.lock            закреплённые версии Python-зависимостей
frontend/
  src/               React-интерфейс, маршруты TanStack Start и тесты
  scripts/           совместный запуск интерфейса с API
  public/generated/  результаты Python для локального интерфейса
  package.json       зависимости и команды workspace интерфейса
data/                исходные Parquet-файлы
docs/                методика анализа
out/                 результаты отдельного запуска анализа
package.json         npm workspaces и общие команды
package-lock.json    единый npm lockfile
turbo.json           зависимости задач и локальное кеширование
Makefile             обёртки команд из корня
.env.example         пример настройки AI-агента

Роли модулей в backend/money_graph/: dataset.py — загрузка и проверки; temporal.py — временные признаки; analysis.py — граф, группы и приоритеты; roles.py — роли и объяснения; export.py — выгрузки; cli.py — командный интерфейс. agent.py, investigation.py и server.py обеспечивают необязательный режим AI-агента.

Фронтенд подключён к graph.json; конкурсные CSV имеют отдельную фиксированную схему. Дальнейшая валидация качества требует экспертной проверки ролей и чувствительности приоритетов. Дополнительное обучение модели потребует размеченных ролей; текущие данные такой разметки не содержат.

Развёрнутая версия

Ссылка на публичную развёрнутую версию в репозитории не указана. Проект запускается локально на http://127.0.0.1:5173 по инструкции выше.