Dlaczego pierwsze wdrożenia AI do kategoryzacji wydatków kończyły się niepowodzeniem

Statystyki z tamtego okresu są dość wymowne. Według raportów Gartnera z 2020 roku, ponad 68% projektów automatyzacji finansowej opartych na uczeniu maszynowym nie osiągało zakładanych wskaźników dokładności po roku działania.

Skąd brały się błędy kategoryzacji

Modele trenowane na danych historycznych firm miały jeden strukturalny problem: dane były brudne. Księgowe przez lata wpisywały tę samą kategorię pod różnymi nazwami, a systemy ERP nie wymuszały spójności. Model uczył się tych niespójności i je powielał. Firma produkcyjna z Wrocławia, która w 2019 roku wdrożyła rozwiązanie oparte na modelu regresji logistycznej, odnotowała dokładność kategoryzacji na poziomie 61% po trzech miesiącach - przy oczekiwanych 85%.

Moment, w którym większość rezygnowała

Zazwyczaj był to szósty miesiąc. Zespoły finansowe spędzały więcej czasu na korygowaniu błędów AI niż na ręcznej kategoryzacji. Nikt nie liczył kosztu tej korekty jako kosztu wdrożenia - a powinien. Dane z branżowego raportu ACCA z 2021 roku wskazują, że koszt ręcznej weryfikacji wyników AI pochłaniał średnio 34% oszczędności, które system miał generować.

Co to oznacza dla kolejnych prób

Porażka pierwszej generacji narzędzi nie wynikała z ograniczeń samej technologii. Wynikała z założenia, że model można wdrożyć bez uprzedniego oczyszczenia danych wejściowych. To nadal aktualny problem - tylko narzędzia są nowsze.