Trzy generacje modeli AI do kategoryzacji wydatków - czym się różniły

Jeśli twoje pierwsze narzędzie do automatycznej kategoryzacji wydatków działało na zasadzie dopasowania słów kluczowych, to byłeś w pierwszej generacji. Większość firm była.

Pierwsza generacja - reguły i słowa kluczowe (2015-2018)

Systemy oparte na regułach działały przewidywalnie, ale wymagały ręcznego utrzymania. Każda nowa kategoria oznaczała nowe reguły. Przy kilkuset dostawcach lista wyjątków rosła szybciej niż lista reguł. Firmy z rozbudowanymi planami kont - powyżej 200 kategorii - raportowały, że utrzymanie reguł zajmowało 8-12 godzin miesięcznie.

Druga generacja - uczenie maszynowe na danych historycznych (2018-2021)

Tu pojawiły się pierwsze poważne rozczarowania opisane w poprzednim artykule. Modele klasyfikacyjne radziły sobie dobrze z typowymi transakcjami, ale zawodziły przy niestandardowych dostawcach i jednorazowych wydatkach. Dokładność dla transakcji poniżej 500 zł była o 18 punktów procentowych niższa niż dla dużych faktur - bo model uczył się na tym, co było częste.

Trzecia generacja - modele językowe i kontekst (2022-obecnie)

Modele oparte na przetwarzaniu języka naturalnego potrafią interpretować opis transakcji, nie tylko nazwę dostawcy. To zmiana jakościowa. Jednak firmy, które próbowały wdrożyć je bez przeglądu planu kont, wróciły do tych samych problemów co w 2019 roku. Technologia jest lepsza. Dane wejściowe nadal bywają chaotyczne.

Wniosek praktyczny

Każda generacja narzędzi przenosiła problem, nie eliminowała go. Punkt awarii przesuwał się, ale nie znikał.