Model językowy, wytrenowany na bazie historycznych faktur i planu kont firmy, potrafi z ≥ 90% trafnością zaproponować odpowiednie konto i centrum kosztowe. W przypadku niepewności decyzja przekazywana jest do ręcznej weryfikacji, przy czym każda operacja pozostaje możliwa do audytu.
Wzbogacenie danych i embeddingi semantyczne
System wzbogaca tekst faktury o metadane transakcyjne (np. numer zamówienia, dostawca, projekt, data), a następnie konwertuje całość do reprezentacji wektorowej. Model typu transformer dokonuje klasyfikacji na podstawie podobieństwa do zaksięgowanych przypadków – zgodnie z logiką semantycznego dopasowania (semantic similarity).
Uczenie aktywne i pętla poprawy jakości
W przypadkach niskiego poziomu pewności (confidence < 0,85), dokument trafia do ręcznej decyzji księgowego, która automatycznie aktualizuje zbiór uczący. Mechanizm aktywnego uczenia (active learning) sprawia, że trafność klasyfikacji wzrasta z początkowych 82% do ponad 92% w okresie jednego kwartału (dane: Gartner, 2024).
Zgodność z polityką rachunkową – reguły deklaratywne
W obszarach newralgicznych (np. rozróżnienie CAPEX/OPEX, klasyfikacja wg VAT) silnik reguł deklaratywnych nadpisuje decyzję modelu. Pozwala to utrzymać zgodność z przyjętą polityką rachunkowości i zapewnia zgodność z interpretacjami podatkowymi.
Transparentność i audytowalność procesu
Każda rekomendacja modelu zawiera:
- hash wersji modelu,
- datę przetwarzania,
- wersję obowiązującego planu kont,
- ranking cech decyzyjnych (np. SHAP).
Takie dane pozwalają na pełną rekonstrukcję decyzji w razie audytu wewnętrznego lub kontroli podatkowej.
Bezpieczeństwo danych i zgodność z regulacjami
Dane używane do treningu modelu są uprzednio pseudonimizowane. System działa w infrastrukturze chmurowej zlokalizowanej na terenie UE i podlega regulacjom AI Act (art. 9–10, dokumentacja i ocena ryzyka). Logi operacji są archiwizowane przez 5 lat, zgodnie z art. 74 ust. 2 ustawy o rachunkowości.
