Kaip Veikia Automatinė Klasifikacija
Supratimas, kaip dirba giluminis mokymas ir kodėl automatinė sistema išskiria sandorius teisingai.
Skaityti straipsnįGiluminio Mokymosi Algoritmai Sandoriams
Techninis paaiškinjimas, kokius algoritmus naudoja sistema ir kodėl jie taip efektyvūs kategorijuojant operacijas
15 min skaitimo
Pažengęs lygis
Birželis 2026
Autorius
TransakAI Redakcijos Komanda
Redakcijos Komanda
Parašyta TransakAI redakcijos komandos, sutelktos į praktiškas ir lengvai suprantamas finansų technologijų gidas.
Kas Yra Giluminis Mokymasis?
Giluminis mokymasis (angl. deep learning) — tai dirbtinio intelekto šaka, kuri naudoja neuroninių tinklų struktūras, panašias į žmogaus smegenis. Šios sistemos geba išmokti iš didžiulio kiekio duomenų ir rasti sudėtingus šablonu, kuriuos žmonėms būtų sunku pastebėti.
Sandorių kategorijoje tai reiškia, kad sistema gali automatiškai suprasti, ar jūsų 45 eurų mokėjimas į „SuperMarket" yra maistas, ar jis koreliuoja su tam tikromis sezonų tendencijomis. Nereikia jums rankiniu būdu nustatyti kiekvienos taisyklės.
01
Konvoliucinio Tinklo Architektūra
Mūsų sistema naudoja konvoliucinius neuronius tinklus (CNN), kurie iš pradžių buvo sukurti vaizdo analizei. Bet kodėl jie veikia su sandoriais? Nes sandoriu duomenys turi panašią struktūrą — juose yra šablonai, kuriuos tinklas gali atpažinti.
Konvoliucinis sluoksnis veikia kaip filtras. Jis žiūri į mažą duomenų „langą" ir ieško specifinio šablono. Pavyzdžiui, kai sistema mato sekvenciją „SuperMarket + 45 eur + penktadienis", ji atpažįsta tai kaip maisto pirkimą. Sistema turi 6 konvoliucinius sluoksnius, kurie gali atpažinti vis sudėtingesnius šablonu.
Realybėje tai veikia greičiau nei atrodytų — sistema analizuoja jūsų sandorį mažiau nei 0,5 sekundės. Tai įmanoma todėl, kad ji jau yra „išmokyto" šablonu, kurių ji sutinkama šimtus kartų per dieną.
02
Rekurentiniai Tinklai ir Laiko Sekos
Tačiau konvoliuciai tinklai gali nepakankamiai suprasti sandorių istoriją. Todėl mūsų sistema naudoja ir rekurentinius neuronius tinklus (LSTM — Long Short-Term Memory). Šie tinklai gali „prisiminti" praeitus sandorius ir jų kontekstą.
Pavyzdžiui, jei šiandien jūs padarėte mokėjimą „AirBnB", sistema žino, kad praėjusią savaitę jūs mokėjote už skrydį. Tai nėra sutapimas — tai laiko seka. LSTM gali „suprasti", kad kai kurie sandoriai yra tarpusavyje susiję, ir tai padeda jiems būti klasifikuotiems teisingiau.
Šios tinklai veikia kitaip nei paprasti tinklai. Jie turi „atmintį" — informaciją, kurią jie persiveda iš vieno žingsnio į kitą. Tai leidžia joms suprasti kontekstą, kuris yra esminis kategorijuojant sandorius, kurie nėra visiškai nesusijęs, bet yra susijęs per laiką.
03
Mokymo Procesas ir Duomenų Augmentacija
Giluminio mokymo sistema nėra „statiška". Ji nuolat mokosi iš naujų sandorių. Kai kurie iš jūsų sandoriai, kuriuos jūs rankiniu būdu kategorijuojate, grįžta į sistemą kaip mokymo duomenys. Tai vadinama „aktyviu mokymu".
Bet čia yra iššūkis: dauguma sandorių yra klasifikuota teisingai jau pirmą kartą. Tai reiškia, kad sistema mato daug pavyzdžių iš „Maistas" kategorijos ir labai mažai iš „Netikėtos Išlaidos" kategorijos. Tai vadinama „disbalansu" ir gali nustatyti sistemą į nuolat siūlyti „Maistas" kategoriją.
Todėl mūsų sistema naudoja duomenų augmentaciją. Tai reiškia, kad iš vieno naujo sandorio „Costco, 120 eur", sistema gali sugeneruoti dirbtinai panašius pavyzdžius, keičiant sumą į 119 eur ar 121 eur. Tai padeda sistemai mokytis iš mažesnio kiekio duomenų.
Svarbi Pastaba
Kiekvieno naudotojo mokymosi rezultatai gali skirtis. Giluminio mokymo algoritmai dirba geriausia, kai jie turi pakankamai mokymo duomenų iš jūsų specifinio naudojimo šablono. Jei jūsų sandoriai labai skiriasi nuo tipinių modelių, klasifikacija gali reikalauti daugiau rankinio peržiūrėjimo pradžioje.
Kodėl Tai Veikia Taip Gerai?
Giluminis mokymasis nėra magija — tai yra matematika ir duomenys. Sistema naudoja konvoliucinius ir rekurentinius tinklus, kad suprasti šablonu jūsų sandoriuose. Ji naudoja duomenų augmentaciją, kad mokytusi iš mažesnio kiekio duomenų. Ir ji nuolat mokosi iš jūsų atsiliepimų.
Realybėje tai reiškia, kad jūs galite tikėtis, jog sistema teisingai kategorijuos apie 95 procentus jūsų sandorių automatiškai. Likusi dalis gali reikalauti jūsų patvirtinimo. Tai žymiai greičiau nei manual kategorijimas, ir jūs vis tiek kontroliuojate rezultatą.
Kai supranti, kas vyksta „po kapotu", tampa aišku, kodėl giluminis mokymasis yra tokia galinga priemonė finansų duomenims. Jis nėra „juodoji dėžė" — tai yra suprantama sistema, kuri mokosi iš tūkstančių sandorių modelių.
Susiję Straipsniai
Sužinokite daugiau apie automatinę kategorijimą ir praktines gaires
Kategorijų Nustatymas: Praktinis Vadovas
Žingsnis po žingsnio instrukcijos, kaip sukonfigūruoti savo sandorių kategorijas ir personalizuoti sistemą.
Skaityti straipsnį
Dažnos Klaidos ir Kaip Jų Išvengti
Pažiūrėkite, kokie yra pagrindiniai iššūkiai nuklasifikuojant sandorius ir kaip jų išvengti.
Skaityti straipsnį