Zespół Cubexio

Ludzie za algorytmem

Pracujemy nad tym, żeby automatyczna kategoryzacja wydatków była na tyle dokładna, że przestajesz myśleć o tym procesie. Każdy w zespole odpowiada za konkretny fragment tego mechanizmu.

Skład zespołu

Cztery osoby, jeden system

Aleksandra Wrotek

Dyrektor ds. Produktu

Aleksandra dołączyła do Cubexio z doświadczeniem w projektowaniu narzędzi finansowych dla małych firm. Jej zadaniem jest przekładanie potrzeb użytkowników na konkretne decyzje o tym, jak model klasyfikuje transakcje. Szczególnie zależy jej na tym, żeby system radził sobie z wydatkami mieszanymi - czyli tymi, które trudno przypisać do jednej kategorii.

Strategia produktu UX finansowy Kategorie wydatków

Tomasz Kędra

Główny Inżynier ML

Tomasz odpowiada za architekturę modeli klasyfikacyjnych. Pracuje głównie z danymi transakcyjnymi w języku polskim - co samo w sobie jest nietrywialnym problemem ze względu na skróty i lokalne nazewnictwo.

NLP Klasyfikacja

Patrycja Zielonka

Analityk Finansowy

Patrycja weryfikuje, czy to, co model klasyfikuje, ma sens z perspektywy księgowej. Sprawdza krawędziowe przypadki - np. faktury z kilkoma pozycjami VAT - i opisuje je jako dane treningowe dla modelu.

Księgowość Walidacja danych

Rafał Sobieski

Inżynier Backend

Rafał buduje infrastrukturę, przez którą przechodzą dane transakcyjne zanim trafią do modelu. Dba o to, żeby pipeline działał stabilnie przy różnych formatach importu - CSV, XML, API bankowe.

Pipeline danych Integracje API

Jak pracujemy

Priorytety w czterech wymiarach

Każdy sprint planujemy według prostej macierzy: co blokuje dokładność modelu, a co tylko ją poprawia. To pozwala nie tracić czasu na optymalizacje, gdy gdzieś jest błąd kategoryzacji wpływający na raporty użytkownika.

Dokładność klasyfikacji to nie metryka - to warunek, żeby użytkownik w ogóle zaufał systemowi.

Pilne i ważne Błędy Błędna kategoryzacja wpływająca na raporty

Ważne, nie pilne Rozwój Nowe typy transakcji i rozszerzenia modelu

Pilne, mniej ważne Obsługa Pytania użytkowników i korekty ręczne

Długoterminowe Badania Eksperymenty z nowymi architekturami klasyfikatorów

Zasady, którymi kierujemy się
na co dzień

Nie mamy manifestu. Mamy kilka konkretnych przekonań, które wpływają na to, jak podejmujemy decyzje techniczne i produktowe.

Dokładność przed szybkością

Wolniejszy model, który klasyfikuje poprawnie, jest lepszy niż szybki, który często się myli. Użytkownik zauważy błąd, nie czas odpowiedzi.

Dane mówią pierwsze

Każda zmiana w modelu zaczyna się od analizy rzeczywistych transakcji, nie od intuicji. Intuicja przydaje się przy stawianiu hipotez, nie przy ich weryfikacji.

Przejrzystość decyzji

Jeśli model zmienia kategorię transakcji, użytkownik powinien wiedzieć dlaczego. Czarna skrzynka może być dokładna, ale nie buduje zaufania.

Bezpieczeństwo danych

Dane transakcyjne są wrażliwe. Przetwarzamy je z minimalnym zakresem dostępu i nie używamy danych klientów do trenowania modeli bez ich wiedzy.