Pass 600: ML scoring

Parametry

Pole	Wartość
name	`ml-scoring`
order	`600`
confidence	`70–95%` (dynamiczny)

Strategia

Pass działa na parach, które nie zostały dopasowane przez wcześniejsze passy (100–500). Zamiast sztywnych reguł, wykorzystuje model scoringowy trenowany na historycznych dopasowaniach użytkownika.

Cechy wejściowe

Model analizuje następujące cechy każdej pary faktura–transakcja:

Różnica kwot — znormalizowana odległość między kwotą faktury a kwotą transakcji
Podobieństwo nazw — fuzzy score nazwy kontrahenta (fuzzball)
Odległość dat — dni między datą wystawienia faktury a datą transakcji
Częstość kontrahenta — jak często ten kontrahent pojawia się w historii
Wzorzec kwot — czy kontrahent płaci zazwyczaj zbliżone kwoty

Jak działa scoring

interface MLScoringResult {
  invoiceId: string
  transactionId: string
  score: number        // 0.0 – 1.0
  confidence: number   // procent pewności
  features: Record<string, number>
}

Model zwraca score w zakresie 0–1. Pary z score powyżej progu (threshold, domyślnie 0.7) trafiają do dopasowań.

Konfiguracja

const ksefnik = createKsefnik({
  plugins: ['@ksefnik/pro'],
  reconciliation: {
    passes: {
      'ml-scoring': {
        threshold: 0.75,      // minimalny score (domyślnie: 0.7)
        minSamples: 50,       // min. historycznych dopasowań do treningu
        features: ['amount', 'name', 'date', 'frequency', 'pattern'],
      }
    }
  }
})

Kiedy używać

Masz powtarzalnych kontrahentów z niestandardowymi opisami przelewów
Standardowe passy fuzzy/partial nie wyłapują dopasowań specyficznych dla twojej firmy
Chcesz, żeby system uczył się z twoich ręcznych dopasowań