ШІ для бухгалтера, економіста та фінансиста: від 0 до результату

Додаткові матеріали

Презентація

Текстове розшифрування відео

Розглянемо можливості штучного інтелекту (ШІ) у фінансах та бухгалтерії та покажемо всі варіанти використання ШІ та додаткових технологій, які з ним пов'язані, для розуміння, як можна знизити рутину та автоматизувати складні процеси у фінансах та бухгалтерії.

Проблеми у фінансовому секторі та бухгалтерських відділах:

• Брак часу: Бухгалтери завжди відчувають нестачу часу, а обсяг даних, які необхідно обробити (вхідні, вихідні, податкові документи), є величезним і займає колосальну кількість ресурсів. Відділи бухгалтерії з ростом компанії завжди розширюються.
• Ризики помилок: Велика кількість однотипних операцій викликає ризики помилок. Люди, на жаль, помиляються. За статистикою, людина помиляється приблизно у 8-12% роботи, яку вона виконує на потоці.
• Професійне вигорання: Велика кількість рутинних завдань призводить до людського вигорання. Виконувати одне й те саме, не розвиваючись і не стаючи більш кваліфікованими спеціалістами, складно.
• Виявлення аналітичних закономірностей, шахрайства: Це окремий блок, що стосується виявлення шахрайства чи інших патернів, які можуть бути корисні у фінансовому секторі.

Стандартними рішеннями штучного інтелекту є системи машинного навчання. Вони допомагають знаходити закономірності, що дозволяє робити додаткову аналітику, будувати складніші прогнози та спрощувати завдання.

Обробка тексту за допомогою нейролінгвістичних моделей, які розуміють людську мову, може швидко перекладати, готувати документи, аналізувати документи.

Третім блоком є комп'ютерний зір. Навіть з появою електронного документообігу все одно існує велика кількість паперової документації. Комп'ютерний зір допомагає її читати, розпізнавати фотографії, сканкопії, аналізувати зображення, шукати підписи або перевіряти печатки.

Одним із цікавих напрямків інтеграції штучного інтелекту та інших технологій гіперавтоматизації є аналіз та обробка первинної документації. Якщо є завдання розпізнати та зібрати інформацію з великої кількості рахунків, актів або податкових накладних з різних джерел, а потім розкласти її, все це можна робити за допомогою штучного інтелекту.

Як приклад, підключається технологія роботизації, яка дозволяє інтегруватися з будь-якою системою, що збирає інформацію. Далі за допомогою штучного інтелекту та комп'ютерного зору розпізнаються дані документи. Якщо це сканкопія, вона переходить на наступну модель, яка класифікує кожен документ за типом (рахунок, акт чи інший документ). Потім за допомогою систем класичної автоматизації документи передаються в софт документообігу, де кожен клас документа йде за своїм бізнес-процесом. Десь потрібен доказ, десь треба відповісти на лист, десь треба підготувати акт звірки і, наприклад, відправити його назад.

Другим блоком, де може використовуватися ШІ, є аналітика та прогнозування. Досить давно, приблизно сім років тому, штучний інтелект вже використовувався для побудови скорингових моделей у банках. Тоді, аналізуючи кредитну історію, людину, її матеріальні та нематеріальні активи, система за допомогою штучного інтелекту та машинного навчання робила скорингову оцінку клієнта і розуміла, який кредит можна йому надати. Це один із прикладів. Такі приклади у великих компаній були досить давно, ще 10 років тому.

Зараз досить популярною є історія прогнозування та побудови Data Decision Maker, Data Decision Company. Це прогнозування, побудоване на внутрішніх даних. Усе це також використовує ваші внутрішні дані та моделі машинного навчання для аналізу прогнозів, таких як прогноз фінансових потоків, прогноз складського обліку, аналіз ризиків саме на ваших даних. Беруться історичні дані, навчається модель, і на підставі цієї інформації машина, штучний інтелект, може розуміти і думати, як зробити прогноз і підсвітити ті точки ризику або ті точки успіху, які можуть бути у компанії.

Виявлення шахрайства – це більше для фінансових компаній, для платіжних систем. Досить часто використовується для аналізу поведінкової моделі кожної транзакції, кожної операції з рахунком.

Зараз одним із дуже популярних напрямків є те, що штучний інтелект за допомогою розвитку лінгвістичних моделей може розмовляти. Це може бути чатбот підтримки, внутрішній корпоративний чат, внутрішній ChatGPT, який, знаючи всю документацію в компанії, може надавати допомогу та відповіді на питання, які потрібно було б шукати у величезному обсязі документації, що є у компанії.

За допомогою лінгвістичних моделей можна робити досить ефективні речі саме з обробкою документів: не тільки знаходити дані в них, але й аналізувати текст. Дуже часто використовується в юриспруденції та роботі з договорами. Наприклад, компанія J.P. Morgan Chase почала використовувати лінгвістичні моделі для аналізу договорів та допомоги юристу, а на наступному етапі – фінансам, зробити прогноз на підставі договору. Приходив новий договір, система його читала, розуміла, що в ньому написано, і підсвічувала юристу, де треба зробити помітки чи виправити якісь ризики. Далі він потрапляв у внутрішню систему компанії, де бухгалтерія вже могла з ним взаємодіяти, зрозуміти, коли треба виставляти рахунок, яка постоплата чи інші фінансові зобов'язання, які можуть бути в юридичному документі.

Компанія PayPal впровадила систему штучного інтелекту для аналізу рахунків своїх користувачів з метою пошуку нестандартних операцій. Таким чином, вони борються з фішингом та крадіжкою особистих даних своїх користувачів. Особисті дані їхніх користувачів – це гроші. Досить давно українські банки використовують чатботи. У ПриватБанку є навіть голосовий асистент, який допомагає їм зробити свою роботу більш якісно та максимально простіше. Завдяки здешевленню самої технології, це стає доступним. У наступному модулі буде розібрано, як з мінімальними зусиллями, без високих елементів впровадження, можна це впровадити у повсякденну діяльність.

Переваги використання ШІ:

• Підвищення ефективності.
• Зменшення помилок.
• Економія коштів на обробці даних.
• Покращення або пришвидшення аналізу.

Виклики, що залишаються:

• Потреба навчатися: Це основний виклик, з яким вже почали боротися, навчаючись і розуміючи, як це працює, щоб можна було використовувати в особистому житті та пропонувати рішення для бізнесу та компанії.
• Безпека даних: Будь-яка інформаційна система піддається злому або крадіжці/витоку даних. Але це більше питання людей, які займаються безпекою даних та побудовою комплексу даних всередині підприємства таким чином, щоб дані не могли бути втрачені або пошкоджені. Тут проблеми не штучного інтелекту, а саме комплексу інформаційних рішень, які є на підприємстві.
• Вартість впровадження: Навіть якщо зараз сервіси стали доступні, вони все ще не безкоштовні, і вартість впровадження може бути стоп-фактором для певних шарів бізнес-спільноти. Однак, враховуючи, що зараз є досить багато сервісів, доступних для пересічного громадянина (як безкоштовних, так і платних), можна розраховувати на те, що спеціаліст може використовувати їх у своїх завданнях.
• Підготовка даних: Це ще один блок, який стосується підготовки даних, на яких машина буде вчитися або використовувати. Чим якісніші ці дані, тим якість результату буде прогнозованішою і кращою. Це впливає і на вартість, і на якість роботи.

Таким чином, вже почали боротися з першими викликами, а саме з потребою навчання та розуміння технології.