Rozwój technologii i inteligentnych systemów w zaskakującym tempie zmienia charakter dotychczasowej pracy. Jednym z najważniejszych czynników determinujących ewolucje jest uczenie maszynowe (ang. machine learning – ML). Przekłada się ono na m.in. proces transformacji w zakresie finansów i rachunkowości. Jakie korzyści niesie uczenie maszynowe wykorzystane w tym sektorze? Jak zmieni się charakter pracy księgowych?
Przebyliśmy długą drogę w finansach i rachunkowości. Rozpoczynając od czysto ręcznej księgowości prowadzonej w wielkich, zakurzonych księgach papierowych, po rozwiązania oparte na Excelu i zaawansowanych systemach księgowych, weszliśmy w ekscytujący świat inteligentnej automatyzacji napędzanej przez „złoty trójkąt”: automatyzacji uzyskiwanej za pomocą robotów, sztucznej inteligencji i inteligentnej analityki.
Obiecującym rozwiązaniem z zakresu sztucznej inteligencji jest koncepcja uczenia maszynowego (ML), która stanowi przełom w usprawnianiu procesów finansowych. Algorytmy ML umożliwiają wykonanie określonego zadania bez jego wcześniejszego zaprogramowania, lecz poprzez uczenie się na przykładach. Rozwiązanie oparte jest na modelach statystycznych utworzonych z danych przykładowych dostarczonych do algorytmu. Maszyna uczy się na podstawie przeszłych doświadczeń i podejmuje decyzje poprzez analizy i prognozy, jednocześnie zdobywając nową wiedzę z nowych wydarzeń.
Ale w jaki sposób można zastosować uczenie maszynowe do procesów finansowych i jaka jest idealna recepta na utworzenie wiodącego na rynku rozwiązania? Oto trzy podstawowe pytania, które można rozważyć budując rozwiązanie oparte na uczeniu maszynowym.
Jakie procesy finansowe mogę usprawnić, stosując uczenie maszynowe?
Pierwszym krokiem jest wybór procesu, który jest odpowiedni do ulepszenia przez ML – należy wybrać proces, który zawiera czynnik „myślenia”. Dobrym przykładem jest proces zawierający element analizy. Procesy, które wymagają jedynie prostego gromadzenia danych, formatowania lub obliczania wartości na podstawie określonej, stałej reguły, są bardziej odpowiednie do automatyzacji za pomocą robotów.
Proces rozważany do usprawnienia za pomocą uczenia maszynowego powinien również zostać powtórzony tyle razy, aby dysponować odpowiednią ilością istniejących danych do nauki przez maszynę. Teoretycznie poprzednie wyniki procesu można również symulować przy użyciu danych z systemu księgowego firmy. Maszyna ucząca się korzysta wówczas z tych „syntetycznych” danych, aby dowiedzieć się, jak wykonać ten proces w przyszłości.
Dlaczego dane rozwiązanie oparte o uczenie maszynowe powinno być wdrożone?
W drugim kroku należy stworzyć solidne uzasadnienie biznesowe dotyczące budowy rozwiązania opartego na uczeniu maszynowym. Trzeba obliczyć i wykazać namacalne, oparte na faktach szacunkowe korzyści, które można zapewnić za pomocą ML, a także ilość pracy ludzkiej, którą można zaoszczędzić. Inne zalety proponowanego rozwiązania uczenia maszynowego mogą obejmować szybsze podejmowanie decyzji poprzez przeprowadzanie sprawniejszej analizy, zwiększoną dokładność danych wyjściowych wynikającą z eliminacji błędów ludzkich i spójnej prezentacji wyników.
Należy również wziąć pod uwagę koszty budowy i wdrożenia rozwiązania. Obejmują one zazwyczaj koszt budowy maszyny uczącej się, koszt ciągłego uczenia się na podstawie nowych przypadków, koszt utrzymywania wdrożonej maszyny i koszt korygowania ewentualnych błędów, które może ona popełnić. Zrozumienie korzyści oraz kosztów danego rozwiązania, umożliwia stworzenie rzetelnego dowodu na to, że maszynę warto wdrożyć.
Jak zbudować rozwiązanie ML?
Trzecim krokiem jest potwierdzenie, że zaplanowane rozwiązanie uczenia maszynowego jest technicznie wykonalne. Trzeba upewnić się, czy jesteśmy w posiadaniu wystarczającej liczby próbek i czy jakość danych jest wystarczająco dobra, aby maszyna mogła się uczyć.
Należy również zdefiniować dodatkowe usprawnienia wymagane do optymalnego funkcjonowania uczenia maszynowego. Na przykład, czy potrzebujemy robota do gromadzenia i formatowania danych, które analizować będzie sytem uczący się? A ponieważ system samouczący się mówi w języku cyfr, konieczne może okazać się posiadanie narzędzia „tłumacza”, aby przedstawić wyniki analizy w formacie i języku zrozumiałym dla ludzi.
Po zebraniu wszystkich szczegółów rozwiązania można pracować nad określeniem dokładnego budżetu i ról wymaganych do wdrożenia projektu ML. Obejmuje on zatrudnienie wykwalifikowanych osób w celu sprawdzenia wydajności rozwiązania i pomocy w rozwiązywaniu „nowych przypadków”, które mogą wystąpić w przyszłości.
Inteligentna maszyna przyszłości
W idealnym świecie inteligentna maszyna może być w stanie nauczyć się zasad, standardów i wyjątków rachunkowości z „wirtualnego uniwersytetu”, a następnie wykorzystać tę wiedzę do wsparcia decyzji księgowych. Wówczas większość działu finansowego zostałaby przypisana do pracy nad budowaniem i utrzymaniem inteligentnych systemów. Tradycyjna funkcja finansowa pracowników tej sekcji zostałaby przekształcona w zespół menedżerów wyspecjalizowanych w tematyce sztucznej inteligencji, których wiedza i umiejętności odpowiadałyby potrzebom inteligentnych maszyn.
Wygląda na odległą przyszłość? Może nie być ona tak daleką, jak mogłaby się wydawać.
Agnieszka Palonek jest menedżerem, FPIA Consulting, w dziale usług biznesowych Capgemini, światowego lidera w zakresie konsultacji, usług technologicznych i transformacji cyfrowej oraz partnera SAP. Agnieszka specjalizuje się w projektach transformacyjnych, których celem jest eliminacja zadań niezwiązanych z powiązanymi dodanymi, standaryzacja, optymalizacja, robotyzacja i automatyzacja procesów. Wykorzystaj swoją wiedzę na temat procesów i technologii, a także bogate doświadczenie w różnych projektach transformacyjnych, aby pomóc w usprawnieniu operacji finansowych klientów.
Tekst pochodzi z Digitalist Magazine.
