Obecnie pojawiło się wiele obaw i szumu wokół sztucznej inteligencji, i jej wpływu na księgowych. Według badań firmy Gartner, większość zastosowań sztucznej inteligencji osiąga szczyt „nadmuchanych oczekiwań", co oznacza, że oczekiwania są wysokie i wiele technologii już nie radzi sobie z ich spełnieniem. Nie znaczy to jednak, że sztuczna inteligencja przepadnie. To oznacz, że zaczynamy przebijać się przez szum i planować realistyczne zastosowania dla sztucznej inteligencji. Część z nich będzie przydatna dla księgowych, a wiele zostanie wykorzystanych przez firmy, dla których pracujemy.
Spektrum sztucznej inteligencji
Wyzwania związane z nowymi technologiami polegają w pewnym stopniu na tym, że nie ma jasnej definicji, czym technologia jest, a czym nie. Działy marketingu starają się wykorzystać szum [informacyjny - przyp. red.], aby zwiększyć sprzedaż i często używają pustych haseł, odnoszących się do technologii. Powoduje to dodatkowe zacieranie się definicji.
Aby ustanowić odpowiednie podstawy do analizy wpływu sztucznej inteligencji na księgowych, należy się posługiwać następującymi pojęciami:
- uczenie się maszyn (machine learning): zdolność komputera do rozpoznawania i stosowania wzorów, wyprowadzania własnych algorytmów opartych na tych wzorach oraz udoskonalania tych algorytmów na podstawie informacji zwrotnej;
- głębokie uczenie (deep learning): zdolność komputera do rozpoznawania relacji i skojarzeń oraz stosowania ich w podobnych okolicznościach (na podobieństwo tego, co robi nasz mózg);
- rozumowanie maszyn (machine reasoning): zdolność komputera do stosowania swojego „rozumienia" danych, relacji, zasad itp., do myślenia poprzez implikacje określonego zestawu informacji i dostarczania analiz lub interpretacji;
- przetwarzanie języka naturalnego: zdolność komputera do „rozumienia" ludzkiej mowy;
- komputerowe rozpoznawanie obrazu: zdolność komputera do „widzenia" obrazów i „rozpoznawania" ludzi, przedmiotów, czynności i stanów (np. szczęśliwy, smutny, w ruchu itp.) na tych obrazach.
Z tych wszystkich kategorii najszersze możliwe zastosowanie ma uczenie się maszyn i właśnie ta technologia może mieć największy wpływ na pracę księgowych, dlatego w tym artykule skupimy się głównie na niej.
Już doświadczasz uczenia się maszyn
Uczenie się maszyn dobrze sprawdza się przy „rozumowaniu indukcyjnym", gdzie na podstawie zestawu danych lub przykładów komputer może rozpoznać „reguły", aby ustalić wynik końcowy. Wróćmy do swoich zajęć ze statystyki i przypomnijmy sobie techniki, takie jak regresja liniowa, pomiar korelacji, a także wiarygodność różnych punktów danych. Na bardzo podstawowym poziomie są to rodzaje analiz, które stosują algorytmy uczenia się maszyn w celu przewidywania wyników. Dzięki mocy obliczeniowej komputera można przetworzyć tysiące punktów danych, aby ustalić, które są istotne, a które nie, a następnie zastosować utworzone reguły do innego zestawu danych, aby przewidzieć wyniki.
Sugestie dla użytkowników, takich firm jak Amazon, Kindle i Netflix to świetny przykład tego działania. Netflix (portal udostępniający filmy i seriale) wykorzystuje oceny użytkowników w swojej bibliotece oraz takie dane, jak gatunek, reżyser, aktorzy itp., żeby przewidzieć, czy spodoba się inny serial lub film. Kindle (czytnik książek) działa podobnie tylko w odniesieniu do książek. Amazon (sklep internetowy) wykorzystuje wyświetlenia produktów, historię zakupów innych użytkowników oraz dodatkowe pozycje do tych w naszym koszyku, aby zaproponować inne produkty, które mogą nam się spodobać. Niezależnie, czy zdajemy sobie z tego sprawę, już doświadczamy uczenia się maszyn, które przewidują nasze preferencje.
Wpływ tendencyjnych danych na rozumowanie indukcyjne
Ponieważ rozumowanie indukcyjne „uczy się" na podstawie istniejących zbiorów danych, ważne jest sprawdzenie, czy te zbiory są tendencyjne. Na przykład, jeśli oglądamy w serwisie Netflix wyłącznie horrory i dajemy im wysokie oceny oraz zdarza nam się oglądać tam również inne filmy niskobudżetowe, ponieważ nie możemy oglądać ich na innej platformie, Netflix prawdopodobnie stwierdzi, że podobają nam się horrory i filmy niskobudżetowe. Netflix nie wie, że podoba nam się dużo więcej innych filmów, ale po prostu nie ma dostępu do tych danych.
Jak widać, istnieje potencjał pozytywnego i negatywnego wpływu danych tendencyjnych. Jeżeli tendencyjne dane dają wynik, którego poszukujemy, to używanie ich niesie pozytywne korzyści. Jeżeli jednak używanie danych tendencyjnych sprawia, że technologia uczenia się maszyn dostarcza niepoprawnych analiz, należy zastosować odpowiednie mechanizmy zapobiegające negatywnym skutkom. Mówiąc prościej, musimy zapewnić mechanizmy kontroli, które pozwolą nam zapobiegać negatywnym skutkom korzystania z tej technologii.
Uczenie się maszyn - konsekwencje dla biegłych rewidentów
Uczenie się maszyn może w przyszłości dostarczać biegłym rewidentom coraz więcej analiz. Zauważmy, że nie mam mowy o zastąpieniu audytorów. Ta technologia to po prostu kolejne narzędzie w zestawie narzędzi komputerowego wspomagania badania.
Zamiast próbkowania danych audytorzy będą mogli zbadać całą księgę główną za pomocą automatycznej analizy. Nawiasem mówiąc, to jeszcze nie jest uczenie się maszyn ani sztuczna inteligencja - to system, który już oferują takie narzędzia, jak IDEA i ACL. Narzędzia te mogą wykonywać różne analizy zaprojektowane przez ludzi, a następnie wygenerować listę wyjątków od oceny biegłego rewidenta. Uczenie się maszyn zaczyna grać swoją role, gdy audytor potwierdzi lub odrzuci wyjątek - wtedy program uczy się analizy wniosków audytora i próbuje zidentyfikować inne dane, które następnie zastosuje do wyjątków napotkanych w przyszłości.
Ryzyko tendencyjności danych polega na tym, że audytor może omyłkowo wyczyścić pozycje, które powinny być uznane za wyjątki, i program zacznie robić to samo. Należy więc wdrożyć system kontroli, aby upewnić się, że wyczyszczone pozycje nie są wyjątkami. Ta zasada dotyczy również potwierdzonych wyjątków, które nie powinny być wyjątkami.
W bardziej zaawansowanych zastosowaniach zestaw transakcji można wprowadzić do narzędzia wykorzystującego sztuczną inteligencję, a technologia uczenia się maszyn odkryje wzorce w transakcjach, aby zidentyfikować „transakcje standardowe". Za pomocą tej metody system zidentyfikuje wyjątki, które nie pasują do normy. To zastosowanie technologii uczenia się maszyn również jest narażone na tendencyjność danych, ponieważ obraz standardowej transakcji oparty jest na dostarczonych danych. Również jeżeli w zestawie danych jest wiele transakcji niezgodnych z prawem, to takie transakcje mogą być zinterpretowane, jako transakcje standardowe ze względu na ich częstość występowania.
Z pewnością w przyszłości zapotrzebowanie na biegłych rewidentów nadal będzie się utrzymywać, nawet jeśli maszyny będą wykonywać coraz więcej procedur badania. Rola audytora zarówno w audytach wewnętrznych, jak i zewnętrznych nie będzie już polegała na wykonywaniu procedur, ale na ich projektowaniu, interpretacji wyników i monitorowaniu skuteczności procesu.
Uczenie się maszyn - konsekwencje dla księgowych zarządczych
Konsekwencje technologii uczenia się maszyn dla księgowych zarządczych i innych księgowych zatrudnionych w jednostkach gospodarczych i rządowych są nawet większe niż w przypadku biegłych rewidentów. Poza tym, że uczenie się maszyn jest stosowane w finansach, technologia ta może być również wykorzystywana w innych obszarach firmy, a księgowi zarządczy muszą zapewnić odpowiednią kontrolę nad uczeniem się maszyn w całej jednostce.
W działach kontroli uczenie się maszyn może pomagać w klasyfikacji transakcji. Rozumowanie indukcyjne można zastosować przy danych źródłowych transakcji historycznych, aby „przewidywać" klasyfikację dodatkowych transakcji podczas ich ewidencjonowania. Ponieważ produkty wielu sprzedawców charakteryzują się dosyć spójną naturalną klasyfikacją, zazwyczaj to się udaje. Niektórzy sprzedawcy mogą być jednak zaklasyfikowani w inny sposób w zależności od sposobu użycia ich produktu. Weźmy na przykład newsletter mailowy - może być on wykorzystywany do przesyłania materiałów marketingowych i promocyjnych do klientów i zaklasyfikowany jako wydatek na reklamę albo może służyć do przesyłania wiadomości do pracowników i wtedy będzie zaklasyfikowany jako wydatek związany z pracownikami lub technologią informacyjną. Dlatego niezbędna jest weryfikacja przez księgowego, czy dane wydatki zostały odpowiednio zaklasyfikowane w zależności od istotności potencjalnego błędu.
Technologia uczenia się maszyn może być wykorzystana w ramach planowania finansowego i analiz w celu zdefiniowania lub udoskonalenia modeli danych używanych do prognozowania. Jakość danych i ryzyko tendencyjności mogą naruszyć jakość prognoz. Księgowi, zajmujący się tym obszarem w firmie, muszą zachować odpowiednią ostrożność wobec danych, które wykorzystują w swoim modelach.
Uczenie się maszyn - szanse dla przedsiębiorstwa
Organizacje, które wykorzystują uczenie się maszyn, muszą uwzględnić dodatkowy nadzór i kontrolę wewnętrzną w związku z ryzykiem wynikającym z tej technologii. Jeżeli inne działy - nie tylko finansowe - będą chciały korzystać z uczenia się maszyn, księgowi mogą podzielić się swoją wiedzą na temat analizy danych i modelowania, aby pomóc im w opracowaniu własnych metod użycia tej technologii.
W tym obszarze nie poradzi sobie sam dział IT. Niezbędna jest holistyczna wiedza na temat danych, procesów i użycia informacji. W każdym projekcie księgowi w działach finansów i audytu wewnętrznego muszą zrozumieć stosowne wymogi i ocenić odpowiedniość mechanizmów kontroli, które mają zapobiegać ryzyku tendencyjności danych.
Audytorzy wewnętrzni również grają ważną rolę w ocenie działania i skuteczności nadzoru oraz kontroli wewnętrznej nad metodami wybranymi w celu eliminacji ryzyka związanego z tendencyjnością danych.
Księgowi muszą wykorzystywać uczenie się maszyn
Mit, że sztuczna inteligencja zastąpi księgowego, jest raczej rodzajem ekscytacji i nie będzie miał miejsca w rzeczywistości. Natomiast coraz częstsze korzystanie ze sztucznej inteligencji pozwoli księgowym skupić się na lepszym wspieraniu procesów decyzyjnych zamiast na gromadzeniu danych i ich manualnej analizie. Sztuczna inteligencja będzie wymagać, aby księgowi wyszli jej na przeciw i zapobiegali związanym z nią ryzykom poprzez skuteczny nadzór i kontrolę wewnętrzną.
Musimy zastanowić się, jak wykorzystać uczenie się maszyn w obowiązkach księgowych i audytorów. Księgowi mają też ogromny potencjał wspierania innych działów, nie tylko finansowych, w korzystaniu z tej technologii i opracowywaniu odpowiednich mechanizmów nadzoru i kontroli.
Funkcja ładu korporacyjnego musi również dostosować swoją strategię do ryzyka związanego z technologią uczenia się maszyn. Należy ustanowić podległy jej dział nadzoru nad danymi, aby zapobiegać ryzyku wynikającemu z tendencyjności danych i zgodności z przepisami np. dotyczącymi prywatności. Z niektórymi obszarami nie poradzi sobie sam dział IT, ponieważ nie ma odpowiedniej wiedzy, którą mają księgowi.
Wykorzystując uczenie się maszyn jako narzędzie, księgowi mogą mniej czasu poświęcać żmudnemu przygotowywaniu danych, a więcej wyciąganiu z nich wniosków. Wiedza księgowych na temat opracowywania mechanizmów kontroli i tendencyjności danych może być zastosowana w innych działach firmy, które również chcą wdrożyć technologię uczenia się maszyn.
Uczenie się maszyn to wyjątkowa szansa dla księgowych i musimy ją wykorzystać z korzyścią dla naszych karier i firm, w których pracujemy.
Opracowanie i tłumaczenie: Dział Współpracy z Zagranicą SKwP, na podstawie artykułu Donny'ego C. Shimamoto „Why Accountants Must Embrace Machine Learning" IFAC Global Knowledge Gateway
