Глыбокае навучанне

Глыбокае навучанне — гэта падыход машыннага навучання, заснаваны на шматслаёвых штучных нейронных сетках, натхнёных нервовымі клеткамі чалавечага мозгу. У гэтым артыкуле мы коратка падсумуем, што такое глыбокае навучанне, а затым сканцэнтруемся на галоўным пытанні: дзе гэтая тэхналогія закранае штодзённыя фінансавыя і выдатковыя працэсы кампаніі? Чытанне чэкаў і рахункаў-фактур, класіфікацыя выдаткаў і прагназаванне бюджэту — гэта тры асноўныя сферы, у якіх глыбокае навучанне канкрэтна апускаецца на стол фінансавых каманд.

Што такое глыбокае навучанне?

У адрозненне ад класічнага машыннага навучання, глыбокае навучанне выкарыстоўвае штучныя нейронныя сеткі, якія складаюцца з вялікай колькасці слаёў. Слова "глыбокае" паказвае на вялікую колькасць гэтых слаёў. У той час як першыя слаі ўлоўліваюць простыя падказкі ў дадзеных (лініі на выяве чэка, контуры сімвалаў), глыбокія слаі вучаць больш абстрактныя паняцці (гэта агульная сума, а гэта — назва пастаўшчыка).

Галоўная розніца ў наступным: у традыцыйных метадах эксперт уручную вызначае, на якія прыметы дадзеных трэба глядзець. Глыбокае навучанне ж бярэ сырыя дадзеныя напрамую і само выяўляе, што важна. Гэтая здольнасць дае вялікую перавагу ў дадзеных, якія не змяшчаюцца ва ўпарадкаваную табліцу, — такіх як выява, гук і свабодны тэкст. Пакамечаныя чэкі, рахункі-фактуры розных фарматаў і тэксты апісанняў, якія штодня праходзяць праз рукі бухгалтарскай каманды, — гэта менавіта такі тып дадзеных.

Працэс навучання нейроннай сеткі таксама ідзе паводле інтуітыўнай логікі: мадэль робіць прагноз, вымяраецца памылка паміж прагнозам і рэальным значэннем, а ўнутраныя налады сеткі абнаўляюцца ў напрамку, які памяншае гэтую памылку. Пасля тысяч паўтораў мадэль, напрыклад, усё больш дакладна чытае суму на чэку.

Дзе глыбокае навучанне закранае бізнес?

Архітэктурныя дэталі глыбокага навучання (згортачныя сеткі для выяўных дадзеных, рэкурэнтныя сеткі і мадэлі з механізмам увагі для паслядоўных дадзеных) — гэта тэма тэхнічных каманд. Для фінансавага кіраўніка важна тое, якую задачу бяруць на сябе гэтыя архітэктуры. Разгледзім праз тры асноўныя прыклады.

1. Чытанне дакументаў і чэкаў: аптычнае распазнаванне сімвалаў

Месца, дзе глыбокае навучанне найбольш напрамую закранае карпаратыўныя фінансы, — гэта чытанне дакументаў. Тэхналогія аптычнага распазнавання сімвалаў можа з высокай дакладнасцю распазнаваць розныя шрыфты, почырк і нават тэкст на пакамечаных або нізкаякасных чэках. Сучасныя сістэмы не абмяжоўваюцца чытаннем сімвалаў; яны разумеюць структуру дакумента, разбіраюць табліцу, раздзяляюць інфармацыю пра дату, суму, стаўку падатку і пастаўшчыка на палі.

Адпаведнасць гэтага для фінансавай каманды відавочная: ручны ўвод чэкаў і рахункаў-фактур, сабраных супрацоўнікамі, у сістэму — гэта праца, якая адначасова павольная і схільная да памылак. Чытанне дакументаў на аснове глыбокага навучання скарачае гэты крок да секунд; яно памяншае ў крыніцы праблемы страчаных чэкаў, няправільных сум і спазнелых дэклярацый. Тэму нагрузкі ручнога ўводу на кампанію мы асобна разгледзелі ў артыкуле схаваны часавы кошт уводу выдаткаў.

2. Класіфікацыя: запісаць выдатак у правільнае месца

Другая вялікая працоўная сфера глыбокага навучання — гэта класіфікацыя. Запіс выдатку ў катэгорыю "харчаванне", "транспарт" або "пражыванне" здаецца простым; але рабіць гэта ўручную і паслядоўна ў выдатковых дадзеных на тысячы радкоў — цяжка. Мадэлі, якія вучацца з тэксту і выявы, аўтаматычна прапануюць правільную катэгорыю і правільны цэнтр выдаткаў для выдатку, гледзячы на змест чэка, назву пастаўшчыка і суму.

Правільная класіфікацыя — гэта не толькі пытанне парадку: бачнасць па катэгорыях робіць магчымай аўтаматычную праверку правілаў выдатковай палітыкі. Выдатак па-за палітыкай трапляе да кіраўніка ўжо на этапе зацвярджэння адзначаным.

Пашырэннем той жа інфраструктуры класіфікацыі з'яўляецца выяўленне адхіленняў: паколькі мадэль вывучае звычайны шаблон выдаткаў, яна можа адзначаць такія выпадкі, як дубляваны чэк, завышаная сума або незвычайны пастаўшчык. Працэсны бок гэтай тэмы мы падрабязна разгледзелі ў артыкуле злоўжыванне выдаткамі.

3. Прагназаванне: прадбачыць бюджэт і грашовы паток

Трэцяя сфера — гэта прагназаванне. Мадэлі глыбокага навучання, якія працуюць з паслядоўнымі дадзенымі, выкарыстоўваюцца для прадбачання ходу выдаткаў наступнага перыяду на аснове мінулых выдатковых радоў. Гэта дае прамы ўваход у дзве асноўныя задачы фінансавай каманды: з боку кіравання бюджэтам — рана бачыць адхіленні канца перыяду; з боку грашовага патоку — больш дакладна планаваць выплаты бліжэйшых месяцаў.

Тут трэба правільна выставіць чаканні: прагнастычныя мадэлі не даюць дакладнай лічбы; яны даюць тэндэнцыю і дыяпазон. Іх каштоўнасць якраз у гэтым — яны памяншаюць нечаканасць і набліжаюць рашэнне.

У чым розніца паміж глыбокім навучаннем і класічным машынным навучаннем?

Гэтыя два паняцці часта блытаюць; праз прызму бізнесу розніцу можна падсумаваць так:

Глыбокае навучанне — гэта падмноства машыннага навучання. У працы са свабоднымі дадзенымі, напрыклад чытанні выявы чэка, глыбокае навучанне відавочна пераважае; а на малых і ўпарадкаваных наборах дадзеных класічныя метады могуць усё яшчэ быць эфектыўнымі і больш эканамічнымі.

На што трэба звярнуць увагу пры ўкараненні ў арганізацыі?

Пераносячы глыбокае навучанне ў фінансавыя працэсы, трэба звярнуць увагу на тры моманты:

• Якасць дадзеных: Мадэль настолькі добрая, наколькі добрыя дадзеныя, якімі яе кормяць. Сістэма, пабудаваная на раскіданых, дрэнна размечаных выдатковых дадзеных, не выклікае даверу; спачатку трэба ўсталяваць дысцыпліну дадзеных.
• Тлумачальнасць: У падкантрольных сферах, такіх як фінансы, "мадэль так сказала" — недастатковае абгрунтаванне. Варта аддаваць перавагу канструкцыям, дзе аўтаматычныя рашэнні (напрыклад, адзначэнне выдатку) спалучаюцца з чалавечым зацвярджэннем.
• Рашэнне будаваць ці купляць: Навучанне ўласнай мадэлі патрабуе дадзеных, спецыяльнага абсталявання і каманды экспертаў. Правільны шлях для большасці кампаній — выкарыстоўваць рашэнне для кіравання выдаткамі, якое прапануе чытанне дакументаў і класіфікацыю гатовымі; а ўласную мадэль будаваць толькі тады, калі ёсць сапраўды адметная патрэба.

Часта задаваныя пытанні

Ці адно і тое ж глыбокае навучанне і штучны інтэлект?

Не. Штучны інтэлект — самае шырокае паняцце; машыннае навучанне — яго падраздзел, а глыбокае навучанне — падмноства машыннага навучання.

Як глыбокае навучанне выкарыстоўваецца ў карпаратыўным кіраванні выдаткамі?

У трох асноўных формах: аўтаматычнае чытанне чэкаў і рахункаў-фактур праз аптычнае распазнаванне сімвалаў, аўтаматычная класіфікацыя выдаткаў па катэгорыі і цэнтры выдаткаў, прагназаванне бюджэту і грашовага патоку з мінулых дадзеных. Да гэтага дадаецца выяўленне адхіленняў (адзначэнне дубляваных ці пазапалітычных выдаткаў).

Ці трэба нам навучаць уласную мадэль, каб скарыстацца гэтай тэхналогіяй?

У большасці выпадкаў не. Чытанне дакументаў і класіфікацыя выдаткаў — гэта сферы, дзе гатовыя рашэнні выспелі; навучанне ўласнай мадэлі патрабуе вялікіх укладанняў у дадзеныя і экспертызу і звычайна мае сэнс толькі пры вельмі спецыфічных патрэбах.

З якой колькасцю дадзеных працуе мадэль?

Гэта залежыць ад задачы. Для простых задач класіфікацыі можа хапіць некалькіх тысяч прыкладаў; складаныя задачы з выявамі і мовай патрабуюць значна больш. Трансфернае навучанне, заснаванае на папярэдне навучаных мадэлях, дазваляе атрымліваць добрыя вынікі нават з малой колькасцю дадзеных.

Выснова: перанясіце глыбокае навучанне ў свой выдатковы працэс

Глыбокае навучанне перастала быць акадэмічнай цікаўнасцю і ўвайшло ў штодзённы інструментарый фінансавай каманды. Чытанне дакументаў ліквідуе ручны ўвод, класіфікацыя аўтаматызуе праверку палітыкі, прагназаванне набліжае бюджэтны і грашовы план. Masraff з дапамогай тэхналогіі чытання дакументаў на аснове штучнага інтэлекту лічбавізуе вашы чэкі і рахункі-фактуры за секунды, аўтаматычна класіфікуе вашы выдаткі і кіруе вашым выдатковым працэсам ад пачатку да канца. Каб убачыць, што можна зрабіць з вашымі ўласнымі выдатковымі дадзенымі, звяжыцеся з намі.