Дълбоко обучение

Дълбокото обучение е подход на машинно самообучение, базиран на многослойни изкуствени невронни мрежи, вдъхновени от нервните клетки в човешкия мозък. В тази статия ще обобщим накратко какво представлява дълбокото обучение, а след това ще се съсредоточим върху основния въпрос: къде тази технология се докосва до ежедневните финансови процеси и управлението на разходите на едно предприятие? Разчитането на касови бележки и фактури, класифицирането на разходите и прогнозирането на бюджета са трите основни области, в които дълбокото обучение конкретно достига до бюрото на финансовите екипи.

Какво е дълбоко обучение?

За разлика от класическото машинно самообучение, дълбокото обучение използва изкуствени невронни мрежи, изградени от голям брой слоеве. Думата „дълбоко“ насочва именно към големия брой на тези слоеве. Докато първите слоеве улавят простите податки в данните (линиите в изображение на касова бележка, контурите на знаците), по-дълбоките слоеве научават по-абстрактни понятия (това е обща сума, онова е име на доставчик).

Основната разлика е следната: при традиционните методи експерт ръчно определя към кои характеристики на данните да се гледа. Дълбокото обучение обаче взема суровите данни директно и само открива кое е важно. Тази способност дава голямо предимство при данни, които не се побират в подредена таблица — като изображения, звук и свободен текст. Смачканите касови бележки, фактурите в различни формати и обяснителните текстове, които всеки ден минават през ръцете на един счетоводен екип, са точно такъв тип данни.

Процесът на обучение на невронната мрежа също протича по интуитивна логика: моделът прави прогноза, измерва се грешката между прогнозата и реалната стойност и вътрешните настройки на мрежата се обновяват в посока, която намалява тази грешка. След хиляди повторения моделът например разчита все по-точно сумата върху една касова бележка.

Къде дълбокото обучение се докосва до бизнеса?

Архитектурните детайли на дълбокото обучение (конволюционни мрежи за изображения, рекурентни мрежи за последователни данни и модели с механизъм на внимание) са тема на техническите екипи. За финансовия мениджър важното е каква работа поемат тези архитектури. Нека погледнем през три основни примера.

1. Разчитане на документи и касови бележки: оптично разпознаване на знаци

Мястото, където дълбокото обучение се докосва най-пряко до корпоративните финанси, е разчитането на документи. Технологията за оптично разпознаване на знаци може с висока точност да разпознава различни шрифтове, ръкописен текст, дори текста върху смачкани или нискокачествени касови бележки. Съвременните системи не само разчитат знаците; те разбират структурата на документа, разчленяват таблицата и разделят по полета информацията за дата, сума, данъчна ставка и доставчик.

За финансовия екип резултатът е ясен: ръчното въвеждане в системата на събраните от служителите касови бележки и фактури е както бавна, така и податлива на грешки работа. Разчитането на документи, базирано на дълбоко обучение, свежда тази стъпка до секунди, като намалява в самия им източник проблемите със загубени бележки, грешни суми и закъснели декларации. Тежестта на ръчното въвеждане за компанията разгледахме отделно в статията за скритата времева цена на въвеждането на разходи.

2. Класифициране: да запишеш разхода на правилното място

Втората голяма област на приложение на дълбокото обучение е класифицирането. Записването на един разход в категория „храна“, „транспорт“ или „настаняване“ изглежда просто; но да се прави това ръчно и последователно върху хиляди редове с данни за разходи е трудно. Моделите, които учат от текст и изображения, автоматично предлагат правилната категория и правилния разходен център за разхода въз основа на съдържанието на бележката, името на доставчика и сумата.

Правилната класификация не е само въпрос на подреденост: видимостта по категории прави възможно автоматичното проверяване на правилата на политиката за разходите. Разход извън политиката стига до мениджъра вече отбелязан още на етапа на одобрение.

Едно продължение на същата инфраструктура за класифициране е откриването на отклонения: тъй като моделът е научил обичайния модел на разходите, той може да отбелязва ситуации като дублирани бележки, завишени суми или необичайни доставчици. Процесната страна на тази тема разгледахме подробно в статията за злоупотребите с разходи.

3. Прогнозиране: да предвидиш бюджета и паричния поток

Третата област е прогнозирането. Моделите за дълбоко обучение, работещи с последователни данни, се използват за предвиждане на хода на разходите за бъдещия период въз основа на историческите редове от разходи. Това дава пряк принос за две основни задачи на финансовия екип: от страната на управлението на бюджета — да се видят рано отклоненията в края на периода; от страната на паричния поток — да се планират по-точно изходящите потоци през следващите месеци.

Тук е нужно очакванията да се изградят правилно: прогнозните модели не дават точни числа; дават тенденция и диапазон. Стойността им е именно в това — намаляват изненадата и изтеглят решението напред.

Каква е разликата между дълбоко обучение и класическо машинно самообучение?

Двете понятия често се бъркат; през призмата на бизнеса разликите могат да се обобщят така:

Дълбокото обучение е подмножество на машинното самообучение. При задачи със свободни данни, като разчитане на изображения на касови бележки, дълбокото обучение превъзхожда с голяма преднина; при малки и подредени набори от данни класическите методи все още могат да бъдат ефективни и по-икономични.

На какво да се обърне внимание при внедряване в организацията?

При пренасянето на дълбокото обучение във финансовите процеси трябва да се обърне внимание на три момента:

• Качество на данните: моделът е толкова добър, колкото са добри данните, с които е захранван. Система, изградена с разпилени, непълно етикетирани данни за разходи, не вдъхва доверие; първо трябва да се установи дисциплина на данните.
• Обяснимост: в подлежащи на одит области като финансите „моделът каза така“ не е достатъчна обосновка. Предпочитат се конфигурации, при които автоматичните решения (например отбелязването на един разход) се съчетават с човешко одобрение.
• Решение „изгради или купи“: обучаването на собствен модел изисква данни, специализиран хардуер и екип от експерти. За повечето предприятия правилният път е да използват решение за управление на разходите, което вече предлага разчитане на документи и класифициране, а да изградят собствен модел само ако наистина има отличаваща ги нужда.

Често задавани въпроси

Дълбокото обучение и изкуственият интелект едно и също нещо ли са?

Не. Изкуственият интелект е най-широкото понятие; машинното самообучение е негов подраздел, а дълбокото обучение е подмножество на машинното самообучение.

Как се използва дълбокото обучение в корпоративното управление на разходите?

По три основни начина: автоматично разчитане на касови бележки и фактури чрез оптично разпознаване на знаци, автоматично класифициране на разходите по категория и разходен център, прогнозиране на бюджет и паричен поток от исторически данни. Към това се добавя откриването на отклонения (отбелязване на дублирани или несъответстващи на политиката разходи).

За да се възползваме от тази технология, трябва ли да обучим собствен модел?

В повечето случаи не. Разчитането на документи и класифицирането на разходи са области, в които готовите решения са узрели; обучаването на собствен модел изисква големи инвестиции в данни и експертиза и обикновено има смисъл само при много специфични нужди.

С колко данни работи моделът?

Зависи от задачата. За прости задачи по класифициране може да са достатъчни няколко хиляди примера; сложните задачи с изображения и език изискват много повече. Трансферното обучение, което стъпва върху предварително обучени модели, прави възможно постигането на добри резултати и с малко данни.

Заключение: пренесете дълбокото обучение във вашия процес на управление на разходите

Дълбокото обучение престана да бъде академично любопитство и влезе в ежедневния инструментариум на финансовия екип. Разчитането на документи премахва ръчното въвеждане, класифицирането автоматизира проверката на политиките, прогнозирането изтегля напред бюджетния и паричния план. Masraff с технологията си за разчитане на документи, базирана на изкуствен интелект, дигитализира вашите касови бележки и фактури за секунди, автоматично класифицира разходите ви и управлява процеса ви на разходите от край до край. За да видите какво може да се направи със собствените ви данни за разходи, свържете се с нас.