Le deep learning

Le deep learning est une approche d'apprentissage automatique fondée sur des réseaux de neurones artificiels multicouches inspirés des cellules nerveuses du cerveau humain. Dans cet article, nous résumerons brièvement ce qu'est le deep learning, puis nous nous concentrerons sur la vraie question : où cette technologie touche-t-elle les processus financiers et de gestion des dépenses du quotidien d'une entreprise ? La lecture des reçus et des factures, la classification des dépenses et la prévision budgétaire sont les trois grands domaines où le deep learning atterrit concrètement sur le bureau de l'équipe finance.

Qu'est-ce que le deep learning ?

Contrairement à l'apprentissage automatique classique, le deep learning utilise des réseaux de neurones artificiels composés de nombreuses couches. Le mot « deep » (profond) renvoie au grand nombre de ces couches. Les premières couches captent des indices simples dans les données (les lignes d'une image de reçu, les contours des caractères), tandis que les couches profondes apprennent des concepts plus abstraits (ceci est un montant total, cela est un nom de fournisseur).

La vraie différence est la suivante : dans les méthodes traditionnelles, un expert définit à la main quelles caractéristiques des données examiner. Le deep learning, lui, prend directement les données brutes et découvre par lui-même ce qui compte. Cette capacité offre un avantage majeur sur les données qui n'entrent pas dans un tableau ordonné, comme les images, l'audio et le texte libre. Les reçus froissés, les factures aux formats variés et les textes descriptifs qui passent chaque jour entre les mains d'une équipe comptable sont exactement ce type de données.

Le processus d'apprentissage du réseau de neurones suit lui aussi une logique intuitive : le modèle fait une prédiction, l'erreur entre la prédiction et la valeur réelle est mesurée, et les réglages internes du réseau sont mis à jour dans le sens qui réduit cette erreur. Après des milliers d'itérations, le modèle lit par exemple le montant figurant sur un reçu avec une précision croissante.

Où le deep learning touche-t-il l'entreprise ?

Les détails architecturaux du deep learning (réseaux convolutifs pour les données d'image, réseaux récurrents et modèles à mécanisme d'attention pour les données séquentielles) relèvent des équipes techniques. Ce qui importe au responsable financier, c'est de savoir quelles tâches ces architectures prennent en charge. Examinons trois exemples principaux.

1. Lecture des documents et des reçus : la reconnaissance optique de caractères

Là où le deep learning touche le plus directement la finance d'entreprise, c'est la lecture de documents. La technologie de reconnaissance optique de caractères peut reconnaître avec une grande précision différentes polices, l'écriture manuscrite, et même le texte de reçus froissés ou de mauvaise qualité. Les systèmes modernes ne se contentent pas de lire les caractères ; ils comprennent la structure du document, décomposent les tableaux et répartissent la date, le montant, le taux de taxe et les informations du fournisseur dans les bons champs.

Pour l'équipe finance, la traduction est nette : la saisie manuelle des reçus et factures collectés par les collaborateurs est un travail à la fois lent et propice aux erreurs. La lecture de documents fondée sur le deep learning ramène cette étape à quelques secondes ; elle réduit à la source les reçus perdus, les montants erronés et les déclarations tardives. Nous avions traité du poids de la saisie manuelle pour l'entreprise dans l'article sur le coût caché en temps de la saisie des dépenses.

2. Classification : imputer la dépense au bon endroit

Le deuxième grand champ d'action du deep learning est la classification. Affecter une dépense à la catégorie « repas », « transport » ou « hébergement » paraît simple ; mais le faire à la main et de façon cohérente sur des milliers de lignes de dépenses est difficile. Les modèles qui apprennent à partir du texte et des images proposent automatiquement la bonne catégorie et le bon centre de coûts en s'appuyant sur le contenu du reçu, le nom du fournisseur et le montant.

Une classification exacte n'est pas qu'une question d'ordre : la visibilité par catégorie rend possible le contrôle automatique des règles de la politique de dépenses. Une dépense hors politique arrive devant le manager déjà signalée, dès l'étape d'approbation.

Un prolongement de cette même infrastructure de classification est la détection d'anomalies : parce que le modèle a appris le schéma habituel des dépenses, il peut signaler des cas comme un reçu en double, un montant gonflé ou un fournisseur inhabituel. Nous avons examiné en détail le versant processus de ce sujet dans l'article sur la fraude aux notes de frais.

3. Prévision : anticiper le budget et la trésorerie

Le troisième domaine est la prévision. Les modèles de deep learning qui travaillent sur des données séquentielles servent à anticiper la trajectoire des dépenses de la période à venir à partir des séries de dépenses passées. Cela alimente directement deux missions fondamentales de l'équipe finance : côté gestion budgétaire, repérer tôt les écarts de fin de période ; côté trésorerie, planifier plus justement les sorties des mois à venir.

Il faut ici calibrer correctement les attentes : les modèles de prévision ne donnent pas de chiffres exacts ; ils donnent des tendances et des fourchettes. C'est d'ailleurs là que réside leur valeur — ils réduisent la surprise et avancent la décision.

Quelle est la différence entre le deep learning et l'apprentissage automatique classique ?

Les deux notions sont souvent confondues ; sous l'angle de l'entreprise, leurs différences peuvent se résumer ainsi :

Le deep learning est un sous-ensemble de l'apprentissage automatique. Sur les tâches de données non structurées comme la lecture d'images de reçus, le deep learning est nettement supérieur ; sur les jeux de données petits et structurés, les méthodes classiques restent efficaces et peuvent être plus économiques.

À quoi faut-il veiller lors du déploiement en entreprise ?

En portant le deep learning dans les processus financiers, trois points méritent attention :

• Qualité des données : un modèle vaut ce que valent les données qui le nourrissent. Un système bâti sur des données de dépenses désordonnées et mal étiquetées n'inspire pas confiance ; il faut d'abord instaurer la discipline des données.
• Explicabilité : dans des domaines soumis à l'audit comme la finance, « le modèle l'a décidé » n'est pas une justification suffisante. Il faut privilégier les montages où les décisions automatiques (par exemple le signalement d'une dépense) se combinent avec une validation humaine.
• Décision construire ou acheter : entraîner son propre modèle exige des données, du matériel spécialisé et une équipe experte. Pour la plupart des entreprises, la bonne voie consiste à utiliser une solution de gestion des dépenses qui offre d'emblée la lecture de documents et la classification, et à ne bâtir son propre modèle que si un besoin réellement différenciant existe.

Questions fréquentes

Le deep learning et l'intelligence artificielle sont-ils la même chose ?

Non. L'intelligence artificielle est la notion la plus large ; l'apprentissage automatique en est une sous-branche, et le deep learning est un sous-ensemble de l'apprentissage automatique.

Comment le deep learning est-il utilisé dans la gestion des dépenses d'entreprise ?

De trois façons principales : la lecture automatique des reçus et factures par reconnaissance optique de caractères, la classification automatique des dépenses par catégorie et centre de coûts, et la prévision du budget et de la trésorerie à partir des données historiques. S'y ajoute la détection d'anomalies (signalement des dépenses en double ou hors politique).

Devons-nous entraîner notre propre modèle pour profiter de cette technologie ?

Dans la plupart des cas, non. La lecture de documents et la classification des dépenses sont des domaines où les solutions prêtes à l'emploi ont mûri ; entraîner son propre modèle demande de gros investissements en données et en expertise, et n'a généralement de sens que pour des besoins très spécifiques.

Avec quelle quantité de données un modèle fonctionne-t-il ?

Cela dépend du problème. Quelques milliers d'exemples peuvent suffire pour des tâches de classification simples ; les tâches complexes d'image et de langage en exigent bien davantage. L'apprentissage par transfert, qui s'appuie sur des modèles pré-entraînés, permet d'obtenir de bons résultats même avec peu de données.

Conclusion : intégrez le deep learning à votre processus de gestion des dépenses

Le deep learning a cessé d'être une curiosité académique pour entrer dans la boîte à outils quotidienne de l'équipe finance. La lecture de documents élimine la saisie manuelle, la classification automatise le contrôle de la politique de dépenses, la prévision avance la planification du budget et de la trésorerie. Masraff numérise vos reçus et factures en quelques secondes grâce à sa technologie de lecture de documents dopée à l'IA, classe automatiquement vos dépenses et pilote votre processus de gestion des dépenses de bout en bout. Contactez-nous pour découvrir ce qu'il est possible de faire avec vos propres données de dépenses.