Deep Learning

Il deep learning è un approccio di apprendimento automatico basato su reti neurali artificiali a più livelli, ispirate alle cellule nervose del cervello umano. In questo articolo riassumeremo brevemente cos'è il deep learning, per poi concentrarci sulla domanda centrale: dove tocca questa tecnologia i processi finanziari e di gestione delle spese quotidiani di un'azienda? La lettura di ricevute e fatture, la classificazione delle spese e la previsione del budget sono le tre aree principali in cui il deep learning arriva concretamente sulla scrivania dei team finanziari.

Che cos'è il deep learning?

A differenza dell'apprendimento automatico classico, il deep learning utilizza reti neurali artificiali composte da numerosi livelli. Il termine "deep" (profondo) fa riferimento proprio all'elevato numero di questi livelli. Mentre i primi livelli catturano gli indizi semplici presenti nei dati (le linee di un'immagine di una ricevuta, i tratti dei caratteri), i livelli più profondi apprendono concetti più astratti (questo è un importo totale, quello è il nome di un fornitore).

La vera differenza è questa: nei metodi tradizionali è un esperto a definire manualmente quali caratteristiche dei dati osservare. Il deep learning, invece, prende direttamente i dati grezzi e scopre da solo ciò che è importante. Questa capacità offre un grande vantaggio con dati che non entrano in una tabella ordinata, come immagini, audio e testo libero. Le ricevute stropicciate, le fatture in formati diversi e i testi descrittivi che passano ogni giorno tra le mani di un team contabile sono esattamente questo tipo di dati.

Anche il processo di apprendimento della rete neurale procede con una logica intuitiva: il modello fa una previsione, si misura l'errore tra la previsione e il valore reale e le regolazioni interne della rete vengono aggiornate nella direzione che riduce questo errore. Dopo migliaia di ripetizioni, il modello impara a leggere sempre più accuratamente, ad esempio, l'importo su una ricevuta.

Dove tocca il deep learning l'azienda?

I dettagli architetturali del deep learning (reti convoluzionali per i dati visivi, reti ricorrenti per i dati sequenziali e modelli con meccanismi di attenzione) sono materia dei team tecnici. Per il responsabile finanziario ciò che conta è quale lavoro assumono queste architetture. Vediamolo attraverso tre esempi principali.

1. Lettura di documenti e ricevute: il riconoscimento ottico dei caratteri

Il punto in cui il deep learning tocca più direttamente la finanza aziendale è la lettura dei documenti. La tecnologia di riconoscimento ottico dei caratteri è in grado di riconoscere con elevata precisione diversi tipi di carattere, la scrittura a mano e persino il testo su ricevute stropicciate o di bassa qualità. I sistemi moderni non si limitano a leggere i caratteri: comprendono la struttura del documento, analizzano la tabella e suddividono in campi le informazioni relative a data, importo, aliquota fiscale e fornitore.

Per il team finanziario il risultato è chiaro: l'inserimento manuale nel sistema delle ricevute e fatture raccolte dai dipendenti è un'attività lenta e soggetta a errori. La lettura dei documenti basata sul deep learning riduce questo passaggio a pochi secondi, diminuendo alla radice i problemi di ricevute smarrite, importi errati e dichiarazioni in ritardo. Il peso dell'inserimento manuale per l'azienda lo abbiamo affrontato separatamente nell'articolo sul costo nascosto in tempo dell'inserimento delle spese.

2. Classificazione: registrare la spesa nel posto giusto

La seconda grande area di applicazione del deep learning è la classificazione. Assegnare una spesa alla categoria "pasti", "trasporti" o "alloggio" sembra semplice; tuttavia, farlo manualmente e in modo coerente su migliaia di righe di dati di spesa è difficile. I modelli che apprendono da testo e immagini suggeriscono automaticamente la categoria e il centro di costo corretti per una spesa, basandosi sul contenuto della ricevuta, sul nome del fornitore e sull'importo.

Una classificazione corretta non è solo una questione di ordine: la visibilità per categoria rende possibile il controllo automatico delle regole della politica delle spese. Una spesa non conforme alla politica arriva davanti al responsabile già contrassegnata in fase di approvazione.

Un'estensione della stessa infrastruttura di classificazione è il rilevamento delle anomalie: poiché il modello ha appreso lo schema abituale delle spese, può segnalare situazioni come ricevute duplicate, importi gonfiati o fornitori insoliti. Abbiamo esaminato in dettaglio l'aspetto processuale di questo tema nell'articolo sulle frodi nelle spese.

3. Previsione: anticipare budget e flusso di cassa

La terza area è la previsione. I modelli di deep learning che lavorano con dati sequenziali vengono utilizzati per prevedere l'andamento delle spese del periodo futuro a partire dalle serie storiche di spesa. Ciò fornisce input diretto a due attività fondamentali del team finanziario: sul fronte della gestione del budget, vedere in anticipo le deviazioni di fine periodo; sul fronte del flusso di cassa, pianificare con maggiore precisione le uscite dei mesi successivi.

Qui è necessario impostare correttamente le aspettative: i modelli di previsione non forniscono cifre esatte; forniscono una tendenza e un intervallo. E proprio in questo sta il loro valore: riducono le sorprese e anticipano le decisioni.

Qual è la differenza tra deep learning e apprendimento automatico classico?

I due concetti vengono spesso confusi; visti dalla prospettiva aziendale, le differenze possono essere riassunte così:

Il deep learning è un sottoinsieme dell'apprendimento automatico. In compiti con dati liberi, come la lettura di immagini di ricevute, il deep learning è nettamente superiore; su insiemi di dati piccoli e ordinati, invece, i metodi classici possono essere ancora efficaci e più economici.

A cosa prestare attenzione nell'applicazione in azienda?

Nel portare il deep learning nei processi finanziari è necessario prestare attenzione a tre punti:

• Qualità dei dati: il modello è buono quanto i dati con cui viene alimentato. Un sistema costruito con dati di spesa disordinati e con etichettatura incompleta non ispira fiducia; occorre prima stabilire la disciplina dei dati.
• Spiegabilità: in ambiti soggetti a controllo come la finanza, "lo ha detto il modello" non è una motivazione sufficiente. Sono da preferire configurazioni in cui le decisioni automatiche (ad esempio la segnalazione di una spesa) si combinano con l'approvazione umana.
• Decisione make or buy: addestrare un proprio modello richiede dati, hardware specializzato e un team di esperti. Per la maggior parte delle aziende la strada giusta è utilizzare una soluzione di gestione delle spese che offra già lettura documenti e classificazione, costruendo un proprio modello solo in presenza di un'esigenza realmente distintiva.

Domande frequenti

Deep learning e intelligenza artificiale sono la stessa cosa?

No. L'intelligenza artificiale è il concetto più ampio; l'apprendimento automatico ne è un ramo, mentre il deep learning è un sottoinsieme dell'apprendimento automatico.

Come si usa il deep learning nella gestione aziendale delle spese?

In tre modi principali: la lettura automatica di ricevute e fatture tramite riconoscimento ottico dei caratteri, la classificazione automatica delle spese per categoria e centro di costo, la previsione di budget e flusso di cassa a partire dai dati storici. A ciò si aggiunge il rilevamento delle anomalie (segnalazione di spese duplicate o non conformi alla politica).

Per sfruttare questa tecnologia dobbiamo addestrare un nostro modello?

Nella maggior parte dei casi no. La lettura dei documenti e la classificazione delle spese sono aree in cui le soluzioni pronte all'uso sono mature; addestrare un proprio modello richiede grandi investimenti in dati e competenze ed è generalmente sensato solo per esigenze molto particolari.

Con quanti dati funziona il modello?

Dipende dal problema. Per semplici compiti di classificazione possono bastare qualche migliaio di esempi; i compiti complessi di immagini e linguaggio ne richiedono molti di più. L'apprendimento per trasferimento, che si basa su modelli pre-addestrati, rende possibile ottenere buoni risultati anche con pochi dati.

Conclusione: portate il deep learning nel vostro processo di gestione delle spese

Il deep learning ha smesso di essere una curiosità accademica ed è entrato nel set di strumenti quotidiani del team finanziario. La lettura dei documenti elimina l'inserimento manuale, la classificazione automatizza il controllo delle politiche, la previsione anticipa il piano di budget e di cassa. Masraff, con la sua tecnologia di lettura dei documenti basata sull'intelligenza artificiale, digitalizza le vostre ricevute e fatture in pochi secondi, classifica automaticamente le vostre spese e gestisce il vostro processo di gestione delle spese dall'inizio alla fine. Per vedere cosa si può fare con i vostri dati di spesa, contattateci.