История искусственного интеллекта: с 1950-х до наших дней

История искусственного интеллекта — это многодесятилетнее путешествие мечты о создании мыслящих машин. Сегодня это путешествие имеет особое значение для финансовых команд: системы, которые считывают чеки, классифицируют расходы и выявляют подозрительные операции, появились не за одну ночь. Чтобы правильно оценить искусственный интеллект, который сегодня преобразует управление расходами и закупками, нужно знать, откуда пришла эта технология и куда она движется. В этой статье мы сначала рассмотрим ключевые вехи искусственного интеллекта в краткой хронологии, а затем разберём, как эта технология пришла в финансовые процессы — в частности, в управление расходами.

Как возникла идея искусственного интеллекта?

Вопрос о том, могут ли машины мыслить, восходит к эпохе, когда компьютеры были размером с комнату. В 1950 году британский математик Алан Тьюринг задал свой ставший классическим вопрос: «Могут ли машины мыслить?» Этот вопрос заложил основу понятия, которое сегодня известно как тест Тьюринга: если машина способна вести беседу настолько естественно, чтобы убедить человека-оценщика, можно считать, что она «мыслит».

Официальным же рождением области считается Дартмутская конференция 1956 года. Джон Маккарти, Марвин Мински и другие пионеры того времени обсуждали здесь идею о том, что машины могут учиться и решать задачи; термин «искусственный интеллект» впервые был использован именно на этой конференции.

Первые надежды и зимы искусственного интеллекта

В течение двадцати лет после Дартмута первые программы, доказывавшие математические теоремы и способные вести беседу по простым шаблонам, вызвали большой энтузиазм. Некоторые исследователи предсказывали, что машины, мыслящие на уровне человека, уже совсем близко. Реальность оказалась ниже ожиданий.

Область пережила два крупных периода застоя, называемых «зимами искусственного интеллекта». В первый из них (1974–1980) ограниченная вычислительная мощность и нехватка данных показали, что обещания не могут быть выполнены; финансирование было урезано. В 1980-х годах экспертные системы на основе правил стали популярны в деловом мире: эти структуры, кодировавшие экспертные знания в форме «если есть такое условие, то сделай то-то», работали в определённых областях, но были сложны в обслуживании, негибки и дороги. Когда их пределы стали очевидны, наступила вторая зима (1987–1993).

Урок того периода актуален и сегодня: написанные вручную правила не поспевают за сложностью реального мира. Тот же урок, как мы увидим далее, в точности повторится и в эволюции финансового программного обеспечения.

От машинного обучения к глубокому обучению

С конца 1990-х годов произошла тихая смена парадигмы: с появлением машинного обучения системы начали сами учиться правилам на основе данных, вместо того чтобы получать их готовыми от человека. Рост вычислительной мощности, изобилие данных, пришедшее с интернетом, и прогресс в искусственных нейронных сетях сделали это преобразование возможным. В 1997 году победа Deep Blue над чемпионом мира по шахматам Гарри Каспаровым стала символом того, что машины могут превзойти человека в определённых областях.

2010-е годы — это эпоха глубокого обучения. Многослойные искусственные нейронные сети, обученные на больших наборах данных, совершили прорыв в распознавании изображений и обработке естественного языка: в 2012 году модели глубокого обучения обошли конкурентов на соревнованиях по распознаванию изображений, в 2016 году AlphaGo победил чемпиона мира по го, а опубликованная в 2017 году архитектура «трансформер» заложила основу нынешних больших языковых моделей. В 2020-х годах генеративный искусственный интеллект — модели, которые пишут тексты, создают изображения и обобщают документы — вошёл в повседневный рабочий процесс миллионов людей.

Приход искусственного интеллекта в управление финансами и расходами

Каждый этап истории искусственного интеллекта нашёл своё отражение в финансовом программном обеспечении. Эту эволюцию можно прочитать в три этапа.

Первый этап: контроль на основе правил

Первое поколение финансового ПО работало по написанным вручную правилам, точно так же, как экспертные системы 1980-х: «если расходы на питание превышают такую-то сумму, отправить на согласование», «счёт этой категории провести на такой-то счёт». Эти правила были полезны, но хрупки. При изменении политики правила приходилось обновлять по одному; каждое исключение, не соответствовавшее правилу, рассматривалось вручную. Ввод чеков, выбор категории и сверка полностью оставались за человеком — медленный и подверженный ошибкам порядок. Стоимость этой ручной нагрузки для компаний мы подробно разобрали в статье скрытая временная стоимость ввода расходов.

Второй этап: машины, читающие документы

Машинное обучение и глубокое обучение нацелились на самую тяжёлую нагрузку финансовых команд: обработку документов. Благодаря успехам в распознавании изображений системы научились считывать чеки и счета с фотографии; сумма, дата, поставщик и налоговые данные извлекаются за считанные секунды и заносятся в нужные поля. Категоризация тоже стала опираться на закономерности, а не на правила: система, обучаясь на прошлых расходах, сама помещает новый расход в правильную категорию. По мере сокращения ручного ввода данных снижались как доля ошибок, так и время, которое сотрудники тратили на подачу отчётов о расходах.

Третий этап: выявление аномалий и прогнозирование

Нынешний этап — это когда машина не только считывает и классифицирует, но и замечает отклонения. Искусственный интеллект изучает модели расходов компании и отмечает то, что необычно: дублирующиеся чеки, подозрительные заявления, приходящиеся на выходные, расходы, повторяющиеся чуть ниже лимита политики. Эти сигналы, которые ручная выборочная проверка упускает, позволяют выявить риск злоупотребления расходами, пока он не вырос. Та же способность к обучению на закономерностях смотрит и вперёд: на основе прошлых данных можно прогнозировать тенденции расходов и рано замечать отклонения от бюджета. Правила тоже не исчезли; теперь проверки политики расходов, работая вместе с обучающимися системами, ловят аномальный расход уже в момент подачи заявления.

Masraff — это платформа управления расходами на базе искусственного интеллекта, представляющая собой новейшее звено этой эволюции: от считывания чеков и счетов до интеллектуальной категоризации, от проверки политик до пометки аномалий — она автоматизирует процесс расходов от начала до конца.

Часто задаваемые вопросы (FAQ)

Когда впервые появился искусственный интеллект?

Официально понятие было предложено на Дартмутской конференции 1956 года; его теоретическая основа восходит к работе Алана Тьюринга 1950 года.

В чём разница между системами на основе правил и обучающимися системами?

В системах на основе правил люди прописывают каждое условие по одному; система реагирует только на заданные сценарии. Обучающиеся же системы извлекают закономерности из данных: они могут принимать разумные решения и при столкновении с новыми, заранее не определёнными ситуациями. В финансовой сфере эта разница — это разница между «контролем фиксированного лимита» и «самостоятельным распознаванием необычного расхода».

Как искусственный интеллект используется в управлении расходами?

В трёх основных областях: автоматическое считывание чеков и счетов с фотографии, интеллектуальная категоризация расходов на основе прошлых данных и мгновенная пометка необычных или не соответствующих политике расходов. Так снижается ручная нагрузка, уменьшается количество ошибок, а финансовая команда может сосредоточиться на стратегии вместо контроля.

Заменит ли искусственный интеллект финансовую команду?

Нет; он берёт на себя повторяющиеся задачи. В то время как ввод данных, сопоставление и контроль первого уровня переходят к машине, решения, требующие суждения, — разработка политик, утверждение исключений, бюджетная стратегия — остаются за человеком.

---

Многодесятилетнее развитие искусственного интеллекта сегодня достигло зрелости, способной ощутимо облегчить ваши процессы управления расходами. Если вы хотите увидеть в своей компании переход от контроля на основе правил к обучающимся системам, свяжитесь с нами — вместе рассмотрим, что искусственный интеллект изменил в управлении расходами.