Djupinlärning

Djupinlärning är en maskininlärningsmetod som bygger på flerskiktade artificiella neurala nätverk inspirerade av nervcellerna i den mänskliga hjärnan. I den här artikeln sammanfattar vi kort vad djupinlärning är och fokuserar sedan på den centrala frågan: var berör den här tekniken ett företags dagliga ekonomi- och utgiftsprocesser? Kvitto- och fakturaläsning, klassificering av utgifter och budgetprognos är de tre huvudområden där djupinlärning konkret landar på ekonomiteamens bord.

Vad är djupinlärning?

Till skillnad från klassisk maskininlärning använder djupinlärning artificiella neurala nätverk som består av ett stort antal lager. Ordet "djup" syftar på det höga antalet lager. Medan de första lagren fångar enkla ledtrådar i data (linjerna i en kvittobild, teckenkonturer) lär sig de djupa lagren mer abstrakta begrepp (det här är ett totalbelopp, det där är ett leverantörsnamn).

Den avgörande skillnaden är följande: i traditionella metoder definierar en expert manuellt vilka egenskaper i data som ska betraktas. Djupinlärning tar däremot rådata direkt och upptäcker själv vad som är viktigt. Denna förmåga ger en stor fördel för data som inte ryms i en ordnad tabell, som bild, ljud och fri text. De skrynkliga kvitton, fakturor i olika format och beskrivningstexter som varje dag passerar genom ett redovisningsteams händer är exakt den typen av data.

Även det neurala nätverkets inlärningsprocess går framåt med en intuitiv logik: modellen gör en förutsägelse, felet mellan förutsägelsen och det verkliga värdet mäts, och nätverkets interna inställningar uppdateras i en riktning som minskar detta fel. Efter tusentals upprepningar blir modellen till exempel allt mer träffsäker på att läsa beloppet på ett kvitto.

Var berör djupinlärning företaget?

De arkitektoniska detaljerna i djupinlärning (faltningsnätverk för bilddata, återkommande nätverk och modeller med uppmärksamhetsmekanism för sekventiell data) är de tekniska teamens ämne. Det som är viktigt för ekonomichefen är vilken uppgift dessa arkitekturer tar över. Låt oss se på det genom tre huvudexempel.

1. Dokument- och kvittoläsning: optisk teckenigenkänning

Det ställe där djupinlärning berör företagsekonomin mest direkt är dokumentläsning. Optisk teckenigenkänning kan med hög noggrannhet känna igen olika typsnitt, handstil och till och med text på skrynkliga eller lågkvalitativa kvitton. Moderna system nöjer sig inte med att läsa tecken; de förstår dokumentets struktur, tolkar tabellen och delar upp information om datum, belopp, skattesats och leverantör i fält.

Motsvarigheten för ekonomiteamet är tydlig: att manuellt mata in de kvitton och fakturor som medarbetarna samlar in i systemet är ett arbete som är både långsamt och felbenäget. Djupinlärningsbaserad dokumentläsning kortar ned det här steget till sekunder och minskar problemen med borttappade kvitton, felaktiga belopp och försenade deklarationer vid källan. Vi tog upp ämnet med den manuella inmatningens börda för företaget separat i artikeln den dolda tidskostnaden för utgiftsinmatning.

2. Klassificering: att bokföra utgiften på rätt ställe

Djupinlärningens andra stora arbetsområde är klassificering. Att bokföra en utgift under kategorin "mat", "transport" eller "logi" verkar enkelt; men att göra det manuellt och konsekvent i utgiftsdata på tusentals rader är svårt. Modeller som lär sig av text och bild föreslår automatiskt rätt kategori och rätt kostnadsställe för utgiften utifrån kvittots innehåll, leverantörens namn och beloppet.

Rätt klassificering är inte bara en fråga om ordning: synlighet per kategori möjliggör automatisk kontroll av reglerna i utgiftspolicyn. En utgift utanför policyn når chefen redan i godkännandeskedet, redan markerad.

En förlängning av samma klassificeringsinfrastruktur är avvikelsedetektering: eftersom modellen lär sig det vanliga utgiftsmönstret kan den flagga situationer som dubbletter av kvitton, uppblåsta belopp eller ovanliga leverantörer. Processidan av detta ämne granskade vi i detalj i artikeln utgiftsbedrägeri.

3. Prognos: att förutse budget och kassaflöde

Det tredje området är prognos. Djupinlärningsmodeller som arbetar med sekventiell data används för att förutse utgiftsförloppet för kommande period utifrån tidigare utgiftsserier. Det ger direkt input till ekonomiteamets två grundläggande uppgifter: på budgethantering-sidan att tidigt se periodens slutliga avvikelser; på kassaflödes-sidan att mer träffsäkert planera de kommande månadernas utbetalningar.

Här måste man ställa förväntningen rätt: prognosmodeller ger inte en exakt siffra; de ger en trend och ett intervall. Deras värde ligger just där — de minskar överraskningen och tidigarelägger beslutet.

Vad är skillnaden mellan djupinlärning och klassisk maskininlärning?

De två begreppen förväxlas ofta; ur ett affärsperspektiv kan skillnaderna sammanfattas så här:

Djupinlärning är en delmängd av maskininlärning. I arbete med fri data, som att läsa en kvittobild, är djupinlärning klart överlägsen; i små och ordnade datamängder kan klassiska metoder fortfarande vara effektiva och mer ekonomiska.

Vad bör man tänka på vid införande i organisationen?

När man för in djupinlärning i ekonomiprocesserna bör man tänka på tre punkter:

• Datakvalitet: Modellen är bara så bra som den data den matas med. Ett system byggt på spretig, bristfälligt märkt utgiftsdata inger inte förtroende; man måste först etablera datadisciplin.
• Förklarbarhet: Inom granskningspliktiga områden som ekonomi är "modellen sa så" inte ett tillräckligt skäl. Upplägg där automatiska beslut (till exempel att en utgift flaggas) kombineras med mänskligt godkännande bör föredras.
• Bygga eller köpa-beslut: Att träna en egen modell kräver data, särskild hårdvara och ett expertteam. Rätt väg för de flesta företag är att använda en utgiftshanteringslösning som erbjuder dokumentläsning och klassificering färdigt; och att bygga en egen modell endast om det finns ett verkligt särskiljande behov.

Vanliga frågor

Är djupinlärning och artificiell intelligens samma sak?

Nej. Artificiell intelligens är det bredaste begreppet; maskininlärning är en gren av den och djupinlärning är en delmängd av maskininlärning.

Hur används djupinlärning i företagens utgiftshantering?

På tre huvudsakliga sätt: automatisk läsning av kvitton och fakturor med optisk teckenigenkänning, automatisk klassificering av utgifter till kategori och kostnadsställe, prognos av budget och kassaflöde från historisk data. Till detta läggs avvikelsedetektering (flaggning av dubbletter eller utgifter utanför policyn).

Måste vi träna vår egen modell för att dra nytta av den här tekniken?

I de flesta fall nej. Dokumentläsning och utgiftsklassificering är områden där färdiga lösningar har mognat; att träna en egen modell kräver stora investeringar i data och expertis och är oftast meningsfullt endast vid mycket unika behov.

Hur mycket data behöver modellen?

Det beror på problemet. För enkla klassificeringsuppgifter kan några tusen exempel räcka; komplexa bild- och språkuppgifter kräver mycket mer. Transferinlärning som utgår från förtränade modeller gör det möjligt att få goda resultat även med lite data.

Slutsats: för in djupinlärning i din utgiftsprocess

Djupinlärning har slutat vara en akademisk kuriositet och gått in i ekonomiteamets dagliga verktygslåda. Dokumentläsning eliminerar manuell inmatning, klassificering automatiserar policykontrollen, prognos tidigarelägger budget- och kassaplanen. Masraff digitaliserar dina kvitton och fakturor på några sekunder med dokumentläsningsteknik med artificiell intelligens, klassificerar dina utgifter automatiskt och hanterar din utgiftsprocess från början till slut. För att se vad som kan göras med din egen utgiftsdata, kontakta oss.