Amikor a gép megtanulja a könyvelést: Neurális hálózatok a pénzügyi tranzakciókban

A modern világ egyik legnagyobb paradoxona, hogy miközben folyamatosan tör előre a mesterséges intelligencia, addig a legtöbb cég könyvelési osztályán még mindig emberek ülnek számológépekkel és papírhalmazokkal. De mi lenne, ha ezt meg lehetne változtatni? Mi lenne, ha a gépek megtanulhatnák azt, amit egy tapasztalt könyvelő évek alatt sajátít el?

A kezdetek: Amikor az agy ihlet a gépekhez

Az ötlet nem új. Már 1838-ban Matthias Schleiden felfedezte az agyban található „sejt szerű" struktúrákat, és azóta foglalkoztatja a tudósokat a gondolat: mi lenne, ha lemásolhatnánk az emberi agy működését? A XX. század második felében ez az elképzelés hirtelen realitássá vált, amikor a kutatók elkezdték építeni az első mesterséges neurális hálózatokat.

Egy mesterséges neuron tulajdonképpen egyszerűbb, mint gondolnánk. Olyan, mint egy kis számológép: megkapja a bemenő jeleket, megszorozza őket különböző súlyokkal, összeadja az eredményeket, majd egy aktivációs függvény segítségével eldönti, hogy mit küldjön tovább. A varázslat akkor kezdődik, amikor több ezer ilyen neuronelemmel építünk hálózatot.

Y = f(∑WᵢXᵢ + b)

Ez a képlet nem tűnik túl bonyolultnak, de amikor több rétegben, több ezer neuronnal alkalmazzuk, képes olyan dolgokra, amin még a tapasztalt szakemberek is meglepődnek.

A könyvelés rejtett kihívásai

Példaként vegyünk egy húsz éve nagyvállalatnál dolgozó könyvelőt. Minden nap száz számla érkezik az asztalára, és neki meg kell határoznia, hogy melyik hibás, melyik gyanús, és mindegyikhez meg kell találnia a megfelelő főkönyvi számlát.

Feltételezhetjük, hogy egy ilyen rutinos munkatárs nem csak az összeget figyeli, hanem intuitív módon észreveszi, ha egy számla nem szokványos a sok éves tapasztalata alapján. Pontosan ez az a fajta tapasztalat, amit a neurális hálózatok képesek elsajátítani. De hogyan?

Az adatok beszélni kezdenek

A mesterséges intelligencia számára minden szöveg. Az "Irodaszerek Kft." partner név, a "Tűzőgép és gemkapcsok" tétel megnevezés, a 45.000 Ft összeg - ezek mind csak karakterek egy számítógép számára. A trükk az, hogy ezeket a karaktereket valahogy számokká kell alakítani, olyan formában, amit a neurális hálózat meg tud érteni.

Itt jönnek képbe a szóvektorterek. Minden szónak van egy pontja egy sokdimenziós térben. A hasonló jelentésű szavak közel kerülnek egymáshoz, a különbözők meg távol. Olyan ez, mint egy óriási térképen elhelyezni a fogalmakat.

A legizgalmasabb része az, hogy ezek a vektorok még matematikai műveleteket is értelmeznek. Ha a "király" szóból kivonjuk a "férfi" jelleget és hozzáadjuk a "nő" jelleget, akkor a "királynő" szóhoz közeli eredményt kapunk. Varázslatos, nem?

A tanulás nehéz útjai

De térjünk vissza a könyveléshez. A neurális hálózat tanítása olyan, mint egy gyakornok betanítása, csak sokkal türelmesebben kell eljárni. Eléjük tesszük ezrével a példákat: "Ez a számla rendben van", "Ez gyanús", "Ezt erre a főkönyvi számlára kell könyvelni".

A hálózat eleinte teljesen véletlenszerű válaszokat ad. Mintha egy kisgyerek próbálna könyvelni - minden rossz. De aztán lassan, iterációról iterációra, egy backpropagation nevű algoritmus segítségével finomítja a belső súlyait. Olyan, mintha valaki folyamatosan javítaná a tanuló hibáit, és ő megjegyezné a tanulságokat.

A folyamat időnként frusztráló lehet. Vannak esetek, amikor a hálózat túl jól "megtanulja" a tanítási anyagot - ezt hívjuk túltanulásnak. Olyankor képes hibátlanul visszaadni azokat a példákat, amiket látt, de ha új adatokkal találkozik, teljesen elveszett.

A valóság próbája

A projekt során négy konkrét feladatot próbáltunk közösen megoldani:

Szokványosság ellenőrzése: A rendszernek meg kellett tanulnia felismerni, hogy egy számla "normális"-e. Ez nem csak az összeget jelenti - egy 50 millió forintos számla lehet teljesen normális, ha repülőgép-alkatrészről szól, de gyanús, ha ceruzákról.

Befogadhatóság vizsgálata: Van-e valami furcsa az összegben? Itt nem arról van szó, hogy túl nagy vagy túl kicsi, hanem arról, hogy az összeg és a tétel megnevezése összepasszol-e.

Fizetési határidő ellenőrzése: A különböző szállítóknak különböző fizetési feltételeik vannak. A rendszernek meg kellett tanulnia, hogy mi a szokásos egy-egy partner esetében.

Főkönyvi számla meghatározása: Ez a legkomplexebb feladat. A rendszernek meg kellett értenie, hogy például a "fénymásoló papír" az 521-es számlára tartozik, míg a "könyvelői díj" a 862-esre.

Java a Python világában

A legtöbb mesterséges intelligencia projektben Pythont használnak - ez a kutatók kedvenc eszköze. De a nagyvállalati környezet más. Itt Java uralkodik, verziókezeléssel, automatikus teszteléssel, mikroszolgáltatásokkal.

Ezért választottuk a DeepLearning4J keretrendszert. Ez szinte az egyetlen komoly Java-alapú neurális hálózat könyvtár, ami képes megbirkózni a nagyvállalati követelményekkel. Támogatja a grafikus processzorok használatát a gyorsítás érdekében, és szétosztható több szerver között is.

A fekete doboz problémája

A könyvelő, ha rossz döntést hoz, mindig meg tudja magyarázni, miért. "Ez a számla azért gyanús, mert a szállító új, az összeg szokatlanul nagy, és a teljesítés helye külföld."

A neurális hálózat ezzel szemben csupán egy eredményt ad: "93%-os valószínűséggel gyanús". De hogy miért? Arról fogalma sincs. Ez a "fekete doboz" probléma az egyik legnagyobb kihívása a mesterséges intelligencia üzleti alkalmazásának.

Képzeljük el, hogy a könyvelő főnök megkérdezi: "Miért utasította el a rendszer a múlt heti számlát?" És a válasz ez: "Mert a neurális hálózat 47 millió paraméterének valamilyen kombinációja ezt eredményezte." Nem túl megnyugtató, ugye?

Számok, amelyek számítanak

A rendszer teljesítményét többféle módon lehet mérni. A pontosság természetesen fontos - hány százalékban dönt jól. De ennél árnyaltabb mérőszámokra is szükség van.

Van a precizitás - a rendszer által pozitívnak ítélt esetek közül hány volt valóban pozitív. És a szenzitivitás - az összes pozitív esetből hányat talált meg a rendszer. Egy spam szűrőnél például fontos, hogy ne minősítsen sok normál levelet spamnek (precizitás), de ugyanakkor ne hagyjon át túl sok spamot sem (szenzitivitás).

Az F1 pontszám ezek harmonikus átlaga - egy egyszerű szám, ami jól összefoglalja a rendszer teljesítményét:

F1 = 2 * (precizitás * szenzitivitás) / (precizitás + szenzitivitás)

A természetes nyelv kihívásai

Az egyik legérdekesebb része a projektnek a természetes nyelvi feldolgozás volt. Hogyan értheti meg egy gép, hogy a "tűzőgép" és a "gemkapocs" hasonló dolgok? Vagy hogy a "számítógép javítás" és a "laptop szerviz" tulajdonképpen ugyanarra vonatkozik?

A megoldás a szóvektorterekben rejlik. A gép elolvas hatalmas mennyiségű szöveget, és megtanulja, hogy mely szavak szerepelnek hasonló kontextusban. Ha a "tűzőgép" és a "gemkapocs" gyakran ugyanazokkal a szavakkal szerepel együtt ("irodaszer", "beszerzés", "íróasztal"), akkor a rendszer rájön, hogy ezek hasonló kategóriába tartoznak.

A gyakorlati eredmények

A kifejlesztett rendszer végül képessé vált:

• Meghatározni a számlák szokványosságát
• Automatikusan javasolni főkönyvi számlákat új számlákhoz
• Felismerni a szokatlan mintázatokat, amelyek emberi figyelmet igényelnek
• Integrálódni a meglévő ERP rendszerbe anélkül, hogy az jelentősen átírásra szorulna

Az emberi tényező

Fontos hangsúlyozni: a projekt célja nem az emberi könyvelők helyettesítése. A rendszer inkább egy intelligens asszisztensként működik, ami elvégzi a rutinfeladatokat, és csak a valóban problémás eseteket juttatja el az emberi szakértőkhez.

A neurális hálózatok alkalmazása a könyvelésben még csak a kezdeteket jelenti. A következő kihívás, hogy a rendszerek "elmagyarázhassák" a döntéseiket, hogy még jobban integrálódjanak az emberi munkafolyamatokba.

A következő lépés talán az lesz, hogy a rendszer nemcsak a hibákat ismeri fel, hanem javaslatokat is tesz a javításukra. Vagy esetleg megtanulja előre jelezni, mely szállítóknál várhatók problémák a fizetési fegyelemmel.

Tanulságok

Mi a tanulság ebből az egészből? Talán az, hogy a mesterséges intelligencia nem feltétlenül az emberi munkát váltja fel, hanem kibővíti azt. A neurális hálózatok képesek olyan mintázatokat felismerni, amiket ember nehezen vesz észre, de az emberi intuíció és tapasztalat továbbra is pótolhatatlan.

A könyvelés világában ez azt jelenti, hogy a jövőben talán kevesebb időt töltünk majd rutinfeladatokkal, és több energiát fordíthatunk a stratégiai döntésekre, a tanácsadásra, az üzleti folyamatok optimalizálására.

És talán ez a jövő: nem ember kontra gép, hanem ember és gép együtt, kiegészítve egymást abban, amiben mindegyik a legjobb.

DLM Consulting Kft és Óbudai Egyetem Neuamnn János Informatikai Kar