A nyelvi modellek az akasztófa ellen.
Egy amerikai startup nagy nyelvi modellekkel oldaná meg a kontírozás rémisztő feladatát.
Már itthon is egyre több könyvelőknek szánt szoftver mesterséges intelligenciát alkalmaz szolgáltatásaiban. A MI egyelőre részterületeken jelentkezik és sok esetben több köze van az automatizációhoz és az adatbányászathoz, mint a mesterséges intelligenciához és általában jobban erősítik ezen cégek marketingkommunikációját, minthogy olyan szintű áttöréseket tudjanak produkálni, mint amit a világ például a ChatGPT-vel élhetett meg. A jelenség talán legjobban az "intelligens" kontírozásnál érhető tetten, ahol most egy amerikai startup áttörést ígér.
A valódi akasztófa, azaz az "okos" kontírozás problémája
A könyvelés talán egyik legfontosabb technológiai szakasza a gazdasági események helyes címkézése (kontírozása). Ennek a lépésnek a hibamentessége döntő fontosságú a könyvelés és az ebből származó kimutatások pontosságában. A tranzakciók egyenkénti hibátlan kontírozása körülményes és hagyományosan nagyon manuális feladat volt.
Az utóbbi időben számos eszköz került kidolgozásra a gazdasági események automatikus "kosárba helyezéséhez", amelyek alapjai általában valamilyen "kézzel" kidolgozott heurisztikák, melyek a beszállítóra vagy a tranzakció leírására épülnek. Az ilyen eszközök egyrésze semmilyen gépi tanulási modellt nem alkalmaz, egész egyszerűen valamilyen ember által megírt szabálykövetéssel dolgozik a gép (ilyen például a QUiCK is), más megoldások pedig valamilyen hasonlósági alapon működő deep-learning (pl. neurális háló) segítségével tippelik meg a megfelelő kontírokat, egyre több adat esetén, egyre jobban.
Mindkét megoldás elképesztően gyorsíthatja a könyvelést, de kivételek előfordulása során mindkettő hibázhat, illetve mindkettővel nagyon nehéz általános megoldást adni, mely mindenkinek megfelelő.
A szabálykezeléshez képest a gépi tanulási megoldások talán egyértelműbb eszköznek tűnnek a kontírozás automatizálására (ezért is látunk annyi szereplőt, aki azt állítja, mesterséges intelligenciával oldotta meg a könyvelés problémáját, még akkor is ha nem). De ezek a megoldások is komoly nehézségekbe ütköznek a "valóban intelligens kontírozás" nevű probléma megoldása során.
Ennek egyik legfőbb oka, hogy a könyvelés világában a tranzakciókhoz választott címkék következetesek lehetnek könyvelő-ügyfél kapcsolatonként, de globálisan mégis inkonzisztensek. Tehát ami az egyik könyvelőnek segítségül szolgál, az egy másiknak akadályt jelenthet. Azaz mivel a kontír, ügyfél/partner/könyvelő/ kontextusában egyedi, így globális kontírozási módszer létrehozása egy nagyon bonyolult probléma, és egy olyan általános célszoftverben, ami "mindenkinek" szól akár rosszabb hatékonysággal működik, mint az egyszerű szabálykezelés.
További probléma, hogy a jelenlegi "gépi tanulásos" módszerek általában valamilyen korábbi címkézés mentén próbálnak lokális heurisztikákat alkotni, de ez minimum három esetben egyáltalán nem jól működik:
Ha nincs korábbi hasonló tranzakció
Egy gyakori tranzakció ugyan könnyen azonosítható, de többféle felhasználási célhoz kapcsolódhat. Ilyen például egy Amazon vásárlás. Gyakorlatilag bármilyen kontírt hozzárendelhetünk, mivel az Amazon olyan sokféle terméket árul.
A tranzakció értelmezése hirtelen megváltozik. (Egy korábbi alapanyag-beszállítónk, hirtelen saját beruházásunk beszállítója is lesz)
A fenti esetekben a szabálykezeléses megoldásokkal egyetlen megoldást kapunk, ami biztosan rossz. Gépi tanulási modellek esetén (a hasonlósági megközelítés miatt) mindhárom esetben több lehetséges címkét kaphatunk (ami vagy jó vagy nem jó), éppúgy, ahogy egy könyvelő mentálisan felidézheti a gyakori múltbeli címkéket az ilyen típusú kiadásokhoz.
A legtöbb könyvelőnél a fenti helyzetekben a következő lépés az ügyféllel való további információgyűjtés. A válaszok segítségével pedig a könyvelő reményei szerint elegendő kontextust szerezhet ahhoz, hogy a tranzakciót helyesen rögzítse.
A nyelvi modellek és az ötlet
A Digits.com nevű amerikai céget pont a fenti kivételes helyzetekben feltett könyvelői kérdések inspirálták arra, hogy egy teljesen új mesterséges intelligencia modellt építsenek, melyben a kontírozás problémájára nagy nyelvi modelleket (LLM) is bevetnek. A tervek szerint a megoldással egy gép bármilyen bizonylatot le tud könyvelni teljesen egyedül emberi beavatkozás nélkül.
A nagy nyelvi modellek több feladatot egyszerre tanulnak meg annak érdekében, hogy egy nyelv "értésére" tegyenek szert. (ilyen nagy nyelvi modell pl. a ChatGPT is).
A Digits.com a nyelvi modellek és korábban említett hasonlóságon alapuló osztályozásából, ún. azonnali osztályozók rendszerét hozta létre, mely gondosan megtervezett bemenetek segítségével egy tanítható modellé válik terveik szerint a jövőben.
A nyelvi osztályozót valójában arra használják, hogy egy elképzelt dialógust hozzanak létre, melyben a könyvelő ügyfelét megkérdezi, hogy az adott tranzakciót miért hajtotta végre, majd erre a modell egy megfelelő narratívát/választ tippeljen, azaz az ügyfél helyett válaszoljon. Az így keletkezett gépi válasz és a korábban említett hasonlósági osztályozás alapján, a két módszer eredőjéből kialakult, legnagyobb esélyű kontírszámra tippel a megoldásuk.
Hogyan működik a kontírozás a QUiCKben?
Nyáron mutattuk be a QUiCK haladó könyvelési módját. Bár a számlakép felismerésünket viszonylag bonyolultabb algoritmusok vezérlik, az automatikus kontírozásban a nemes egyszerűségnél, azaz a szabálykezelésnél maradtunk.
Kontírozás során az alapelvünk: a másolás. Ennek lényege, hogy egy bizonylatra a legutolsó már kontírozott bizonylat kontírszámát helyezzük. Ez a megoldás az alábbi esetekben ad hibás megoldást:
egy olyan számlánál, ahol több gazdasági esemény szokott ismétlődni. (Ilyenkor a kontírszámok helyesek, de a részösszegekre nem teszünk ajánlást.)
illetve minden olyan esetben, amit a cikk korábbi részeiben tárgyaltunk.
Jelenleg rendelkezésre álló adataink alapján azonban a fenti kivételek, átlagosan 23%-ban fordulnak elő a QUiCKet használó vállakozások könyvelése esetén, ami pontosan két dolgot jelent.
Ezzel a technológiával 100%-os pontosságot sosem fogunk tudni elérni, azaz az automatikus kontírozást minden esetben ellenőrizni kell.
77%-al viszont kevesebb munkát kell elvégeznie annak a munkatársnak, aki eddig a kontírozást 100%-ban manuálisan végezte.
Ez utóbbi pedig igen kecsegtető, főleg ha azt is hozzávesszük, hogy ügyfeled, egy általad is bármikor elérhető, rendezett helyen tartja számláit, sőt még pénzügyeit is a QUiCKből intézi.
Ha hasonló gondolatok foglalkoztatnak, sőt szeretnéd elsajátítani a QUiCK új haladói könyvelői modulját, velünk a helyed egy üdítő nyár végi eseményen, melyről további információkat itt találsz.