Wprowadzenie
Biznes w XXI w. charakteryzuje się przede wszystkim ogromem różnorodnych zbiorów danych. W tym swoistym „wyścigu” najwięcej pracy mają działy finansowe w przedsiębiorstwach, ponieważ to one gromadzą największe ilości danych, przetwarzają je, aby uzyskać konkretną wiedzę i dzięki temu są w stanie wyprzedzić konkurencję. Wraz z rozwojem firmy, ilość danych się zwiększa i organizacje decydują się na rozbudowę działu finansowego, tak, aby mógł stać się ich strategicznym doradcą. W jaki sposób, zatem zespół finansowy może przyjąć nową rolę i mieć dodatkowy czas na chociażby comiesięczne określanie zysków i strat? Wyzwanie polega na opracowaniu systemu tak wydajnego, że dzięki niemu będzie można zaoszczędzić czas i zasoby ludzkie na zadania o jeszcze wyższym priorytecie.
Automatyzacja w finansach jest kluczowym czynnikiem zmiany. Większość działów finansowych decyduje się na ten krok tylko dla niektórych powtarzalnych ręcznych procesów. Natomiast zmiana podejścia niesie za sobą większe korzyści niż mogłoby się wydawać. Uczenie maszynowe może sprawić, że dział finansowy, na którym spoczywa tak ogromna odpowiedzialność stanie się wydajniejszy oraz lepiej przygotowany do wzięcia na barki strategicznej roli w organizacji.
Uczenie maszynowe a sztuczna inteligencja
Sztuczna inteligencja i uczenie maszynowe są pojęciami na tyle nowymi, że łatwo się można pomylić w ich terminologii. To nowa, ale szybko rozwijająca się technologia, a dotyczące jej słownictwo jest wciąż na etapie rozwoju. Szczególnie ważne jest to dla dostawców, ale też dla pracowników marketingu, gdyż to oni bardzo często kreują nowe słowa, które z czasem zaczynamy wykorzystywać. Sztuczna inteligencja i uczenie maszynowe są często używane zamiennie, ale to tak naprawdę dwie różne rzeczy:
Sztuczna inteligencja odnosi się do maszyny (zazwyczaj oprogramowania), która może przystosować się do nowych sytuacji bez czynnika ludzkiego. W związku z tym maszyny te nie są ograniczone przez to, do czego zostały zaprogramowane.
Uczenie maszynowe to metoda tworzenia maszyn zdolnych do uczenia się i tworzenia własnych reguł w celu zrozumienia danych.
Metoda ta rozpoczyna się od modelu, prognozy, której system użyje do rozpoczęcia nauki. Wygląd modelu zależy od człowieka, który nadzoruje proces. Na przykład, można stworzyć prognozę, że (X) kwota inwestycji w zasoby ludzkie przyniesie (Y) określoną kwotę przychodów. Następnie urządzenie potrzebuje danych. W tym przypadku byłyby to dane historyczne dotyczące kwoty zainwestowanej w zasoby ludzkie i ROI (zwrotu z inwestycji) dla poszczególnych inwestycji. Uczeń, czyli nasza maszyna porównuje dane z modelem, oceniając jego dopasowanie i rozpoczyna wprowadzanie udoskonaleń do modelu. Proces powtarza się wraz z nowymi danymi. Każdorazowo maszyna dostosowuje model, aby lepiej dobrać dane. W tym przypadku maszyna będzie lepiej prognozować zwrot z inwestycji w zasoby ludzkie. W końcu opracuje model o wiele dokładniejszy niż ten stworzony w oparciu o ocenę ludzką. Trzeba zauważyć, że aby ten proces działał, potrzeba dobrego modelu i wielu przejrzystych danych, które są tak skonstruowane, aby maszyna mogła je zrozumieć.
Uczenie maszynowe zwykle działa z bardziej złożonymi modelami niż przykład przedstawiony powyżej. Na ogół modele finansowe będą miały znacznie więcej niż tylko dwa typy danych do porównania. Jak wynika z badań i analiz w przypadku złożonych modeli, końcowe wyniki zastosowanie uczenia maszynowego mogą być uderzające: algorytm uczenia maszynowego Amazona skrócił czas wysyłki o 225%.
Kolejnym bardzo ważnym krokiem stanowiącym niemałe wyzwanie, wymagające czasu i starannego planowania jest samo wprowadzenie uczenia maszynowego do działu finansowego. Na początek należy odpowiednio zdefiniować problem do rozwiązania – będzie on służył, jako koncept uczenia maszynowego. Odpowiednio stworzony projekt to niezbędny czynnik dla całej operacji, jednak nie można zapominać, że jest to proces czasochłonny i powtarzalny. Uczenie maszynowe najlepiej sprawdza się w procesach dotyczących danych, przy założeniu, że im więcej danych, tym lepiej.
Wprowadzenie mechanizmu uczenia maszynowego do działu finansowego lub całego przedsiębiorstwa najlepiej zacząć od małego projektu. Należy wybrać proces, który można zautomatyzować za pomocą uczenia maszynowego, szybko uzyskać wyniki, albo dzięki temu znaleźć nowy potencjalny koncept. Po zidentyfikowaniu odpowiedniego projektu pilotażowego należy przejść do zebrania, oczyszczenia i strukturyzacji danych. Tutaj może pojawić się potrzeba przeszkolenia zespołu w zakresie zarządzania danymi i ich higieny. Jest to warunek konieczny, tym bardziej, jeśli kanał przerzutowy danych jeszcze nie działa. Następnym krokiem jest zmapowanie przestrzeni danych oraz upewnienie się, że wprowadzane dane są zaufane. Podczas wdrażania pierwszego projektu ważne jest poświęcenie uwagi i rozwinięcie kilku umiejętności. Powinno się zacząć od zapoznania zespołu z kluczowymi pojęciami i terminami. Prosty schemat nauki o danych jest dobrym, pierwszym krokiem i dzięki temu sukcesywnie, z biegiem czasu można przechodzić do zagadnień zaawansowanych.
W czasie każdej istotnej zmiany należy wziąć pod uwagę trzy czynniki: ludzi, procesy i technologię. W przypadku uczenia maszynowego, technologia jest łatwa: dostępne rozwiązania komercyjne są zwykle proste do dostosowania względem potrzeb użytkownika oraz posiadają przyjazną krzywą uczenia się. To wymusza na ludziach i procesach, aby działali w pewnym porządku. Jednak trzeba przygotować się na trzy najczęściej występujące wyzwania:
W ramach pierwszego kroku, o którym pisaliśmy wyżej, podpowiadamy, które funkcje finansowe są idealne do pierwszego eksperymentu z uczeniem maszynowym:
Uczenie maszynowe zaczyna odgrywać coraz większą rolę w ewolucji działów finansowych. Naprzeciw temu procesowi wyszła technologia, która w końcu zaczyna stawać się dostępna cenowo. Ponadto łatwość implementacji zachęca do wdrażanie tego rozwiązania w przedsiębiorstwach. Działy finansowe powinny korzystać z technologii uczenia maszynowego, aby zwiększyć wydajność, zautomatyzować powtarzalne zadania i uwolnić zasoby ludzkie, aby w rezultacie przyjąć bardziej strategiczną rolę w organizacji.
Źródła: