CC BY
2ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В БУХГАЛТЕРСКОМ
УЧЕТЕ И АНАЛИЗЕ
Матюш Игорь Викторович
Igor Matsiush
Полоцкий государственный университет имени Евфросинии Полоцкой Polotsk State University named after Euphrosyne of Polotsk, Доцент, Associate Professor Кафедра учета, финансов, логистики и менеджмента Department of Accounting, Finance, Logistics and Management г. Новополоцк, Республика Беларусь г. Novopolotsk, Republic of Belarus i.matsiush@psu.by https://doi.org/10.5281/zenodo.1100403 7
Аннотация. Последнее время все чаще обращаются к методам искусственного интеллекта с целью достичь более точных и надежных результатов при анализе и прогнозировании финансово-экономических показателей организации. В статье рассматриваться существующие методы и подходы для обработки и анализа экономической информации, применяемые с помощью искусственного интеллекта, а также предлагается собственный подход к разработке нейронных сетей для целей бухгалтерского учёта и прогнозирования, и прогнозирования стоимостных потоков предприятия.
Ключевые слова: искусственный интеллект, прогнозирование, мониторинг, финансовые потоки, машинное обучение, нейронные сети.
Abstract. Recently, more and more people are turning to artificial intelligence methods in order to achieve more accurate and reliable results in the analysis of forecasting financial and economic indicators of the organization. The article considers the existing methods and approaches for processing and analyzing economic information, used with the help of artificial intelligence, and also offers its own approach to the development of neural networks for the purposes of accounting and forecasting, and forecasting the value flows of the enterprise.
Keywords: artificial intelligence, forecasting, monitoring, financial flows, machine learning, neural networks.
Введение. Искусственный интеллект способен обрабатывать огромные массивы информации и принимать решения на основе комбинированных алгоритмов, тем самым, предлагает новые возможности для учета, анализа и прогнозирования стоимостных потоков предприятия, описывающих бизнес-процессы, протекающие на предприятия. За счет возможности обработки больших объемов данных искусственный интеллект многократно увеличивает точность прогнозирования финансовых показателей, учитывая сложные взаимосвязи между различными экономическими факторами, которые часто упускаются из виду при использовании традиционных методов.
Поэтому создание системы бухгалтерского учёта, анализа, мониторинга и прогнозирования стоимостных потоков на основе использования искусственного интеллекта с целью обеспечения более рационального управления имуществом и источниками его формирования снижения затрат на финансирование деятельности
предприятия и финансовой устойчивости и является одной из важнейших задач в управлении предприятием.
Основная часть. Преимуществ применения искусственного интеллекта при прогнозировании заключается в том, что существует возможность анализа большого количества показателей, характеризующих как прямо, так и косвенно стоимостные потоки, которые имеются в распоряжении предприятия, и отразить в учёте и каждый из них для более точного и обширного планирования, чем с помощью ручных методов. Кроме этого готовое решение полученные при помощи искусственного интеллекта является полностью автономным, постоянно изменяет существующие конфигурации прогнозов по мере изменения шаблонов учёта и анализа, чтобы лучше информировать процесс принятия решения. В независимости от количества анализируемых показателей, искусственный интеллект способен найти закономерности и корреляции в массивах данных, которые традиционная (или человеческая) система просто никогда не сможет найти.
В научной работе «Искусственный интеллект в управлении человеческими ресурсами» авторы отметили, что искусственный интеллект — это способность цифрового компьютера или управляемого компьютером робота выполнять задачи, которые считают прерогативой человека. В наше время термин применяют к проекту развития систем, наделенных интеллектуальными процессами, которые характерны для человеческого интеллекта (рассуждение, обобщение, получение опыта, анализ). Другими словами, «Искусственный интеллект» — огромный спектр алгоритмов и инструментов механизированного обучения, который может оперативно получать данные, выявлять определенные закономерности, оптимизировать или прогнозировать тенденции. [3].
В настоящее время различают два основных подхода к моделированию искусственного интеллекта: машинный интеллект, заключающийся в строгом задании результата функционирования; искусственный разум, направленный на моделирование внутренней структуры системы.
Моделирование систем первой группы достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений, а основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида «стимул — реакция». Системы же второй группы базируются на математической интерпретации деятельности нервной системы (прежде всего мозга человека) и реализуются в виде нейроподобных сетей на базе нейроподобного элемента — аналога нейрона [1, С. 10-11].
Таким образом, искусственный интеллект представляет собой комплексную дисциплину со множеством теорий, методик и технологий. Ключевыми понятиями в ИИ являются: машинное обучение —алгоритмы анализа данных с целью найти в них закономерности. В нем используются методы нейросетей, статистики, исследования операций и т.п. для выявления скрытой полезной информации в данных; при этом явно не программируются инструкции, указывающие, где искать данные и как делать выводы; нейросеть — это один из методов машинного обучения; математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. В общем случае искусственная нейронная сеть может состоять из нескольких
слоев простейших процессоров (нейронов), каждый из которых осуществляет некоторое математическое преобразование (вычисляет результат математической функции) над входными данными и передает полученный результат на следующий слой или на выход сети.
Нейроны входного слоя получают данные извне и после их обработки передают сигналы через синапсы нейронам следующего слоя. Каждому из сигналов первоначально присваивается некоторый весовой коэффициент. Нейроны второго слоя (его называют скрытым, потому что он напрямую не связан ни с входом, ни с выходом в искусственную нейронную сеть) осуществляют математическое преобразование над полученными сигналами и передают вычисленный результат нейронам выходного слоя. Поскольку речь идет об имитации нейронов, то каждый процессор входного уровня связан с несколькими процессорами скрытого уровня, каждый из которых, в свою очередь, связан с несколькими процессорами уровня выходного. Выходной результат сравнивается с эталонным; в случае его несоответствия производится подстройка весовых коэффициентов. Процесс повторяется на большом наборе данных (так называемом обучающем датасете) до тех пор, пока выходное значение, генерируемое нейросетью, не будет совпадать с эталонным.
Таким образом, описанная простейшая искусственная нейронная сеть способна к обучению и может находить простые взаимосвязи в данных. Более сложная модель искусственной нейронной сети будет иметь несколько скрытых слоев нейронов, перемежаемых слоями, которые выполняют сложные логические преобразования. Каждый последующий слой сети ищет взаимосвязи в предыдущем. Такие искусственные нейронные сети способны к глубокому (глубинному) обучению.
Учитывая тот факт, что в основе искусственной нейронной сети лежит математическая модель, описывающая исследуемую предметную область, то в рамках создания искусственного интеллекта для учёта, анализа, мониторинга и прогнозирования
Алгоритм работы простейшей нейросети приведен на рисунке 1.
S-элементы (сенсоры, рецепторы)
А-элементы R-элементы
(ассоциативные) (реагирующие)
Рисунок.1 Обобщенная архитектура нейронной сети
стоимостных потоков в качестве нейронов внутренних слоев использовать счета бухгалтерского учета.
Данное предложение обусловлено тем система бухгалтерского учета и отчетности, выступает основным базисом информации о количественных и стоимостных показателях и
В,<50Я5)-10-
'Дт-Кт 41 46 50 85 -
41
46
50 1 1
85
£ 1 1
ГДт/Кт1 41 46 $0 85 S]
ВЛ(4^41)-3
ГДт.'Кт 41 46 50 85 Г
41
46 1 1
50
85
г 1 1
41
46
50 10 10
85
г 10 10J
гДт.'Кт 41 46 50 85 V
41 [
46 3 з
85
г 3 3
взаимной увязке активов организации и источников их формирования для анализа бизнес-процессов и принятия управленческих решений и может быть формализована на языке математики как в виде матричных моделей формирования проводок (рис. 2), так и матриц финансовой отчётности.
Рисунок 2. Матричные модели формирования проводок
В свою очередь, план счетов бухгалтерского учёта, и выстроенная на его основе система корреспондирующих между собой счетов, является бухгалтерской моделью, описывающие финансово- экономические процессы предприятия. Таким образом мы можем получить архитектура нейронной сети, в которой в качестве нейронов внутренних слоев используются счета бухгалтерского учета (рис. 3).
Рисунок 3. Обобщенная архитектура нейронной сети, в которой в качестве нейронов внутренних слоев используются счета бухгалтерского учета.
Таким образом мы имеем возможность формирования экономических показателей на стадии совершения отдельно взятой корреспонденции счетов, и при этом получать прогнозный результат, и величину влияния этой корреспонденции на общее финансово состояние предприятия. Так же усиливается и функция мониторинга, так как каждому действию будет дана оценка и определен результат. Использование нейронных сетей способствует появлению новых и усовершенствованных методов учёта и обработки информации, анализа и прогнозирования данных, которые ранее считались трудоемкими и не выполнимы в рамках традиционных систем бухгалтерского учета и анализа. Это может помочь принимать более осознанные и обоснованные решения, сократить риски и снизить затраты на рутинную работу, освободив время для выполнения более сложных и креативных задач. Однако, необходимо помнить, что использование искусственного интеллекта в бухгалтерском учете требует хорошо обученных специалистов, а также соблюдения соответствующих норм и правил, чтобы обеспечить корректность и надежность получаемых результатов.
Использование искусственного интеллекта в бухгалтерском учете и анализе также подвержено определенным рискам и ограничениям. Одним из основных недостатков искусственного интеллекта является его зависимость от качества входных данных. Если финансовая информация, используемая для обучения алгоритмов искусственного интеллекта, ошибочна, то их результаты могут быть неточными. Кроме того, алгоритмы искусственного интеллекта не всегда могут объяснить свои выводы, что затрудняет их применение в случаях, когда требуется прозрачность процесса.
Кроме этого, необходимость соблюдения нормативно-правовых требований так же является ограничением использования искусственного интеллекта в бухгалтерском учете и анализе. Применение искусственного интеллекта должно соответствовать строгим правилам и стандартам, которые регулируют процессы бухгалтерского учета и обеспечивать конфиденциальность и защиту информации, что тоже может вызывать проблемы [3].
Заключение. Использование искусственного интеллекта в бухгалтерском учете и анализе представляет собой новый вызов для отрасли, который может привести к качественному скачку и более точному и эффективному управлению стоимостными потоками предприятия. В условиях быстро меняющейся экономической среды возрастает необходимость использования искусственного интеллекта для повышения точности и эффективности процессов учета, анализа и прогнозирования, а также для сокращения затрат на рутинную работу. Однако важно помнить, что искусственный интеллект должен быть введен с учетом особенностей каждого предприятия и дополнять, а не заменять, человеческий фактор. Искусственный интеллект это не замена бухгалтера, а более усовершенствованный инструмент учета и обработки информации в его руках.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Пантелеева Т.А., Арустамов Э.А., Максаев А.А. Возможности искусственного интеллекта в управлении кадровыми ресурсами в условиях свободного предпринимательства // Интернет-журнал «Отходы и ресурсы», 2019 №3, https://resources.today/ PDF/ 10ECOR319.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI:10.15862/10ETOR319
2. Боровская Е. В. Основы искусственного интеллекта: учебное пособие / Е. В. Боровская, Н. А. Давыдова. - 4 -е изд., электрон. - М.: Лаборатория знаний, 2020.
3. Белов Р. А. Использование искусственного интеллекта в бухгалтерском учете и аудите: новые возможности и вызовы // Научные высказывания. 2023. №8 (32). С. 51-55. URL: https:// nvjoumal.ru/article/Ispolzovanie_iskusstvennogo_intellekta_v_ buhgalterskom _uchete_i_audite_novye_vozmozhnosti_i_vyzov
