Artificial Inteligence, Machine Learning, účetnictví a daně

Máte pocit, že pojmy v nadpisu spolu nesouvisí?  Souvisí, a o tom je tento článek. „Umělá inteligence a strojové učení (tak jsou v současnosti pojmy překládány do češtiny) budou mít na vývoj naší profese zásadní vliv.“ A není to jen můj osobní názor.

Představuji si to tak, že místo kanceláře plné účetních bude stačit několik počítačů, asistentka a jedna nebo dvě účetní. Jejich úkolem bude zajistit pořizování a vytěžování dokladů do inteligentních účetních programů, následně kontrola zpracování a kontrola a prezentace výstupů.

I v daňovém oddělení budou velkou část práce daňových asistentů vykonávat počítače, nebo spíše inteligentní programy.  Místo několika dnů rešerší, studia literatury a judikatury, bude stačit několik hodin práce inteligentního programu (říkejme mu třeba ELIŠKA). Eliška nejen, že projde relevantní literaturu, zhodnotí ji, srovná ji se zadanou situací, ale i odhadne, jak v dané konkrétní situaci rozhodne soud nebo správce daně. Jak to udělá? Prostě si přečte popis situace a srovná ho s podobnými situacemi z minulosti, porovná ho s platnými paragrafy zákonů a na základě těchto dat situaci vyhodnotí. A protože ji v první fázi člověk bude opravovat, bude se Eliška od lidí učit, aby se příště nespletla. Nevěříte? V Kanadě se takový program již používá. Podívejte se na www.bluejlegal.com.

Co je to AI (Artificial Inteligence)? Co je to ML (Machine Learning)? Zkusím popsat, jak jsem to pochopil já. Budu používat anglické výrazy, protože v češtině zatím moc literatury a ustálených výrazů na toto téma nenajdete. Čeští odborníci a programátoři si spolu často povídají anglicky.

Oba pojmy se dost překrývají, takže mě neberte za slovo, když jsem si je pro své pochopení spojil. AI a ML je proces, kdy pomocí „jednoduchých“ matematických operací učíte program (například Elišku) vyhodnocovat data tak, aby je mohl zobecnit a udělat z nich dílčí závěry. Příkladem je například rozpoznávání obrázků, nebo rozpoznání lidského hlasu. Dílčí závěry pak postupně skládáte, až dostanete závěr celkový. Často na konci závěru, přijde oprava, kterou provádí člověk. Právě taková oprava vede k tomu, že si ji Eliška zapamatuje a poučí se z ní. Tomu procesu se říká učení nebo trénování (model training). Učení Elišky trvá déle než učení lidského mozku. Principy, na kterých pracuje, jsou ale podobné. Eliška musí zpracovat velké množství informací, aby její závěry byly spolehlivé. Její výhodou je to, že zpracovat velké množství informací pro ni není takový časový problém, jako pro lidský mozek.

Na webu najdete různá schematická znázornění tohoto procesu, například následující:

http://msb.embopress.org/content/12/7/878

Pro nás, finanční odborníky, jsem jako příklad pro vysvětlení vybral konkrétní příklad. Jedná se o číselný model, který sleduje závislost příjmu na věku. V konkrétním případě, může takový model využívat například banka při predikci schopnosti nových žadatelů splatit poskytovaný úvěr. Pokud si data zobrazíme na grafickém modelu, lze si ML představit jako program (opět mu říkejme Eliška), který má za úkol data vyhodnotit a rozhodnout, zda dotyčný zájemce úvěr splatí nebo nesplatí. V daném modelu (znázorněn graficky) hledáme nějakou závislost (přímku). Tu pak převádíme do matematických rovnic. Samozřejmě, že vám pro predikci splácení nestačí jen věk a příjem žadatele. Je to zjednodušený model. Pokud chcete ML porozumět více, musíte oprášit své znalosti matematiky, například logaritmů a derivací. To jsem zatím neudělal, takže si hlouběji netroufám. 

https://www.datanami.com/2017/05/10/machine-learning-deep-learning-ai-whats-difference/ 

Pokud do grafu na uvedeném příkladu doplníme informaci, zda uvedený člověk splatil čerpaný úvěr, můžeme hledat další závislost. Znamená to vymyslet model, naprogramovat ho a použít data k trénování Elišky. Tady bývá často zádrhel. Zatímco malému dítěti stačí několik obrázků pejska, aby bylo schopné ho na dalším označit, Eliška potřebuje dat mnohem více. Modelů učení a trénovaní Elišky je několik. Aby dat k naučení se nemuselo být tolik, používá se metoda učení s učitelem. Člověk jako učitel vyhodnocuje dílčí závěry učiněné Eliškou a říká, co bylo správně a co nikoliv. Tak si dané závěry pamatuje, a řídí se podle nich v dalších krocích. Jinou metodou je  tzv. „reinforcement metoda“, česky ji lze nazvat škola života. Touto metodou například učili počítač (software) hrát Go tak dlouho, až byl schopen porazit nejlepší světové hráče této hry. Metoda je založená na principu, že učíme Elišku na základě obecných pravidel (v tomto případě pravidla hry Go, program se ale nejmenoval Eliška) a říkáme mu nebo vlastně jí, co je špatně a co je dobře. Ona sleduje protihráče a učí se z jeho tahů. 

Dalším často používaným pojmem v AI je neuronová sítˇ. Na její vysvětlení si netroufám, ale na internetu najdete informací hodně. Programátoři říkají, že Eliška se umí naučit vše, co lze prezentovat čísly. Čísly lze vyjádřit zvuky, obrázky, lidi, texty a samozřejmě i čísla. Takže myslet si, že se AI vyhne číslům v účetnictví je nesmysl. Naopak právě proto, že účetnictví zpracovává velké objemy čísel a má svoje jasně stanovená jednoduchá pravidla (něco jako GO), bude jedním z prvních oborů, který AI a ML ovlivní.  

Co říci na závěr? Tady se hodí slova Buddhy. „Nic není stálé, vše, co vnímáme se mění a je pomíjivé“.  Účetní a daňové asistenty nahradí Eliška, která nespí nejí a jen se učí. Věřme programátorům, že ji naučí jen samé správné věci. 

Ivan Fučík