On the use of Deep Learning for Automation of Accounting

Kunstig Intelligens inntar regnskapskontoret Kunstig intelligens har i de siste årene hatt stor innvirkning på tvers av flere bransjer og fagfelt. Vi har sett eksempler på intelligente systemer som er flinkere til å diagnostisere pasienter enn leger, er sikrere sjåfører, og er bedre sjakkspillere enn mennesker. Ved å ta i bruk metoder bygget etter de samme prinsippene som vår egen hjerne har kunstig intelligens blitt i stand til å analysere og forstå intrikate sammenhenger i komplisert data. Finanssektoren, med sin sterke avhengighet av store mengder tall og data har gjennomgått et digitaliseringskifte med blant annet innførsel av elektronisk handelsformat. Kunstig intelligens er klar for å føre til et paradigmeskifte i regnskapskontorene. Dette prosjektet har som mål å videreutvikle metoder og algoritmer for å automatisere og forbedre flere aspekter innen finanssektoren og regnskapsbransjen. Prosjektet vil basere seg på en type kunstig intelligens-algoritme som har fått mye oppmerksomhet de eneste årene, Deep Learning. Prosjektet vil videreutvikle varianter av Deep Learning spesielt med tanke på økt innsikt og dyp forståelse av regnskapsdata. Sentralt i prosjektet er utvikling og anvendelse av algoritmer for klassifiseringsproblemer, slik som å forstå trender i regnskapsdataene og forutsi problemer samt varsle om neste beste handling. Algoritmene vil basert på historisk data forstå når en bedrift vil komme til å få et inntektstap, og foreslå handlinger som forbedrer, og hvis mulig unngår, situasjonen. Videre skal det også utvikles metoder for å identifisere og forutsi avvik og trender i enorme datamengder hvor konvensjonelle metoder ikke strekker til. Forskningen vil resultere i et system med automatisk dyp forståelse for feltet, og som vil kunne tilby en intelligent form for kundestøtte.

Deep neural networks exploit composition hierarchies of data, which makes it particularly suiting for finding trends in complex accounting records. This project will explore the potential of deep neural networks for automating big accounting data, particularly: (1) Generative adversarial networks to generate accounting data including invoices. (2) Image segmentation for invoices for quality assurance. (3) Pattern recognition for invoice classification. The candidate will specifically work with automated data generation to increase the accuracy of pattern recognition tasks. The candidate is expected to explore existing techniques, specifically in combinations of UBL and EHF, and develop and verify new variants of deep neural networks with real customer data. The candidate will develop a fully functional prototype. Goal 1: Automatic generation of accounting data for text using deep generative adversarial network. Goal 2: Automatic detection of crucial information from invoices including account number, recipient, and so on using deep convolutional neural networks. Goal 3: Automatic classification of invoices using a combination for real data and generated data (from goal 1).