Apprentissage automatique pour les processus financiers et de gestion des risques

Considérons deux approches différentes de la logique et des décisions systématiques, communément appelées une boîte blanche et une approche de boîte noire.

Avec une approche de la boîte blanche un terme qui vient des tests logiciels, la logique et les étapes sont connues et peuvent être tracées. La logique peut être mappée dans des organigrammes, des règles ou du code; le plus important, la logique et les étapes d'un programme sont très claires.

Entrez l'approche de la boîte noire . Dans ce cas, les fonctionnements internes ne sont pas connus, par exemple, pour un testeur de logiciel qui ne voit que les entrées et les sorties. En termes d'automatisation, cette approche est également pertinente lorsqu'un processus est trop compliqué pour permettre la définition de règles. Au lieu de cela, le mécanisme interne est caché; et le sujet ici est qu'un système d'intelligence artificielle fait des inférences spécifiques.

Par extension, l'argument peut être fait que ceci est similaire à la façon dont les humains apprennent. Nous prenons des décisions tous les jours, en général sans consulter une liste de règles une par une; nous avons appris par l'expérience. Et d'autres expériences influencent les décisions que nous prenons dans le futur.

Appliquons maintenant ceci aux systèmes d'affaires, en particulier aux systèmes financiers. D'abord, regardons différents types d'automatisation. À mesure que les organisations financières subissent une transformation numérique, la nécessité de devenir plus efficace grâce à l'automatisation est essentielle pour permettre aux départements financiers de réduire les erreurs et d'améliorer leur rapidité de traitement et la clôture financière. De telles efficiences permettent également aux équipes financières de transformer leurs propres organisations, de se concentrer sur des tâches plus stratégiques au lieu de gérer manuellement une myriade d'exceptions.

Types d'automatisation

Jetons d'abord un coup d'œil aux différents types d'automatisation , et pourquoi l'apprentissage automatique est différent des autres types de logique.

• Moteur de règles. Dans ce scénario, les utilisateurs métier définissent des règles spécifiques. Parfois, ils sont configurés en configuration; parfois, ils doivent être codés par un département informatique. Ces règles sont ensuite exécutées périodiquement, le plus souvent lors d'une clôture de période. Cependant, les moteurs de règles deviennent souvent moins efficaces avec le temps, car ils sont rarement revisités. Une entreprise peut s'étendre à une nouvelle clientèle pour laquelle différentes règles sont pertinentes. Si les règles ne sont pas ajustées – et elles le sont rarement – les départements financiers doivent gérer manuellement de plus en plus d'exceptions, en particulier à mesure que les volumes de transactions augmentent

• Automatisation de processus robotisée. La robotique consiste essentiellement à automatiser une tâche manuelle de manière cohérente, similaire à l'écriture d'un script. Des exemples de processus robotiques pourraient être le chargement de données dans un système, où les mêmes champs sont remplis, souvent à partir d'un fichier téléchargé. On peut aussi penser à écrire une macro dans Excel pour exécuter un certain ensemble de tâches – des tâches qui ne changent jamais, comme la manipulation de données ou la génération d'un graphique.

• Apprentissage automatique. L'apprentissage automatique peut identifier des modèles dans des processus gourmands en connaissances, sans définir explicitement les modèles à l'aide de règles ou de macros. Le moteur d'apprentissage automatique apprend des transactions historiques pendant une période de formation initiale. Il continue ensuite à apprendre que les équipes des finances prennent des décisions fondées sur des exceptions; Pensez-y comme une éducation permanente. Par conséquent, lorsqu'une organisation définit de nouveaux modèles commerciaux et que des exceptions supplémentaires sont générées, les actions entreprises par les équipes financières sur ces exceptions permettent au moteur d'apprentissage automatique d'intégrer ces décisions dans son apprentissage. Puisque l'apprentissage automatique est basé sur un algorithme, il ne génère pas réellement de règles, mais continue à apprendre – oui, un peu comme une boîte noire, et encore, similaire à la façon dont les humains apprennent.

learning

Avec l'efficacité de l'apprentissage automatique dans le cadre de SAP Leonardo, les applications financières et de gestion des risques tirent déjà parti de l'apprentissage automatique dans plusieurs scénarios, et leur nombre ne cesse de croître. Ceux-ci incluent des solutions soutenant:

• Application de caisse. Une solution infonuagique qui tire des leçons des transactions historiques liées à l'application des paiements des clients aux factures pour les postes clients ouverts. Sur la base du niveau de tolérance préféré, l'argent peut être appliqué automatiquement, laissant les équipes des finances libres de ne traiter que les exceptions les plus complexes.

• Réconciliation intelligente des entrées de marchandises / factures reçues. Une application en nuage qui tire des leçons des données historiques et des décisions de l'équipe des finances dans le traitement des exceptions pour proposer des décisions sur la compensation des différences.

• Analyse de l'intégrité des entreprises. Une solution qui utilise un ensemble de règles hybrides et une analyse prédictive. L'analyse prédictive exploite l'apprentissage automatique pour mettre à l'échelle des milliers de modèles prédictifs afin de trouver des schémas liés à la fraude, aux échecs de conformité et autres exceptions, […] , visitez ces sessions pour plus d'informations et interactions:

  Pour plus d'informations, vous pouvez également visiter ces sites:

  Et lire ce blog: L'évolution de la gestion moderne des comptes clients avec apprentissage automatique

  Follow SAP Finance en ligne: @SAPFinance (Twitter) | Voir le profil complet | Facebook | YouTube

  <! – Commentaires ->