Als we kijken hoe ontzettend snel de ontwikkelingen op het gebied van AI momenteel gaan, is het soms bijna niet meer bij te houden. (zoals Silverfin Assistant, AI Mapping & Chat GPT) Terwijl het toch heel belangrijk is om te weten hoe enorm veel (of misschien weinig) invloed AI kan hebben op de uitoefening van uw beroep. Daarom vertel ik u in dit artikel graag alles over de werking van AI, maar ook welke invloed deze zal hebben op de accountancy.
Deze talk werd gebracht op de FinplexClub van 26 Juni, 2023
Wat is eigenlijk het verschil tussen AI en Machine Learning?
Nu AI zo enorm in opkomst is, horen we de term vrijwel overal en continu. Maar er is nog een andere term die vaak wordt gebruikt in de context van AI, namelijk ‘Machine Learning’. Wat is precies het verschil tussen AI en Machine Learning en waarom is het belangrijk dat ook u als accountant dit verschil begrijpt? Een mooie quote die ik laatst tegenkwam, is:
“If it’s written in Python it’s Machine Learning. If it is written in PowerPoint, it’s probably AI.”
Oftewel, als het echt in code is geschreven dan hebben we het vaak over Machine Learning. Waarbij een systeem zichzelf telkens wat nieuws aanleert en zich (met AI) verder ontwikkelt. Dit zijn uitkomsten en data-analyses waar we als accountants meestal wat mee kunnen. Bij een aantal AI-oplossingen, is dat niet altijd het geval en hebben we het eerder over een hype die wellicht amusant is, maar niet altijd de oplossingen biedt die we nodig hebben.
Wat zijn taalmodellen, of Large Language Models (LLM)
Op dit moment horen we vooral heel veel over grote taalmodellen (Large Language Models). Ook hier is er vaak verwarring over wat dit soort modellen nu echt zijn, of waarvoor ze gebruikt kunnen worden.
In principe werkt een taalmodel met AI ‘aan de buitenkant’ heel eenvoudig. U geeft namelijk tekst als input, die vervolgens wordt verwerkt door een magisch Language Model en u krijgt ook weer output in tekst van het taalmodel. Deze taalmodellen zijn in de praktijk heel bruikbaar voor bijvoorbeeld het automatisch genereren van een tekst, of een vertaling. Maar ook kunnen taalmodellen worden gebruikt om de waarschijnlijkheid dat iets wel of niet klopt aan te geven, of om informatie te categoriseren, of goedkeuring te geven over de waarde van bijvoorbeeld een review. Ook kan het taalmodel output creëren in de vorm van een afbeelding als u dat wilt.
Dit zijn allemaal zaken die nu al mogelijk zijn, maar wat volgt er? Het is natuurlijk nooit helemaal mogelijk om de toekomst exact te voorspellen, maar de potentie lijkt groot. Het is op dit moment al mogelijk om met krachtige taalmodellen hele video’s te genereren, maar ook code voor complete softwaretoepassingen kan worden opgesteld. Deze ontwikkelingen bieden enorm veel potentie voor de toekomst.
AI koppelen met het neurale netwerk?
De vraag is nu: hoe kunt u tekst(-uitkomsten) van taalmodellen vervolgens weer plaatsen in een neuraal netwerk? Dat gaat aan de hand van NLP wat in dit geval staat voor ‘Natural Language Processing’.
- NLP: Bag of Words (BoW)
De input die gegeven wordt in tekst, wordt eerst aangeboden voor analyse in een zogenaamde Bag of Words, vrij vertaald een ‘zak met woorden’. De analyse kan kwantitatief zijn door het aantal woorden in de Bag of Words te tellen én door vervolgens bijvoorbeeld te kijken hoe vaak een bepaald woord voorkomt in de ingevoerde vraag. Grammatica of de woordvolgorde worden in deze analyse niet meegenomen. - NLP:embeddings
Vervolgens kan in de BoW gekeken worden naar de embeddings. Dat betekent vooral dat er een aantal voorspellingen worden gedaan. Enerzijds kan gekeken worden of de woorden ook de context van de vraag kunnen voorspellen aan de hand van een woord. Anderzijds kan ook een voorspelling gemaakt worden vanuit de context over een (volgende) woord.
Op basis van deze analyses worden de woorden in de input geanalyseerd en verwerkt in een vector. Daar worden de waarden van de woorden in relatie tot elkaar gezet. In deze fase wordt al een soort van betekenis gegeven aan de input, oftewel het verzoek dat is uitgezet bij het taalmodel. De resultaten worden vervolgens omgezet in cijfers, die gebruikt kunnen worden als een token om te koppelen aan uw neurale netwerk.
De eerste tekenen van AI in taalmodellen
Ondertussen zijn taalmodellen zo ver gekomen dat we de eerste tekenen van kunstmatige intelligentie kunnen zien. De taalmodellen die we op dit moment zien zijn namelijk getraind op (heel) veel data, veel rekenkracht en veel slimme algoritmes.
Ooit startte NLP in taalmodellen met eenvoudige sentimentsanalyses, categorisering, of het maken van samenvattingen. Toen Google in 2018 het zogenaamde transformer-idee lanceerde, kon de opgedane kennis ook overgedragen worden waardoor grote datasets in een keer toegankelijk worden voor een individu en waardoor geen grote onderzoeksteams meer nodig zijn. Zo zijn echt goede vertalingen, maar ook automatische ondertiteling of schrijfassistentie mogelijk.
In slechts een paar jaar tijd zijn we gegroeid van een situatie waar alleen grote onderzoekslaboratoria de capaciteit hadden om AI-taalmodellen te gebruiken naar een situatie waar ieder individu dit kan die een API of AutoML kan gebruiken. Zo kunnen we steeds meer data en kennis ontsluiten en steeds meer leren.
Zogenaamde LARGE Language Models vertonen emergent gedrag
Large Language Models (LLM’s) vertonen nu weer een enorme sprong vooruit in hun performance. Dat komt vooral door de omvang van deze modellen, waarbij we zien dat de kwaliteit beter wordt bij de hoeveelheid data die gebruikt wordt. Oftewel ‘size matters’.
Hiervoor is echter zoveel ongelabelde data nodig dat dit alleen kan met self-supervision van het model door middel van het voorspellen van het volgende woord. De output is zo groot dat deze alleen nog maar in beeld kan worden weergegeven. Het spreekwoord is niet voor niks ‘een beeld zegt meer dan een duizend woorden’.
Het mooie van deze ontwikkeling bij de LLM’s is dat ze nu bijzonder goed zijn geworden in few-shot learning waarbij het model aan de hand van een ander voorbeeld nu ook zelf een classificatie kan aanbrengen. Maar in sommige gevallen behoort ook zelfs zero-shot learning tot de mogelijkheden waarbij de LLM in een keer de categorie bepaalt.
Hoe gaan we nu echt ‘artificieel nadenken’?
We zitten nu op een punt dat AI beschikt over ongeveer alle online-informatie en zelfs beelden. Dat opent allerlei mogelijkheden, maar het betekent tegelijkertijd ook dat zo’n model gevoed moet blijven worden.
Dit brengt ons bij de logische vervolgvraag: hoe gaan we nu echt artificieel nadenken? We komen nu bij een model dat kan redeneren, en als we daar informatie aan toevoegen dan kan het model redeneren over deze informatie. De vraag is daarbij wel hoe we die informatie toevoegen aan het model. Het is een van de grote uitdagingen van dit moment. Zeker voor accountants, die bijvoorbeeld hun boekhouding willen toevoegen aan dit model. We willen namelijk niet dat er steeds een nieuw model wordt gebouwd, maar dat er wordt voortgeborduurd op de eerdere modellen zodat ‘oude’ informatie niet steeds opnieuw hoeft worden toegevoegd. Precies dat kunnen we regelen via embeddings die we dan liëren aan het Large Language Model dat gebruik maakt van de oude uitkomsten en de nieuw toegevoegd informatie.
Lessen van gebruik van AI in Accountancy
De eerste stappen heeft AI nu gezet in de Accountancy, met hele interessante resultaten en een uitdagende toekomst. Dit zijn de belangrijkste lessen die we tot nu toe hebben geleerd van AI-gebruik in de accountancy.
Start met efficiëntie
We zijn eerst gestart met mapping toen we AI in gingen zetten voor accountancy- doeleinden. Dat lijkt niet altijd even spannend, maar het is juist iets dat heel veel efficiëntie oplevert. Als we de mapping namelijk manueel zouden doen, zou dat veel meer tijd en menskracht kosten dan wanneer AI het doet.
Een andere UX
Maar het gaat niet alleen om kosten, ook medewerkers zien de voordelen omdat het saaiere (en vaak meer foutgevoelige) werk wordt overgenomen door AI. Het werk dat wel interessant is, blijft over voor hen. Oftewel, ook voor de efficiënte inzet van AI in accountancy geldt: ‘focus on value, not tech’. Dus kijk welke waarde een AI-toepassing kan opleveren voor uw organisatie en uw medewerkers, in plaats van dat u de nadruk legt op de techniek zelf.
Er is voor de meeste mensen een ietwat steile leercurve bij het gebruik van AI-toepassingen. Het vraagt om een andere manier van werken of zoeken in systemen. Oftewel een andere User Experience (UX).
Bouw eerst vertrouwen op
Voor alles wat mensen doen dat nieuw is, betekent het ook dat er onzekerheid is. Mensen weten nog niet precies wat ze aan het doen zijn, dus hebben ze vaak een extra kritische houding. Ook al geeft het systeem twintig keer het gewenste resultaat, maar is het de 21e keer niet oké, dan kan het vertrouwen van de gebruiker onmiddellijk weer dalen. Het is dus belangrijk om mensen bij de introductie van AI-toepassingen te begeleiden. Bij Silverfin zien we dat mensen vaak in vijf sessies alles onder de knie hebben en ook dat accountants over het algemeen niet zo wantrouwend zijn tegenover AI omdat ze goed doorhebben hoe het werkt.
Assisteren in plaats van automatiseren
Het is hoe dan ook belangrijk dat de gebruiker in controle blijft. Het is dan ook zo dat bij de introductie van AI de focus vooral ligt op assisteren, niet op automatiseren. Hiermee kan de gebruiker ook nog duidelijk het proces en het resultaat uitleggen aan de klant, stapsgewijs. Het biedt ook vooral jonge mensen de kans om te leren van de geboden AI-assistentie en ondertussen ook te blijven zien wat er gebeurt in het proces.
Welke impact gaat AI nu hebben op de accountancy?
Zonder dat we het vaak echt doorhebben, is AI al steeds meer aanwezig in de professionele kantooromgeving. Dat gaat doordat nieuwe tools worden toegevoegd aan bestaande en vertrouwde applicaties als Word, Teams, of Zoom. Bijvoorbeeld door het automatisch genereren van teksten, e-mails of afbeeldingen voor een presentatie. Deze manier van introduceren van AI betekent ook dat het de verantwoordelijkheid is van de technologieprovider om dit überhaupt aan te bieden. Doen ze dit niet, zullen gebruikers al snel overstappen naar een concurrent die wel de AI-tooling biedt die mensen verwachten.
Geen enkel accountancybureau is groot genoeg voor eigen AI-toepassingen
Het toevoegen van tooling aan bestaande en vertrouwde softwaretoepassingen geldt ook voor accountancysoftware. Geen enkel accountancybureau is namelijk groot genoeg om zelf een complete AI-toepassing te bouwen. Het is nu vooral aan de softwareleveranciers van de accountancysector om de AI-tooling te introduceren.
De vraag is nu welke invloed AI gaat hebben op de invulling van het beroep van de accountant. Gaat het vak helemaal verdwijnen, net zoals de videotheken verdwenen op het moment dat er andere (streaming-)diensten werden aangeboden online? Dat is toch vaak een van de grote weerstanden bij de introductie van AI: wat als het de mens overbodig maakt?
Destructief of transformatief?
De angst voor de destructieve werking van AI op bepaalde beroepen kan groot zijn, maar is niet altijd terecht. Als we zien wat voor geweldige afbeeldingen AI kan genereren, hadden we begin 2023 misschien ook verwacht dat fotografen en designers zouden kunnen verdwijnen. Ondertussen zien we dat het tegendeel vooralsnog waar is, onder andere doordat Adobe de AI-opties ondertussen heeft ingebouwd in de software van Photoshop. Nu assisteert AI fotografen en designprofessionals, in plaats van dat het hen wegconcurreert.
Niemand kan natuurlijk in de toekomst kijken, maar persoonlijk geloof ik dat er altijd nog menselijke accountants nodig zijn om contact te hebben met de ondernemer. Want menselijk contact is cruciaal voor het vertrouwen. Dat neemt niet weg dat we er bijna niet omheen kunnen dat het beroep van de accountant wel degelijk gaat veranderen en ook de uitdagingen zullen anders zijn dan voorheen. Waar het vakgebied de afgelopen jaren vooral uitdagingen had op het gebied van digitalisatie, zal het in de toekomst veel meer gaan over de menskant. Oftewel hoe gaan wij als accountants steeds meer en (nog) beter het gesprek aan met de ondernemer op basis van de zaken die de AI-assistent ons gaat aanbieden.
“De grote uitdaging kan daarbij wel zijn dat sommige partners nog niet echt openstaan voor de inzet van AI. Dat kan een achterstand opleveren vergeleken met concurrenten die AI al wel omarmen. Maar uiteindelijk, vermoed ik dat het werk van de accountant zelf alleen maar interessanter kan worden en dat er vooralsnog zeker geen redenen zijn om deze bijzondere en veelbelovende ontwikkeling te omarmen.”
Interesse in AI toepassingen voor accountants? Bekijk dan zeker eens Silverfin Assistant, AI Mapping & Chat GPT