机器学习改善会计估计

人工智能的发展，对会计这个行业是有一个突飞猛进的进步。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维（包括无意识的思维等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。

为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等等。 机器能否象人类一样能具有学习能力呢。

1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。

机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。“机器学习是对能通过经验自动改进的计算机算法的研究”。“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

机器学习是人工智能的一个子集。

这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。在机器学习中，算法会不断进行训练，从大型数据集中发现模式和相关性，然后根据数据分析结果做出最佳决策和预测。

特点

机器学习应用具有自我演进能力，它们获得的数据越多，准确性会越高。机器学习技术的应用无处不在，比如我们的家居生活、购物车、娱乐媒体以及医疗保健等。

机器学习算法能够识别模式和相关性，这意味着它们可以快速准确地分析自身的投资回报率。对于投资机器学习技术的企业来说，他们可以利用这个特性，快速评估采用机器学习技术对运营的影响。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

AI的核心是机器学习，是让机器模仿人类的思维方式、最终替代人类进行思考，人类可以从这件事情中完全抽离出来；而BI目前更多还是通过对大数据的应用等方式来提高工作效率，其使用的算法、及对算法的改进仍然来自于人工设定，并非机器深度学习或思考的结果。换句话说BI目前仍是作为一个决策的辅助工作来使用，给决策者提供更多的帮助，目的是1）提高效率，2）变事后监控为实时监控；而AI未来将创造新的决策路径、或者是作为决策手段本身来使用的。现在大家在媒体上看到的各种关于财务领域IT技术运用的报导，归结起来大致可以分为两种类别：一是以自动操作代替原来的手工操作（例如DTT的“财务机器人”），这可以视作传统的“财会电算化”的进阶升级：原来需要人工贴发票、填写并复核报销单，现在随着电子发票的普及、各种报销软件和OA的功能强化，逐渐被自动化替代了；原来每个月手工采集数据然后编制的各种报表，现在通过预设的系统端口可以直接生成导出了；原来依赖事后的人工审阅各种指标的变化、判断有无异常，现在由系统根据预设阈值实时监控各项指标数据，随时做出预警。实际上过去多年所使用的各种财务软件、ERP系统都走在这条路上，和如今的各种“智能财务系统”只是同一维度上技术和效率的差别，在应用场景上并没有实质性的不同。但在上面的例子中，系统能替代部门主管去判断某一笔市场推广费是否符合公司策略、应当被批准吗？能随着业务的变化，自主决定需要生成哪些新的报表、或者对原本的分析口径进行何种改动吗？能在指标出现异常时决定何时要把业务继续执行下去、何时必须停下来等问题原因搞清楚了再推进吗？至少目前是肯定不能的，这些工作还是靠人来做，那么它就不是一个真正意义上的AI。二是通过系统的帮助收集并分析更多数据，增加预测、判断、决策的信息来源、并提高准确度。这在financial reporting工作中相对不多，在FP&A以及审计、尽调等第三方服务中更多见。然而与前述情况类似，BI 在这其中所起的作用仍然限于对底层信息的处理，将之转变为决策者更容易阅读和使用的有效信息，而不是代替人类基于这些加工后的信息进行下一步的工作。这仍然是决策的“前置”，不是决策本身。