Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Saat ini ada banyak ketakutan dan hype seputar Artificial intelligence (AI) dan dampaknya pada akuntan agen maxbet terpercaya. Dalam Siklus Hype of Artificial Intelligence Gartner, sebagian besar aplikasi AI naik dan mencapai Puncak Ekspektasi yang Melambung ā€” artinya ekspektasi tinggi dan banyak teknologi sudah gagal memenuhi ekspektasi tersebut. Namun ini tidak berarti AI akan menghilang. Artinya, kami mulai mendorong kehebohan dan mencari tahu aplikasi realistis untuk AI ā€” beberapa di antaranya akan berguna bagi akuntan dan banyak di antaranya akan dimanfaatkan oleh organisasi yang kami layani.

Spektrum Kecerdasan Buatan

Bagian dari tantangan dengan teknologi yang sedang berkembang adalah seringnya ada definisi yang tidak jelas tentang apa itu teknologi, dan apa yang bukan. Saat departemen pemasaran vendor berusaha memanfaatkan hype untuk mendorong penjualan, mereka sering kali mulai mengacu pada kata kunci teknologi dalam arti yang longgar dan menyebabkan definisi yang semakin kabur.

Untuk membantu mengatur dengan tepat tahap analisis implikasi AI pada akuntan, saya akan menggunakan kategori teknologi AI yang luas dari:

> Pembelajaran mesin: kemampuan komputer untuk mengenali dan menerapkan pola, mendapatkan algoritme sendiri berdasarkan pola tersebut, dan menyempurnakan algoritme tersebut berdasarkan umpan balik.

> Pembelajaran mendalam: kemampuan komputer untuk mengidentifikasi hubungan dan asosiasi, dan menerapkannya dalam keadaan yang serupa (sebagian inilah yang dilakukan otak kita).

> Penalaran mesin: kemampuan komputer untuk menerapkan “pemahaman” -nya atas data, hubungan, aturan, dll., Untuk “berpikir” melalui implikasi dari sekumpulan informasi tertentu dan memberikan beberapa analisis atau interpretasi.

> Pemrosesan bahasa alami: kemampuan komputer untuk “memahami” ucapan manusia.

> Visi komputer: kemampuan komputer untuk “melihat” gambar dan “mengenali” orang, benda, aktivitas, dan keadaan (misalnya bahagia, sedih, bergerak, dll.) Dalam gambar tersebut.

Dari kategori ini, pembelajaran mesin memiliki aplikasi yang tersedia terluas dan fungsinya dapat sangat melengkapi fakultas akuntan, jadi artikel ini akan berfokus pada pembelajaran mesin.

Anda Sudah Mengalami Machine Learning

Pembelajaran mesin bagus dalam “penalaran induktif” ā€”di mana berdasarkan kumpulan titik data atau contoh yang ada, komputer dapat mengetahui “aturan” untuk menentukan hasil. Ambil langkah mundur ke kelas statistik Anda di universitas dan Anda mungkin ingat teknik seperti regresi linier, pengukuran korelasi, dan keandalan berbagai titik data. Pada tingkat yang paling dasar, ini adalah jenis analisis yang diterapkan algoritme pembelajaran mesin untuk memprediksi hasil. Dengan kekuatan komputasi komputer di belakangnya, pembelajaran mesin dapat memproses ribuan titik data tentang sekumpulan situasi tertentu untuk mencari tahu mana yang relevan, dan mana yang tidak, dan kemudian menerapkan aturan yang disimpulkan ke kumpulan data serupa lainnya untuk memprediksi hasil.

Saran Amazon, Kindle, dan Netflix untuk pengguna adalah contoh yang bagus untuk ini. Netflix dapat menggunakan peringkat Anda untuk acara lain di pustaka dan poin datanya, seperti genre, sutradara, aktor, dll., Untuk memprediksi apakah Anda akan menyukai acara lain. Kindle melakukan hal serupa untuk buku. Amazon menggunakan tampilan produk, riwayat pembelian pembeli lain, dan item gratis kepada yang ada di keranjang Anda untuk menyarankan produk tambahan yang mungkin Anda sukai. Disadari atau tidak, Anda sudah menerapkan pembelajaran mesin untuk mencoba dan memprediksi apa yang mungkin Anda sukai.

Dampak Data Bias pada Penalaran Induktif

Dampak Data Bias pada Penalaran Induktif

Karena penalaran induktif “belajar” dari kumpulan data yang ada, penting untuk memahami apakah kumpulan data yang digunakan untuk “mengajarkan” algoritme pembelajaran mesin memiliki bias yang melekat. Contoh sederhananya adalah jika Anda hanya menonton film horor di Netflix dan menilai semuanya tinggi, dan Anda juga menonton film anggaran rendah lainnya di Netflix karena Anda tidak bisa mendapatkannya di platform lain, Netflix mungkin akan memprediksi bahwa Anda hanya menyukai film horor dan anggaran rendah. Netflix tidak tahu bahwa Anda sebenarnya menyukai berbagai macam film ā€” hanya saja Netflix tidak memiliki akses ke data tersebut.

Info lainnya : Jenis Pembelajaran Mesin

Seperti yang Anda lihat, ada potensi dampak positif dan negatif dari data yang bias. Jika data bias mewakili hasil yang Anda inginkan, maka menggunakan semua poin data dari data bias tersebut adalah dampak positif. Di sisi lain, jika data bias tersebut menyebabkan machine learning memberikan analisis yang akan menghasilkan dampak negatif, pengamanan yang tepat harus diterapkan untuk mencegah atau mendeteksi dampak negatif. Atau diungkapkan dengan cara yang lebih familiar: kita harus memastikan bahwa kontrol internal diterapkan untuk mengelola risiko yang terkait dengan dampak negatif dari penerapan pembelajaran mesin.