Künstliche Intelligenz: Potenziale für das Rechnungswesen - Andreas Dengel
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Künstliche Intelligenz:
Potenziale für das Rechnungswesen
Andreas Dengel
©andreas.dengel@dfki.de - 2019 - p. 1
Unser Verstand behilft sich unterschiedlicher Dimensionen um intelligent zu handeln
Rational, logische Irrationale, emotionale
Aspekte des Verstandes Aspekte des Verstandes
Lernen Lieben
Verstehen Fürchten
Erinnern Freuen
Schlussfolgern Hassen
… …
Bewertung
Abwägung
Auswahl
Bewusstsein, Intuition,
Kreativität, Weisheit
* Picture partially adapted from https://www.linkedin.com/pulse/20130211201055-175081329-12-minutes-to-create-a-mind-changing-presentation ©andreas.dengel@dfki.de - 2019 - p. 2
Wo kognitive Leistung messbar und verstehbar ist, überflügeln Computer den
Menschen bereits heute schon
Seoul, März 2016
Neue Möglichkeiten basieren auf:
Verfügbarkeit großer Datenmengen
Massive parallele Hardware
Maschinelles (tiefes) Lernen
haG o
Go o g le‘s Alp Je tiefer desto besser
!
atch
gew innt GO-m
eg e n L e e S e do l 4 -1!
g
©andreas.dengel@dfki.de - 2019 - p. 3
Heute stehen uns KI-Systeme zur Verfügung, die kognitive Aufgaben besser
lösen, als 90 % aller Menschen
©andreas.dengel@dfki.de - 2019 - p. 4
Das revolutionären Stadium der KI ist einem evolutionären gewichen
Die betrifft vor allem Technologien, die selbst lernen und in uns in einer immer komplexer
werdenden Welt von zeitaufwändigen, zunehmend informations- und
einarbeitungsintensiven Routinetätigkeiten zu entlasten
... verstehen sprachliche Inhalte (ob gesprochen oder geschrieben) und können diese in
den Kontext einordnen
... können umfangreiche (räumlich-zeitliche) Daten analysieren, beurteilen und
Zusammenhänge oder Anomalien aufdecken
... können verstehen, was die Welt denkt, indem sie soziale Medien durchforsten, Trends
erkennen und vorhersagen
... können Objekte, Personen und Handlungen in Bildern und Videos erkennen und so
öffentlichen Raum sichern
... können Textdokumente automatisch auswerten, relevante Information extrahieren,
sowie Plausibilitäts- und Vollständigkeitsanalysen durchführen
©andreas.dengel@dfki.de - 2019 - p. 5
Die KI ist vielfältig und bietet ein reichhaltiges Portfolio an Modellen und Verfahren an*
A RT I F IC IA L I NT E L L IG E NC E
Scheduling
Navigation
State Space Search
Systems
Constraint Satisfaction Algorithmic Probabilistic
Two-Person Games Computer
Robot ...
Problem Solving Reasoning
Vision
Planning
Speech
Recognition
Classification & Clustering
Machine Support Vector Machine
Diagnosis Learning Neural Networks Translation
Expert Systems
Deep Learning
Product Semantic Networks Logic Logical & Relational Learning
Configuration
Decision Trees
Programming Probabilistic Graphical Models Prediction
Process Modelling Rule Learning
Ontologies ... Anomaly
Semantic Web ... Detection
Handwriting
Expert
Case-Based Robotic Recognition
Reasoning Control
Systems Fuzzy Logic
* Most important areas and applications ©andreas.dengel@dfki.de - 2019 - p. 6
Auch wenn die KI in einigen Bereichen bereits besser ist als der Mensch ...
„KI für den Menschen!“
„Das größte Potenzial von Künstlicher Intelligenz liegt nicht in der
Entwicklung menschenähnlicher Maschinen, sondern in der
Fähigkeit als intellektueller Leistungsverstärker im Sinne eines
digitalen Partners zu agieren!“
ab er w a s heißt das?
...
©andreas.dengel@dfki.de - 2019 - p. 7
1
KI kann helfen, Unregelmäßigkeiten in großen
Datenmengen zu finden
(Anomalie-Erkennung)
©andreas.dengel@dfki.de - 2019 - p. 8
Ziel der Wirtschaftsprüfung ist die Identifikation wirtschaftskrimineller Handlungen, im
Sinne der Nachvollziehen / Plausibilisieren v. Buchungen (Anomalien, etc.)
!
Ziel Prüfung Entwicklung Probleme
Wirtschaftsprüfung
Fehlerhafte, • Vollständig Heutzutage oft • Wandel
ungewöhnliche, • Stichprobe risikoorientierte • IoT
kriminelle, • Manuell Prüfung • I4.0
! Buchungen • IT-Gestützt • Big Data
identifizieren •… >> „Red-Flags“ • Gesetze
©andreas.dengel@dfki.de - 2019 - p. 9
Technische, regulatorische und ressourcenintensive Herausforderungen und
Probleme verlangen nach Prüfsoftware sowie Prüfroutinen
W ir t s
chaft
spr üf
ung 4
.0
Herausforderungen
und Statistical
Probleme Data Analytics
§
n d i e G renzen?
Wo liege
©andreas.dengel@dfki.de - 2019 - p. 10Statistische Verfahren versuchen globale und lokale Anomalien aufzudecken, was für
das mehrdimensionale Clustering von Buchungsaktivitäten einen Herausforderung ist
Vermeintlicher Vermeintliche
Fehler Täuschung
Buchungsposition
Buchungsposition
Größte Herausforderungen bei traditionellen Buchungsbetrag
Buchungsbetrag
Data Analytics Ansätzen:
Engineering der Merkmale: Design und Bestimmung relevanter
„Globale“ Buchungsanomalien „Lokale“ Buchungsanomalien
Merkmale ist schwer
In der Regel Buchungen oder Dokumente, die einen In der Regel Buchungen oder Belege, die z.B. eine
Problem der Dimensionalität:
ungewöhnlichen oder seltenen Attributwert Statistische Algorithmen
ungewöhnliche stoßen
oder seltene an ihre
Attributkombination
Grenzen
aufweisen, wie z.B.: aufweisen, wie:
- Seltene Benutzerkonten, Sachkonten
Modelkomplexität: - Ungewöhnliche
Überwindung nicht-linearer Buchungsvorgänge
Attributbeziehungen
- Stornierte Buchungen - Abweichendes Nutzerverhalten
Täter handeln in der Regel nicht ganz abweichend von Täter versuchen, ihr Verhalten zu verschleiern, um es
den üblichen Bilanzierungsmodellen. so gewöhnlich wie möglich erscheinen zu lassen
©andreas.dengel@dfki.de - 2019 - p. 11Technische, regulatorische und ressourcenintensive Herausforderungen und
Probleme verlangen nach Prüfsoftware sowie Prüfroutinen
Variation
von
bekannten
Mustern
Neuronale
Netze
Herausforderungen
und Statistical Begrenzt
Probleme Data Analytics erfolgreich
§ Deep
Learning
„Kreative“
Betrugs-
handlungen
©andreas.dengel@dfki.de - 2019 - p. 12Technische, regulatorische und ressourcenintensive Herausforderungen und
Probleme verlangen nach Prüfsoftware sowie Prüfroutinen
+
Idee Vorteile
Neuronale Netze
• Inspiriert vom • Aufdecken unbekannter,
Deep Learning menschlichen Gehirn doloser Handlungen
+ • Besteht aus verborgenen,
mehrfach verknüpften
Schichten
•
•
Bewältigung großer
Datensätze
Bewältigung variabler,
• Fähig selbst zu lernen abhängiger Datensätze
©andreas.dengel@dfki.de - 2019 - p. 13Das Training (Tiefer) Neuronaler Netze hängt in der Regel von der Verfügbarkeit
großer gelabelter Datenmengen ab
Beispiel: Klassifikation von Tierbildern
Hund Maus
…
Katze Elefant
…
©andreas.dengel@dfki.de - 2019 - p. 14Die meisten Neuronalen Netze erlernen ihr Verhalten in einer überwachten
Form, wo ein Trainer Feedback zum verhalten des Netzes gibt
Beispiel: Klassifikation von Tierbildern
“Trainer”
vorwärts
Traningsmenge Labels
“Katze”
=? “Hund”
Gr
oß FEHLER
es
N rückwärts
©andreas.dengel@dfki.de - 2019 - p. 15Die meisten Neuronalen Netze erlernen ihr Verhalten in einer überwachten
Form, wo ein Trainer Feedback zum verhalten des Netzes gibt
Beispiel: Klassifikation von Tierbildern
“Trainer”
vorwärts
Traningsmenge Labels
“Hund”
=? “Hund”
Gr
oß √
es
N rückwärts
©andreas.dengel@dfki.de - 2019 - p. 16Die meisten Neuronalen Netze erlernen ihr Verhalten in einer überwachten
Form, wo ein Trainer Feedback zum verhalten des Netzes gibt
Beispiel: Klassifikation von Tierbildern
“Trainer”
vorwärts
Traningsmenge Labels
“Katze”
=? “Hund”
La
rg FEHLER
eN
rückwärts
©andreas.dengel@dfki.de - 2019 - p. 17Die meisten Neuronalen Netze erlernen ihr Verhalten in einer überwachten
Form, wo ein Trainer Feedback zum verhalten des Netzes gibt
Beispiel: Klassifikation von Tierbildern
“Trainer”
vorwärts
Traningsmenge Labels
“Hund”
=? “Hund”
Gr
oß √
es
N rückwärts
©andreas.dengel@dfki.de - 2019 - p. 18Die meisten Neuronalen Netze erlernen ihr Verhalten in einer überwachten
Form, wo ein Trainer Feedback zum verhalten des Netzes gibt
Beispiel: Klassifikation von Tierbildern
“Trainer”
vorwärts
Traningsmenge Labels
“Hund”
=? “Hund”
Gr
oß √
es
N rückwärts
©andreas.dengel@dfki.de - 2019 - p. 19Autoencoder sind spezielle Netze, die Eigenschaften komprimieren und und
Zusammenhänge einer Trainingsmenge lernen, um die Eingabe zu reproduzieren
Autoencoder sind vollständig vernetzte Neuronale Netze,
die über Backpropagation trainiert werden
mit zwei verknüpften, symmetrischen Netzteilen
Datenspezifisch:
x1 y1 Komprimieren nur die Art von
Daten auf die sie trainiert sind
x2 y2
Datenreduktiv:
Ähnliche aber leicht schlechtere
x3 y3 Darstellung nach Dekodieren
Engpass Selbstüberwacht:
xn yn Keine gelabelten Trainingsdaten
Hidden Layer Hidden Layer
erforderlich (erzeugt selbst Labels)
InputEncoder
Layer Netz Decoder NetzLayer
Output
©andreas.dengel@dfki.de - 2019 - p. 20Zum Training des Netzes werden Buchungen in das Netz gegeben
Buchung in Rekonstruktion der
numerischer Form Eingangsbuchung
Buchung in
num erischer Form
• Belegart •
•
Belegart
Buchungsschlü
ssel
• Belegart
• Buchungsschlüssel • Buchungsschlüssel
• Betrag
• …
• Betrag • Betrag
• … • …
©andreas.dengel@dfki.de - 2019 - p. 21Transaktionen bestehen aus verschiedenen Merkmalen und entsprechender
Ausprägung: Belegart, Wochentag, Zeit usw.
Eingangsbuchung Eingangsbuchung
rekonstruiert
Belegart Kreditoren- Belegart Kreditoren-
beleg beleg
Wochentag Montag Wochentag Montag
Zeit 10:00 Zeit 10:00
Schlüssel 30 Schlüssel 30
Betrag 12.500,00 Betrag 12.500,00
©andreas.dengel@dfki.de - 2019 - p. 22Transaktionen bestehen aus verschiedenen Merkmalen und entsprechender
Ausprägung: Belegart, Wochentag, Zeit usw.
Eingangsbuchung Eingangsbuchung
rekonstruiert
Belegart Kreditoren- Belegart Kreditoren-
beleg beleg
Wochentag Dienstag Wochentag Mittwoch
Zeit 10:00 Zeit 10:00
Schlüssel 28 Schlüssel 20
Betrag 12.500,00 Betrag 12.500,00
©andreas.dengel@dfki.de - 2019 - p. 23Autoencoder können bereits nach einigen Hundert Trainingsepochen zuverlässig
Anomalien erkennen
* Quelle: M. Schreyer & d. Borth, Financial Fraud in Accounting Data, DFKI GmbH ©andreas.dengel@dfki.de - 2019 - p. 242
KI kann Menschen helfen, sich besser an Zusammenhänge
im Rahmen der täglichen Arbeit zu erinnern
(Information Butler)
Image Source: https://fortunedotcom.files.wordpress.com/2015/11/microsoft-graph_hero-image.png?w=1024 ©andreas.dengel@dfki.de - 2019 - p. 25Unternehmen, wie Google and Microsoft, bieten im Rahmen ihres Portfolios
eigene Wissensgraphen an
e
g i tal n
n d i elf e
u c h e
u n s h !
i r b ra d ie n er n
, i n
W
le i t er z u er
Beg uns
Image Source: https://fortunedotcom.files.wordpress.com/2015/11/microsoft-graph_hero-image.png?w=1024 ©andreas.dengel@dfki.de - 2019 - p. 26Wissensarbeiter, wie Heiko, müssen sich viel mehr merken, als das,
an was sie sich erinnern können
From: heiko.b@dfki.de
Date: 02. July 2015 09:28:11 MEZ
To: tanigalli@imu.portobello-u.it
Subject: Visit at DFKI
Dear Prof. Tanigalli,
Prof. Dengel asked me to send you the agenda for
your visit on November 28th.
Ich muss noch Prof. Tanigalli Zeitplan
If you have any question, let me know. für unsere Veranstaltung im
Best regards,
Heiko B. November mobilisieren
Visit
---------------------------------- Simone Tanigalli
Heiko B.
Event Management
Deutsches Forschungszentrum
für Künstliche Intelligenz GmbH,
Trippstadter Straße 122
67663 Kaiserslautern
Tel.: +49 631 205 75 1999 Agenda.pdf
Fax: +49 631 205 75 1990
Email: heiko.b@dfki.de
Aufgaben
Agenda
KI-1x1 für Anfänger
ABC des Prozessmanagements
Vorbereitung Besuch Tanigalli
Kontaktdaten
Prof. Dr. Simone Tanigalli
Simone TANIGALLI
Professor
Image and Media Understanding Lab
Portobello University
T +39 ...
F +39-....
E tanigalli@imu.portobello-u.it
©andreas.dengel@dfki.de - 2019 - p. 27Ein anwendungsübergreifender Wissensgraph hilft, die multi-perspektivischen
Aspekte der täglichen Arbeit zu verknüpfen
Informationsobjekte der
Arbeitsumgebung werden semantisch
zueinander in Beziehung gesetzt
Der Semantische Desktop greift auf WWW-
Standards zurück, um semantische
Zusammenhänge in Form einfacher Sätze
(Subjekt-Prädikat-Objekt) darzustellen
Im Hinblick auf die Eindeutigkeit der Semantik
werden alle Objekte über Ihre URI (Uniform
Resource Identifier) angesprochen
Subjekt Prädikat Objekt ... und /oder sie lassen sich Kategorien wie
Personen, Ereignisse, Orte, Themen, Aufgaben,
Heiko DFKI Dokumentklasse (z.B. Agenda, Rechnung, ...)
arbeitet-für oder Organisationen zuordnen
©andreas.dengel@dfki.de - 2019 - p. 28Der Wissensgraph verknüpft Informationsbausteine zu expliziten Mentalen Modellen
http://dengel.dfki.de/outlook/contact/0019E1773D6A56
Person
ist-ein
ha http://www.dfki.de
ist-ein
t-A arbeitet-für
dr
es
se
http://dfki.de/~dengel
Calender (…)
Ort
Ereignis
nimm
t-teil
ist-ein
t-ein
http://www.fun@work.com/
-an
beschreib
ür um
et-f at
it
ni
D
be t-
m
ar ha
m
ist-ein
t-t
ei
l-a
n
t-in
t-stat
finde
https://www.google.de/maps/place/DFKI/ ...
http://www.portobello-u.it
file://C:/Documents/Agendas/Visit_Tanigalli Organisation
ist-ein
©andreas.dengel@dfki.de - 2019 - p. 29The Information Butler is continuously trying to support Heiko
Gehen wir zum 29. Juli 2014 zurück!
Neben vielen anderen Aufgaben bereitet
Heiko auch einen Workshop für das EU
Projekt ForgetIT vor
Einen Tag vor seine Reise nach Istanbul,
schreibt er seine Gedanken auf, die er im
Workshop ansprechen möchte
Während er das tut, wird er kontinuierlich
vom Corporate Memory unterstützt
©andreas.dengel@dfki.de - 2019 - p. 30Ein reales Beispiel aus dem täglichen Einsatz ...
©andreas.dengel@dfki.de - 2019 - p. 31Die individuellen Wissensgraphen können mit der Linked Open Data Cloud
verbunden werden
http://lod-cloud.net/versions/2017-02-20/lod.svg ©andreas.dengel@dfki.de - 2019 - p. 32Im Zentrum der Linked Open Data Cloud stehen wichtige Wissensquellen
Zentrale Datenbank:
DBpedia
• Aus Wikipedia extrahiert
• 865 M triples
Freebase
• Aus Wikipedia extrahiert
• 3.13 G triples (viele mediale Inhalte)
Wikidata
• Das neue Backend für Wikipedia
• 840 M triples
LinkedGeoData
• Aus OpenStreetMaps extrahiert
• 1.01 G triples
©andreas.dengel@dfki.de - 2019 - p. 33Die Hummingbird Suche von Google baut auf Wissen von Freebase auf
k z um
rü c l!
Z u isp ie
Be
©andreas.dengel@dfki.de - 2019 - p. 34Die individuellen Wissensgraphen können mit der Linked Open Data Cloud
verbunden werden
http://lod-cloud.net/versions/2017-02-20/lod.svg ©andreas.dengel@dfki.de - 2019 - p. 35Der Information Butler kann in unterschiedlichen Umgebungen eingesetzt werden!
Eingehendes Relevante
Dokument Metadaten
Example Real Estate
©andreas.dengel@dfki.de - 2019 - p. 36Der Information Butler kann mittels Handschrifterkennung mit der eInk-
Technologie kombiniert werden
Te il e in e r Z u sam m enarbeit
Beisp iele sind u n d D FKI!
zw is chen WACOM
https://will3-semantic-demo.wacom.com/document/187 ©andreas.dengel@dfki.de - 2019 - p. 37Take– Home
Fabriken werden zunehmend zu cyber-sozialen Ökosystemen
“Wir stehen vor einem unaufhaltsamen
Paradigmenwechsel für die Mensch-Computer-
Interaktionen, wo Softwaresysteme im Alltag
als lernende Intelligenzverstärker fungieren und
wirken, um die kognitiven Fähigkeiten des
Menschen zu ergänzen.”
©andreas.dengel@dfki.de - 2019 - p. 38Thank you!
V i e l e n D a n k!
Address:
Prof. Dr. Prof. h.c. Andreas Dengel
DFKI GmbH
P.O. Box 2080
D-67608 Kaiserslautern
email: andreas.dengel@dfki.de
http://www.dfki.de/~dengel
©andreas.dengel@dfki.de - 2019 - p. 39Sie können auch lesen
