Softwarepakketten.nl
Exact Software

Bijdrage van Bloggers (blogs)

Humans learning machine is belangrijker dan machine learning

Plaatsingsdatum 20-12-2017
Berichtdatum 20 december 2017

Blog door Gerard Bottemanne, Onderzoeksbureau GBNED

We worden overspoeld met prachtige ontwikkelingen als SBR, Robotic accounting, E-factureren op basis van UBL, PSD2, Instant payments als verdere ontwikkeling van SEPA en Machine learning waar in dit artikel verder aandacht aan besteed wordt. Maar eerst moeten gebruikers bestaande software optimaal leren gebruiken.

Machine learning betreft dat deelgebied van computerwetenschappen dat computers het vermogen geeft zelflerend te zijn, zonder expliciete programmering. Machine learning maakt deel uit van Kunstmatige Intelligentie (AI - Artificial Intelligence) dat als breder concept machines in staat stelt om taken op een 'slimme' (smart) manier uit te voeren. In relatie tot de accountancy maakt machine learning onderdeel uit van ‘robotic accounting’ dat beoogt de boekhouding (en andere administratieve zaken) verregaand te automatiseren.

Op dit moment is machine learning ook een hype en wordt de aanduiding machine learning lang niet altijd op de juiste wijze gebruikt. Machine learning wordt namelijk nogal eens verward met geprogrammeerde regels en dat laatste is geen machine learning. Een ander belangrijk punt is dat je machine learning pas goed kunt inzetten in relatie tot softwaresystemen voor de accountancy als de gebruikers diezelfde softwaresystemen optimaal gebruiken. Dit laatste noemen we “Humans learning machine” als voorwaarde voor een goede inzet van “machine learning”.

Humans learning machine
Met “humans learning machine” wordt bedoeld het optimaal leren gebruiken van bestaande software door gebruikers. Bij dit laatste valt een parallel te trekken met veilig autorijden. Je kunt nog zoveel beveiliging in een auto stoppen, maar dan moet een bestuurder daar wel goed mee om gaan. Zo kan “Adaptive Cruise Control” prima anticiperen op andere voorgangers op de weg en het de bestuurder makkelijker maken, maar dan moet de bestuurder ACC wel op een juiste manier activeren. En zo is het ook met veel bestaande software. Je kunt nog zulke uitgebreide en geavanceerde software in huis hebben, maar je moet dan wel als gebruiker goed leren werken met deze software om er optimaal van te profiteren. Dat laatste is een basisvereiste om vervolgens te profiteren van robotic accounting in het algemeen en machine learning in het bijzonder.

Een tweetal voorbeelden om voorgaande te verduidelijken:

  1. Automatische bankmutaties;
    Stel je softwarepakket biedt de mogelijkheid om automatisch bankmutaties in te lezen en deze ook zoveel mogelijk automatisch te boeken (het reconciliëren van bankmutaties). Tijdens dit automatisch boeken kan er boekingsintelligentie opgebouwd worden die er voor zorgt dat het percentage mutaties dat automatisch wordt geboekt steeds hoger wordt. En deze boekingsintelligentie kan mede ondersteund worden door machine learning op basis van patroonherkenning. Als bankmutaties nog steeds met de hand worden geboekt is nauwelijks sprake van het opbouwen van boekingsintelligentie en de inzet van een techniek als machine learning en is bijvoorbeeld de ontwikkeling van PSD2 veel minder interessant.
       
  2. Automatische factuurverwerking;
    In dit geval kan je softwarepakket enerzijds digitale facturen in UBL-formaat aanmaken en elektronisch versturen (per email, api, PEPPOL of een ander kanaal) en anderzijds kun je op elektronische wijze facturen in UBL-formaat ontvangen en direct verwerken in de boekhouding. Er wordt als het ware automatisch een boekingsvoorstel aangemaakt dat, al dan niet geautoriseerd, direct kan leiden tot een boeking. Het gehele proces van factuurontvangst, registreren en daarna betalen kan op deze wijze volledig geautomatiseerd worden zonder tussenkomst van menselijke handelingen. Uiteraard omgeven door de nodige controles. Machine learning is ook nu een prima techniek om zoveel mogelijk het automatisch boeken van facturen te faciliteren. Enerzijds moet de huidige software UBL ondersteunen (uitgaand en inkomend) en anderzijds moet je als gebruiker deze functionaliteit optimaal gebruiken. Als u nog steeds op een ouderwetse manier facturen met de hand inboekt dan heeft de inzet van machine learning weinig tot geen nut. Door de inzet van een scan- en herkentoepassing (voor papieren en PDF-facturen) is een eerste optimalisatieslag bereikt. Maar het meeste rendement wordt behaald door gebruik te maken van een factuuur in UBL-formaat, zowel uitgaand als inkomend.

Kortom: ken uw bestaande softwarepakketten als uitgangspunt voor de inzet van nieuwe ontwikkelingen en technieken om uw kantoor- en klantprocessen zo optimaal mogelijk te ondersteunen. Door goede kennis van uw bestaande softwarepakketten bent u ook een betere gesprekspartner voor uw softwareleverancier en kunt u ook beter aanbevelingen doen voor verbetering en ontwikkeling van betreffende software. Begin dus met “Humans learning machine”.

Machine learning versus geprogrammeerde regels
Het herkennen van een factuurnummer en bijbehorend bedrag van een openstaande post om een afschriftregel af te letteren is duidelijk een voorbeeld van een geprogrammeerde regel. Dit zelfde geldt voor de automatische uitsplitsing van BTW op basis van de BTW-codes in een UBL-factuur. In beide gevallen is geen sprake van machine learning. En zo worden er meerdere voorbeelden in de praktijk onterecht gerangschikt onder machine learning.

Bij machine learning gaat het om patroonherkenning, zonder expliciet geprogrammeerde regels. Op basis van data in een zo groot mogelijke database (hier kunnen we de term ‘big data’ gebruiken) worden patronen herkend uit bestaande transacties op basis waarvan nieuwe transacties voorgesteld worden. Zo kan via machine learning intelligentie opgebouwd worden om steeds meer automatisch te boeken, ook als sprake is van meerdere factuurregels en verschillende soorten facturen van een en dezelfde leverancier. Er zijn al softwareleveranciers die machine learning inzetten over administraties heen. Een aandachtspuntje bij dit laatste is toestemming van klanten om hun data te mogen gebruiken.

UBL-AAN
Ook softwareleveranciers kunnen een duit in het zakje doen om gebruikers zich beter te laten voorbereiden op een techniek als machine learning. Zo is machine learning interessant voor elektronische factuurverwerking op basis van UBL. Enerzijds is het van belang dat gebruikers eenvoudig hun klanten kunnen factureren in UBL. Bijvoorbeeld door factureren in UBL automatisch aan te kunnen zetten voor klanten die al gefactureerd worden in PDF. Nu moet een gebruiker vaak met de hand een voor een UBL aan zetten per klant. Dat laatste wordt in de praktijk lang niet altijd gedaan. Anderzijds moeten softwareleveranciers inkomende factuurverwerking op basis van UBL op regelniveau ondersteunen, hetgeen in de praktijk ook nog niet altijd standaard is.

Leveranciers kunnen het goede voorbeeld geven door zelf ook te factureren in UBL (naast PDF als leesbaar document voor de gebruiker) en hun klanten actief te ondersteunen in het gebruik van UBL.

Meer over machine learning
Het rapport "Scannen en herkennen van boekingsdocumenten en elektronische factuurverwerking op basis van robotic accounting" gaat uitgebreid in op machine learning en bevat een bijdrage daarover van meerdere softwareleveranciers.
Het rapport is gratis beschikbaar.

Categorie(n) Robotic (accounting), Branche > Accountantskantoren, Branche > Accountantskantoren > Software advies, ICT Innovatie
Bronvermelding Onderzoeksbureau GBNED
Internet URL http://www.gbned.nl

Automatisch op de hoogte blijven?
Schrijf u in voor onze gratis periodieke nieuwsbrief.

Terug

Gerelateerde berichten

Kanttekeningen over vernieuwingsagenda van de NBA in relatie tot ICT ontwikkeling [30-05-2018]

Referentie Gootboekschema (RGS): goed initiatief met schoonheidsfoutjes [28-05-2018]

Elektronisch factureren komt alleen van de grond als de overheid denkt vanuit de ondernemer [21-12-2017]

Dataportabiliteit volgens de AVG en de salarisadministratie [01-12-2017]

Ministers en kamerleden verplicht dag meelopen op accountantskantoor? [30-09-2017]


Woensdag 19 september 2018
Praktijkdag scan, herken, efactureren en robotic 2018

Maak tijdens deze praktijkdag kennis met alle mogelijkheden op het gebied van scannen, herkennen en elektronische factuurverwerking en natuurlijk robotic accounting (machine learning).
Meer informatie en aanmelden...



CreAim


AFAS Software


Visma Software

Tecknow


Onerzoeksbureau GBNED