Главная
Новости NFP
Магия бюджетирования: безопасность использования моделей машинного обучения в финансово-бухгалтерской деятельности

Магия бюджетирования: безопасность использования моделей машинного обучения в финансово-бухгалтерской деятельности

Дата публикации: 20.11.2023

Рассказываем насколько использование моделей машинного обучения гарантирует сохранность и конфиденциальность финансовых данных.

Intro

Искусственный интеллект, нейросети и машинное обучение – заслуженно модный тренд в развитии ИТ-технологий. Сферы нашей жизни, где мы используем эти методы, постоянно расширяются, и их применение уже не кажется нам чем-то фантастическим. Распознавание лиц, номеров автомобилей, машинный перевод текста, рекомендательные системы маркетплейсов и даже постановка медицинских диагнозов – список можно продолжать бесконечно.

Естественно, что использование этих методик нашло свое применение и в финансовой сфере, и в бухгалтерском учете. На данный момент времени наибольшее распространение находят модели машинного обучения для финансового планирования и бюджетирования: рассчитать прогнозируемую прибыль проекта, составить бюджетную модель на будущий финансовый год, прикинуть размер сметы на внедрение нового продукта или технологии и прочее. Конечно, все это можно сделать и вручную, с использованием специализированных программ. Однако, на практике оказывается, что такие глобальные расчеты даже на современном компьютере могут занимать значительное время. Другое дело обученная модель – она уже на этапе своего обучения обработала огромный массив данных и может выдать результат с допустимой погрешностью буквально за секунду.

Безопасность данных

Существует опасение (и опасение вполне обоснованное) – обеспечит ли использование моделей машинного обучения сохранность и конфиденциальность финансовых данных? Когда мы загружаем приложение нейросети из магазина на нашем телефоне, мы не можем быть уверены, что наши данные и/или результаты работы этой нейросети не будут переданы куда-то во вне. Но мы готовы идти на такой риск, потому что понимаем, что, например, наша обработанная нейросетью фотография, вряд ли представляет какой-то интерес для мошенников. Это осознанный риск. Другое дело, когда речь идет о финансовых данных. Любому руководителю или бухгалтеру понятно, что утечка подобного рода информации может нанести фирме колоссальный вред.

Стоит упомянуть еще один немаловажный аспект: для хорошей работы моделей машинного обучения требуется большой объем обучающих и тестовых данных. Нет проблем, когда заказчиком модели выступает большая корпорация – подобной информации у нее хватает с лихвой. Значит ли это, что малый и средний бизнес не может использовать в своей работе эти удобные инструменты? Оказывается – нет, может! Модели уже построены и обучены, обучены на большом массиве. Остается лишь только адаптировать их к особенностям бизнеса клиента, дообучить (даже на небольших данных) и вот они уже готовы к работе.

Пример

Давайте рассмотрим, каким образом может строиться сценарий использования машинного обучения в системе, где критично важно сохранить безопасность данных. Для примера возьмем инструмент, реализованный нашей командой для работы в системе 1С. Мы создали векторную бюджетную модель (далее VBM), которая с помощью методов машинного обучения позволяет прогнозировать бюджетные показатели. А так как платформа 1С занимает лидирующую позицию на рыке финансового и бухгалтерского учета в РФ, VBM находит в ней широкое применение. Давайте кратко рассмотрим, какие этапы запуска VBM для своего бизнеса проходит компания-заказчик и как происходит процесс обмена данными с точки зрения безопасности:

Компания-заказчик передает свои бюджетные модели прошлых лет специалистам NFP. Это «исторические» данные, на основе которых будет строиться машинная модель и на которых она будет обучаться. Эти данные передаются по защищенным протоколам, исключающим вероятность кражи и/или потери. Для примера, по таким же протоколам работают системы сдачи электронной отчетности, банковские приложения и прочее.
Специалисты обучают и настраивают машинную модель на базисе VBM под конкретные задачи компании-заказчика (таким образом, каждая конкретная модель VBM по сути является уникальной). Далее модель сохраняется на защищенном сервере и доступ передается компании-заказчику с инструкцией по эксплуатации.
Компания-заказчик через систему 1С обращается к настроенной конкретно под нее модели VBM по защищенному протоколу, передает в модель необходимые для анализа данные напрямую и получает результат. Далее этот результат компания-заказчик использует по своему усмотрению.

Здесь важно отметить следующее: на всех этапах передача информации (в том числе важной финансовой информации) происходит по защищенным каналам связи. Повторюсь: по тем же каналам и с тем же шифрованием, по которым организации сдают бухгалтерскую или иную отчетность в контролирующие органы, по тем же каналам, по которым происходит работа с банками.

Разработка моделей машинного обучения и последующее использование их в работе вашей организации, не опаснее, чем сдавать бухгалтерский баланс через интернет.

Следует учитывать и тот факт, что бюджетные модели, реализованные через VBM, алгоритмически одинаковы для бизнеса любого уровня и любой направленности. А, значит, даже небольшое предприятие может использовать подобную модель машинного обучения – она уже обучена на крупных данных и остается только адаптировать ее к вашему бизнесу.