هوش مصنوعی ترکیبی از علوم کامپیوتر، فیزیولوژی، فلسفه، ریاضیات، آمار و زبان شناسی است که سعی در شبیه سازی ویژگی های انسانی از طریق سیستم های کامپیوتری دارد .
هوش مصنوعی ساخت تجهیزات و نرم افزار های کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مساله و شناخت را تقلید می کند . هوش مصنوعی در زمینه های مختلفی از جمله یادگیری، بازی شطرنج، اثبات قضایای ریاضی، نوشتن اشعار و تشخیص بیماری کاربرد دارد.
هوش مصنوعی علاوه بر کاربرد هایی که در زمینه های مختلف دارد مدت هاست که جایگاه خود را در حسابداری و امور مالی پیدا کرده است. محققان حسابداری تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیت هایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی حسابرسی و اطمینان بخشی و در محدوده های دیگر به کار برده اند.
با توجه به گسترده بودن این مباحث هوش مصنوعی، چهار مورد از آن ها که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند، توضیح داده شده است: سیستم های خبره، شبکه ی عصبی، الگوریتم ژنتیک، و منطق فازی.
1- سیستم خبره
سیستم خبره، سیستمی است که دانش انسانی را بوسیله کامپیوتر، برای حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی برای گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بنای هوش مصنوعی .
اندوخته سازی: چقدر از درآمدهای جاری را باید برای مطالبات احتمالی آینده بابت جبران خسارات کنار گذاشت ، سوال مهمی است . سیستم های خبره در این مورد نیز می توانند به منزله ابزاری برای تخصیص همه جانبه و منسجم منابع برای پاسخ گویی به تقاضاهای ناشناخته به کار روند.
بانکداری: بانک ها نیز وام های مصرفی مختلف، وام های رهنی، و حداعتباری به مشتریان خود ارائه می دهند . به علاوه، برای خدمات حواله ها و انتقال وجوه، عملیات خرید و فروش ارز و سایر معاملات بانکی می توان از سیستم های خبره ی هوش مصنوعی استفاده کرد. سیستم های مشاوره ارز خارجی توان آن را دارند که به طور کیفی در شرایط مختلف بازار ، استراتژی های مختلف اختیار معامله ارزی و روش های تامینی دیگر را ارزیابی و راه حل هایی توصیه کنند.
برنامه ریزی استراتژیك: سیستمهای خبره در انتخاب و اجرای یك برنامه ریزی استراتژیك اینك در خدمت مدیران هستند . اگر نقطه شروع و عطف كار مدیریت را برنامه ریزی استراتژیك بدانیم انگاه اهمیت این سیستمهای هوش مصنوعی بیشتر مشخص می شود.
سیستم های خبره جهت انتخاب یك تكنیك برنامه ریزی استراتژیك با این دیدگاه توسعه یافته اند كه مدیران در انتخاب یك ابزار برنامه ریزی استراتژیك با محدودیتهای زیادی مواجه اند .از جمله زمان ،مهارت، منابع مالی،مشاوران متخصص و مانند اینها.
مدیریت تولید و عملیات: در سالهای اخیربا افزایش پیچیدگی صنایع تولید و نیاز به كارائی بیشتر ،چرخه عمر كوتاه تر محصول،انعطاف پزیری بالاتر ،كیفیت بیشتر محصول ،رضایت مشتری و بر اوردن انتظارات او و هزینه كمتر،چهره عملیات تولید را تغییر داده است ولزوم استفاده از ابزارهای هوش مصنوعی را پررنگ تر کرده است.
ارتباطات مالی: سیستم های خبره دربنگاه های مالی برای نظارت بر اطلاعات مورد انتظار و یافتن كلاه برداریهااستفاده می شود .سیستم خبره می تواند جایی كه حجم اطلاعاتی كه باید پردازش شود بسیار زیاد است بسیار مفید باشد.
این سیستم هوش مصنوعی می تواند همچون یك حسابرس پاسخگوی شمار فراوان ارباب رجوعها باشد .با استفاده از این سیستم ها یك كمپانی می تواند به حسابرسی یك دوره 18 ماهه درطول یك دوره یكماهه بپردازد .بنابراین شركت می تواند عملیات آنرمال خود را سریعتر از قبل متوقف سازد .این بهره وری سازمانی رابعلاوه كارائی و اثر بخشی افزایش می دهد.
2- شبکه عصبی مصنوعی
بسیاری از مسائل همچون شناسایی بصری و گفتاری که یا ناممکن است و یا به دشواری با کامپیوترهای الگوریتمی انجام پذیر است، به راحتی توسط مغز حل و فصل می شود. چنین موضوعی بسیار شگفت آور است چرا که سرعت معمول محاسبات کامپیوتری با استفاده از هوش مصنوعی چندین میلیون عملیات در ثانیه است، حال آن که سرعت عملیات واحدهای مغزی از تقریبا 10 واکنش در ثانیه بیشتر نیست.
دلیل این وضعیت غالباً به ماهیت طراحی مغز بر می گردد. در این طراحی، شبکه های مغزی به طور بسیار موازی شکل گرفته اند، و این قابل مقایسه با ساخت ردیفی کامپیوترها نیست.
این وضعیت آن چنان از قوت برخوردار است که بسیار بر این باورند که اگر بشود فرآیند کارکرد مغز را تا حدی شبیه سازی کرد، در آن صورت امکان حل مسائلی پدید می آید که با روش های سنتی ریاضیات، قابل حل نیستند. شبکه های عصبی هوش مصنوعی گامی ابتدائی در جهت دستیابی به این مهم است.
سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها عبارتند از:
پیش بینی روند قیمت سهام: پیش بینی قیمت یا بازده سهام کار ساده ای نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی در نظر گرفت.
بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبکه های عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاسخهای بهتری از روش های آماری به دست می دهند .
ارزشیابی: هوش مصنوعی به ما این امکان را میدهد که به کمک مدل شبکه های عصبی و مدل های ترکیبی، می توان ارزش اوراق بهادار و دارایی هایی دیگری را که می خواهیم خریداری کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیه سازی کنیم که در شبکه عصبی مصنوعی این مهم ممکن است.
پیش بینی و تصویب اعتبارات : سیستم عصبی مصنوعی را می توان به گونه ای آموزش داد که اطلاعات ورودی آن داده های مربوط به مشتریان و داده های خروجی مطلوب آن تصمیمات واقعی تحلیل گران اعتباری باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در اعتبار و تعیین سقف های اعتباری است. سیستم توان آن را دارد که بدون ضرورت این که اطلاعات را در قالب خاصی بریزیم، از داده های ورودی متنوع و پراکنده استفاده کند.
برآورد بهای تمام شده: در هنگام برآورد بهای تمام شده عوامل زیادی از جمله تغییر مداوم ماهیت تکنولوژی، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و … باید در نظر گرفته شود. بنابراین با توجه به اینکه اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه ی عصبی از گروه ابزارهای هوش مصنوعی می تواند گزینه ی مناسبی برای برآورد بهای تمام شده باشد .
ارزیابی ورشکستگی (ارزیابی خطر وام دهی): آن چه در مورد رده بندی اعتبارات در بالا گفتیم، در مورد وام دهی مؤسسات تجاری و وام های مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به کمک هوش مصنوعی وسیستم های عصبی مصنوعی در مورد بررسی تقاضای وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند. هر چند که این سیستم ها تصمیم نهایی را درمورد وام های بزرگ نمی گیرند، خروجی سیستم هوش مصنوعی در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود.
مدیریت پرتفوی دارایی ها و اوراق بهاردار: مؤسسات مالی می بایست گلچینی از سهام، اوراق قرضه، وام های رهنی، دارایی های فیزیکی همچون زمین و مستغلات را انتخاب کنند.
در مورد تعدیل خطر، زمان عرضه در بازار، آثار مالیاتی، و ساختار سررسیدها و متغیرهای بسیار دیگری مداوما باید تصمیم اخذ شود. مدیران انواع صندوق های سرمایه گذاری و واحدهای سرمایه گذاری بانک ها می باید این تصمیمات را اخذ نمایند. وظیفه باز هم مشکل تر می شود وقتی توجه کنیم که محیط اقتصادی و مالی دائماً نوسان می کند.
با توجه به ماهیت سازمان نیافته فرایند تصمیمات مدیریت پرتفوی و عدم اطمینان از اوضاع و احوال اقتصادی و مالی و پراکندگی اطلاعات مربوط، عرصه مناسبی برای به اجرا در آوردن مدل های شبکه های عصبی پدید می آید.
3- منطق فازی:
مفهوم مجموعه فازی، امکان بیان اطلاعات ذهنی و کیفی را به روش علمی فراهم می کند، از این رو ذهنیت ها و تعصب های فردی کاهش می یابد و تصمیم گیری ها منطقی تر صورت می گیرد.
منطق فازی با انعطاف پذیری فوق العاده، برای تحلیل معانی زبان طبیعی است و قادر است ابهامات برخواسته از ذهن انسان و محیط و همچنین درجه نادقیقی که در قضاوت انسانی وجود دارد را مدل سازی و تحلیل کند. بدین سان هوش مصنوعی افق تازه ای برای سیاست گذاری، برنامه ریزی و تصمیم گیری گشوده شد.
تصمیم گیری: از جمله کاربردهای منطق فازی در تصمیم گیری است که می تواند با استفاده از مقادیر و شرایط زمانی، ورود یهای غیر قطعی را به پاسخ های قطعی برساند. در محیط بسیار نامطمئن و در حال تغییر امروز، تصمیمات استراتژیک دارای ماهیت فازی و بسیار پیچیده اند.
حسابرسی: هوش مصنوعی با منطق فازی و تئوری مجموعه های فازی می تواند به حسابرسان در زمینه ی اندازه گیری و مدیریت احتمال خطر حسابرسی و ابهام در محیط حسابرسی و همچنین ارزیابی اهمیت در حسابرسی کمک کند.
تخصیص دارایی ها: برای تخصیص کل دارایی های یک فرد به سه بخش پس انداز، سرمایه گذاری درآمدی و سرمایه گذاری رشدی می توان بر اساس سن فرد و درجه ریسک پذیری وی مدل تخصیص دارایی های فازی را طراحی کرد .
مشاوره سرمایه گذاری: سرمایه گذاری هر شخص به درآمد سالانه، سرمایه شخص و درجه ریسک پذیری وی بستگی دارد. برای ساختن یک مدل فازی از قواعد «اگر … آنگاه» برای تصمیم گیری استفاده می شود .
از کاربرد های دیگر سیستم فازی اندازه گیری عوامل سرمایه گذاری همانند جریان ورودی نقدی، جریان خروجی نقدی، نرخ بازده داخلی ارزش فعلی سرمایه گذاری می باشد.
4- الگوریتم ژنتیک:
الگوریتم های ژنتیک ابزاری ساده و مفید از هوش مصنوعی هستند که توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازی کند، این عمل با جستجو در فضای مساله جهت یافتن جواب برتر و نه الزاما بهینه صورت می گیرد.
کشف تقلب در صورت های مالی: برای کشف تقلب در صورت های مالی از رویکرد الگوریتم ژنتیک استفاده شده است .
پیشبینی ورشکستگی: ورشکستگی یک مشکل جهانی بسیار بااهمیت با هزینه های اجتماعی بالا است. بنابراین پیش بینی آن از اهمیت زیادی برخوردار است. برای حل مشکل ورشکستگی، محققان یک مجموعه از قوانین یا شرایط را با استفاده از GA استخراج کرده اند. بر مبنای این شرایط، مدل پیش بینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه .
هوش مصنوعی با برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پیش بینی ورشکستگی بااهمیت تشخیص داده شده اند به حداقل رساند.
انتخاب پرتفوی: سرمایه گذاران بازار خرید و فروش سهام صرفاً با مقاصد انتفاعی و اهداف سود آوری در این فعالیت اقتصادی شرکت می کنند. در این رابطه شناسایی عوامل موثر و تعیین کننده حجم و نوع انتخاب مجموعه متنوع اوراق بهادار سرمایه گذاری شده (پرتفوی) دارای اهمیت است . مسئله انتخاب سهام، یکی از مسائل پیچیده در حوزه ی مالی و سرمایه گذاری است. در این مسئله، تعداد ی سهام وجود دارد و قرار است با خرید سهامی که بیشترین ارزش افزوده و کمترین میزان ریسک پذیری را داشته باشد سرمایه گذاری انجام شود.
بنابراین با توجه به عدم اطمینانی که بر بورس اوراق بهادار حاکم است و همچنین با در نظر داشتن تمایلات و ترجیهات مختلف سرمایه گذاران ، یافتن روشی برای انتخاب یک مجموعه مناسب از اوراق بهادار که از طریق آن بتوان بر عدم اطمینان و ترجیهات مختلف افراد غلبه کرد ضروری به نظر می رسد، از سوی دیگر با توجه به عملکرد موفق هوش مصنوعی و الگوریتم ژنتیک در مسائل بهینه سازی، این الگوریتم می تواند به روشی مناسب در اختیار سرمایه گذاران قرار دهد تا به انتخاب بهینه سبد سهام دست یابند.
هوش مصنوعی ترکیبی:
در غالب مطالعات، تمرکز بیشتر بر روی روش های غیر خطی منفردی است که بصورت اکتشافی برای مسئله خاصی مورد استفاده قرار می گیرند. اگر چه این نگرش موثر بوده است اما در بسیاری از مسائل غیر خطی که محقق با محدودیت به کارگیری ترکیبی روش ها مواجه بوده است، فرصتهای فراوان استفاده از هم افزایی آن ها را از دست داده است.
برای مثال در حالیکه شبکه های عصبی مصنوعی، مشخصه های مناسبی در تقلید و یادگیری ( فرایندی مشابه با آنچه نرون های بیولوژیکی مغز انجام می دهند) دارند، عدم شفاف بودن فرایند کاری آن ها ، تحقیق را تحت الشاع قرار می دهد.
مثال بعدی در مورد ابزار توانمند دیگر هوش مصنوعی، منطق فازی می باشد، مزیت منطق فازی در تخمین و به کارگیری استنباط است در حالی که به یادگیری توجهی ندارد. بطور حتم تلفیق این تکنولوژی ها با توجه به همپوشانی آنها فرصتی را برای بطور کامل بهره بردن از توانایی ها و جبران ضعف های آن ها، فراهم خواهد نمود.