Intelligens könyvelés

Üdvözöljük az Intelligens Könyvelés bemutatóoldalán

Áttekintés

Áttekintés az eszköz működéséről

Adatfeltöltés

Űj könyvelési adatok betöltése

Eljárások

Random Forest

GBM

Gradient Boosting Machine

LVQ

Learning Vector Quantization

SVM

Support Vector Machine

Adatkezelés

Kézi elbírálás

Feltöltött számla kézi elbírálása

Összehasonlítás

Eljárások eredményeinek összehasonlítása

2020-1.1.1 Pályázat

Pályázat ismertetője

Cégek

Céglista

Céglista kezelése

Számlatükör

A kezelt cégek által használt számlatükör

Kapcsolattartók

Céges kapcsolattartók adatai

Áttekintés

Magyarországon az adóhatóság jelentős lépéseket tesz a gazdálkodás fehérítése irányába. Ennek a lépéssorozatnak képezi részét a kibocsátott (befogadott) számlák teljes körű, valós idejű ellenőrzése. 2020. június elsejétől valamennyi kibocsátott számla maximum 24 órán belül a NAV látókörébe kerül.

Ez a digitalizáció lehetőség megnyitja az utat a mesterséges intelligencia alapú megoldások bevezetésére a könyvelésben/kontírozásban.

Megoldásunkban egy anonim KKV egy éves számlaforgalma, valamint rögzített méretű, egyszerűsített számlatükör alkalmazása mellett megvizsgáljuk, hogy milyen eredmény érhető el a számlák automatikus, tanuló algoritmus által támogatott kontírozása mellett.

Négy eljárást vizsgáltunk, ezek külön-külön is futtathatók a web-alapú alkalmazásban: Random, forest, Gradiend boosting machine, Learning vector quantization, Support vector machine.

Az outputok összehasonítása elsősorban az accuracy és kappa, valamint a ROC-görbe segítségével történt.

A projekt a 2020. évi START K+F pályázat támogatásával került végrehajrásra. A támogatás részleteit az utolsó menüpont tartalmazza részletesen.

Adatfeltöltés

Az adatfeltöltéshez jelölje ki az érintett céget, majd töltse be az új adatfájlt. Az adatfájlnál xls vagy xlsx formátumú lehet, struktúrája kötött. Példa Excel állomány itt letölthető.

Cég kiválasztása

Planimeter Kft.

MiniKönyv Kft

Hegyivíz Kft.

Feltöltendő adatfájl

Browse...

Kézi elbírálás

A cégek teljes számlatükrét itt találhatja. Beállíthatja, hogy adott cég milyen főkönyvi számlákra könyvelhet. Az intelligens számlafeldolgozás során keletkező eredmények meghatározásában ezt figyelembe veszi.

Random forest

RF futtatása

Első dátum:

Utolsó dátum:

Paraméterek megadása

Ceg neve:

MTRY:

NTree:

Letöltés

GBM (Gradient Boosting Machine)

GBM futtatása

Első dátum:

Utolsó dátum:

Paraméterek megadása

Ceg neve:

Iterációk száma:

Fa komplexitása:

Tanulási arány:

Minimális training set minta egy levélen:

Letöltés

LVQ (Learning Vector Quantization)

LVQ futtatása

Első dátum:

Utolsó dátum:

Paraméterek megadása

Ceg neve:

Méret:

Prototípusok száma:

Letöltés

SVM (Support Vector Machine)

SVM futtatása

Első dátum:

Utolsó dátum:

Paraméterek megadása

Ceg neve:

Szigma:

Költség:

Súly:

Letöltés

Céglista

A cégek teljes listáját itt találhatja. Új cégek felvétele, meglévők módosítása, esetleges törlése itt lehetséges.

Számlatükör

Kapcsolattartók

A cégek kapcsolattartóit itt találhatja.

2020-1.1.1-KKV-START-2020-00044 pályázat

2020-1.1.1-KKV-START-2020-00044 projektazonosítójú, KKV START INNOVÁCIÓ felhívás alapján „A modern könyvelés támogatása mesterséges intelligencia alapú alkalmazásokkal” projekt

Az elnyert támogatás összege: 15.045.000 Ft
Támogatás mértéke: 60%
A projekt fizikai tervezett befejezésének tervezett napja: 2022.01.03.

A pályázat szerződésszáma: 2020-1.1.1-KKV-START-2020-00044

A pályázat címe: A modern könyvelés támogatása mesterséges intelligencia alapú alkalmazásokkal

A kutatás-fejlesztés eredményeként létrejött egy web-alapú alkalmazás prototípusa, amely képes NAV-adatbázisok (számlák) beolvasására, támogatja adott cég számlatükrének leképezését, segíti a számlák kontírozását, vagyis – ez a fejlesztés legfőbb eredménye – gépi tanuló algoritmusok felhasználása révén segíti az automatizált kontírozást. Mivel a könyvelésben nem lehet hibázni, célkitűzés volt a 100%-os minőség biztosítása. Ennek megfelelően került a rendszerbe beépítésre a ROC (Receiving Operating Characteristics) elemzés, mint KPI (Key Performance Indicator).

A felhasználó autentikációt egyelőre nem tartalmazó alkalmazás online elérhető és tesztelhető. A szükséges adatok (számla adatok, számlatükör) megadása után a tanuló algoritmus indítható, a tanulási algoritmus inicializálható. A rendszer eredményessége már a második hónap számla adatainak betöltésével tesztelhető.

A rendszer részét képezi a tanulási algoritmus hatékonyságát mérő ún. ROC-görbe integrálása is, amely révén pontosan megadható a nem helyesen osztályozott számlák száma és aránya. Míg az eredeti célkitűzés a 100%-os, hibamentes automatizált kontírozás volt, ez a cél csak határértékben érhető el. A feladat jellegét tekintve elengedhetetlen a folyamatok humán kontrollja, a kimenetek tételes ellenőrzése (amely lépés egyébként nélkülözhetetlen a tanulási algoritmus folyamatos fejlesztéséhez is).

A fejlesztés eredménye egy web alapú rendszer formájában jött létre és érhető el. A rendszer képes egy adott cég számlatükrének és havi számla adatainak fogadására, a tanulási folyamat támogatására, a háttérben futó osztályozás minőségének mérésére.

Az első tapasztalatok alapján továbbfejlesztési ötletek is születtek, ezek megvalósítása szintén folyamatban van.