Wie AI een beetje bijhoudt zal zien dat er zeer veel applicaties langskomen, vooral die zich richten op het creëeren van iets door middel van gangbare taal (dus zonder te hoeven programmeren). Nu hebben we in een vorig artikel iets van de achtergronden gezien over hoe een AI werkt, alhoewel was dat in een zeer eenvoudige vorm.

Omdat ik eigenlijk het meer concreet wil maken, wil ik komen tot een vervolg erop, maar dan specifiek over hoe we die kennis en achtergronden kunnen inzetten in de accountantspraktijk.

Even concreet…

Om het concreet te maken gaan we binnen het segment AI specifiek kijken naar Machine Learning en dan nog specifieker de lineaire regressie. In de wiskunde wordt een lineaire regressie weergegeven als y = ax + b, waarbij y de voorspelling is, a en b de variabelen en x de input. De variabelen zijn parameters die door de machine learning worden bepaald op basis van je dataset. Dit klinkt allemaal redelijk technisch, dus om het weer te laten aansluiten op de accountantspraktijk een klein voorbeeld:

Je klant geeft je de cijfers over de afgelopen 5 jaar, specifiek de winst- en verliesrekening. Ervan uitgaande dat er geen bijzonderheden in zitten, geven die 5 jaar een bepaalde trend weer en hopelijk een positieve. Als je een prognose gaat maken aan de hand van deze cijfers kun je bijvoorbeeld de kosten met 5% verhogen als zijnde inflatie, de omzet ook met een bepaald percentage waardoor je uitkomt op een geprognotiseerde winst- en verliesrekening. In dit geval hou je het simpel en ga je uit van het laatste jaar. Om het complexer te maken zou je ook kunnen uitgaan van een gemiddelde van de afgelopen 5 jaar, of nog complexer zou je deze 5 jaar kunnen pakken en dan afhankelijk laten zijn van bijvoorbeeld de omzet. Zo probeer je te komen tot een gemiddelde ontwikkeling om de toekomst te voorspellen.

Visueel kun je de lineaire regressie als volgt weergeven, een plaatje wat iedereen wel kent denk ik zo:

Om via een lineaire regressie volgend jaar te voorspellen pak je de serie getallen (de cijfers over de afgelopen 5 jaar) en je voert die gegevens in het model. Dan laat je het model het volgende item bepalen ofwel volgend jaar. Nu kun je dit doen voor de hele winst- en verliesrekening, maar ook voor de transacties binnen de rekeningen. Als variabelen geef je dan die 5 jaar aan data en als input x hanteer je dan bijvoorbeeld de begrote omzet over volgend jaar. Het model zal dan volgend jaar bepalen.

In nerd-taal

In Python maak je een dergelijke analyse eenvoudig eigenlijk. In de module Scikit kun je eenvoudig het Lineair Regressie model “aanroepen” en gebruiken. Om te komen tot een lineaire regressie zul je x en y moeten bepalen uit de data-set en het model erop trainen. Het trainen kun je eenvoudig doen via [model.fit(X_train, y_train)] waarna het hele model de data neemt, het traint en komt tot een verwachting. Dit kun je via Seaborn dan in een grafiek zetten. Eigenlijk heel eenvoudig….

Via het model.fit importeer je als het ware al je data in een AI-model die dan de data verwerkt en heel simpel gezegd er een gemiddelde uithaalt als lineaire regressie. Natuurlijk is dit één optie en kun je dit zelf ook in excel bouwen, maar dat gaat iets meer moeite en tijd kosten dan een regel model.fit.

AI is een tool

In dit artikel hebben we gezien hoe we redelijk eenvoudig met AI aan de gang kunnen gaan en ook laat het precies zien wat AI eigenlijk is: een tool wat we kunnen gebruiken om zaken eenvoudiger te maken. We hebben ons gek laten maken door alle negatieve informatie over AI, maar het is een geweldige tool die sommige zaken eenvoudiger maakt.