AI voor accountants en belastingadviseurs

Binnen de beroepspraktijk van accountants en fiscalisten heersen er grote uitdagingen op het gebied van digitalisering. Waar processen zoals het samenstellen van een jaarrekening of het opstellen van een aangifte vaak gedigitaliseerd zijn, wordt er binnen deze processen toch nog relatief veel tijd besteed aan terugkerende, handmatige handelingen.

Een goed voorbeeld hiervan betreft het overnemen van gegevens uit vastgestelde of gepubliceerde bronnen, zoals een gedeponeerde jaarrekening. Wanneer een kantoor niet beschikt over de gegevens waarmee deze is samengesteld, dienen medewerkers de cijfers handmatig over te nemen vanuit het bronbestand. Naast dat dit een tijdrovende klus is, gaat dit ook gepaard met een verhoogde kans op fouten.

Geavanceerde documentherkenning de oplossing?

Een potentiële oplossing voor dit probleem is geavanceerde documentherkenning. Afdelingen zoals de crediteurenadministratie profiteren al een lange tijd van Optical Character Recognition (OCR). Deze technologie is vaak niet toereikend genoeg om facturen compleet geautomatiseerd in te lezen, maar helpt de medewerkers in ieder geval een heel eind op weg. Voor jaarrekeningen ligt de toepassing van OCR iets ingewikkelder. De posten die worden opgezocht komen meerdere malen, binnen een verschillende context, voor in het document. Het vergt dan ook enige kennis van de structuur om de benodigde gegevens correct op te zoeken.

Trainen van eigen taalmodel

Dit brengt ons op de toepassing van Artificial Intelligence. Door Natural Language Processing (NLP) kan een model contextueel getraind worden om waarden te extraheren uit ongestructureerde documenten. De techniek maakt hierbij gebruik van een of meerdere bestaande taalmodellen. Het meest bekende taalmodel, BERT, scoort fenomenaal op verschillende benchmarks en wordt bijvoorbeeld breed ingezet bij de programmering van chatbots.

Voor fiscalisten zal het model echter niet bijzonder accuraat zijn. Contextueel wijken woorden en zinnen binnen de sector vaak af van het reguliere gebruik. Daarnaast is de kans klein dat het model gedurende de training jargon is tegengekomen. Om deze reden is een potentiële volgende stap binnen de digitalisering van kantoren, het trainen van een eigen taalmodel. Wanneer dit taalmodel wordt blootgesteld aan een enorme hoeveelheid domein-specifieke documenten, zal dit de accuraatheid vergroten. Voorbeelden van documenten zijn jaarrekeningen, bankafschriften en taxatierapporten.

Hulp van Natural Language Processing

Met een accuraat taalmodel kan NLP breder ingezet worden binnen de sector. Hiermee wordt bijvoorbeeld de eerder beoogde geavanceerde documentherkenning een realistische toepassing. Dit zou de mogelijk met zich meebrengen om automatisch waarden te extraheren uit een jaarrekening. Naast dat dit het proces enorm versneld en onder de juiste omstandigheden accurater is als een handmatige aanpak, komt deze oplossing ten goede van de beschikbaarheid van data. Wanneer de gegevens centraal worden opgeslagen ontstaat de mogelijkheid voor de kantoren om klanten beter te kunnen adviseren door middel van inzicht in hun gegevens.