AI at the Bat: Baseball als Objektiv für das Verständnis der Grenzen und Möglichkeiten der KI

Das Potenzial der KI, verschiedene Branchen, darunter auch die Buchhaltung, zu revolutionieren, ist unbestreitbar. Sowohl die derzeitigen Fähigkeiten als auch die allgemeinen Versprechungen, die mit der Technologie verbunden sind, können - und werden - Unternehmen auf breiter Ebene beeinflussen. 

Aber viel zu oft hören wir Leute, die in groben Zügen malen und Dinge so allgemein erklären, dass es klar ist, dass sie nicht ganz sicher sind, wovon sie reden. Weil KI ein so heißes Thema ist und weil es so vielversprechend ist, habe ich mich mit meinen Mitbegründern für eine spezielle Folge von Blood, Sweat & Balance Sheets zu einem KI-Gipfel getroffen. In dieser Episode, die kostenlos und exklusiv auf FloQademy verfügbar ist, haben wir versucht, die Überschneidung von KI und Rechnungswesen, die Grenzen und Einsatzmöglichkeiten von KI und die Verbesserungsmöglichkeiten zu diskutieren.

Um den Tisch zu decken und wirklich zu verstehen, wo KI in einer komplizierten Landschaft von LLMs, neuronalen Netzen, maschinellem Lernen, Automatisierung und einer Fülle anderer Technologien angesiedelt ist, haben wir beschlossen, mit etwas zu beginnen, das uns vertraut ist: Baseball.

Ich bin ein Fan. Mike ist besessen. Aber Cullen ist überhaupt kein Sportfan, so dass es einer gemeinsamen Anstrengung bedurfte, um eine gemeinsame Basis zu finden.

Die Grundlagen des maschinellen Lernens mit einem Hauch von Baseball

Wenn es um maschinelles Lernen geht, dreht sich alles um Daten. Grundsätzlich gilt: Je mehr Informationen Sie haben, desto besser sind Ihre Vorhersagen. Im Baseball bedeutet dies, dass je mehr Spiele und Läufe Sie Daten haben, desto genauer werden Ihre Vorhersagen über zukünftige Leistungen sein. Das ist der Kern des maschinellen Lernens: die Verwendung historischer Daten zur Erstellung von Prognosen.

Bei der Diskussion darüber, was eine "große" Datenmenge ausmacht, betonte Cullen, dass dies davon abhängt, was man vorhersagen möchte.

"Wenn man versucht, den Schlagdurchschnitt eines Baseballspielers vorherzusagen, braucht man jeden einzelnen seiner Schläge, und dann kann man vielleicht gute Vorhersagen machen", erklärte er.

Je mehr Variablen Sie in Ihre Vorhersage einbeziehen, desto mehr Daten benötigen Sie. Beim maschinellen Lernen gilt: Je mehr Daten Sie haben, desto besser ist die Vorhersagegenauigkeit.

Die Herausforderung der Abweichungen bei KI-Prognosen

Ein interessanter Punkt, den wir ansprachen, waren die Auswirkungen unvorhergesehener Veränderungen auf die KI-Vorhersagen. Ich nannte das Beispiel eines Baseballspielers, der sich einer Augenlaseroperation unterzog und dadurch seinen Schlagdurchschnitt drastisch verbesserte. Solche Abweichungen stellen eine Herausforderung für KI-Modelle dar, die sich bei ihren Vorhersagen auf historische Daten stützen.

"Wenn ein Modell auf der Grundlage früherer Leistungen vorhersagt, dass ein Spieler einen Treffer von .240 erzielen wird, der Spieler aber nach der Operation einen Treffer von .300 erzielt, werden die Vorhersagen des Modells verfälscht. Für mich deutet das auf ein großes Problem für die KI in der Zukunft hin. Wenn sich eine Variable außerhalb des Datensatzes ändert, ist dann dieser riesige Datensatz, in den man so viel Zeit investiert hat, ungültig?"

Wenn Sie bis hierher gekommen sind, haben Sie sich eine Belohnung verdient, die an den Titel anknüpft. Bitte sehr.

Der Heilige Gral: Verallgemeinerung in der KI

Um das zu beantworten, wurde Cullen biblisch. Mehr oder weniger. Er erklärte, dass es bei der künstlichen Intelligenz eigentlich nur um den Abgleich von Mustern geht. Wenn eine Abweichung auftritt, wird das Muster gestört und die KI-Modelle geraten ins Wanken. Das ultimative Ziel der KI ist die Verallgemeinerung: die Schaffung von Modellen, die in verschiedenen Kontexten anwendbar sind und ein breites Spektrum von Situationen bewältigen können.

"Der heilige Gral der KI ist die Idee der Generalisierung", sagte er. "Wenn wir irgendwie, auf irgendeine Art und Weise, ein Modell entwickeln können, das über einen Haufen verschiedener Themen verallgemeinert und Vorhersagen über alle möglichen Dinge mit einem einzigen Modell machen kann, oder vielleicht mit mehreren Modellen, die irgendwie zusammengeklebt werden, dann kann man eine Menge verschiedener Abweichungen berücksichtigen, die passieren könnten.

Aus diesem Grund sind große Sprachmodelle (LLMs) wie GPT von Bedeutung; sie sind verallgemeinerte Modelle, die verschiedene Themen und Aufgaben bewältigen können.

Die Zukunft der KI im Rechnungswesen

Damit eine KI wirklich effektiv sein kann, muss sie Zugang zu allen relevanten Informationen haben. In Mikes Beispiel sollte ein verallgemeinertes KI-Modell in der Lage sein, über die Laser-Augenoperation des Spielers zu lesen - damit er den Ball besser sehen kann - und seine Vorhersagen entsprechend anzupassen. Dies unterstreicht die Notwendigkeit für KI-Modelle, sich anzupassen und neue Daten zu berücksichtigen, die ihre Vorhersagen beeinflussen können.

"Das verallgemeinerte Modell müsste in der Lage sein, einen Artikel darüber zu lesen, dass dieser Typ eine Augenlaseroperation bekommen hat, dies zu berücksichtigen und eine angemessene Antwort zu geben, etwa: 'Hey, all diese Daten aus der Vergangenheit sind jetzt irgendwie ungültig. Wir müssen mehr Daten sammeln, bevor wir in Anbetracht dieser Entwicklung irgendwelche Vorhersagen treffen können.'"

In der Welt der Buchhaltung bedeutet dies, dass KI-Modelle an spezifische Bedürfnisse angepasst und Techniken zur Verbesserung der Genauigkeit kontinuierlich verfeinert werden müssen. Techniken wie Retrieval-Augmented Generation (RAG), bei denen KI mit unternehmensspezifischen Informationen vorgeladen wird, sind vielversprechend. Allerdings ist es nach wie vor schwierig, nuancierte Antworten zu erhalten.

Das Potenzial der KI im Rechnungswesen ausschöpfen

Während sich die KI weiterentwickelt, muss die Buchhaltungsbranche ihr Potenzial ausschöpfen und gleichzeitig ihre Grenzen berücksichtigen. Die Anpassung von KI-Modellen an die spezifischen Anforderungen des Rechnungswesens und die Verfeinerung von Techniken wie RAG werden entscheidende Schritte nach vorne sein.

Während sich die KI weiterentwickelt, muss die Buchhaltungsbranche ihr Potenzial ausschöpfen und gleichzeitig ihre Grenzen berücksichtigen. Die Anpassung von KI-Modellen an die spezifischen Anforderungen des Rechnungswesens und die Verfeinerung von Techniken wie RAG werden entscheidende Schritte nach vorne sein. 

Für einen tieferen Einblick in diese Themen und mehr, schauen Sie sich die komplette Folge von Blood, Sweat & Balance Sheets auf FloQademy an. In dieser Folge befassen wir uns mit den neuesten Trends, Herausforderungen und Erfolgsgeschichten von KI in der Welt der Buchhaltung. Besuchen Sie Learn.FloQast.com, um sich kostenlos zu registrieren, die ganze Folge anzusehen und CPD sammeln.