KI am Schläger: Baseball als Linse, um die Grenzen und Potenziale der KI zu verstehen

Das Potenzial der KI, verschiedene Branchen, einschließlich der Buchhaltung, zu revolutionieren, ist unbestreitbar. Sowohl die derzeitigen Fähigkeiten als auch das allgemeine Versprechen, das die Technologie bietet, können — und werden — weitreichende Auswirkungen auf Unternehmen haben.

Aber viel zu oft hören wir Leute in groben Zügen malen und Dinge so allgemein erklären, dass klar ist, dass sie sich nicht ganz sicher sind, wovon sie sprechen. Weil KI ein so heißes Thema ist und weil es so viel verspricht, habe ich mich mit meinen Mitbegründern zu einer speziellen Folge von Blood, Sweat & Balance Sheets für einen KI-Gipfel getroffen. In dieser Folge, die kostenlos erhältlich ist, exklusiv auf FLOQademy, haben wir versucht, die Schnittstelle von KI und Rechnungswesen, die Grenzen und Einsatzmöglichkeiten von KI zu erörtern und zu erörtern, wo Verbesserungspotenzial besteht.

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

Ich bin ein Fan. Mike ist besessen. Aber Cullen ist überhaupt kein Sportler, also bedurfte es einer Gruppenarbeit, um Gemeinsamkeiten zu finden.

Die Grundlagen des maschinellen Lernens mit einem Baseball-Twist

Wenn es um maschinelles Lernen geht, dreht sich alles um Daten. Im Wesentlichen gilt: Je mehr Informationen Sie haben, desto besser sind Ihre Prognosen. Beim Baseball bedeutet dies, dass je mehr Spiele und Läufe Sie über Daten haben, desto genauer werden Ihre Vorhersagen über die zukünftige Leistung sein. Das ist die Essenz des maschinellen Lernens: die Verwendung historischer Daten, um Vorhersagen zu treffen.

Bei der Diskussion darüber, was „viele“ Daten ausmacht, betonte Cullen, dass dies relativ zu dem ist, was Sie vorhersagen möchten.

„Wenn du versuchst, den Schlagdurchschnitt eines Baseballspielers vorherzusagen, brauchst du jeden einzelnen seiner Schläger, und dann kannst du vielleicht gute Vorhersagen treffen“, erklärte er.

Je mehr Variablen Ihre Prognose enthält, desto mehr Daten benötigen Sie. Beim maschinellen Lernen gilt: Je mehr Daten Sie haben, desto besser ist Ihre Prognosegenauigkeit.

Die Herausforderung von Aberrationen bei KI-Vorhersagen

Ein faszinierender Punkt, den wir angesprochen haben, waren die Auswirkungen unvorhergesehener Änderungen auf KI-Vorhersagen. Ich habe ein Beispiel für einen Baseballspieler genannt, der sich einer Augenlaser-Operation unterziehen musste, wodurch sich sein Schlagdurchschnitt drastisch verbesserte. Solche Abweichungen stellen KI-Modelle in Frage, die sich auf historische Daten stützen, um Vorhersagen zu treffen.

„Wenn ein Model aufgrund der bisherigen Leistung vorhersagt, dass ein Spieler 0,240 erreichen wird, der Spieler aber nach der Operation 0,300 erreicht, sind die Vorhersagen des Modells falsch. Für mich deutet das auf ein großes Problem für KI in der Zukunft hin. Wenn sich außerhalb des Datensatzes eine Variable ändert, macht das dann diesen riesigen Datensatz ungültig, den Sie so viel Zeit damit verbracht haben, ihn zu erstellen?“

Wenn du so weit gekommen bist, verdienst du eine Belohnung, die auf den Titel zurückgeht. Du bist willkommen.

Der Heilige Gral: Generalisierung in der KI

Um das zu beantworten, wurde Cullen biblisch. Irgendwie. Er erklärte, dass es bei KI wirklich um Musterabgleich geht. Wenn eine Aberration auftritt, stört dies das Muster und führt dazu, dass KI-Modelle ins Stocken geraten. Das ultimative Ziel der KI ist die Generalisierung: die Erstellung von Modellen, die in verschiedenen Kontexten angewendet werden können und eine Vielzahl von Situationen bewältigen können.

„Der Heilige Gral der KI ist wirklich diese Idee der Generalisierung“, sagte er. „Wenn wir irgendwie, auf irgendeine Weise, ein Modell entwickeln können, das sich auf eine Reihe verschiedener Themen verallgemeinert und mit einem einzigen Modell oder vielleicht mehreren zusammengeklebten Modellen Vorhersagen über alle möglichen Dinge treffen kann, dann können Sie viele verschiedene Abweichungen berücksichtigen, die passieren könnten.“

Aus diesem Grund sind große Sprachmodelle (LLMs) wie GPT von Bedeutung; es handelt sich um generalisierte Modelle, die verschiedene Themen und Aufgaben bewältigen können.

Die Zukunft der KI in der Buchhaltung

Damit KI wirklich effektiv ist, benötigt sie Zugriff auf alle relevanten Informationen. In Mikes Beispiel ein verallgemeinertes KI-Modell sollte in der Lage sein, über die Augenlaseroperation des Spielers zu lesen — damit er den Ball besser sehen kann — und seine Vorhersagen entsprechend anpassen. Dies unterstreicht die Notwendigkeit, dass sich KI-Modelle anpassen und neue Daten berücksichtigen müssen, die ihre Vorhersagen beeinflussen könnten.

„Das generalisierte Modell müsste in der Lage sein, einen Artikel darüber zu lesen, wie dieser Typ eine Augenlaser-Operation bekommen hat, darüber nachzudenken und eine angemessene Reaktion zu generieren, etwa: ‚Hey, all diese Daten aus früheren Perioden sind jetzt irgendwie ungültig. Wir müssen mehr Daten sammeln, bevor wir angesichts dieser Entwicklung Prognosen dazu abgeben können. '“

In der Buchhaltungswelt bedeutet dies, KI-Modelle an spezifische Bedürfnisse anzupassen und die Techniken kontinuierlich zu verfeinern, um die Genauigkeit zu verbessern. Techniken wie Retrieval-Augmented Generation (RAG), die KI mit unternehmensspezifischen Informationen vorladen, sind vielversprechend. Es bleibt jedoch komplex, nuancierte Antworten zu finden.

Das Potenzial von KI in der Buchhaltung nutzen

Da sich die KI ständig weiterentwickelt, muss die Buchhaltungsbranche ein Gleichgewicht zwischen der Nutzung ihres Potenzials und der Berücksichtigung ihrer Grenzen finden. Die Anpassung von KI-Modellen an spezifische Buchhaltungsanforderungen und die Verfeinerung von Techniken wie RAG werden entscheidende Fortschritte sein.

Da sich die KI ständig weiterentwickelt, muss die Buchhaltungsbranche ein Gleichgewicht zwischen der Nutzung ihres Potenzials und der Berücksichtigung ihrer Grenzen finden. Die Anpassung von KI-Modellen an spezifische Buchhaltungsanforderungen und die Verfeinerung von Techniken wie RAG werden entscheidende Fortschritte sein.

Für einen tieferen Einblick in diese und weitere Themen Schau dir die komplette Folge von Blood, Sweat & Balance Sheets auf FloQademy an. In dieser Folge beschäftigen wir uns mit den neuesten Trends, Herausforderungen und Erfolgsgeschichten von KI in der Buchhaltungswelt. Besuch Erfahren.floqast.com um dich kostenlos zu registrieren, die ganze Folge anzusehen und CPE/CPD Credits zu verdienen.