Vad är Artificiell intelligens?

AI har potential att förbättra effektiviteten och kvaliteten i redovisnings-, löne- och revisionsprocessen. Olika AI-tekniker ger förutsättningar för att snabbt analysera data, få fram information och sammanställa data. När du använder AI är det viktigt att förstå vilka begränsningar och risker som AI medför.

För att förbättra effektivitet och kvalitet kan avancerad analys och prediktiva funktioner, baserat på AI-teknik:

• hjälpa till med riskbedömningar samt att ta fram förslag på hur risker kan hanteras utifrån ett företags verksamhet, branschdata och historiska resultat.
• automatisera granskningen av revisionsbevis, vilket säkerställer att exempelvis alla stickprov hanteras konsekvent och med samma noggrannhet.

På samma sätt kan AI användas för att tolka och registrera underlag till redovisningen och minska mänskliga fel.

Genom användning av mer automatiserade verktyg som med stöd av AI blir mer självgående effektiviseras processer.

Genom maskininlärning kan AI:

• analysera stora datamängder för att upptäcka avvikelser, vilket gör att revisionen kan fokusera på de områden eller de transaktioner där det finns avvikelser.
• användas för att kvalitetssäkra redovisningen och identifiera transaktioner som avviker från förväntan (vilken kan bygga på bestämda kriterier eller historiska data).
• användas för att läsa och tolka affärsdokument, vilket ökar hastigheten och precisionen i både redovisnings- och revisionsprocesserna.

Att modeller lär sig förstå transaktioner och hur exempelvis en faktura från en specifik leverantör brukar hanteras gör att programmen vi använder kan hantera bokföringen utan mänsklig involvering. Det innebär att uppgifter där det tidigare behövts manuell hantering hanteras av programmet och att redovisnings- eller lönekonsulter istället kan utvärdera resultatet.

Vad är AI?

AI är ett övergripande begrepp som syftar på datorprogram och system som är designade för att efterlikna och utföra uppgifter som normalt kräver mänsklig intelligens. Det inkluderar förmågan:

• att lära sig från erfarenheter (maskininlärning)
• att dra slutsatser och fatta beslut (slutsatsdrivna algoritmer)
• att utföra uppgifter som normalt kräver mänsklig perception och förståelse

Maskininlärning är en gren av artificiell intelligens, fokuserad på att skapa system som kan lära sig och förbättras automatiskt från erfarenhet, utan att vara explicit programmerade för varje uppgift. Det kan liknas vid att datorn lär sig känna igen mönster, ungefär som när ett barn lär sig skilja på katter och hundar genom att se många exempel.

Djupinlärning, på engelska "deep learning”, är en avancerad form av maskininlärning som bygger på artificiella neurala nätverk, inspirerade av hur den mänskliga hjärnan fungerar. Djupinlärning är särskilt effektivt för uppgifter som involverar bearbetning av ostrukturerad data som bilder, ljud och text. Djupinlärning kräver större mängder data, kan hantera mer komplexa mönster i data och kan självständigt identifiera relevanta egenskaper.

Exempel på skillnad mellan maskininlärning och djupinlärning, textanalys för kundrecensioner

Maskininlärning:

• Människor bestämmer i förväg vilka ord som är "bra" eller "dåliga"
• Datorn räknar hur många gånger dessa ord förekommer i en recension
• Baserat på antalet "bra" och "dåliga" ord gissar datorn om recensionen är positiv eller negativ

Djupinlärning:

• Datorn får läsa massor av recensioner utan att få information i förväg från någon
• Den lär sig själv vilka ord, meningar och sammanhang som betyder något positivt eller negativt
• När den läser en ny recension förstår den helheten, ungefär som en människa skulle göra

Huvudskillnader:

Maskininlärning: Som att räkna glada och ledsna ansikten i en text.

Djupinlärning: Som att faktiskt förstå betydelsen av vad som står i texten.

Maskininlärning är enklare men kan missa nyanser. Djupinlärning är mer avancerad och kan förstå sammanhang bättre, ungefär som en människa skulle göra. Den stora skillnaden är att med traditionell maskininlärning måste vi tala om för datorn vilka egenskaper den ska titta efter, medan djupinlärning själv upptäcker vilka egenskaper som är viktiga genom att analysera många exempel. Detta gör djupinlärning mycket mer flexibel och kraftfull, särskilt för komplexa uppgifter som bildigenkänning eller språkförståelse.

Generativ AI är en typ av AI som kan skapa nytt innehåll, till exempel:

• Textgenerering: Skriva artiklar, rapporter eller marknadsföringsmaterial.
• Bildgenerering: Skapa unika bilder baserat på textbeskrivningar.
• Musikkomposition: Komponera originella musikstycken.

Andra begrepp som kopplas till AI

Sannolikhet: AI och maskininlärning bygger på till viss del på sannolikheter vilket innebär att modellen kommer ta fram information eller data utifrån givna sannolikhetsparametrar. Det innebär att modellen, utifrån den data den är tränad på, kommer ta fram ett visst resultat. Det innebär också att med mer data tillgänglig kommer modellen ha bättre utgångspunkt för att kunna ta fram ett “korrekt” värde.

Bias: Att en modell för generativ AI tränas på data som redan finns innebär att den kommer påverkas av ställningstaganden eller åsikter som finns i data den tränas på. Modellen kommer lära sig och återskapa den bias eller de fördomar som träningsdatan innehåller. Exempelvis om en modell ska ta fram en bild med företagsledare kommer den antagligen ta fram en bild med män utifrån att det är hur företagsledare har gestaltats historiskt.

Hallucinationer: Utifrån att modellerna har en begränsad mängd data de utgår ifrån kommer de att svara på de promptar de får utifrån sin bästa förmåga. I fall det saknas information kommer de antagligen försöka ge svar ändå och det ger upphov till hallucinationer.

Ett exempel är när en advokat i USA tog hjälp av ChatGPT för en pågående process. ChatGPT hittade då på rättsfall som passade väl in på de kriterier som advokaten efterfrågat.

Prompting: Instruktioner som ges till en modell för generativ AI som utgångspunkt för vad användaren önskar att modellen ska göra.

Riskhantering och etisk AI

När man använder AI är det viktigt att överväga de etiska aspekterna. Det inkluderar att säkerställa att teknologin används på ett sätt som är rättvist och transparent. Företag måste också ha kontroller på plats för att övervaka användningen av AI och säkerställa att den följer gällande regler och lagar. Faktorer att överväga inkluderar självintresse och självgranskning, samt att säkerställa att teknologin är lämplig för det ändamål den är avsedd för.

Det är viktigt att vara medveten om bias/fördomar, hallucinationer och informationssäkerhetsrisker och vidta åtgärder för att minimera att riskerna påverkar negativt. Det kan inkludera regelbundna granskningar och kvalitetssäkringsprocesser för att säkerställa att AI-systemens resultat är rimliga och pålitliga.

För att säkerställa att känslig information och dokument som delas med modellen inte används för att utveckla AI-modellen generellt, är det viktigt att använda utvärdera tjänsten angående detta samt att sätta upp byråinterna riktlinjer för användning och hänvisa till vilka tjänster som ska användas för att undvika att anställda använder gratistjänster (där det finns större risk att företagets data delas till obehöriga).

Begränsningar i generativ AI

Generativ AI har vissa begränsningar när det gäller att vara exakt med språk, och samma begränsningar påverkar dess förmåga att göra beräkningar. AI-modeller är designade för att känna igen mönster och generera text baserat på sannolikheter, inte för att utföra exakta matematiska beräkningar.

När AI arbetar med text, använder den små textbitar som kallas tokens för att förutsäga vad som kommer härnäst. På samma sätt, när AI försöker göra beräkningar, använder den dessa tokens och statistiska uppskattningar, vilket kan leda till felaktiga resultat. AI:n saknar den exakta förståelse och precision som krävs för att konsekvent utföra korrekta beräkningar.

Dessutom är AI:ns förmåga att göra beräkningar begränsad av den data den har tränats på. Medan en mänsklig matematiker kan förstå och tillämpa matematiska principer exakt, förlitar sig AI på mönsterigenkänning och approximationer, vilket kan leda till mindre exakta beräkningsresultat.

AI-förordningen (AI Act)

Möjligheterna med att använda AI är oändliga och för att hantera risker kring utveckling och användning har EU arbetat på en rättsakt om AI. EU AI Act är en av de mest betydande regleringarna som påverkar användningen av AI. Den här lagstiftningen, som ofta jämförs med GDPR, kommer att ha stor påverkan på hur AI används, särskilt i sektorer där AI-system med hög risk används.

EU AI Act delar in AI-system i fyra riskkategorier: oacceptabel risk, hög risk, begränsad risk och minimal risk. För hög risk-system krävs särskilda åtgärder för att säkerställa att de uppfyller lagkraven, inklusive noggrann övervakning och rapportering. Det finns också krav på transparens för AI-system som används brett och ger upphov till systematiska risker. Målsättningen är att reglera för säkra, transparenta, spårbara, icke-diskriminerande och miljövänliga. Vill du läsa mer finns frågor och svar framtagna av EU-kommissionen.

ISA 250 och NOCLAR

Varför får EU AI Act sådan effekt? Därför att sanktionerna för överträdelser är så pass höga. Sannolikheten är därför stor att överträdelse är att betrakta som materiell där ISA 250 och specifikt NOCLAR (Non-Compliance with Laws and Regulations) behöver beaktas. Företag måste vara medvetna om de potentiella konsekvenserna av att inte följa EU AI Act, inklusive böter, som kan vara betydande nog att påverka de finansiella rapporterna. Det är därför viktigt att företag noggrant övervakar och följer utvecklingen av dessa regler för att säkerställa regelefterlevnad.

Källor till kunskap om AI

• Internetstiftelsen är en oberoende, affärsdriven och allmännyttig organisation som tagit fram grundläggande och specificerade kurser inom AI: https://internetkunskap.se/grundkurs-i-ai/
• AI Sweden är det nationella centret för tillämpad AI och samlar mer än 120 partners från offentlig och privat sektor samt akademi och har olika kurser, bland annat Starta din AI-resa och olika utbildningsfilmer via Youtube 
• AI Competence for Sweden är ett nationellt initiativ för utbildning och kompetensutveckling inom artificiell intelligens. Här samlas information om tillgängliga kurser 
• Elements of AI är en kurs som tagits fram av MinnaLearn och Helsingfors Universitet med målet att göra AI förståeligt för alla. Peltarion och Linköpings universitet har tagit kursen till Sverige