论文部分内容阅读
【摘要】智能财务不是简单的“人工智能+财务”或者“财务+人工智能”， 其应用技术的实现有其工作原理，需要具备“闭环思维”。 通过借鉴人工智能在其他领域的应用场景与技术原理， 总结出智能财务应用的技术原理， 包括： 特定财务工作场景的数据化; 基于财务工作逻辑的算法化及其迭代优化; 将数据智能与财务工作场景融合实现产品化; 实现智能财务应用的平台化。 这四条技术原理构成智能财务应用的反馈闭环。
【关键词】智能财务;技术原理;数据化;算法化;产品化;平台化
【中图分类号】 F232 【文献标识码】A 【文章编号】1004-0994（2021）07-0021-6
一、引言
技术原理并不等价于专业的技术知识。 事实上， 某项应用的技术原理涵盖了思想层面、架構层面和代码层面。 了解基本的思想和架构层面的原理， 有助于我们根据千变万化的具体工作场景， 通过分析和判断找到创造性的应用模式。
要构建智能财务应用场景的技术原理， 可以从商业应用原理和数据技术原理两个维度进行讨论。 在商业应用原理上， 阿里巴巴集团的曾鸣[1] 根据蚂蚁小贷的运营模式， 描述了未来智能商业的样貌：“特定商业场景的数据化、忠实于商业逻辑的算法及其迭代优化， 以及将数据智能与商业场景无缝融合的产品， 这三件事融会贯通、相互包含， 在反馈闭环中共同演化。” 产品化的智能应用将用户的行为数据向云端反馈， 云端的数据智能又通过产品传递给客户端， 由此构成的反馈闭环使机器永不停歇地学习、实时敏捷地进行优化。
在数据技术原理上， 安德鲁·麦卡菲等[2] 提出， 各种智能技术的应用离不开五个并行、相互依赖和重叠的领域的最新进展， 分别是数据、算法、网络、云端和指数级改进的硬件。 价格大幅下降的感应装置作为数据采集的新手段， 产生了大量数据， 激活了更高速度的创新和实验; 这些数据被用于测试和优化算法， 帮助系统进行学习; 同时， 算法被置于云端服务器当中， 并通过强大的网络分发给机器， 使每个终端都享有超强的计算能力和先进的算法; 在此基础上， 创新者又开展下一轮的测试和实验， 产生更多的数据， 如此周而复始， 持续下去。 可以发现， 无论是基于应用角度还是技术角度， 最终都强调数据从产生到运用需要形成一个闭环。
本文认为， 智能财务不是简单的“人工智能+财务”或“财务+人工智能”， 其应用技术的实现有其工作原理， 同样需要具备闭环思维。 在财务转型过程中， 我们广泛借鉴了数字经济时代下的平台、连接、共享、协同和智能化思维， 充分利用新的数字技术实现财务共享服务的数字化转型， 在构建智能财务应用的过程中也参考了互联网应用的设计理念， 借鉴了人工智能在其他领域的应用场景。 从本质上来说， 智能财务的构建是在整个智能商业的环境下发生的， 需要遵循数据科学的基本规律， 智能财务的技术原理与上述两个维度的闭环具有相通之处。
基于此， 本文提出智能财务的技术原理： 第一， 特定财务工作场景的数据化（简称“数据化”）; 第二， 基于财务工作逻辑的算法化及其迭代优化（简称“算法化”）; 第三， 将数据智能与财务工作场景融合实现产品化（简称“产品化”）; 第四， 实现智能财务应用的平台化（简称“平台化”）。 这四个技术原理构成了智能财务应用的反馈闭环。
二、特定财务工作场景的数据化
会计行为本身就是一种数据化行为， 其本质是将一种会计现象转变为可量化形式的过程。 传统的复式记账法通过数据直接反映经营主体的盈亏， 奠定了以标准数据进行记录的基础。 当前， 互联网技术的迅速发展进一步推动了数据化的深度和广度。
不同层面的数据化有不同的侧重点， 前端的智能财务机器人和中间层面的智能财务助理更强调充分、完全的数据采集， 并不断向后传递， 同时实现一定程度的分析; 中高层的智能管理会计应用到后端的智慧企业大脑更强调在数据治理的基础上对数据的不断利用， 并最终汇集到企业的大数据中心， 而构建起前后连接的正是数据中台。 按照数据采集和处理的过程， 数据化有以下技术要点：
1.实现更充分的数据采集以及超越自动化的认知智能。 数据的采集可分为以下三个维度：
（1）基于特定标准和格式的采集。 可按数据发起端和数据接收端进行分类。 数据发起端包括由各类主体开具的数据电文形式的收付款凭证， 如电子发票等电子档案。 当然， 电子形式的数据来源只是财务机器人可采集数据的最简单形式， 面对非结构化的数据， 则需要在数据接收端提升采集能力。 数据接收端包括运用光学字符识别（OCR）和文本分析技术进行视觉识别、运用自然语言处理（NLP）和语音技术进行听力识别等， 这类对于文件信息（如发票）的识别， 实际上是基于预定位置和逻辑而实现的， 对于不同的票据均需要专门定义。
（2）基于任意标准格式的采集。 由于财务所接收的文件并不都具备统一格式和报告标准， 因此数据的采集不能仅基于具体位置的预定义逻辑， 还需要发挥人工智能认知技术自主选择提取特定数据的作用。 只有这样， 数据采集的来源才可能延伸到非结构化或半结构化文档中， 如审计报告、财务报表以及其他格式不同的研究报告和法律合同等， 为提供更高层次的机器学习、分析和应用提供资源。
（3）基于书面内容以外的行为数据的采集。 除了上述以书面形式呈现的数据源， 面对更加细化的行为数据， 智能财务可通过终端采集， 而且相较于PC端， 其更强调智能手机等移动终端。 移动终端作为企业应用的重要数据采集器， 可采集的数据颗粒度大大细化。 参考史雁军[3] 列举的可以从移动终端用户获取的数据类型， 智能财务可考虑在为企业内外用户提供服务时获取以下类型的数据： ①使用情况， 包括用户处理业务的内容和使用频率; ②信用情况， 特别是外部客户的还款行为和社会信用状态; ③位置信息， 用以识别用户的活动区域范围和相关属性， 并与时间进行关联; ④潜在价值， 即综合用户的各项数据和历史信息变化， 预测用户的价值发展趋势; ⑤财务数据， 用来记录用户的历史交易（如出差报销、采购活动等）并进行趋势分析。 2.对采集的数据进行治理以便更好地提供服务。 这本质上是数据中台数据应用闭环的体现。 在数据服务方面， 主要通过数据中台对所采集的数据功能进行激活， 具体则是强化数据治理。 财务需要在企业数据战略、管理政策的框架下， 进行数据架构、数据标准、主数据等工作的治理咨询， 并进行数据需求管理、数据仓库平台建设和应用流程的建立和评估[4] 。 智能财务助理作为面向业务人员和财务人员个体的助理型应用， 强调快速和灵活性， 以往的数据处理都无法做到， 这正是数据中台的优势体现， 也是建立智能财务必须从财务共享服务数字化转型、建立数据中台开始的根本原因。 在此基础上， 财务部门可以建立起数据集市， 将不同来源的数据关联起来并加以标准化， 描绘出用户需求的动态图[5] 。 其背后的本质是通过对相关元数据的加工， 构建完整的财务语义层模型， 以满足场景化的需求， 这是实现人机交互的必要前提。 对此， 国资委在发布的《关于加快推进国有企业数字化转型工作的通知》中也明确提出：“加强数据标准化、元数据和主数据管理工作……强化业务场景数据建模， 深入挖掘数据价值， 提升数据洞察能力。” 通过数据集市， 可以将用户行为与财务通过数据创造的价值结合起来， 方便财务部门明确哪方面的服务可以转化为收益， 从而提供更加精确的绩效评价和反馈。
三、基于财务工作逻辑的算法化及其迭代优化
1. 算法的基本分类及其应用原则。 算法本质上就是告诉计算机应该做什么的一系列指令。 当前， 具体的算法和对算法的分类非常多， 但都基于几个基本思路。 佩德罗·多明戈斯[6] 指出， 人工智能领域的核心思想主要归为五个学派， 每个学派都有其主算法， 它们分别是：①符号学派， 即所有信息都可以简化为操作符号进行替代表达和推理， 其主算法是逆向演绎; ②联结学派， 即模拟大脑神经元， 通过调整各层神经元之间的连接强度来进行学习， 主算法是反向传播学习算法; ③进化学派， 即通过对参数进行微调， 使得利用计算机模仿自然进化成为可能， 主算法是基因编程; ④贝叶斯学派， 即利用概率推理来处理嘈杂、不完整甚至自相矛盾的信息， 主算法是贝叶斯定理及其衍生定理; ⑤类推学派， 即在不同场景中认识到相似性， 并由此推导出其他的相似性， 主算法是支持向量机。 在此基础上， 佩德罗·多明戈斯[6] 提出了“终极算法”的设想， 即一种算法可以涵盖上述各类不同的能力。 需要补充说明的是， 有别于传统简单自动化的RPA处理， 基于算法的机器学习能力才是财务信息技术从自动化跃迁到智能化的根本前提。
基于此， 本文提出财务人员学习和利用算法的两大原则： 第一， 根据对商业本质的理解、人性的洞察和财务数字化转型的方向设计和优化算法。 例如， 下文将讨论的推荐算法， 本质上就是在类推学派的理念下发展而来， 它遵循把顾客可能感兴趣的商品推销给顾客的基本商业逻辑， 或者在考虑决策人非理性因素的情况下， 选择适用的算法对决策进行优化等。 第二， 将算法原理与财务专业相结合。 智能投顾领域的现代投资组合理论（MPT）模型正是基于贝叶斯分析方法和资本资产定价理论来构建的， 财务人员需考虑的是如何将会计基本原理和财务管理相关理论与算法结合。
2. 智能财务算法化的技术原理。 不同层面的应用在要实现的能力提升和选择的算法上各有不同， 需要基于特定的财务工作场景进行算法选择和设计。 智能财务机器人要求提升操作和数据识别的准确性， 偏向于利用联结学派的神经网络等算法; 智能财务助理要求为员工提供针对性的数据服务， 偏向于利用类推学派的相关算法; 智能管理会计应用要求的是强大的数据处理和预测能力， 贝叶斯学派的相关预测模型算法可能是较好的选择; 智慧企业大脑需要实现近乎通用的人工智能， 当前的算法模型以及算法迭代方式可能并不能满足需要， 必须创造“终极算法”或寻找新的算法迭代方式。
需要指出的是， 推荐算法同样可以运用于智能管理会计应用的数据服务当中， 智能财务助理也离不开分析和预测算法模型对数据的处理， 而且一个应用场景所体现的复杂功能不是仅靠一类算法就可以实现的。 因此， 各类应用与这些算法之间并不是完全对应和界限分明的， 本文就各类算法的突出表现进行介绍， 具体应用中还是以应用场景的需求为标准进行判断和选择。
（1）与提升操作和识别准确性有关的算法。 智能财务应用在处理重复业务和采集数据的过程中也需要像人类一样， 通过观察和适应自身的环境来学习， 提高其表现。 深度学习领域中的卷积神经网络（CNN）算法可以通过监督学习或非监督学习的形式， 帮助智能财务实现视觉识别和听力识别能力的提高。 以视觉识别为例， 卷积神经网络算法可以对字符识别数据库进行自动更新， 并通过对大量字符集进行标注和训练， 逐步形成所需要的神经网络模型， 以达到媲美人类智能识别的准确度。 另外， 还可以根据所识别内容的不同（如英文、中文、数字等）配备相应的引擎， 进一步提高可信度[7] 。 在其他的机器人工作中也同理， 记账、报表生成等也可以随着用于训练的标签数据量的增大而不断进行动态调整和优化。 人脑的学习机制本身就是调整神经元之间连接的强度。 智能财务要提高各类自动化工作的“熟练度”， 而非定死在某个指标上， 本质上就是利用联结学派算法的理念， 不断将系统输出的结果与想要的结果进行比较， 逐层改变神经元之间的连接， 进而形成追求最优解的能力。
（2）与提供针对性客户服务有关的算法。 智能财务的应用不一定要重新研发新的人工智能技术， 一个好的技术可以在很多行业成功应用， 而我们需要通过深度观察来选择成熟的技術并移植到合适的应用场景中。 当前， 推荐算法已经广泛应用于电商、网络媒体和教育信息化等领域， 带来了巨大的经济效益并引发了用户习惯的深刻改变。
本文认为， 智能财务应用可以选择面向客户的各类分析模型， 其中较为常见的三种为聚类、预测和推荐[3] 。 聚类是一种应用机器学习算法的分析技术， 目的是从大量数据中发现可能的关联。 简单来说， 聚类就是从数据中发现类别[8] ， 在智能财务应用中其对数据集进行分析， 从中发现具有相似个性特征和社群特征的客户/用户群体， 为提供更加有针对性的数据服务做准备， 目前相关算法已较为成熟地应用于财务共享中心制证环节， 通过随机森林、TextCNN等算法已经可以将财务共享中心的经济活动较为精准（精确度大于96%）地生成会计凭证， 实现通过聚类算法智能制证。 预测分析是通过学习用户过去的行为来预测未来行为的倾向性。 智能财务可以借此预测用户想要获取的业务服务类型、最希望看到哪些方面的数据、最有可能需要学习的课程内容等。 聚类和预测是实现推荐应用的前提条件， 根据推荐技术的基本原理， 智能财务可以建立用户的个人信息， 基于内外部人员经常处理的业务、获取数据的权限、对共享服务的评价、学习的课程等， 了解用户的特征与潜在需求; 随后将用户信息与数据库进行比对， 过滤出用户相关的内容并加以整合、分类、注解或索引， 利用机器学习的方式提取用户偏好， 帮助用户选择最有用的信息并进行推荐。 （3）与提升分析和预测能力有关的算法。 财务基于数据仓库， 进行数据挖掘和应用分析、支持企业管理层经营决策， 一直是决策支持系统等管理系统致力于实现的目标， 这部分的分析方法和模型往往也最为复杂。 伴随着计算机应用的发展， 目前主要开发了基于回归分析、指数平滑等方法的预测模型， 以及基于线性规划、线性盈亏方法的决策优化分析模型[9] ， 种种相关的模型集中在模型库当中， 与财务专家的经验、知识与科学方法集于一体， 赋予决策者预测和分析问题的能力[10] 。 人工智能技术使得智能体技术更多地应用于模型库中， 实现预测能力的提升[11] 。 但是， 受数据量、计算能力和模型分析能力的限制， 其作用发挥有限。 当前， 在充分数据化的前提下， 那些影响因素众多、决策过程复杂且无规律可循的半结构化与非结构化决策， 也可以采用机器学习的方式实现。 在涉及分析、预测与决策的场景中， 财务可以采用无监督学习算法处理大量非标签化数据， 基于数据本身的内在关联而非传统的财务思维得到特定的决策模型与决策规则， 为企业中高层管理者结合自身的经验判断和个人偏好进行决策提供有效辅助; 在反舞弊与风险控制场景中， 可以采用监督学习算法提取历史舞弊案例和相关财务数据中的特征， 找到模型的特征与舞弊和财务风险之间的相关性， 提高风险预警能力。
（4）尝试开发“终极算法”或可自动切换的算法。 上述算法的选择和应用其实建立在一种基本的合作模式之上， 那就是财务和业务专家选择并获取相关数据、提出需求， 机器学习专家根据需求进行算法选择和训练。 但正如阿米尔·侯赛因[12] 指出的， 我们可以找到让该模型变得更精确的附加数据， 但生成该模型的算法不会发生变化， 而算法的切换则几乎相当于开启一项新的工作。 比如， 在智能管理会计应用中， 开发出来的反舞弊和风险控制监督算法与精益成本管理想要实现的功能是基于不同的业务逻辑， 形成完全不同的算法逻辑。 在前者应用场景中所形成的能力不具备可迁移应用的特征， 也就意味着企业需要根据各个具体的应用领域分别进行算法选择和训练， 开发成本较高。 而且， 算法迁移应用和自我迭代的问题如果不能得到解决， 则很难实现具备通用人工智能能力的智慧企业大脑应用， 算法可能只会成为一种更高水平的模型， 而不会带来人工智能应用对于企业的颠覆性变化。 面对这一问题， 主要有两种解决思路：第一， 开发“终极算法”[6] ， 该算法可以应用于智能财务的各类场景当中， 不需要单独调试和训练; 第二， 开发可以实现在算法之间无缝转换， 以满足不同财务工作领域训练要求的算法运用机制[12] ， 这样算法就可以进行自我调整并迭代优化， 根据具体的情况进行改变和学习， 在较少业务专家和机器学习专家参与的情况下实现自我建设。
四、将数据智能与财务工作场景融合实现产品化
产品化就是把一种技术或服务通过标准化、规范化的流程形成一种可大规模复制生产和发布的能力， 它主要体现的是能力的复用性和可移植性。 产品化的作用体现在以下两个方面：第一， 提高用户体验， 便于数据采集。 曾鸣[1] 指出， 产品可以真正把用户、数据和算法创造性地连接起来， 是与用户完成个性化、实时、海量、低成本互动的端口， 它不仅直接影响了用户体验， 而且记录了用户数据， 形成反馈闭环， 进而不断优化以更好地理解客户需求、提升用户体验。 对智能财务而言， 智能财务机器人、智能财务助理等均可以通过终端的应用实现快速调用， 这不仅可以实现更细颗粒度数据的采集与反馈， 而且强化了财务的服务职能。 第二， 便于智能财务应用的推广部署， 并形成向外输出的能力。 传统财务共享服务中心的功能扩展就是承接外部企业的服务业务， 独立经营并创造价值， 这本身是一种产品化的体现， 数据中台的核心理念更是将形成的数据服务进行沉淀和复用。 当企业的智能财务应用实现较高程度的产品化时， 甚至可以考虑对外提供相关服务， 进一步提升财务创造价值的能力。
对财务人员而言， 需要明确在不同的应用场景中， 智能财务的产品化有不同的表现形式。 智能财务机器人应用场景中的技术通常以软件形式交付， 根据不同的具体功能衍生出众多产品形式， 如对账机器人（自动企税对账、银企对账和往来对账）、报表机器人（自动识别和汇总、提交异常报表数据）、开票机器人（自动开票、金税直联）、月结机器人（自动报告月结状态、检查月结异常和出具月结报告）和预警机器人（收入异常预计、资金异常预计）等。 不同功能的智能财务机器人都有着同样的底层开发原理， 主要由三部分构成：一是开发工具， 其作用是进行机器人软件的配置和设计， 对需要执行的指令和决策逻辑进行编程， 就是教机器人怎么做的过程; 二是运行工具， 用以检查机器人的运行结果， 并实际使用设计好的机器人; 三是控制中心， 主要执行对机器人的部署与管理， 包括启动或停止、设置工作日程、对不同机器人进行集中控制等。
智能财务助理以及智能管理会计应用的主要产品还通过查询、报表、可視化等形式进行展现， 具体包括高管驾驶舱、业绩仪表盘、绩效对话台、数据大屏、内部管理看板和移动终端中的虚拟助理等形式[4] 。 正如阿黛尔·斯威特伍德[5] 所言， “只有在营销工具箱里添上分析和可视化工具， 你才能从费尽心思培育和治理的数据中讲出故事来”。
本文同样认为， 只有将智能财务应用融入财务和业务人员的日常工作和生活中， 才能最大限度地发挥财务的服务职能， 进一步形成数据应用的闭环。 其中， 最为主要的产品化表现形式是虚拟助理（Virtual Assistants）或聊天机器人， 用来支持业务财务职能以及业务人员自服务。 虚拟助理或聊天机器人已经得到了广泛的使用， 如苹果的Siri、谷歌的Google Assistant、微软的Cortana以及小米的小爱同学等。 这一类型的应用是智能财务实现多模态交互和人机协同的关键， 这类助理应用可以通过自然语言、图表和图形来回答人们口头提出的问题， 而不再仅使用传统的电子表格， 可以看成是上述虚拟助理的专业财务版本。 根据应用场景复杂程度的不同， 安永将产品化的虚拟助理区分为以下三个层次：一是满足简单问答和低复杂度的工作; 二是实现情景化、个性化的反馈， 并及时更新状态; 三是实现复杂的询问， 进行自动化的决策制定和主动推荐。 进一步设想， 在智慧企业大脑的应用层面， 若经过复杂且困难的算法化实现了更强的预测能力， 但仍只是通过可视化的形式展示， 从一定程度上来说并没有真正发挥人工智能的作用。 行为主义人工智能（或称进化学派算法）的目的是实现真正的“通用智能”， 即可以理解或学习人类的方式， 在各种环境中完成任意任务。 因此， 正如涂扬举[13] 所述， 智慧企业的最高追求是实现“自主演进”， 可以利用大数据驱动进行持续的学习、纠错和演进迭代。 智能财务更高级的产品形态可能是融入智慧企业整体中， 通过与内外部环境的自主协调和目标调整， 实现企业的持续增长。 此时， 我们需要考虑的可能已经不是智能财务的产品形态问题， 而是智能财务作为一种无处不在的工作方式， 如何与人类形成一种良好的人机协同关系。
五、实现智能财务应用的平台化
作为财务转型的重要思维创新之一， 平台思维在财务组织架构转型、财务共享服务数字化转型的过程中发挥着重要的作用。 平台化是建立在产品化基础上的， 并且在具体的表现形式上分为硬件平台和软件平台两个维度。
在硬件平台方面， 平台化更强调企业大数据中心数字基础设施的建设， 包括为算法提供计算能力的基础硬件、为算法模型提供基础资源的数据以及基本的数据存储能力， 还包括通过云计算平台建设实现的数字基础设施。 提供计算能力的基础硬件本质上就是通常所称的“芯片”：CPU（中央处理器）是最常见的一种通用处理器， 提供通用的计算能力; ASIC（专用集成电路）主要是针对某一种场景的应用， 其性能比一般通用芯片更强; GPU（图像处理器）也是一种专用芯片， 在图像处理的特定场景具有优势， 如结构化的票据识别和非结构化的人脸识别等， 同时， 考虑到目前产业端大部分智能厂商对于GPU进行过较为普及的应用优化， 可以预见GPU在今后的商业智能领域中能发挥更为显著的作用。
通常财务人员不会直接接触这方面的工作， 但需要明确它是企业根据应用场景进行选择的， 要考虑的要素包括体积、功耗、可靠性、性能、保密性和成本等; 数据资源经过财务共享服务的数字化转型和上述采集， 已经可以涵盖经营管理活动数据、公共大数据、第三方平台服务数据等; 数据的存储主要考虑成本和安全性。 托马斯·达文波特[14] 指出， 当前IT管理者越来越将Hadoop（一种大数据开发程序， 用以对海量数据进行存储和计算）作为大量历史数据存档和快速检索的低成本替代方案， 同时可以与传统的数据库和以数据集市为基础的平台基础架构共存。 另外， 云计算平台可以为硬件条件有限的小型企业、大型企业的分子公司提供自身难以具备的数据存储能力和计算能力， 它一方面降低了企业进行智能财务升级的技术门槛， 另一方面通过云的方式实现了数据的互联互通， 从而便于各类应用场景中的用户进行更加紧密的协作。 相关社会专业的平台化服务能力为财务精细化管理和面向社会流程再造提供了基础， 在目前绝大部分财务共享中心建设过程中， 税务、商旅、采购等业务都已经借助平台服务能力实现了更敏捷的整合。
在软件平台方面， 智能财务的四大应用场景建立在统一的财务管理平台之上， 其架构如图1所示：
六、智能财务四大应用场景及技术原理总结
回顾智能财务的技术原理可以发现， 数据化、算法化、产品化和平台化整体上构成了数据运用的闭环。 数据化在底层实现数据的采集、传输和数据治理; 算法化在數据化的基础上集中发挥机器学习对数据处理的作用; 产品化将产生的数据服务进行包装， 便于用户使用; 平台化则提供了基本的硬件基础设施， 并将各类应用场景统一在一个平台上， 用户在平台上的使用过程就是数据不断产生、采集、分析并应用的过程。
涂扬举[13] 将智慧企业比喻成像人工智能的“人”， 通过决策脑、专业脑和单元脑“三脑协同”构成智慧企业形态。 李平等[15] 在分析生态型组织时也将企业的“三台架构”比喻成“人”：前台如四肢， 执行最小可分解单元的任务; 中台如躯干， 执行相互依赖条件下的高度协作任务; 后台如头脑， 进行方向指引， 强调思考与布局。 根据智能财务的四层应用场景和三个环节的技术原理可以发现， 智能财务在纵向和横向上同样构成了类似人类智能的架构。
从纵向上看， 几类应用场景使智能财务构成了像人一样的整体结构。 智能财务机器人像人的四肢， 负责自动处理智能财务所需完成的操作性工作，
在自动处理业务的同时， 通过感知将产生的数据直接传递到后续的应用场景当中; 智能财务助理像人的躯体或内脏， 负责获取感知， 履行各种具体管理职能以及需要与业务进行高度融合的协作性工作; 智能管理会计应用以及智慧企业大脑就像人的大脑， 负责大量数据的汇集处理和整体调度， 实现管理会计的信息化并推动智慧企业的建设。
从横向上看， 单个应用场景同样具备人的智能特征， 具备人类所拥有的感知能力、记忆和思维能力、学习和自适应能力以及行动能力。 以智能财务机器人为例， 人工智能赋予其感知能力， 具备视觉来进行图像和文本分析， 具备听觉识别人类发出的指令并进行语言分析; 人工智能还赋予其学习能力， 通过算法对识别的准确度进行学习和改进， 并自主寻找自动化的机会; 人工智能更赋予其行动的能力， 像人一样用手来执行基本的操作。
本文认为这是智能财务作为人工智能和财务工作全面融合的科学应用场景体系， 同时也是智能财务形态的一种形象化展现。
【 主 要 参 考 文 献 】
[1] 曾鸣.智能商业[M].北京：中信出版社，2018：115 ～ 128.
[2] 安德鲁·麦卡菲，埃里克·布莱恩约弗森著.林丹明，徐宗玲译.人机平台：商业未来行动路线图[M].北京：中信出版社，2018：200 ～ 300.
[3] 史雁军.数字化客户管理：数据智能时代如何洞察、连接、转化和赢得价值客户[M].北京：清华大学出版社，2018：1 ～ 254.
[4] 王兴山.数字化转型中的企业进化[M].北京：电子工业出版社，2019：85 ～ 125.
[5] 阿黛尔·斯威特伍德著.蒋春丽，蒋顺利译.智慧营销：营销部门数字化转型指南[M].北京：机械工业出版社，2019：24.
[6] 佩德罗·多明戈斯著.黄芳萍译.终极算法：机器学习和人工智能如何重塑世界[M].北京：中信出版社，2016：1 ～ 100.
[7] 王言.RPA：流程自动化引领数字劳动力革命[M].北京：机械工业出版社，2020：150 ～ 200.
[8] 温克特·斯里尼瓦森著.宫鑫，刘畅，刘婷婷译.大数据实战：构建智能化企业[M].北京：人民邮电出版社，2018：46 ～ 97.
[9] 杨帆.面向财务管理的预测决策分析系统[ J].计算机应用研究，1994（5）：50 ～ 51+55.
[10] 梁荣华，史济建.人工智能在财务决策支持系统中的应用[ J].计算机工程与应用，2001（8）：118 ～ 121.
[11] 高长元，罗莉苹.基于多Agent技术的财务预测系统研究[ J].科技与管理，2008（2）：61 ～ 63.
[12] 阿米尔·侯赛因著.赛迪研究院专家组译.终极智能：感知机器与人工智能的未来[M].北京：中信出版社，2018：1 ～ 300.
[13] 涂扬举.智慧企业概论[M].北京：科学出版社，2019：1 ～ 100.
[14] 托马斯·达文波特著.盛杨灿译.数据化转型[M].杭州： 浙江人民出版社，2018：100 ～ 200.
[15] 李平，孙黎，邹波等.虑深通敏 与时偕行——三台组织架构如何应对危机[ J].清华管理评论，2020（5）：79 ～ 85.
【关键词】智能财务;技术原理;数据化;算法化;产品化;平台化
【中图分类号】 F232 【文献标识码】A 【文章编号】1004-0994（2021）07-0021-6
一、引言
技术原理并不等价于专业的技术知识。 事实上， 某项应用的技术原理涵盖了思想层面、架構层面和代码层面。 了解基本的思想和架构层面的原理， 有助于我们根据千变万化的具体工作场景， 通过分析和判断找到创造性的应用模式。
要构建智能财务应用场景的技术原理， 可以从商业应用原理和数据技术原理两个维度进行讨论。 在商业应用原理上， 阿里巴巴集团的曾鸣[1] 根据蚂蚁小贷的运营模式， 描述了未来智能商业的样貌：“特定商业场景的数据化、忠实于商业逻辑的算法及其迭代优化， 以及将数据智能与商业场景无缝融合的产品， 这三件事融会贯通、相互包含， 在反馈闭环中共同演化。” 产品化的智能应用将用户的行为数据向云端反馈， 云端的数据智能又通过产品传递给客户端， 由此构成的反馈闭环使机器永不停歇地学习、实时敏捷地进行优化。
在数据技术原理上， 安德鲁·麦卡菲等[2] 提出， 各种智能技术的应用离不开五个并行、相互依赖和重叠的领域的最新进展， 分别是数据、算法、网络、云端和指数级改进的硬件。 价格大幅下降的感应装置作为数据采集的新手段， 产生了大量数据， 激活了更高速度的创新和实验; 这些数据被用于测试和优化算法， 帮助系统进行学习; 同时， 算法被置于云端服务器当中， 并通过强大的网络分发给机器， 使每个终端都享有超强的计算能力和先进的算法; 在此基础上， 创新者又开展下一轮的测试和实验， 产生更多的数据， 如此周而复始， 持续下去。 可以发现， 无论是基于应用角度还是技术角度， 最终都强调数据从产生到运用需要形成一个闭环。
本文认为， 智能财务不是简单的“人工智能+财务”或“财务+人工智能”， 其应用技术的实现有其工作原理， 同样需要具备闭环思维。 在财务转型过程中， 我们广泛借鉴了数字经济时代下的平台、连接、共享、协同和智能化思维， 充分利用新的数字技术实现财务共享服务的数字化转型， 在构建智能财务应用的过程中也参考了互联网应用的设计理念， 借鉴了人工智能在其他领域的应用场景。 从本质上来说， 智能财务的构建是在整个智能商业的环境下发生的， 需要遵循数据科学的基本规律， 智能财务的技术原理与上述两个维度的闭环具有相通之处。
基于此， 本文提出智能财务的技术原理： 第一， 特定财务工作场景的数据化（简称“数据化”）; 第二， 基于财务工作逻辑的算法化及其迭代优化（简称“算法化”）; 第三， 将数据智能与财务工作场景融合实现产品化（简称“产品化”）; 第四， 实现智能财务应用的平台化（简称“平台化”）。 这四个技术原理构成了智能财务应用的反馈闭环。
二、特定财务工作场景的数据化
会计行为本身就是一种数据化行为， 其本质是将一种会计现象转变为可量化形式的过程。 传统的复式记账法通过数据直接反映经营主体的盈亏， 奠定了以标准数据进行记录的基础。 当前， 互联网技术的迅速发展进一步推动了数据化的深度和广度。
不同层面的数据化有不同的侧重点， 前端的智能财务机器人和中间层面的智能财务助理更强调充分、完全的数据采集， 并不断向后传递， 同时实现一定程度的分析; 中高层的智能管理会计应用到后端的智慧企业大脑更强调在数据治理的基础上对数据的不断利用， 并最终汇集到企业的大数据中心， 而构建起前后连接的正是数据中台。 按照数据采集和处理的过程， 数据化有以下技术要点：
1.实现更充分的数据采集以及超越自动化的认知智能。 数据的采集可分为以下三个维度：
（1）基于特定标准和格式的采集。 可按数据发起端和数据接收端进行分类。 数据发起端包括由各类主体开具的数据电文形式的收付款凭证， 如电子发票等电子档案。 当然， 电子形式的数据来源只是财务机器人可采集数据的最简单形式， 面对非结构化的数据， 则需要在数据接收端提升采集能力。 数据接收端包括运用光学字符识别（OCR）和文本分析技术进行视觉识别、运用自然语言处理（NLP）和语音技术进行听力识别等， 这类对于文件信息（如发票）的识别， 实际上是基于预定位置和逻辑而实现的， 对于不同的票据均需要专门定义。
（2）基于任意标准格式的采集。 由于财务所接收的文件并不都具备统一格式和报告标准， 因此数据的采集不能仅基于具体位置的预定义逻辑， 还需要发挥人工智能认知技术自主选择提取特定数据的作用。 只有这样， 数据采集的来源才可能延伸到非结构化或半结构化文档中， 如审计报告、财务报表以及其他格式不同的研究报告和法律合同等， 为提供更高层次的机器学习、分析和应用提供资源。
（3）基于书面内容以外的行为数据的采集。 除了上述以书面形式呈现的数据源， 面对更加细化的行为数据， 智能财务可通过终端采集， 而且相较于PC端， 其更强调智能手机等移动终端。 移动终端作为企业应用的重要数据采集器， 可采集的数据颗粒度大大细化。 参考史雁军[3] 列举的可以从移动终端用户获取的数据类型， 智能财务可考虑在为企业内外用户提供服务时获取以下类型的数据： ①使用情况， 包括用户处理业务的内容和使用频率; ②信用情况， 特别是外部客户的还款行为和社会信用状态; ③位置信息， 用以识别用户的活动区域范围和相关属性， 并与时间进行关联; ④潜在价值， 即综合用户的各项数据和历史信息变化， 预测用户的价值发展趋势; ⑤财务数据， 用来记录用户的历史交易（如出差报销、采购活动等）并进行趋势分析。 2.对采集的数据进行治理以便更好地提供服务。 这本质上是数据中台数据应用闭环的体现。 在数据服务方面， 主要通过数据中台对所采集的数据功能进行激活， 具体则是强化数据治理。 财务需要在企业数据战略、管理政策的框架下， 进行数据架构、数据标准、主数据等工作的治理咨询， 并进行数据需求管理、数据仓库平台建设和应用流程的建立和评估[4] 。 智能财务助理作为面向业务人员和财务人员个体的助理型应用， 强调快速和灵活性， 以往的数据处理都无法做到， 这正是数据中台的优势体现， 也是建立智能财务必须从财务共享服务数字化转型、建立数据中台开始的根本原因。 在此基础上， 财务部门可以建立起数据集市， 将不同来源的数据关联起来并加以标准化， 描绘出用户需求的动态图[5] 。 其背后的本质是通过对相关元数据的加工， 构建完整的财务语义层模型， 以满足场景化的需求， 这是实现人机交互的必要前提。 对此， 国资委在发布的《关于加快推进国有企业数字化转型工作的通知》中也明确提出：“加强数据标准化、元数据和主数据管理工作……强化业务场景数据建模， 深入挖掘数据价值， 提升数据洞察能力。” 通过数据集市， 可以将用户行为与财务通过数据创造的价值结合起来， 方便财务部门明确哪方面的服务可以转化为收益， 从而提供更加精确的绩效评价和反馈。
三、基于财务工作逻辑的算法化及其迭代优化
1. 算法的基本分类及其应用原则。 算法本质上就是告诉计算机应该做什么的一系列指令。 当前， 具体的算法和对算法的分类非常多， 但都基于几个基本思路。 佩德罗·多明戈斯[6] 指出， 人工智能领域的核心思想主要归为五个学派， 每个学派都有其主算法， 它们分别是：①符号学派， 即所有信息都可以简化为操作符号进行替代表达和推理， 其主算法是逆向演绎; ②联结学派， 即模拟大脑神经元， 通过调整各层神经元之间的连接强度来进行学习， 主算法是反向传播学习算法; ③进化学派， 即通过对参数进行微调， 使得利用计算机模仿自然进化成为可能， 主算法是基因编程; ④贝叶斯学派， 即利用概率推理来处理嘈杂、不完整甚至自相矛盾的信息， 主算法是贝叶斯定理及其衍生定理; ⑤类推学派， 即在不同场景中认识到相似性， 并由此推导出其他的相似性， 主算法是支持向量机。 在此基础上， 佩德罗·多明戈斯[6] 提出了“终极算法”的设想， 即一种算法可以涵盖上述各类不同的能力。 需要补充说明的是， 有别于传统简单自动化的RPA处理， 基于算法的机器学习能力才是财务信息技术从自动化跃迁到智能化的根本前提。
基于此， 本文提出财务人员学习和利用算法的两大原则： 第一， 根据对商业本质的理解、人性的洞察和财务数字化转型的方向设计和优化算法。 例如， 下文将讨论的推荐算法， 本质上就是在类推学派的理念下发展而来， 它遵循把顾客可能感兴趣的商品推销给顾客的基本商业逻辑， 或者在考虑决策人非理性因素的情况下， 选择适用的算法对决策进行优化等。 第二， 将算法原理与财务专业相结合。 智能投顾领域的现代投资组合理论（MPT）模型正是基于贝叶斯分析方法和资本资产定价理论来构建的， 财务人员需考虑的是如何将会计基本原理和财务管理相关理论与算法结合。
2. 智能财务算法化的技术原理。 不同层面的应用在要实现的能力提升和选择的算法上各有不同， 需要基于特定的财务工作场景进行算法选择和设计。 智能财务机器人要求提升操作和数据识别的准确性， 偏向于利用联结学派的神经网络等算法; 智能财务助理要求为员工提供针对性的数据服务， 偏向于利用类推学派的相关算法; 智能管理会计应用要求的是强大的数据处理和预测能力， 贝叶斯学派的相关预测模型算法可能是较好的选择; 智慧企业大脑需要实现近乎通用的人工智能， 当前的算法模型以及算法迭代方式可能并不能满足需要， 必须创造“终极算法”或寻找新的算法迭代方式。
需要指出的是， 推荐算法同样可以运用于智能管理会计应用的数据服务当中， 智能财务助理也离不开分析和预测算法模型对数据的处理， 而且一个应用场景所体现的复杂功能不是仅靠一类算法就可以实现的。 因此， 各类应用与这些算法之间并不是完全对应和界限分明的， 本文就各类算法的突出表现进行介绍， 具体应用中还是以应用场景的需求为标准进行判断和选择。
（1）与提升操作和识别准确性有关的算法。 智能财务应用在处理重复业务和采集数据的过程中也需要像人类一样， 通过观察和适应自身的环境来学习， 提高其表现。 深度学习领域中的卷积神经网络（CNN）算法可以通过监督学习或非监督学习的形式， 帮助智能财务实现视觉识别和听力识别能力的提高。 以视觉识别为例， 卷积神经网络算法可以对字符识别数据库进行自动更新， 并通过对大量字符集进行标注和训练， 逐步形成所需要的神经网络模型， 以达到媲美人类智能识别的准确度。 另外， 还可以根据所识别内容的不同（如英文、中文、数字等）配备相应的引擎， 进一步提高可信度[7] 。 在其他的机器人工作中也同理， 记账、报表生成等也可以随着用于训练的标签数据量的增大而不断进行动态调整和优化。 人脑的学习机制本身就是调整神经元之间连接的强度。 智能财务要提高各类自动化工作的“熟练度”， 而非定死在某个指标上， 本质上就是利用联结学派算法的理念， 不断将系统输出的结果与想要的结果进行比较， 逐层改变神经元之间的连接， 进而形成追求最优解的能力。
（2）与提供针对性客户服务有关的算法。 智能财务的应用不一定要重新研发新的人工智能技术， 一个好的技术可以在很多行业成功应用， 而我们需要通过深度观察来选择成熟的技術并移植到合适的应用场景中。 当前， 推荐算法已经广泛应用于电商、网络媒体和教育信息化等领域， 带来了巨大的经济效益并引发了用户习惯的深刻改变。
本文认为， 智能财务应用可以选择面向客户的各类分析模型， 其中较为常见的三种为聚类、预测和推荐[3] 。 聚类是一种应用机器学习算法的分析技术， 目的是从大量数据中发现可能的关联。 简单来说， 聚类就是从数据中发现类别[8] ， 在智能财务应用中其对数据集进行分析， 从中发现具有相似个性特征和社群特征的客户/用户群体， 为提供更加有针对性的数据服务做准备， 目前相关算法已较为成熟地应用于财务共享中心制证环节， 通过随机森林、TextCNN等算法已经可以将财务共享中心的经济活动较为精准（精确度大于96%）地生成会计凭证， 实现通过聚类算法智能制证。 预测分析是通过学习用户过去的行为来预测未来行为的倾向性。 智能财务可以借此预测用户想要获取的业务服务类型、最希望看到哪些方面的数据、最有可能需要学习的课程内容等。 聚类和预测是实现推荐应用的前提条件， 根据推荐技术的基本原理， 智能财务可以建立用户的个人信息， 基于内外部人员经常处理的业务、获取数据的权限、对共享服务的评价、学习的课程等， 了解用户的特征与潜在需求; 随后将用户信息与数据库进行比对， 过滤出用户相关的内容并加以整合、分类、注解或索引， 利用机器学习的方式提取用户偏好， 帮助用户选择最有用的信息并进行推荐。 （3）与提升分析和预测能力有关的算法。 财务基于数据仓库， 进行数据挖掘和应用分析、支持企业管理层经营决策， 一直是决策支持系统等管理系统致力于实现的目标， 这部分的分析方法和模型往往也最为复杂。 伴随着计算机应用的发展， 目前主要开发了基于回归分析、指数平滑等方法的预测模型， 以及基于线性规划、线性盈亏方法的决策优化分析模型[9] ， 种种相关的模型集中在模型库当中， 与财务专家的经验、知识与科学方法集于一体， 赋予决策者预测和分析问题的能力[10] 。 人工智能技术使得智能体技术更多地应用于模型库中， 实现预测能力的提升[11] 。 但是， 受数据量、计算能力和模型分析能力的限制， 其作用发挥有限。 当前， 在充分数据化的前提下， 那些影响因素众多、决策过程复杂且无规律可循的半结构化与非结构化决策， 也可以采用机器学习的方式实现。 在涉及分析、预测与决策的场景中， 财务可以采用无监督学习算法处理大量非标签化数据， 基于数据本身的内在关联而非传统的财务思维得到特定的决策模型与决策规则， 为企业中高层管理者结合自身的经验判断和个人偏好进行决策提供有效辅助; 在反舞弊与风险控制场景中， 可以采用监督学习算法提取历史舞弊案例和相关财务数据中的特征， 找到模型的特征与舞弊和财务风险之间的相关性， 提高风险预警能力。
（4）尝试开发“终极算法”或可自动切换的算法。 上述算法的选择和应用其实建立在一种基本的合作模式之上， 那就是财务和业务专家选择并获取相关数据、提出需求， 机器学习专家根据需求进行算法选择和训练。 但正如阿米尔·侯赛因[12] 指出的， 我们可以找到让该模型变得更精确的附加数据， 但生成该模型的算法不会发生变化， 而算法的切换则几乎相当于开启一项新的工作。 比如， 在智能管理会计应用中， 开发出来的反舞弊和风险控制监督算法与精益成本管理想要实现的功能是基于不同的业务逻辑， 形成完全不同的算法逻辑。 在前者应用场景中所形成的能力不具备可迁移应用的特征， 也就意味着企业需要根据各个具体的应用领域分别进行算法选择和训练， 开发成本较高。 而且， 算法迁移应用和自我迭代的问题如果不能得到解决， 则很难实现具备通用人工智能能力的智慧企业大脑应用， 算法可能只会成为一种更高水平的模型， 而不会带来人工智能应用对于企业的颠覆性变化。 面对这一问题， 主要有两种解决思路：第一， 开发“终极算法”[6] ， 该算法可以应用于智能财务的各类场景当中， 不需要单独调试和训练; 第二， 开发可以实现在算法之间无缝转换， 以满足不同财务工作领域训练要求的算法运用机制[12] ， 这样算法就可以进行自我调整并迭代优化， 根据具体的情况进行改变和学习， 在较少业务专家和机器学习专家参与的情况下实现自我建设。
四、将数据智能与财务工作场景融合实现产品化
产品化就是把一种技术或服务通过标准化、规范化的流程形成一种可大规模复制生产和发布的能力， 它主要体现的是能力的复用性和可移植性。 产品化的作用体现在以下两个方面：第一， 提高用户体验， 便于数据采集。 曾鸣[1] 指出， 产品可以真正把用户、数据和算法创造性地连接起来， 是与用户完成个性化、实时、海量、低成本互动的端口， 它不仅直接影响了用户体验， 而且记录了用户数据， 形成反馈闭环， 进而不断优化以更好地理解客户需求、提升用户体验。 对智能财务而言， 智能财务机器人、智能财务助理等均可以通过终端的应用实现快速调用， 这不仅可以实现更细颗粒度数据的采集与反馈， 而且强化了财务的服务职能。 第二， 便于智能财务应用的推广部署， 并形成向外输出的能力。 传统财务共享服务中心的功能扩展就是承接外部企业的服务业务， 独立经营并创造价值， 这本身是一种产品化的体现， 数据中台的核心理念更是将形成的数据服务进行沉淀和复用。 当企业的智能财务应用实现较高程度的产品化时， 甚至可以考虑对外提供相关服务， 进一步提升财务创造价值的能力。
对财务人员而言， 需要明确在不同的应用场景中， 智能财务的产品化有不同的表现形式。 智能财务机器人应用场景中的技术通常以软件形式交付， 根据不同的具体功能衍生出众多产品形式， 如对账机器人（自动企税对账、银企对账和往来对账）、报表机器人（自动识别和汇总、提交异常报表数据）、开票机器人（自动开票、金税直联）、月结机器人（自动报告月结状态、检查月结异常和出具月结报告）和预警机器人（收入异常预计、资金异常预计）等。 不同功能的智能财务机器人都有着同样的底层开发原理， 主要由三部分构成：一是开发工具， 其作用是进行机器人软件的配置和设计， 对需要执行的指令和决策逻辑进行编程， 就是教机器人怎么做的过程; 二是运行工具， 用以检查机器人的运行结果， 并实际使用设计好的机器人; 三是控制中心， 主要执行对机器人的部署与管理， 包括启动或停止、设置工作日程、对不同机器人进行集中控制等。
智能财务助理以及智能管理会计应用的主要产品还通过查询、报表、可視化等形式进行展现， 具体包括高管驾驶舱、业绩仪表盘、绩效对话台、数据大屏、内部管理看板和移动终端中的虚拟助理等形式[4] 。 正如阿黛尔·斯威特伍德[5] 所言， “只有在营销工具箱里添上分析和可视化工具， 你才能从费尽心思培育和治理的数据中讲出故事来”。
本文同样认为， 只有将智能财务应用融入财务和业务人员的日常工作和生活中， 才能最大限度地发挥财务的服务职能， 进一步形成数据应用的闭环。 其中， 最为主要的产品化表现形式是虚拟助理（Virtual Assistants）或聊天机器人， 用来支持业务财务职能以及业务人员自服务。 虚拟助理或聊天机器人已经得到了广泛的使用， 如苹果的Siri、谷歌的Google Assistant、微软的Cortana以及小米的小爱同学等。 这一类型的应用是智能财务实现多模态交互和人机协同的关键， 这类助理应用可以通过自然语言、图表和图形来回答人们口头提出的问题， 而不再仅使用传统的电子表格， 可以看成是上述虚拟助理的专业财务版本。 根据应用场景复杂程度的不同， 安永将产品化的虚拟助理区分为以下三个层次：一是满足简单问答和低复杂度的工作; 二是实现情景化、个性化的反馈， 并及时更新状态; 三是实现复杂的询问， 进行自动化的决策制定和主动推荐。 进一步设想， 在智慧企业大脑的应用层面， 若经过复杂且困难的算法化实现了更强的预测能力， 但仍只是通过可视化的形式展示， 从一定程度上来说并没有真正发挥人工智能的作用。 行为主义人工智能（或称进化学派算法）的目的是实现真正的“通用智能”， 即可以理解或学习人类的方式， 在各种环境中完成任意任务。 因此， 正如涂扬举[13] 所述， 智慧企业的最高追求是实现“自主演进”， 可以利用大数据驱动进行持续的学习、纠错和演进迭代。 智能财务更高级的产品形态可能是融入智慧企业整体中， 通过与内外部环境的自主协调和目标调整， 实现企业的持续增长。 此时， 我们需要考虑的可能已经不是智能财务的产品形态问题， 而是智能财务作为一种无处不在的工作方式， 如何与人类形成一种良好的人机协同关系。
五、实现智能财务应用的平台化
作为财务转型的重要思维创新之一， 平台思维在财务组织架构转型、财务共享服务数字化转型的过程中发挥着重要的作用。 平台化是建立在产品化基础上的， 并且在具体的表现形式上分为硬件平台和软件平台两个维度。
在硬件平台方面， 平台化更强调企业大数据中心数字基础设施的建设， 包括为算法提供计算能力的基础硬件、为算法模型提供基础资源的数据以及基本的数据存储能力， 还包括通过云计算平台建设实现的数字基础设施。 提供计算能力的基础硬件本质上就是通常所称的“芯片”：CPU（中央处理器）是最常见的一种通用处理器， 提供通用的计算能力; ASIC（专用集成电路）主要是针对某一种场景的应用， 其性能比一般通用芯片更强; GPU（图像处理器）也是一种专用芯片， 在图像处理的特定场景具有优势， 如结构化的票据识别和非结构化的人脸识别等， 同时， 考虑到目前产业端大部分智能厂商对于GPU进行过较为普及的应用优化， 可以预见GPU在今后的商业智能领域中能发挥更为显著的作用。
通常财务人员不会直接接触这方面的工作， 但需要明确它是企业根据应用场景进行选择的， 要考虑的要素包括体积、功耗、可靠性、性能、保密性和成本等; 数据资源经过财务共享服务的数字化转型和上述采集， 已经可以涵盖经营管理活动数据、公共大数据、第三方平台服务数据等; 数据的存储主要考虑成本和安全性。 托马斯·达文波特[14] 指出， 当前IT管理者越来越将Hadoop（一种大数据开发程序， 用以对海量数据进行存储和计算）作为大量历史数据存档和快速检索的低成本替代方案， 同时可以与传统的数据库和以数据集市为基础的平台基础架构共存。 另外， 云计算平台可以为硬件条件有限的小型企业、大型企业的分子公司提供自身难以具备的数据存储能力和计算能力， 它一方面降低了企业进行智能财务升级的技术门槛， 另一方面通过云的方式实现了数据的互联互通， 从而便于各类应用场景中的用户进行更加紧密的协作。 相关社会专业的平台化服务能力为财务精细化管理和面向社会流程再造提供了基础， 在目前绝大部分财务共享中心建设过程中， 税务、商旅、采购等业务都已经借助平台服务能力实现了更敏捷的整合。
在软件平台方面， 智能财务的四大应用场景建立在统一的财务管理平台之上， 其架构如图1所示：
六、智能财务四大应用场景及技术原理总结
回顾智能财务的技术原理可以发现， 数据化、算法化、产品化和平台化整体上构成了数据运用的闭环。 数据化在底层实现数据的采集、传输和数据治理; 算法化在數据化的基础上集中发挥机器学习对数据处理的作用; 产品化将产生的数据服务进行包装， 便于用户使用; 平台化则提供了基本的硬件基础设施， 并将各类应用场景统一在一个平台上， 用户在平台上的使用过程就是数据不断产生、采集、分析并应用的过程。
涂扬举[13] 将智慧企业比喻成像人工智能的“人”， 通过决策脑、专业脑和单元脑“三脑协同”构成智慧企业形态。 李平等[15] 在分析生态型组织时也将企业的“三台架构”比喻成“人”：前台如四肢， 执行最小可分解单元的任务; 中台如躯干， 执行相互依赖条件下的高度协作任务; 后台如头脑， 进行方向指引， 强调思考与布局。 根据智能财务的四层应用场景和三个环节的技术原理可以发现， 智能财务在纵向和横向上同样构成了类似人类智能的架构。
从纵向上看， 几类应用场景使智能财务构成了像人一样的整体结构。 智能财务机器人像人的四肢， 负责自动处理智能财务所需完成的操作性工作，
在自动处理业务的同时， 通过感知将产生的数据直接传递到后续的应用场景当中; 智能财务助理像人的躯体或内脏， 负责获取感知， 履行各种具体管理职能以及需要与业务进行高度融合的协作性工作; 智能管理会计应用以及智慧企业大脑就像人的大脑， 负责大量数据的汇集处理和整体调度， 实现管理会计的信息化并推动智慧企业的建设。
从横向上看， 单个应用场景同样具备人的智能特征， 具备人类所拥有的感知能力、记忆和思维能力、学习和自适应能力以及行动能力。 以智能财务机器人为例， 人工智能赋予其感知能力， 具备视觉来进行图像和文本分析， 具备听觉识别人类发出的指令并进行语言分析; 人工智能还赋予其学习能力， 通过算法对识别的准确度进行学习和改进， 并自主寻找自动化的机会; 人工智能更赋予其行动的能力， 像人一样用手来执行基本的操作。
本文认为这是智能财务作为人工智能和财务工作全面融合的科学应用场景体系， 同时也是智能财务形态的一种形象化展现。
【 主 要 参 考 文 献 】
[1] 曾鸣.智能商业[M].北京：中信出版社，2018：115 ～ 128.
[2] 安德鲁·麦卡菲，埃里克·布莱恩约弗森著.林丹明，徐宗玲译.人机平台：商业未来行动路线图[M].北京：中信出版社，2018：200 ～ 300.
[3] 史雁军.数字化客户管理：数据智能时代如何洞察、连接、转化和赢得价值客户[M].北京：清华大学出版社，2018：1 ～ 254.
[4] 王兴山.数字化转型中的企业进化[M].北京：电子工业出版社，2019：85 ～ 125.
[5] 阿黛尔·斯威特伍德著.蒋春丽，蒋顺利译.智慧营销：营销部门数字化转型指南[M].北京：机械工业出版社，2019：24.
[6] 佩德罗·多明戈斯著.黄芳萍译.终极算法：机器学习和人工智能如何重塑世界[M].北京：中信出版社，2016：1 ～ 100.
[7] 王言.RPA：流程自动化引领数字劳动力革命[M].北京：机械工业出版社，2020：150 ～ 200.
[8] 温克特·斯里尼瓦森著.宫鑫，刘畅，刘婷婷译.大数据实战：构建智能化企业[M].北京：人民邮电出版社，2018：46 ～ 97.
[9] 杨帆.面向财务管理的预测决策分析系统[ J].计算机应用研究，1994（5）：50 ～ 51+55.
[10] 梁荣华，史济建.人工智能在财务决策支持系统中的应用[ J].计算机工程与应用，2001（8）：118 ～ 121.
[11] 高长元，罗莉苹.基于多Agent技术的财务预测系统研究[ J].科技与管理，2008（2）：61 ～ 63.
[12] 阿米尔·侯赛因著.赛迪研究院专家组译.终极智能：感知机器与人工智能的未来[M].北京：中信出版社，2018：1 ～ 300.
[13] 涂扬举.智慧企业概论[M].北京：科学出版社，2019：1 ～ 100.
[14] 托马斯·达文波特著.盛杨灿译.数据化转型[M].杭州： 浙江人民出版社，2018：100 ～ 200.
[15] 李平，孙黎，邹波等.虑深通敏 与时偕行——三台组织架构如何应对危机[ J].清华管理评论，2020（5）：79 ～ 85.