Объектная инфраструктура бухучета для моделей предприятия, основанных на знании

Необходимость полной автоматизации заставила разработчиков FSA из Arthur Andersen столкнуться с уникальной природой старых бухгалтерских систем.

Во-первых, в FSA пришлось встраивать подробнейшую структуру знаний плана счетов. Это связано с тем, что в разных компаниях для счетов активов, пассивов, капитала, доходов и расходов используются различные индивидуальные и синонимичные наименования.

Во-вторых, так как часть информации о счетах хранится в тестовых сносках, пришлось снабдить FSA функциями анализа естественного языка для некоторых случаев (контрарные счета для амортизации - в товарно-материальных запасах или субаренда - в расходах по арендной плате).

Такие корректировки не представляют сложности для опытного аналитика, но создают серьезные проблемы интерпретации в полностью автоматизированной системе.

В своей узкой сфере FSA работал хорошо, хотя и требовал от операторов глубокого понимания: структур представления знаний; проблем сбора данных; методов объектно-ориентированного программирования.

По договору с SEC, Arthur Andersen (приблизительно в то же время) создала для Edgar вспомогательную систему искусственного интеллекта Eloise. Задача Eloise - анализировать естественный язык других материалов отчета 10-К.

Ни одна из упомянутых систем, как и остальные попытки создания искусственного интеллекта в конце 80-х, не стала частью промышленных версий Edgar, реализованных в 90-е годы. Поэтому единственный вариант, доступный потенциальным пользователям, - прямая связь с файлами Edgar.

SEC не объясняла причин такой недоработки, но, очевидно, дело здесь не в финансах. При уникальной и синтаксической природе систем бухгалтерской отчетности всю семантику для работы FSA должен был обеспечить сам механизм искусственного интеллекта. Характерный пример такой уникальности - многочисленные соглашения о покрытии дебиторской задолженности (13).

Если бы рассматриваемые бухгалтерские системы имели более обширную семантическую базу, создание интеллектуальных систем для работы с такими требованиями не было бы столь пугающей задачей. Распространяемая информация Edgar содержит много данных, но плохо помогает понять их значение.

Неудивительно, что рынок предлагает более сложные и дорогие альтернативы, обеспечивающие анализ и реструктуризацию результатов работы Edgar. Для тех, кто считает эти результаты малопригодными в исходном виде.