Искусственный интеллект в бухгалтерии и финансах

Буквально за последние два-три года искусственный интеллект (ИИ) стал одной из наиболее обсуждаемых тем как на Западе, так и в России. Его применение охватывает множество отраслей, от здравоохранения и образования до производства и услуг. Эта технология действительно поражает воображение на бытовом уровне, но помимо этого она ведет к изменениям в бизнес-процессах некоторых компаний. И есть основания предполагать, что скоро она изменит всю структуру мировой экономики.

Многие специалисты в области ИИ прогнозируют значительный прорыв в его развитии в ближайшие годы. Например, бывший сотрудник OpenAI, ведущей и наиболее известной компании в области ИИ, в статье "Situational Awareness: The Decade Ahead", излагает мнение, что эволюция ИИ идет по нарастающей и в ближайшие 5-10 лет мир ожидает переход к системам, приближающимся к сверхинтеллекту. Это может открыть новые горизонты для повышения эффективности, точности планирования, глубины анализа и качества прогнозов.

Примеры применения ИИ в финансовой сфере есть, например, бывший банк «Тинькофф» применяет ИИ для общения с клиентами, аналитики, выявления мошенничества и рекомендательных систем. Но несмотря на многообещающие перспективы, сказать, что внедрения приняли массовый характер в финансовой сфере, было бы преувеличением. Это объясняется несколькими факторами. Во-первых, порог входа в область ИИ до недавнего времени был достаточно высок — требовались значительные знания и серьезные инвестиции в разработку и внедрение систем. Рентабельность таких инвестиций не всегда была очевидной, что сдерживало компании от активного использования ИИ. Нельзя также отбросить и консерватизм финансовой сферы в целом, связанный с тем, что управление деньгами — очень чувствительная отрасль, требующая осторожного подхода к любым нововведениям.

Во-вторых, ключевые изменения в развитии ИИ произошли именно в 2023 и 2024 годах. Эти годы были отмечены выпуском OpenAI серии моделей ChatGPT начиная с версии 3.5, затем 4.0, и последующих улучшенных итераций. Эти модели стали общаться с пользователями на уровне, близком к человеческому, что значительно повысило их полезность в различных сферах.

Важно отметить, что под «моделью» и «ИИ» мы подразумеваем в первую очередь большие языковые модели (LLM), такие как ChatGPT, но в дальнейшем разберем основные компоненты ИИ более детально. Одновременно с OpenAI начали появляться аналогичные модели от компаний, таких как Anthropic, Claude, Meta, LLama, Mistral и Microsoft. Появились и доступные решения, такие как Ollama, LlamaIndex и Anything LLM, что позволило широкой аудитории познакомиться с ИИ и начать экспериментировать с его использованием без необходимости осваивать языки программирования.

Изменения в доступности и функциональности ИИ открыли новые возможности для компаний, стремящихся оптимизировать свои финансовые процессы. Интеграция ИИ в финансовое управление становится не просто трендом, а необходимостью для тех, кто хочет оставаться конкурентоспособным в быстро меняющемся бизнес-окружении. Использование ИИ в финансовой и бухгалтерской сферах, конечно, не приведет к тому, что машины захватят мир, но его влияние на отрасль вполне может оказаться неожиданным. Мы решили подготовить цикл статей, которые помогут нашей аудитории сориентироваться в разнообразии областей применения ИИ, рассмотреть конкретные примеры, которые можно применить в собственной работе прямо сейчас.

Что такое искусственный интеллект?

Искусственный интеллект в общем смысле — это область компьютерных технологий, работающая над созданием программного обеспечения, способного выполнять задачи, требующие применения ума, подобного человеческому. Основная цель ИИ — научить компьютер понимать информацию, учиться и принимать решения, а не просто работать по строгому алгоритму.

Понятие ИИ — это не что-то абсолютно новое: термин был сформулирован в 1956 году на конференции в Дартмутском колледже. Развитие теории и практики в данном направлении в основном упиралось в ограниченность вычислительных мощностей, а также в ограниченность массивов данных, доступных для обучения нейросетей.

В последнее десятилетие удачно сложились несколько факторов: появились мощные компьютерные системы, а в интернете накопился огромный массив доступных данных, которые необходимы для обучения нейронных сетей, что и привело к бурному росту ИИ.

Иронично, что графические процессоры (GPU), необходимые для обучения и работы ИИ, пришли из игровой индустрии. В результате повышенного спроса на видеокарты для применения в ИИ, в частности, произошел резкий рост акций компании NVIDIA, которая ранее была известна в основном юным игроманам.

А одним из источников данных для обучения ИИ неожиданно стали социальные сети и форумы, что не только послужило источником недовольства их пользователей, когда они поняли, что на их публичных данных обучались модели некоторых компаний, но и поставило перед юристами задачу осмыслить новые прецеденты в сфере авторского права.

Основные технологии в области ИИ

В сфере создания и применения искусственного интеллекта используются следующие технологии:

Машинное обучение (ML)

Это способ обучать компьютерные алгоритмы на примерах, аналогично тому, как обучаются дети. По мере рассмотрения большого массива примеров (например, фотографий котёнка) компьютер постепенно учится находить закономерности (в нашем случае — узнавать котёнка на любой фотографии). Основные виды машинного обучения: с учителем, без учителя, с подкреплением (выдавая «поощрения» за правильные действия).

Глубокое обучение (DL)

Это более продвинутый вид машинного обучения, при котором обучаются нейронные сети, напоминающие по структуре человеческий мозг. Нейронные сети способны находить очень сложные закономерности в больших объемах информации, благодаря чему они могут применяться для решения задач компьютерного зрения.

Обработка естественного языка (NLP)

Это область технологий, работающая над проблемой общения с компьютерами на человеческом языке. Примерами применения являются уже ставшие привычными чат-боты, переводчики и программы для расшифровки аудиозаписей в текст.

Виды искусственного интеллекта

ИИ можно условно разделить на следующие типы («условно» потому, что пока большинство из них остаются теорией):

Узкий ИИ (Narrow AI).

Это ИИ, умеющий выполнять единственную функцию или узкий спектр конкретных задач. Например, распознавать лица или отвечать на простые вопросы. На сегодняшний день, как говорится, «мы находимся здесь». А именно: генеративный ИИ (Generative AI), специализирующийся на создании нового контента, похожего на то, на чем он был обучен (тексты, изображения или программный код). Это именно то, что мы сейчас считаем ИИ. В эту категорию попадают выпущенные на дату написания этой статьи большие языковые модели (LLM), такие как GPT-4. Они могут, в частности, ассистировать при написании текстов.

Общий ИИ (General AI, AGI)

Это вид или уровень искусственного интеллекта (к которому стремится вся отрасль), способного выполнять любые интеллектуальные задачи, доступные человеку. Пока официально такой ИИ не создан и основная цель отрасли — движение к нему. Обсуждается, является ли, например, ChatGPT о1 уже общим ИИ, но вероятнее всего, его можно отнести к так называемому Reasoning AI, направлению в разработке генеративного ИИ, требующему от системы способности к логическому рассуждению и объяснению сделанных умозаключений. Хотя в недавних статьях под сомнение ставятся и возможности ИИ рассуждать (высказываются предположения, что ИИ имитирует рассуждения, основываясь на сохранившихся в нем следах обучения с подкреплением).

Другими интересными сравнениями современного ИИ с общим ИИ являются заключения экспертов, приравнивающих некоторые модели GPT к «старшекласснику», а ChatGPT — к «выпускнику вуза, пусть и не самому блестящему». Эти сравнения были сделаны доктором Уильямом Хершем, профессором медицинской информатики и клинической эпидемиологии Oregon Health & Science University, который проводил исследования производительности ИИ, включая модели ChatGPT, в решении образовательных задач в статье на ScienceDaily.

Хотя это и относится к решению моделями определённых узких задач (в частности, задач математических олимпиад), но само по себе многое говорит о современном развитии ИИ.

Сверхразумный ИИ (Superintelligent AI)

ИИ, превосходящий человеческий интеллект во всех областях. Это предмет фантастики и философских рассуждений о будущем технологий.

Как связаны AI, ML, LLM и Generative AI

Если для вас в уже прочитанном тексте содержится много новых понятий, то давайте теперь постараемся их отсортировать и разобрать, как они друг с другом связаны:

AI (Искусственный интеллект, ИИ) — общий термин для всех технологий, делающих машины «умными».

ML (Машинное обучение) — одна из технологий ИИ, метод, позволяющий машинам учиться на данных.

LLM (Большие языковые модели) — это модели, обученные (при помощи ML) на огромных объёмах текстов, способные генерировать и понимать язык.

Generative AI (Генеративный ИИ) — ИИ, создающий новый контент при помощи LLM. Именно генеративный ИИ многие подразумевают, когда говорят «искусственный интеллект».

Чат-бот — способ общения с генеративным ИИ, при котором задают вопросы и получают ответы «человеческим языком».

Примеры задач, которые решает ИИ

Вот лишь некоторые из примеров использования искусственного интеллекта:

Распознавание образов: разблокировка смартфона по лицу владельца; приложения, которые распознают растения или предметы по фотографии.
Обработка языка: автокоррекция и подсказки при наборе текста; переводчики практически с любых языков. В целом, LLM начинали свой путь в жизнь как модели, предназначавшиеся для перевода, поэтому этот вид деятельности им удается очень хорошо.
Принятие решений: банковский скоринг при оценке кредитоспособности клиентов; построение навигатором оптимальных маршрутов с учётом пробок.
Автоматизация задач: автозаполнение форм на сайтах; автоматизация сопоставления выставленных счетов с полученными оплатами.
Прогнозирование и рекомендательные системы: прогнозы погоды; рекомендации фильмов или музыки на основе ваших предпочтений.
Генерация контента: приложения, пишущие музыку или создающие картины на основе заданных параметров.

Составные части и конфигурация типичной установки ИИ

Перейдем к практике. Очевидно, что для большинства практических применений ИИ должен иметь возможность работать с документами, являющимися собственностью компании или даже коммерческой тайной, которые нежелательно передавать во внешние системы. Большие языковые модели (LLM), обученные на общедоступных источниках, не смогут ответить на многие вопросы относительно деятельности компании или на другие специфические запросы пользователей.

Для предоставления LLM доступа к непубличной информации используется подход, называющийся Retrieval-Augmented Generation (RAG), позволяющий работать с локально хранящимися данными компании, обеспечивая при этом высокое качество ответов и безопасность информации. RAG объединяет в себе несколько компонентов, каждый из которых выполняет свою важную роль. Рассмотрим простую принципиальную схему типичной установки RAG, состоящую из следующих компонентов:

Модель (LLM)
Эмбеддер
Векторная база данных (Vector DB)
Инференс (Inference)

Разберём каждый из компонентов немного подробнее:

Модель (LLM)

Большая языковая модель — это алгоритм или нейронная сеть, обученная на данных для выполнения конкретных задач, таких как обработка естественного языка или генерация текстов. В контексте RAG модели используются для понимания запросов пользователя и формирования осмысленных ответов.

Для создания полностью локальной системы RAG, которая не зависит от внешних сервисов, таких как ChatGPT или Claude, используются открытые и бесплатные модели, которые можно запускать на собственном оборудовании. Среди таких моделей выделяются:

LLaMA — модель от Meta AI, распространяется по запросу для исследовательских целей и может быть запущена локально.
Mistral — новые модели от Mistral AI с открытым исходным кодом, предлагающие высокое качество генерации текста и доступные для коммерческого использования.

Использование этих моделей позволяет компаниям обрабатывать данные локально, сохраняя конфиденциальность и контроль над информацией.

Эмбеддер

Чтобы текст попал в RAG, он должен быть разбит на куски (чанки), а затем преобразован в так называемые векторы (эмбеддинги), представляющие собой математическое отображение смысловой и контекстуальной информации исходного текста в виде координат в многомерном пространстве. Инструмент для преобразования текста в векторы — это эмбеддер.

Правильно сформированный вектор позволяет быстро находить релевантные документы или фрагменты текста по смысловому сходству, классифицировать документы и выявлять закономерности, например, определять тональность текста.

Существуют открытые и бесплатные эмбеддеры, подходящие для использования в локальных системах, например:

Векторная база данных

Для хранения и быстрого поиска эмбеддингов используются специальные векторные базы данных, оптимизированные для таких задач. Они позволяют эффективно сравнивать векторы и находить наиболее похожие по смыслу. В результате LLM получает из базы данных RAG наиболее подходящую информацию, на основании которой модель может формулировать ответ.

Бесплатных векторных баз данных для создания локального RAG существует достаточно много, например, Milvus или Chroma.

Инференс (Inference)

Инференс — это процесс использования обученной модели для обработки новых данных и генерации результатов. В контексте RAG инференс включает в себя:

Обработку запросов пользователя: интерпретацию его намерения и контекста запроса.
Генерацию ответа: формирование осмысленного и полезного ответа на основе найденной информации.

Инференс обеспечивает работу интерактивных приложений, таких как чат-боты и виртуальные помощники.

Архитектура системы ИИ

Простая схема архитектуры RAG:

Пошаговое описание процесса

Процесс работы с системой можно разделить на 2 потока: поток загрузки документов в систему и поток общения с системой. По шагам эти потоки выполняются следующим образом:

Поток загрузки

1. Загрузка документов: Необходимые документы собираются, возможно, предварительно дорабатываются и вводятся в систему для обработки.

2. Дробление на чанки: Документы разбиваются на небольшие фрагменты (чанки) для обеспечения их дальнейшей обработки и поиска. Чанки могут быть фиксированного размера либо варьироваться в зависимости от контекста.

3. Преобразование чанков в векторы с помощью Embedder: Каждый чанк обрабатывается Embedder'ом, который превращает его в векторное представление на основе их смыслового содержания. Каждая модель Embedder'а имеет уникальные характеристики «точки начала координат», поэтому векторы, созданные одним Embedder'ом, могут быть некорректно расшифрованы другим.

4. Сохранение векторов в базе данных: Полученные векторы сохраняются в векторной базе данных для быстрого доступа при поисковых запросах.

Поток общения с RAG

5. Получение запроса от пользователя: Пользователь вводит свой вопрос или запрос в систему.

6. Преобразование запроса в вектор: Запрос преобразуется в вектор с помощью того же Embedder, что и для документов. Это важно для корректного сравнения запросов и данных.

7. Поиск релевантных чанков в базе данных: Система сравнивает вектор запроса с векторами в базе данных и находит наиболее похожие чанки.

8. Генерация ответа с помощью LLM:

Получение релевантных чанков: LLM получает найденные чанки для анализа.
Формирование ответа: Используя информацию из чанков и свои знания, LLM создает осмысленный ответ.

9. Отправка ответа пользователю: Готовый ответ передается пользователю, завершая цикл взаимодействия.

Пример

Если наша система содержит много материалов по искусству, таких как биографии художников, энциклопедии, монографии критиков и т.п., мы можем, например, задать вопрос: «В чем заключаются основные отличия между кубизмом и сюрреализмом?»

Шаг 5-6: Наш запрос будет преобразован в вектор с помощью Embedder.
Шаг 7: Система получит вектор и на основе сходства с ним будет искать в базе данных векторы чанков, связанных с кубизмом и сюрреализмом.
Шаг 8: LLM получит в результате поиска релевантные чанки, содержащие информацию об этих художественных направлениях, и проанализирует их, руководствуясь собственными "навыками", приобретенными в процессе обучения.
Шаг 9: Пользователь получает развернутый ответ на свой вопрос, включающий сравнение характеристик двух направлений.

Возможности улучшения качества ответов

Стоит отметить, что приведенный выше вариант архитектуры RAG является самым тривиальным. Разработчики и ученые постоянно трудятся над улучшением качества ответов ИИ. Новые исследования регулярно публикуются в профильных изданиях, а некоторые — просто в блогах компаний или отдельных энтузиастов. В рамках данной статьи мы не будем переходить к более сложным темам типа применения агентов, а перечислим всего несколько из множества дополнительных компонентов архитектуры RAG, которые могут использоваться на практике для ее усовершенствования:

- Graph RAG: интеграция графовых баз данных для учёта сложных связей между данными и более глубокого понимания контекста.

- Реранкинг (Reranking): дополнительная обработка результатов поиска для улучшения их релевантности перед генерацией ответа.

- Модули предобработки и постобработки данных: очистка и нормализация данных для повышения эффективности работы системы.

Необходимое аппаратное обеспечение и программное обеспечение для ИИ

Типы оборудования для ИИ

Для работы с искусственным интеллектом (ИИ) можно использовать два подхода:

Мощное оборудование корпоративного уровня: Использование серверов с несколькими GPU, такими как NVIDIA H100, обеспечивает высокую производительность для сложных задач машинного обучения и глубокого обучения. H100 являются дорогостоящими, но идеально подходят для крупных компаний с большими объемами данных и высокими требованиями к производительности.
ПК с GPU: Для небольших компаний или стартапов хорошим вариантом является обычный ПК с GPU, например, NVIDIA RTX 4090. Системы с двумя RTX 4090 могут запускать современные модели, такие как Mistral 11B и LLaMA 3 (13B параметров). Это доступный способ начать эксперименты с ИИ без необходимости в значительных инвестициях.

С сожалением приходится констатировать, что в условиях санкций доступность в России необходимого оборудования даже любительского уровня значительно снизилась, а стоимость возросла.

Облачные решения

Для компаний, не желающих инвестировать в локальное оборудование, альтернативой являются облачные платформы. Российские поставщики, такие как Яндекс.Облако, VK Cloud и Cloud.ru (бывший Сберклауд), как и многие иностранные, которых перечислять в нынешней ситуации бессмысленно, также предлагают решения для работы с ИИ. Эти платформы позволяют разворачивать модели машинного обучения и предоставляют масштабируемые ресурсы для работы с большими данными.

Облачные решения подходят для ситуаций, когда компании не понимают точно масштаба решения, которое будет реализовано в результате, которым нужна гибкость и масштабируемость. Основное преимущество облачных решений заключается в возможности быстро увеличивать или уменьшать вычислительные мощности в зависимости от потребностей, а также в снижении затрат на оборудование (которое, как мы уже упоминали, нужно еще как-то раздобыть) и его обслуживание. Это отличный вариант для компаний, не готовых к значительным первоначальным инвестициям.

Программное обеспечение

Для разработки и развертывания моделей ИИ существуют два подхода:

Написание специализированного ПО на языке программирования Python: Этот подход годится для случаев, когда требуется кастомизированное решение. Python, фактически, стал отраслевым стандартом для написания приложений, использующих ИИ, для которых создан громадный объем библиотек на этом языке. Но разработка требует привлечения опытных программистов для создания и оптимизации кода, обеспечивая при этом возможность создания уникальных, адаптированных под конкретные задачи компании решений.
Использование готовых программных продуктов: Это неплохой вариант для компаний, которые хотят быстро начать использовать ИИ без привлечения программистов. Существуют платные и бесплатные или недорогие программные продукты, такие как Ollama, Anything LLM и Make, которые предлагают визуальные интерфейсы для настройки и развертывания моделей ИИ, что делает процесс доступным даже для пользователей без опыта программирования. Получив положительные результаты с использованием такого примитивного ландшафта, можно двигаться дальше к усложнению и кастомизации вашего ИИ-приложения.

Эволюция искусственного интеллекта в финансах

1970-е годы: Автоматизация

Искусственный интеллект начал применяться в финансовой отрасли в 70-х годах с внедрения простейших автоматизированных систем. Банки начали использование элементарных экспертных систем для выполнения рутинных задач, таких как кредитный скоринг на основе "взвешивания" анкетных данных клиентов. Как вычислительная техника в целом, так и программное обеспечение были далеки от современных стандартов ИИ, но они предоставляли банкам преимущества в скорости обработки данных, снижении человеческого фактора и повышении контроля при принятии решений.

1990-е годы: Появление машинного обучения

С развитием машинного обучения в 1990-х годах финансовые институты начали применять более сложные алгоритмы. Машинное обучение позволило анализировать большие объемы данных для выявления скрытых закономерностей, что усовершенствовало управление рисками и разработку инвестиционных стратегий. В этот период началось активное использование моделей прогнозирования для оценки кредитных рисков и поведения рынка.

2000-е годы: Большие данные и облачные технологии

Появление «больших данных» и облачных технологий в начале 2000-х годов значительно расширило возможности финансовых организаций. Обработка и хранение огромных массивов данных стали более доступными, что снизило барьеры для внедрения ИИ. Финансовые компании начали использовать продвинутые аналитические инструменты для глубокой сегментации клиентов и персонализации услуг.

Современные тренды: Интеграция ИИ в финансовые процессы

Сегодня искусственный интеллект играет ключевую роль в финансовой индустрии. Основные направления его применения включают:

Автоматизация обработки данных: Технологии обработки естественного языка (NLP) позволяют анализировать и обрабатывать поточным способом большие массивы документов, ускоряя процессы комплаенса и отчетности. Например, ИИ может помочь рассортировать документы, поступающие в систему электронного документооборота компании, маршрутизировав их по отвечающим за них департаментам.
Предиктивная аналитика и управление рисками: ИИ позволяет прогнозировать рыночные колебания и оценивать потенциальные риски, что способствует принятию более информированных инвестиционных решений.
Борьба с мошенничеством: Системы ИИ анализируют транзакции в реальном времени, выявляя подозрительные активности и предотвращая финансовые преступления.
Персонализация клиентского опыта: Создание индивидуальных предложений на основе анализа поведения и предпочтений клиентов. Экономия на сотрудниках колл-центров путем обслуживания клиентов через чат-боты и виртуальных ассистентов на базе ИИ.

Примеры применения ИИ в бухгалтерском учете и при подготовке отчетности

Искусственный интеллект постепенно находит применение в бухгалтерском учете и подготовке отчетности, трансформируя традиционные методы работы. Первые очевидные способы его применения – это усовершенствование документооборота, в частности, разнесение входящих документов, таких как счета, на контрагентов, выполнение сверки оплат с условиями договоров и т.п.

Само собой, справочные системы начинают внедрять ИИ в свои приложения, позволяя проще находить ответы на методологические вопросы.

Не остаются в стороне и ведущие аудиторские компании Большой четверки. KPMG разработали эту интеллектуальную платформу Clara для улучшения процессов аудита и бухгалтерского учета. Она использует искусственный интеллект и продвинутые аналитические инструменты для автоматизации сбора и анализа данных. Платформа помогает выявлять аномалии, потенциальные риски и обеспечивает более глубокое понимание финансовых показателей.

Аналогичная аналитическая платформа EY получила название Helix. Платформа позволяет обработать большие объемы данных, детально анализируя транзакции и выявляя скрытые риски.

Что касается производителей программного обеспечения, то если не говорить об основных ERP, в которых функционал ИИ декларирован давно, среди вендоров программного обеспечения для бухгалтерского учета многие тоже заявляют функции, реализованные с использованием ИИ. Среди них такие популярные вендоры, как: QuickBooks, Xero, Sage, FreshBooks, Zoho Books.

Среди автоматизируемых задач:

Автоматическое выделение входящих счетов из массы отсканированных документов и разнесение к соответствующим договорам и контрагентам.
Автоматическое разнесение выручки на основании банковской выписки – сопоставление с выставленными счетами.
Прогнозирование денежных потоков на основании договоров и счетов с учетом установленных в них сроков. Напоминание о наступлении сроков оплат.
Выявление паттернов недобросовестного поведения контрагентов и нетипичных для компании затрат.
Автоматическая классификация затрат по аналитикам.

Почему ИИ медленно внедряется в бухгалтерской сфере

Несмотря на взрывное развитие технологий ИИ, приходится констатировать, что внедрение ИИ в бухгалтерский учет происходит медленнее, чем, например, в банковском и инвестиционном секторах. Это связано с высокой точностью и прозрачностью, требуемыми в бухгалтерских процессах, где небольшая ошибка может привести к неприятным последствиям.

Также ИИ-моделям пока не хватает специализированных алгоритмов, которые могли бы учитывать уникальные аспекты бухгалтерского учета, такие как различные стандарты учета (например, GAAP или IFRS), а также специфические законодательные требования. Для обучения моделей требуется качественная и стандартизированная информация, которой часто не хватает в реальной бухгалтерской практике.

Кроме того, будучи консервативными и в отношении обычной автоматизации бухгалтерского учета, сотрудники бухгалтерий вдвойне более насторожены в отношении ИИ, в том числе из-за опасений, что автоматизация заменит их рабочие места.

Регуляторные аспекты использования ИИ в финансах

Внедрение ИИ в финансовую индустрию требует соблюдения ряда нормативных требований и стандартов. Регуляторы следят за тем, чтобы ИИ-системы соответствовали законодательству о защите данных и конфиденциальности клиентов. Например, в Европейском Союзе был принят закон об искусственном интеллекте (EU AI Act), который регулирует использование ИИ в высокорискованных системах и требует оценки рисков, прозрачности алгоритмов и отчетности о серьезных инцидентах. Закон запрещает некоторые практики, такие как социальное оценивание и биометрическое наблюдение в режиме реального времени, за исключением особых случаев, таких как предотвращение террористических угроз MIT Technology Review, World Economic Forum.

В США, несмотря на отсутствие общего федерального закона о регулировании ИИ, в 2023 году был подписан исполнительный указ, устанавливающий требования к тестированию и отчетности для разработчиков ИИ. В Калифорнии обсуждается закон о прозрачности использования ИИ (California AI Transparency Act), который требует, чтобы поставщики генеративных ИИ-систем предоставляли бесплатные инструменты для обнаружения контента, созданного с использованием ИИ, а также добавляли открытые и скрытые метки в такие материалы, чтобы пользователи могли отличить ИИ-сгенерированный контент от оригинального. Если такой закон будет принят, это поможет пользователям лучше понимать и проверять подлинность информации, созданной с помощью ИИ Mayer Brown .

Кроме того, в Калифорнии был рассмотрен закон AB 2013, который требует от разработчиков генеративных ИИ-систем предоставления документации о данных, использованных для их обучения. Документация должна включать информацию об источниках, владельцах, методах обработки данных, а также о цели и методологии сбора данных, что способствует повышению прозрачности в использовании ИИ DLA Piper, Skadden Insights.

Китай также активно регулирует ИИ, выпуская отдельные законы для различных технологий, таких как алгоритмические рекомендации и генеративный ИИ. В 2023 году Китай анонсировал разработку всеобъемлющего закона об ИИ, который должен охватить широкий спектр технологий и обеспечить контроль над разработкой и использованием ИИ MIT Technology Review.

Законодательные ограничения могут замедлить массовое внедрение ИИ, однако их цель — обеспечить безопасное и надежное использование технологии в долгосрочной перспективе.

Искусственный интеллект в бухгалтерии и финансах

Что такое искусственный интеллект?