Hva er konsekvensene ved bruk av dyp læring i regnskapssystem?

Abstract

Dyp læring har blitt mer relevant i nyere tid på grunn av økt tilgang til maskinkraft og data. Teknologien har vist seg å ha kraftfulle egenskaper med mange potensielle applikasjonsområder. Dyp læring blir i dag brukt blant annet i selvkjørendebiler, men innen regnskapssystem er dyp læring fortsatt ett nytt fenomen. Ettersom utviklingen innen maskinkraft og data har vokst betydelig, har dette ført til at regnskapsleverandører ser på hvilke muligheter som teknologien kan gi. Formålet med denne studien er å se på hvilke konsekvenser dyp læring vil ha ved implementering i regnskapssystem. Problemstillingen for oppgaven er:

«Hva er konsekvensene ved bruk av dyp læring i regnskapssystem?».

Studien er basert på en kvalitativ metode hvor det er gjennomført 12 dybdeintervju. Intervjuene baserer seg på informanter som har god kunnskap innen dyp læring og/eller regnskapssystem. For å besvare problemstillingen er det utredet to forskningsspørsmål:

* Hvordan kan dyp læring brukes i regnskapssystem? * Hvilken effekt vil dyp læring ha på ulike aktører?

Funnene i denne studien viser at dyp læring i regnskapssystem kan erstatte eksisterende OCR-teknologi og tilføre regnskapssystem med verktøy som blant annet gjør det mulig å identifisere svindel. Videre så vil konsekvensene for de ulike rollene være av både positiv og negativ karakter. Da dyp læring oppleves som komplekse systemer så vil dyp læring føre til mindre forståelse av prosessene, forminske kunnskapsnivået og kunnskapsoverføring. På den andre siden så kan dyp læring ta over mange av de repeterende oppgavene og analysere store mengder data noe som har en positiv effekt.

Deep learning has become more relevant in recent times due to increased access to machine power and data. The technology has proven to have powerful properties with many potential application areas. Deep learning is today used in self-driving cars, among other things, but in the accounting system, deep learning is still a new phenomenon. As developments in machine power and data have grown significantly, this has led accounting providers to look at the possibilities that technology can provide. The purpose of this study is to look at the consequences of deep learning when implemented in accounting systems. The problem for the thesis is:"What are the consequences of using deep learning in accounting systems?".The study is based on a qualitative method where 12 in-depth interviews have been conducted. The interviews are based on informants who have good knowledge in deep learning and / or accounting systems. To answer the problem, two research questions have been studied:- How can deep learning be used in accounting systems?- What effect will deep learning have on different actors?The findings of this study show that deep learning in accounting systems can replace existing OCR technology and add accounting systems with tools that, among other things, make it possible to identify fraud. Furthermore, the consequences for the various roles will be of both a positive and negative nature. As deep learning is perceived as complex systems, deep learning will lead to less understanding of the processes, reduce the level of knowledge and knowledge transfer. On the other hand, deep learning can take over many of the repetitive tasks and analyze large amounts of data, which has a positive effect.