基于機器學習的智能會計引擎研究

何瑛 李爽 于文蕾

【摘 要】 “大智移云”時代，新興信息技術正在不斷顛覆傳統并持續為企業的創新實踐賦能，變革已成為企業經營管理新常態。其中，以機器學習為核心的人工智能技術能夠自主深入挖掘現有海量數據的內在價值，預測未知，有效驅動企業財務管理，實現數字化、智能化轉型，并與業務發展緊密交融。文章擬從會計引擎角度切入，探討機器學習在財務會計和管理會計兩個不同層面對企業財務的智能化革新，同時指出利用機器學習構建智能會計引擎所面臨的機遇與挑戰。研究表明，經機器學習再造的智能會計引擎將成為集高效率財務核算流程與多維度財務管理職能于一身的獨立性平臺工具，為企業業務與財務的順利銜接與深度融合增添助力;國家政策和其他新興技術的支持使得機器學習在智能時代對會計引擎的重塑充滿機遇，但人才的緊缺和機器學習的局限都將是必須應對的挑戰。

【關鍵詞】 人工智能; 機器學習; 會計引擎

【中圖分類號】 F234? 【文獻標識碼】 A? 【文章編號】 1004-5937（2020）05-0052-07

信息技術發展日新月異的今天，各行各業在科技革命浪潮的席卷之下都正經歷著翻天覆地的變化。大數據、云計算、人工智能、移動互聯網、物聯網和區塊鏈等技術交匯融合、彼此關聯，不僅催生了眾多新興經濟形態與新興產業，加速了人類文明的演進歷程，也使得曾經以電算化和信息化為標志的企業財務管理逐漸向智能化邁進[1]。智能財務主要依托于以人工智能為代表的各種數字化技術工具以重塑企業財務核算流程與財務管理職能，一方面，能夠高效準確地處理重復性較高的手工記賬工作，使財務人員擁有更多時間和精力進行更具價值創造性的活動;另一方面能夠為企業的預測決策、風險管控和成本管理提供有力支持，使企業的財務模式由核算向管理不斷進化[2]。2017年5月，國際四大會計師事務所之一的德勤率先推出其與Kira Systems共同研制的智能財務機器人“小勤人”，普華永道、安永和畢馬威也不甘落后，相繼引入機器人流程自動化（Robotic Process Automation，RPA）技術，開發各自的智能財務機器人軟件并于部分企業投入運營，智能財務時代已然來臨[3]。

不斷向智能化方向演進的會計職業在計量和反映企業經營業績的同時，將進一步深入企業業務活動的過程和前端，使長期以來備受關注的業財融合領域迎來新的發展契機，而會計引擎作為連接業務端與財務端的重要橋梁，也將順應智能時代的發展趨勢，從分散模塊成為統一工具，從簡單集中于部分系統轉向適應更加廣泛多元的業務場景，以改善業務信息向財務信息的轉換流程，最終實現業務發展與財務管理的協同配合。智能化技術有助于會計引擎提升性能，而其中的機器學習技術則在最切合的層面上展現了這種提升效應。機器學習是人工智能的重要分支之一，應用此類算法的計算機系統可按照一定方式對所提供的訓練數據進行學習并生成相應模型;隨著訓練次數的增加，該系統能夠不斷改進和優化所輸出的模型并以該模型為基礎預測相關問題[4]。

本文擬結合機器學習的原理和特征探討該技術對會計引擎的智能化革新：一方面，基于機器學習的智能財務會計引擎在經過大量標簽化數據的訓練之后，能夠完善相應的轉換規則，在準確識別業務信息之后將其迅速轉換為記賬憑證并接入明細賬和總賬;另一方面，基于機器學習的智能管理會計引擎可納入大量的半結構化與非結構化數據，有利于優化管理會計經營預測、決策支持和風險管控等多個維度的職能。不容忽視的是，雖然時代需求、國家政策和新興信息技術為利用機器學習構建智能會計引擎創造了良好的條件與機遇，但人才的匱乏、復雜的業務場景與活動以及不完全透明的模型規則[5]仍是亟待解決的問題。智能會計引擎是大勢所趨，而機器學習技術必將助推會計引擎脫胎換骨，為企業的財務轉型與業務財務一體化進程注入新的活力。

一、推動業財融合的有力工具——會計引擎

會計引擎是連接業務數據庫與財務應用系統并最終輸出會計信息的數據處理器，它能夠按照內嵌的核算規則將業務信息自動化、無差錯和高效率地轉換為包含復式會計分錄的規范化記賬憑證，實現交易明細和會計總賬的互聯[6]，對于業務與財務的高度融合具有重要意義。

（一）會計引擎的基本原理與應用現狀

簡單來說，會計引擎是介于業務系統和財務系統之間的數據轉換器。業務系統位于前端，通過數據接口與會計引擎連接之后向其提供生成記賬憑證所需的業務數據，實現業務信息的輸入;會計引擎位于中端，內置一定的轉換規則，輸入的業務數據經規則的指引將自動生成預制記賬憑證;財務系統位于后端，預制記賬憑證審核無誤進入該系統后成為正式記賬憑證，完成財務信息的輸出。會計引擎的基本原理如圖1所示。

雖然會計引擎的基本原理并不復雜，但目前會計引擎在我國仍處于初級發展階段，在企業財務領域的應用也相對有限[7]。一方面，當前能夠實現獨立產品化應用的會計引擎寥寥無幾，會計引擎應用處于模塊化階段。部分企業針對差異化的特定場景，如專業化的財務系統（如費用報銷系統、資金收付系統等）和業務系統，分別各自搭建相應的會計引擎，這些分散的會計引擎模塊雖然相對容易實現，但功能各異，成熟度不一，難以形成系統。另一方面，會計引擎在我國不同行業中的應用深度千差萬別。對于大多數行業而言，會計引擎主要被內置于企業的電子報賬系統和資金管理系統中，應用較為單一和分散;但在金融業、零售業等行業中，會計引擎同時覆蓋了專業化的財務系統和業務系統，應用更為廣泛。

（二）智能會計引擎的特征

傳統的會計引擎通常分散于企業內部不同的財務系統和業務系統中，在大多數行業中的應用范圍也較為狹窄，但隨著大數據、人工智能、云計算和區塊鏈等技術的革新與實踐，會計引擎必將克服實際建設過程中存在的難點，逐步走向智能化，將業財融合推向新的高度，從而驅動企業完成數字化轉型。基于新興信息技術的智能會計引擎具備諸多優勢。

首先，智能會計引擎具有充分的獨立性。經智能化重塑的會計引擎將不再以分散的模塊或子系統的形式存在于不同的系統中，而是將打破束縛，形成一個獨立的開放式統一平臺，一端對接企業所有的業務系統以獲取業務數據輸入，另一端對接企業的財務系統以完成記賬憑證的輸出，使企業的業務端與財務端真正串聯成完整的鏈條。傳統的會計引擎是伴隨會計核算的要求被逐步建立起來的，由于建立時間的差異往往難以遵循統一規范的技術標準。信息轉換質量參差不齊的會計引擎不斷疊加和堆砌，對其進行維護優化的復雜性和難度也不斷提高，長此以往，這些會計引擎將會因為缺乏有效監控給企業帶來風險。以統一化獨立平臺形式存在的智能會計引擎將有效解決這一問題，不僅能夠支撐存量業務系統與財務系統之間的對接，降低維護優化難度和潛在風險，而且能夠迅速成為新生業務系統與財務系統之間的紐帶，從而為企業內部信息系統服務。

其次，智能會計引擎擁有足夠的靈活性。一方面，智能會計引擎將適應不同的業務場景并有針對性地定義轉換規則，最終使所有需要生成記賬憑證的業務場景系統化。大型集團往往因為在多個行業進行布局而涉足豐富的業務類型，依賴經驗積累的業務場景梳理難以一次就達成清晰全面的目標，如果有遺漏或新增業務場景的情況，智能會計引擎將憑借其靈活性快速配置相應的轉換規則，隨時與企業的業務狀況保持一致，在最大程度上滿足企業業財融合的需求。另一方面，智能會計引擎將根據不同企業的要求定制個性化的轉換規則，既能基于明細業務數據生成全面精確的記賬憑證，又能容納恰當的合并規則，將明細業務數據進行合并后生成精煉概括的記賬憑證，企業可以在這兩種模式下進行自由切換。

最后，智能會計引擎具備高度的可追溯性。業財核對、稽核審計要求能夠根據會計引擎最終所生成的記賬憑證追根溯源直至原始的業務信息，而智能會計引擎在初始的設計過程中將基于這一要求預留對業務信息源頭進行追溯的機制及線索，如此一來，即使是遵循復雜合并規則生成的記賬憑證的向前追溯也將不再成為難題。此外，區塊鏈的數據庫公開透明，信息經過驗證被添加至區塊鏈之后也不可篡改，如果能夠應用區塊鏈技術在業務系統和財務系統之間搭建分布式底賬，對于提升智能會計引擎的可追溯性將大有裨益。

二、基于機器學習的智能財務會計引擎

作為人工智能的重要分支之一，機器學習在醫療、金融、電子商務等眾多領域應用廣泛。與人腦歸納經驗獲得規律并利用規律預測未來相似，機器學習的過程可分為訓練與預測兩個階段，其中訓練指的是計算機系統將存儲于其中的歷史數據通過機器學習算法進行處理后產生某種模型，而預測則指的是在該模型的指導下，輸入新的數據之后能夠輸出相應的結果。機器學習的基本原理如圖2所示。用于訓練的數據量越大，訓練的次數越多，所得出的模型可能越精確，利用該模型進行預測的結果也可能越有說服力。

按照學習形式的不同，機器學習算法大體上可分為監督式學習、無監督式學習與半監督式學習三類，而強化學習與深度學習又是機器學習的重要分支。這些不同類型的機器學習算法各有所長，應用范圍雖有所差異，但相互之間并不存在絕對分明的界限，而是會形成一定的交叉。例如半監督式學習是監督式學習與無監督式學習的結合，深度強化學習是強化學習與深度學習的結合等，具體如圖3和表1所示。

在各領域發揮重要突破作用的機器學習技術同樣能在財務領域有所建樹，助力會計引擎向智能化工具轉變。財務會計是會計的主要分支之一，機器學習對財務會計引擎的智能化改造主要圍繞記賬憑證的生成展開。應用機器學習技術之后，財務會計引擎將在大量標簽化數據的訓練之下持續提升性能，首先對業務信息進行高效率的準確識別，接下來基于改進后的轉換規則生成預制記賬憑證并及時向財務系統傳遞，而進入財務系統后預制記賬憑證將成為正式記賬憑證并自動完成記賬過賬。基于機器學習的智能財務會計引擎將在很大程度上解決令財務人員煩惱不已的重復性手工記賬問題，給企業的會計核算工作帶來質的飛躍，其貢獻主要包括以下兩個方面。

（一）高效識別并提取業務信息

智能財務會計引擎的前端與企業的所有業務系統相連，紛繁復雜的業務信息將在應用圖像識別與處理、文字識別與處理等技術的基礎上轉換為結構清晰明了的業務數據。首先，企業可使用影像掃描技術實現紙質原始憑證的電子化或通過網絡傳輸獲取電子原始憑證，再借助圖像識別與處理技術在業務系統內完成對原始憑證的真偽識別、票面核對和分類工作，繼而將這些原始憑證所包含的各項信息轉換為固定結構的文字與數據，避免出現遺漏和錯誤;接下來，智能會計引擎將從業務系統內自動提取生成記賬憑證所需的信息并在文字識別與處理技術的支持下將這些信息進一步轉化。機器學習技術的功效在于利用大量原始憑證的圖像和文字提升業務系統與智能財務會計引擎對業務信息的識別能力，使財務人員在記賬之時不用再基于經驗判斷手工選擇會計科目，從而在最大程度上實現自動化記賬，提高記賬的效率和準確性。值得注意的是，在識別業務信息這一步驟采用的機器學習算法主要是監督式學習，因此必須對輸入業務系統的原始業務信息與智能財務會計引擎提取的處理后業務信息進行標記。例如，A企業2×19年7月1日向B企業購買材料C用于生產加工并于當日取得B企業開具的增值稅專用發票一張，A企業在將該發票的電子版導入業務系統之前，需對發票號碼、開票日期、購買方信息、銷售方信息與貨物或應稅勞務（服務）信息進行標記，同時注明付款方式;標記之后的增值稅專用發票將被分類至采購系統并在采購系統內由圖像轉換為文字與數據;在將文字與數據形式的材料采購信息傳輸至智能財務會計引擎之前，同樣需對這些采購信息進行標記，根據開票日期指明記賬日期為2×19年7月1日，根據購買方信息、銷售方信息、貨物或應稅勞務（服務）信息與付款方式指明應記入的會計科目為借記“原材料——C”“應交稅費——應交增值稅（進項稅額）”，貸記“銀行存款——D賬戶/庫存現金/應付賬款——B企業等”，同時指明相應會計科目的發生額。

（二）改進現有記賬憑證轉換規則

快速準確地對記賬所需的業務信息進行識別和提取之后，智能財務會計引擎的下一項任務是基于一定的規則將這些業務信息轉換為具有固定格式的預制記賬憑證。轉換規則生成的前提是指明預制記賬憑證的核心要素——記賬日期、應記入的會計科目以及各科目相應的發生額，在傳統的財務會計引擎中這項工作的完成往往依賴于財務人員的經驗判斷和手工操作，重復性高;然而，應用監督式學習算法的智能財務會計引擎能夠事先經過大量標簽化業務數據的訓練并根據不同的業務類型和業務場景制定相應的轉換規則，因此接收到新的業務信息之后將在已有轉換規則的指引下迅速生成預制記賬憑證。隨著用于訓練的標簽化業務數據量的增大，智能財務會計引擎內嵌的轉換規則將處于持續不斷的動態調整和優化完善過程中，由此大大增強企業會計核算工作與相關業務的同步性和協同性，為實現業財深度融合提供支撐。

三、基于機器學習的智能管理會計引擎

管理會計是會計的另一重要分支，與財務會計強調核算、面向過去不同，管理會計著重于管理且面向未來，有助于企業在錯綜復雜的經營環境中實現生存與發展，因此日益受到管理者的關注和重視。機器學習對管理會計引擎的智能化改進關鍵在于其不僅使用結構化程度較高的財務數據，還會使用半結構化與非結構化特征突出的非財務數據，同時將數據來源由企業內部真正拓展至企業外部，進一步優化管理會計在經營預測、決策支持和風險管控三個維度的職能，使改進后的智能管理會計引擎真正成為行之有效的智能化管理工具。

（一）提高經營預測準確性

經營預測通常指的是企業在結合歷史和現有資料的基礎上，按照其經營方針和目標對經營活動的未來發展趨勢所進行的預計和推斷，大體可分為銷售預測、成本預測、利潤預測和資金預測等。準確的經營預測是有效決策的關鍵和前提，而要想提高經營預測的準確性，企業必須加強其掌握信息的廣度和深度：從廣度而言，用于經營預測的信息應包含宏觀市場環境、中觀行業環境和微觀企業環境三個層面，無論是對國家的各項政策、行業的發展方向、競爭對手的優劣勢還是供應商、客戶以及自身的發展現狀，企業都需有充分的洞察力和判斷力;從深度上說，企業獲取的上述三個層面的信息都應該足夠深入，在滿足成本效益原則的前提下盡可能多地關注細節。企業內外部環境的瞬息萬變導致絕對準確的經營預測無法實現，但在機器學習技術的助力之下，智能管理會計引擎獲取的有效信息越多、信息的種類和內容越豐富，越能提高其最終生成的經營預測模型的相對準確性，進而能在經營情境發生變化時輸出相對可靠的經營預測結果，為企業進行決策活動提供指引。

（二）強化決策支持功能

決策支持是管理會計最重要的職能之一，通常通過決策支持系統來實現。決策支持系統為決策者提供了分析問題、提出方案并模擬方案實施的平臺，可輔助決策者利用數據、知識和模型以推理或計算解決定性或定量問題，在半結構化與非結構化決策過程中扮演了重要角色。隨著數據處理技術的不斷進步與革新，數據日益成為決策知識與決策模型的來源。因此，要想提高決策的水平和質量，必須根據決策目標獲取足夠多與決策相關的數據并對這些數據展開充分的整理分析，而應用了機器學習技術的智能管理會計引擎正是分析數據、支持決策的強大工具。結合監督式學習與無監督式學習兩大類機器學習算法，智能管理會計引擎能夠有針對性地解決不同類型的決策問題：采用監督式學習算法處理大量標簽化數據并生成常規化的決策模型與決策規則，將有效應對相對簡單明確、可遵循固定規律的結構化決策問題，實現決策過程的自動化;而采用無監督式學習算法處理大量非標簽化數據，基于數據的內在關聯而不是傳統的財務思維得到某些特定的決策模型與決策規則，將為企業中高層管理者結合自身的經驗判斷和個人偏好進行決策提供有效輔助，使影響因素眾多、決策過程復雜且無固定規律可循的半結構化與非結構化決策不再成為困擾企業決策的難題。

（三）完善風險管控能力

企業的生存發展歷程并非總是一帆風順，各種潛在的風險事件一旦真正發生，可能會給企業帶來不可估量的損失。為降低風險事件的發生概率或減少風險事件發生時導致的損失，采取恰當的方法和措施進行風險管控也是企業管理的重要內容。風險管控的具體流程大致包括風險識別、風險分析、風險管控方法選擇和風險管控效果評價四個步驟，而智能化管理會計引擎將在機器學習技術的助推下完成風險識別與分析的任務，有利于企業及時發現并妥善應對相關風險，提升風險管控效率，以保障各項生產經營及投融資活動的順利開展。監督式學習算法的應用需要已標明各項具體特征、相應風險類型和風險等級的大量風險事件數據來進行訓練，使智能管理會計引擎充分把握不同類型、不同等級風險事件的特征，從而能夠在某一新事件出現之時自動判斷該事件是否為風險事件;若為風險事件，智能管理會計引擎將及時向管理者發送風險預警信號，同時分析確定該事件的風險類型及等級，輔助管理者制定與之相匹配的管控方法與業務流程，將企業的風險控制在合理范圍之內。

四、基于機器學習構建智能會計引擎的機遇與挑戰

機器學習在智能時代引領、國家政策支持和新興信息技術助力之下迎來了蓬勃發展的浪潮，也為智能會計引擎構建帶來了不可多得的珍貴機遇。但機遇與挑戰并存，人工智能領域人才嚴重短缺、復雜的業務場景與活動無法避免人工干預以及所得模型可解釋性有限都是在利用機器學習構建智能會計引擎之時需要攻克的難題。

（一）基于機器學習構建智能會計引擎的機遇

1.智能時代呼吁財務創新與變革

自20世紀50年代正式誕生以來，人工智能逐漸成為了一門內容廣泛的交叉前沿學科。尤其是進入21世紀之后，人工智能的應用范圍隨其理論和技術的日益成熟而不斷擴大，機器學習、計算機視覺、自然語言處理等分支領域在各行各業都掀起了巨大的變革風浪。計算機的誕生與普及使財務完成了由純手工操作向電算化的轉變，人工智能引領的智能時代也必將推動財務與時俱進，在智能化領域突破創新，為企業發展的良性循環提供全方位服務和強有力支撐[8]。當前已研制成功的智能財務機器人正是時代變革下財務運營智能化的階段性產物之一，它主要針對重復性高、標準化程度高且邏輯規則明確的財務流程，可在完美取代大量人力投入的同時提高效率[9]，但由于不具備自我學習能力，因此與真正的智能財務尚有差距。未來，以機器學習為代表的人工智能技術將在財務領域實現更為深入的應用，除了能夠構建智能會計引擎，也將開發出更具創新性和顛覆性的智能財務工具，為企業達成業務發展與財務管理緊密融合的目標增添新的助力。

2.國家政策支持人工智能發展

人工智能所具備的巨大潛力與重大戰略意義使得全球各主要大國為搶占時代制高點和競爭主動權競相部署相關戰略，中國也緊跟新經濟時代的節奏和步伐于近年在人工智能領域密集出臺了多項政策（如表2所示）：2015年5月，《中國制造2025》首次提及“智能制造”;2016年3月，“人工智能”被寫入國家“十三五”規劃綱要;2017與2018連續兩年的國務院政府工作報告均提及“人工智能”，足見我國對其關注和重視程度之高。國家政策的支持與號召使得人工智能不僅獲得諸如阿里、騰訊和百度等科技巨頭的青睞，也在產業資本的扶持之下催生了一批成長迅速的科技型獨角獸企業，整體技術突飛猛進，產品應用成果豐碩。隨著人工智能作為一項基礎技術在各行各業的快速滲透和推進，財務領域實現跨越式升級指日可待，基于機器學習的智能會計引擎的構建也是響應國家政策的重要環節。

3.新一代信息技術助力機器學習騰飛

“大智移云物”時代之下，包括機器學習在內的新興信息技術之間存在著極其密切的聯系，它們相互促進、彼此依存，共同推動了社會的發展與進步——機器學習對于發掘大數據背后隱藏的真正價值、使大數據轉變為知識或生產力不可或缺，而大數據則是機器學習的必備前置技術環節，越豐富多樣的數據越可能提升機器學習生成模型的精確性;計算能力和計算速度的日益提升使得云計算為大數據的處理運行提供了良好的技術與服務支持，而移動互聯網、物聯網則為大數據提供了海量的數據來源，如圖4所示。因此，要想發揮機器學習的強大作用，必須實現其與大數據、移動互聯網、云計算和物聯網等新技術的緊密結合與交匯融通，在此基礎上，智能會計引擎可謂集新一代信息技術于一體，為財務智能化提供重要支撐。

（二）基于機器學習構建智能會計引擎的挑戰

1.專業型與復合型人才相對匱乏

基于機器學習的智能會計引擎是人工智能與財務相結合后的產物，其誕生與發展不僅需要依靠人工智能領域的專業型人才，更需要同時具有人工智能背景和財務背景的復合型人才。然而，人工智能涉及了計算機科學、數學、心理學甚至哲學等多門學科的知識，交叉性較強，合格人才的培養難度大、培養時間長，導致人工智能專業型人才的供應量遠遠落后于飛速提升的需求量，人才嚴重短缺的現象極為突出，通曉財務知識的人工智能復合型人才更是寥寥無幾。雖然當前人工智能初創企業逐漸增多，傳統互聯網行業對人工智能也日益重視，但相關的人才缺口很難在短期內得到有效填補。只有在基礎研究領域進行持續投入，加大算法等基礎學科的培養力度，以培養相關專業頂尖人才;同時發展交叉學科，在系統知識體系下啟發新思維以打造復合型人才;并通過校企聯合培養實現科研理論與應用實踐的有機結合，建立長期人才儲備，才能從根本上破解人才匱乏的難題。

2.復雜業務場景與活動仍需人工干預

雖然基于機器學習的智能財務會計引擎能夠取代記賬流程中大部分重復率和機械程度較高的手工操作，但在面臨復雜或不規范的業務場景之時，仍然需要財務人員親自對其進行梳理，并依據會計準則在已有經驗的基礎上做出判斷。同樣，對于利用機器學習構建的智能管理會計引擎而言，雖然其能全面提升管理會計的各項職能水平，但復雜程度較高的分析、預測以及決策等活動，終究需要管理者憑借個人的經驗判斷、在綜合考慮多方信息之后才能得以開展，智能管理會計引擎只是充當有效的輔助工具。短期內，機器學習尚不可能使無需人工干預的全自動化智能會計引擎成為現實。

3.所得模型的可解釋性有限

在利用機器學習技術解決某一領域的具體問題時，往往需要該領域內的從業人員能夠理解最終生成的模型，從而進一步明確該模型能夠針對未知樣本進行預測的邏輯[10]。然而，在某些情況下，通過機器學習生成的模型只能從單純的數據層面加以解釋，在實際應用層面卻不具備可解釋性，這是機器學習存在的缺陷之一。就智能會計引擎而言，主要采用無監督式學習算法的智能管理會計引擎以訓練數據的內在關聯為基礎生成預測或決策模型，但這些模型所蘊含的預測或決策機制有時無法從財務或管理層面得到清晰完全的解釋，因此可能只會對最終的預測或決策行為產生相對有限的影響。●

【參考文獻】

[1] 劉勤，楊寅.改革開放40年的中國會計信息化：回顧與展望[J].會計研究，2019（2）：26-34.

[2] 韓向東，余紅燕.智能財務的探索與實踐[J].財務與會計，2018（17）：11-13.

[3] 余應敏，王彩淋.財務機器人對會計行業的影響及其應對策略[J].會計之友，2018（7）：54-56.

[4] JASON BELL.機器學習實用技術指南[M].鄒偉，王燕妮，譯.北京：機械工業出版社，2018：1-8.

[5] ALARCON J L，et al.Accounting AI and machine learning：applications and challenges[J].Pennsylvania CPA Journal（special），2019：1-5.

[6] 劉彬，石亮亮.銀行科技系統會計引擎作用淺析[J].中國金融電腦，2017（9）：57-63.

[7] 董皓.智能時代財務管理[M].北京：電子工業出版社，2018：71-98，191-200.

[8] MOUDUD-UL-HUQ S.The role of artificial intelligence in the development of accounting systems：a review[J]. IUP Journal of Accoun-

ting Research & Audit Practices，2014，13（2）：7-19.

[9] LIN P，HAZELBAKER T.Meeting the ch-

allenge of artificial intelligence[J].CPA Journal，2019，89（6）：48-52.

[10] 張長水.機器學習面臨的挑戰[J].中國科學：信息科學，2013，43（12）：1612-1623.