Natural language processing (NLP) is a subfield of artificial intelligence that gives computers the ability to automatically read, understand, and derive meaning from human languages.

Tidak semua data dibuat sama. Data terstruktur ada dalam format yang telah ditentukan dan umumnya mudah dianalisis. Tetapi sebagian besar data yang dihasilkan oleh organisasi biasanya tidak terstruktur. Itu ada dalam bahasa manusia yang mengalir bebas seperti bahasa Inggris. Sementara manusia dapat dengan mudah memahami data ini, komputer mengalami kesulitan melakukannya, setidaknya tanpa bantuan.

Dari perspektif akuntansi, contoh data tidak terstruktur termasuk teks faktur, deskripsi transaksi, dan komunikasi tertulis. Dengan teknik yang melibatkan pemrosesan bahasa alami (NLP), dimungkinkan untuk mengotomatiskan beberapa tugas yang secara tradisional dilakukan secara manual oleh akuntan entry-level. NLP dapat membantu dengan tidak hanya otomatisasi tetapi aspek akuntansi lainnya yang lebih strategis. Karena akuntansi manajemen berkaitan dengan pengambilan keputusan internal, ada kelonggaran yang cukup besar dalam penggunaan teknik analisis untuk menghasilkan wawasan. NLP dan, dengan ekstensi, AI dan pembelajaran mesin (ML) adalah tambahan terbaru untuk gudang besar teknik di pembuangan akuntan manajemen saat ini.

Teknik NLP memungkinkan komputer untuk memahami bahasa manusia. Mereka menjembatani kesenjangan antara apa yang manusia berbicara dan menulis dan apa yang dapat diproses komputer. Teknik NLP saat ini dapat menerjemahkan satu bahasa ke bahasa lain, memahami sentimen di balik ulasan online, dan bahkan membuat tanggapan canggih terhadap pertanyaan.

Teknik NLP ini dapat diterapkan di sejumlah pengaturan akuntansi manajemen. Salah satu contoh yang baik adalah analisis sentimen. Sebagai bagian dari balanced scorecard, organisasi semakin mengalihkan fokus dari ukuran kinerja hanya keuangan ke pendekatan yang lebih “seimbang”. Salah satu dari empat kuadran kartu skor seimbang berfokus pada perspektif pelanggan. Sentimen pelanggan dapat diukur menggunakan NLP dan pemodelan pembelajaran mesin (ML) prediktif.

ALAT

Penting untuk dipahami bahwa sebagian besar analisis pembelajaran mesin (ML) tidak dapat dilakukan dengan memuaskan dalam perangkat lunak berbasis spreadsheet seperti Microsoft Excel. Yang sedang berkata, banyak alat yang mudah digunakan ada yang dapat membangun model prediktif yang efektif.

Ada fleksibilitas yang cukup besar ketika memutuskan alat mana yang akan digunakan. Analisis NLP dapat dilakukan dalam perangkat lunak berpemilik, bahasa statistik, atau bahasa pemrograman tujuan umum (lihat “Mengapa Belajar Pemrograman?”).

Bahkan, pilihan sering bermuara pada preferensi pribadi. Ada banyak alat yang tersedia, tetapi mari kita lihat beberapa opsi yang umum digunakan.

Python.  Ada dua alasan mengapa Python adalah pilihan yang sangat baik: Pertama, Python menawarkan beragam perpustakaan ilmu data. Pengaturan sumber terbukanya berarti bahwa pengguna di seluruh dunia mengembangkan dan menerbitkan modul. Yang populer termasuk scikit-learn untuk tugas pembelajaran mesin (ML) umum, NLTK untuk teknik NLP yang lebih canggih, dan SciPy untuk perhitungan matematika yang mendasarinya. Pustaka lanjutan untuk pembelajaran mendalam termasuk Keras, TensorFlow, dan PyTorch.

Kedua, Python adalah tujuan umum dan relatif mudah dipelajari. Ini memiliki sintaks yang bersih dan dapat dimengerti, dan juga dapat digunakan untuk berbagai tugas selain pembelajaran mesin (ML). Dalam pekerjaan saya sendiri, saya mengunduh faktur secara otomatis, mengekstrak informasi mereka menggunakan pengenalan karakter optik, memproses terlebihk ekstrak, dan kemudian menjalankan model ML, semuanya dengan Python. Terkadang, saya juga menggunakannya sebagai kalkulator.

Kelemahan Python termasuk kurva belajar bahasa pemrograman (bahkan jika itu lebih pendek daripada dengan bahasa lain), dipahami oleh orang lain dengan latar belakang pemrograman terbatas, dan masalah keamanan sumber terbuka (meskipun ini dapat diatasi dengan perencanaan dan uji tuntas).

  1. Sangat mirip dengan Python, R adalah open source, memiliki komunitas global untuk dukungan besar, dan banyak digunakan. Ini juga cukup mudah dipelajari. Pustaka ML populer termasuk Caret, kernlab, dan OpenNLP. R sangat populer untuk mengembangkan model peramalan yang melibatkan data deret waktu.

Perbedaan utama dari Python adalah bahwa R secara khusus cocok untuk analisis statistik. Untuk alasan ini, ini lebih populer di kalangan akademisi daripada praktisi. Kelemahan R, oleh karena itu, adalah skalabilitas; tidak seperti Python, R tidak dapat digunakan untuk membangun seluruh alur di mana tugas yang terkait secara longgar dilakukan secara berurutan.

Alteryx.  Salah satu alat terbaru yang bertujuan untuk membawa pementasan dan pemodelan data canggih kepada  orang-orang yang bukan programmer, Alteryx adalah pilihan yang layak untuk profesional akuntansi yang tidak memiliki waktu, keinginan, atau perlu belajar Python atau R. Tidak seperti dua lainnya, Alteryx adalah milik — Anda terbatas pada apa yang diberikan perusahaan kepada Anda. Untungnya, perusahaan menyediakan banyak. Alteryx memiliki kanvas besar dan antarmuka drag-and-drop-style yang dapat digunakan untuk membangun alur kerja yang canggih. Salah satu manfaat besar Alteryx adalah “melihat” transformasi data saat bergerak melalui alur kerja. Data juga dapat diakses di setiap node perantara dengan transformasi sampai saat itu.

Alteryx juga baru-baru ini keluar dengan Intelligence Suite-nya, yang mencakup serangkaian alat yang membantu NLP dan tugas pembelajaran mesin (ML) lainnya. Suite ini membuat Alteryx sangat kuat dalam tugas NLP. Kelemahan terbesar Alteryx adalah biayanya. Sementara dua alat lainnya gratis, Alteryx biasanya memerlukan langganan tahunan per pengguna.

Referensi:

  • Arora, S. (2022, Maret 1). Natural Language Processing In Accounting.
  • Fisher, I., Garnsey, M., & Hughes, M. (2016). Natural Language Processing in Accounting, Auditing and Finance: A Synthesis of the Literature with a Roadmap for Future Research. Intelligent Systems in Accounting Finance & Management.
  • Google Image. (2022, Maret 6). www.google.com.
  • Mayer , J., Stritzel, O., Eßwein , M., & Quick , R. (2020). Towards Natural Language Processing: An Accounting Case Study. Forty-First International Conference on Information Systems. India: Natural Language Processing.
  • Tan, A. (2019, June 27). Four key applications of natural language processing for audit transformation.