Analyse von Geschäftsdokumenten und Prozessen mit KI

Digitalisierung in Wirtschaftsprüfung, Verwaltung, Controlling und mehr

Dank der fortschreitenden Digitalisierung stehen uns unzählige Datenschätze zur Verfügung, die für die Prozessoptimierung genutzt werden können. Informationen und Daten zu einem Unternehmen sind meist jedoch nicht an einem Ort gespeichert und liegen in unterschiedlicher Form vor – etwa als Texte und Tabellen, Bilder oder Videos. Die Bereitstellung von Informationen ist daher häufig eine zeitraubende, von händischer Routine geprägte Arbeit: Dokumente müssen gefunden, klassifiziert, kategorisiert und ausgewertet werden.

Wir, das Geschäftsfeld Cognitive Business Optimization, digitalisieren und optimieren diesen Prozess unter höchsten Datenschutzanforderungen. Wir haben jahrelange Erfahrung in der Entwicklung von Tools, die auf Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) basieren. Die Erkenntnisse, die wir durch unsere Tools aus den Datenbeständen gewinnen, helfen Unternehmen dabei, Effizienzsteigerungen zu realisieren.

Ein Großteil unserer Projekte fokussiert sich auf die intelligente und automatisierte Analyse von Geschäftsdokumenten und betriebswirtschaftlichen Prozessen. Entdecken Sie zum Beispiel unsere Success Story zur Software »Automated List Inspector« (ALI), mit der wir bei PwC Prozesse der Wirtschaftsprüfung teilautomatisieren.

Unsere Tools – basierend auf KI und ML

Anonymizer: Datenschutzkonforme Dokumentenanalyse

In der EU und insbesondere in Deutschland sind Datenschutz und Regulatorik oft eine Herausforderung für die Umsetzung von KI- und ML-Projekten. Für das Training unserer Algorithmen benötigen wir jedoch eine große Menge an Daten.

Deshalb haben wir ein Tool entwickelt, dass sensible und personenbezogene Daten identifiziert und diese automatisiert unkenntlich macht (schwärzt). Das Tool ermöglicht so die datenschutzkonforme Dokumentenanalyse sowie das bedenkenlose Trainieren Ihrer KI- und ML-Anwendungen. Die so extrahierten Daten können auch anderweitig verwendet werden.

Unser Anonymizer-Tool macht sensible Daten (hier rot hervorgehoben) automatisch unkenntlich.

KPI Relation Extraction: Filtern, Zuordnen und Abgleichen von Kennzahlen

Unsere KPI Relation Extraction ermöglicht das gezielte und automatische Herausfiltern von relevanten Informationen aus Ihren Dokumenten – seien es numerische Kennzahlen oder Angaben in Textform. Diese Informationen können automatisch anderen Kennzahlen in Tabellen oder Datenbanken zugeordnet und auf Übereinstimmung abgeglichen werden.

 

Konsistenzcheck: Erkennung von Widersprüchen und Auffälligkeiten

Unser Konsistenzcheck-Tool hilft dabei, Widersprüche und Auffälligkeiten zwischen zwei Textpassagen, die sich auf die gleiche Information beziehen, zu erkennen.

In der Wirtschaftsprüfung kommt das Tool beim Abgleich von (Finanz-)Dokumenten und dem da darauf basierenden Geschäftsbericht zum Einsatz. Durch das Erkennen von Widersprüchen und Auffälligkeiten eignet sich das Tool auch sehr gut um Betrugsversuche schneller zu erkennen und vorzubeugen.

© Fraunhofer IAIS
Beim Konsistenzcheck werden Widersprüche zwischen zwei Textpassagen identifiziert.

Recommender-Systeme: Vorschläge relevanter Texte oder Prozessschritte

Recommender-Systeme begegnen uns fast täglich, ohne dass wir es wirklich wahrnehmen: Eine gezielte Auswahl von Artikeln auf Shopping-Seiten, die genau auf die eigenen Präferenzen abgestimmt ist, oder eine generierte Musik-Playlist, die den Musikgeschmack sehr gut trifft – das sind alles Beispiele für Anwendungsmöglichkeiten von Recommender-Systemen.

Auch im Unternehmen können Recommender-Systeme große Vorteile bieten: Zum Beispiel kann bei der Prüfung von Dokumenten ein bestimmter nützlicher Absatz des Texts vorgeschlagen werden. Oder es können passende Dokumente bei einer Dokumentensuche vorgeschlagen werden.

Eine weitere Einsatzmöglichkeit: Unter der Annahme, dass ein Arbeitsprozess (wie die Prüfung eines Dokuments) einer grundlegenden Systematik folgt, kann man einen Algorithmus darauf trainieren, diese Systematik zu verstehen und den Prozess anschließend zu automatisieren. Dafür sind vier Schritte wichtig: das Einlesen der Daten, die Textvorverarbeitung, die Repräsentation der Daten und das zugrundeliegende Modell, welches die Daten nach ihrer Relevanz gewichtet und zuordnet.

© Freedomz - stock.adobe.com

Success Story Wirtschaftsprüfung

»Automated List Inspector« (ALI) von Fraunhofer IAIS und PwC

Zusammen mit der Wirtschaftsprüfungs- und Beratungsgesellschaft PricewaterhouseCoopers GmbH (PwC) hat das Geschäftsfeld Cognitive Business Optimization den »Automated List Inspector« (ALI) für die digitale Abschlussprüfung entwickelt. ALI ist ein webbasiertes Recommender-System, das die Kommunikation zwischen Mandant*in und Prüfer*in erleichtert, durch automatisierte Prozesse Zeit spart und die Effizienz bei einer gleichbleibend qualitativ hochwertigen Prüfung deutlich verbessert.
 

So funktioniert's

Die Software findet in unstrukturierten Dokumenten, wie zum Beispiel Verträgen oder Geschäftsberichten, die richtigen Textstellen für die gesetzlichen Anforderungen im Bereich der Wirtschaftsprüfung. Darüber hinaus kann ALI Abstimmungshandlungen vornehmen und auch nach Angaben suchen, die über die gesetzlich geforderten Werte hinausgehen. Anmerkungen oder Feststellungen bei der Bearbeitung in der Software werden direkt in die zugrundeliegenden Dokumente übernommen und sorgen somit für eine einfache Kommunikation zwischen Mandant*in und Prüfer*in.

Der Referenzpunkt für ALI sind Checklisten, die alle gesetzlichen Anforderungen beinhalten, die von den zu prüfenden Dokumenten erfüllt werden müssen. Die finale Entscheidung, welcher der präsentierten Vorschläge letztendlich zutreffend ist, wird dem/der Prüfer*in überlassen.
 

Höhere Effizienz von digitalen Abschlussprüfungen dank (Teil-)Automatisierung

Mit ALI konnten wir bei PwC im Auditing-Prozess signifikante Effizienzgewinne realisieren. Die Interaktion mit dem Tool und stetiges Nutzerfeedback verbessern das System kontinuierlich. Der Einsatz des Tools hat sich als so profitabel erwiesen, dass es auch außerhalb der deutschen Niederlassungen ausgerollt wurde, beispielsweise in den Niederlanden, Österreich, Australien und Frankreich.  

© vinnstock - stock.adobe.com

Einsatzmöglichkeiten im Controlling

Über den Use Case in der Wirtschaftsprüfung hinaus, kann man die Software ALI und unsere Tools für alle Aufgaben verwenden, bei denen eine große Anzahl von Dokumenten verarbeitet werden müssen, um bestimmte Informationen zu finden und diese aufzubereiten – solche Aufgaben findet man typischerweise im Controlling.
 

Unternehmen stehen vor vielen Herausforderungen

Der Workload für Controlling-Abteilungen wird sich mit der anstehenden Einführung der Berichtserstattung nach ESG-Kriterien perspektivisch stark steigern. Diese dienen als standardisierte und prüfbare Kriterien zur Bewertung der Nachhaltigkeit von Geldanlagen. Sie umfassen die Dimensionen »Environment« (Umwelt), »Social« (Sozial) und »Governance« (Unternehmensführung). Für eine Vielzahl an zusätzlichen Indikatoren müssen belastbare Zahlen geliefert werden, der »Daten-Track« muss nachvollziehbar dokumentiert werden und anschließend müssen die Daten aufbereitet werden. Dazu kommt der anhaltende Fachkräftemangel, der für jedes Unternehmen eine große Herausforderung darstellt. Das Ziel ist es folglich, den Berichterstattungsprozess so effizient und integrativ wie möglich zu gestalten, damit Unternehmen den zusätzlichen Workload stemmen können.
 

Zukunftssicheres und effizientes Controlling dank maßgeschneiderter KI-Lösungen

Wir sehen in der digitalen Transformation große Chancen für die Verwendung unserer Tools, deren Einsatzgebiet die Automatisierung von zeitaufwendigen, repetitiven Aufgaben ist. Einige Unternehmen haben diese Entwicklung frühzeitig antizipiert und sich mit vielversprechenden Software-Lösungen eingedeckt. Ein übliches Problem scheint jedoch zu sein, dass diese Tools häufig zu Insellösungen werden – die Integration und das unternehmensweite Roll-Out gestalten sich schwierig und kostspielig. Wo Fertig-Lösungen an ihre Grenzen kommen, stehen wir Ihnen zur Seite. Unsere Technologien werden spezifisch an Ihre Bedürfnisse und Ihren Use-Case angepasst.

 

Forschungsarbeit

Alle Dokumente sind open access verfügbar.

D. Biesner, R. Ramamurthy, et al., »Anonymization of German financial documents using neural network-based language models with contextual word representations«, in International Journal of Data Science and Analytics, 2022

L. Hillebrand, T. Deußer, et al., »Joint Named Entity Recognition and Relation Extraction for Financial Reports«, in Proc. IEEE ICPR, 2022

D. Biesner, M. Pielka, et al: »Zero-Shot Text Matching for Automated Auditing using Sentence Transformers«, in Proc. IEEE ICMLA, 2022

M. Pielka, F. Rode et al: »A Linguistic Investigation of Machine Learning based Contradiction Detection Models: An Empirical Analysis and Future Perspectives«, in Proc. IEEE ICMLA, 2022

T. Deußer, S. M. Ali et al: »KPI-EDGAR: A Novel Dataset and Accompanying Metric for Relation Extraction from Financial Documents«, in Proc. IEEE ICMLA, 2022

R. Ramamurthy, M. Lübbering et al., »Automatic Indexing of Financial Documents via Information Extraction«, in Proc. IEEE SSCI, 2021

M. Pielka, R. Sifa, L. Hillebrand, et al., »Tackling contradiction detection in German using machine translation and end-to-end recurrent neural networks«, in Proc. IEEE ICPR, 2020

R. Sifa, A. Ladi, M. Pielka, et al., »Towards automated auditing with machine learning«, in Proc. ACM DocEng, 2019