Neuraal netwerk Mario in productie genomen

Deze week hebben we Mario aan een select aantal kantoren beschikbaar gesteld. Mocht je het gemist hebben, Mario is een machine learning model dat we op basis van ongeveer 1500 administraties getraind hebben om balansposten te voorspellen. In eerste instantie hebben we dat beperkt tot:

  • de post liquide middelen
  • de hoogte van deze post over 30 dagen na de laatste maandafsluiting

Op termijn hopen we dit uit te kunnen breiden naar andere posten (bijvoorbeeld werkkapitaal) en verder in de toekomst (60 of 90 dagen).

De betrouwbaarheid van het model op basis van de genoemde 1500 administraties (trainingset) was redelijk maar de kans bestaat dat het model teveel gebaseerd is op deze data en wellicht minder bruikbaar voor nieuwe administraties (zgn. ‘overfitting’). Dat weten we echter alleen maar als we het in de praktijk gaan toepassen.

Als je Mario in de praktijk gaat gebruiken, hou dan rekening met de volgende zaken:

  • de voorspelling wordt gebaseerd op de afgelopen 24 maanden en kijkt na de laatst afgesloten maand één periode vooruit. Het heeft dus niet zoveel zin om de voorspelling uit te laten voeren op 25 april. Het model zal dan namelijk kijken naar de liquide middelen per eind maart en een voorspelling doen voor eind april. Dan kan je beter naar de bank kijken. Andersom moet je er rekening mee houden dat de analyse alleen maar zin heeft i.g.v. een bijgewerkte administratie.
  • Hou rekening met mogelijk onjuiste uitkomsten. Het is haast onvermijdelijk dat het algoritme er hier en daar naast zal zitten. Een signalering is dan ook niet direct reden om cliënten te alarmeren maar een startpunt voor nader onderzoek. Ook als Mario signaleert dat er niets aan de hand is met de toekomstige liquiditeit, is dat geen garantie. Als je meent dat cliënten op het punt van cashflow bijzondere aandacht verdienen, gaat Mario daar niets aan veranderen. Het model helpt je hopelijk wel met het eerder signaleren.

Hoe past Mario in het grotere plaatje:
De impact van machine learning op de bestaande praktijk is wellicht nu al groter dan je zou vermoeden. Dat komt omdat we, zodra een model goed functioneert, het niet meer beschouwen als machine learning. Je bent eraan gewend en het ding doet wat hij moet doen (bijvoorbeeld een boekingsvoorstel genereren of de tekst op een factuur herkennen). In alle gevallen zijn het echter hele gerichte modellen die, net als Mario, een specieke taak uitvoeren (zgn ‘weak’ of ‘narrow’ AI).

Op termijn zullen er steeds meer van deze losse modellen komen die helpen bij het identificeren van mogelijkheden voor fiscale optimalisatie, subsidie kansen en natuurlijk hopelijk ook aan business gerelateerde kansen. Elk model zal vermoedelijk apart moeten worden getraind op basis van een daarvoor geschikte dataset. Dat laat overigens onverlet dat er zat onderwerpen zijn die helemaal niet met moeilijke modellen hoeven te worden onderzocht. Soms zijn het gewoon rekenregels die op 1 onderneming los kunnen worden gelaten (zoals veel van onze huidige analyses).

De uitdaging zal worden om de juiste mix van generieke en specifieke voorspellingen te bouwen die adviseurs ondersteunen bij het optimaal bedienen ondernemers. We hopen natuurlijk dat Mario wat dat betreft een stap in de goede richting.

Wil je Mario zelf ervaren? Dan zijn er twee mogelijkheden – je duikelt de oude Nintendo van je kinderen op of je stuurt  een mail naar hallo@analys.io. Hou er wel rekening mee dat Mario wel RGS verlangt!