JP6261808B1 - 会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラム - Google Patents

Abstract

会計処理装置１０にて自動仕訳を行う仕訳部１３の仕訳ＡＩにおいて、当該仕訳ＡＩの学習システム３０は、仕訳要素データとそれに対応する仕訳データからなる教師データに基づいて機械学習を行って仕訳ＡＩを形成する学習部３２と、この仕訳ＡＩにより教師データの仕訳要素データを仕訳した結果に対し、教師データの仕訳データと異なる低信頼度仕訳を検出して仕訳評価データとして表示部３４に出力する仕訳評価部３３と、を少なくとも有する。

Description

本発明は取引の情報を取り込んで自動的に仕訳を行う会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラムに関する。

従来の会計処理としては、税理士や会計士、簿記担当者等が会計業務ソフトに、実際に行われた取引内容を入力し、取引内容から勘定科目を経験的に判断して仕訳の入力を行っていた。

このように、取引内容を人間が一件入力して仕訳を行うのでは作業効率が悪い上、仕訳の精度は担当者の経験に依存するところが大きく、仕訳の精度にばらつきが生じるという問題があった。

そこで、取引内容を含んだウェブ明細データや証憑データを、インターネット等を介して取り込み、これらのデータを解析して、取引内容に応じた特定の勘定科目に自動的に仕訳をする会計処理装置が開発されている（特許文献１、２参照）。

詳しくは、特許文献１に記載された技術では、取引内容の記載を形態素に分節し、各形態素に対応づけられた１又は複数の勘定科目の出現頻度を参照して、取引内容の記載が表す勘定科目を提示する。ユーザはこの提示された勘定科目を修正することもでき、修正された結果は、ユーザごとのユーザルールとして保存され、次回からは、その取引内容に対して修正された勘定科目が提示される。また、特許文献１では、この修正結果を蓄積して、各形態素に対応づけられた１又は複数の勘定科目の出現頻度の機械学習による学習済みデータベースを生成することも記載されている。

また、特許文献２に記載された技術では、会計ソフトを所有する登録ユーザについては、当該登録ユーザの過去履歴を参照して証憑記載の取引と類似取引の仕訳を抽出し、その使用頻度に応じて推奨仕訳を提示する。一方、非登録ユーザについては全ユーザ（全国多数の個人や企業）の使用人数が一番多い仕訳を推奨仕訳としてユーザに提示する。また、当該特許文献１では、新たな仕訳が生じたり、ユーザ側で仕訳を修正したりした場合には、学習手段により仕訳に用いるデータベースを更新することで、各ユーザが使い込むほど仕訳の結果が最適化されることも記載されている。

特開２０１６−２１１４７号公報 特開２０１４−２３５４８４号公報

しかしながら、上記特許文献１、２では、自動的に仕訳した勘定科目をユーザに提示し、ユーザがそれを修正した場合に、その修正結果を次回以降の仕訳に反映させるよう学習を行っているが、このように提示された勘定科目に対しユーザが一つ一つ修正を行っていては、全般的にそのユーザに適した仕訳を行えるようになるまでに長い期間を要するという問題がある。また、ユーザの手で一つ一つ修正をしていては作業効率の向上が図られず、仕訳の精度もそのユーザに依存するという問題もある。

本発明はこのような問題点を解決するためになされたもので、その目的とするところは、自動仕訳における仕訳の誤りを容易に発見することができ、効率的に仕訳精度を向上させることのできる会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラムを提供することにある。

上記した目的を達成するために、本発明に係る会計処理装置では、取引内容に応じた勘定科目を自動的に仕訳する会計処理装置であって、予め教師データに基づいた機械学習を行い、取引内容に応じた勘定科目を選定することを学習した仕訳ＡＩと、前記仕訳ＡＩが仕訳した結果のうち、低信頼度仕訳のものについて、勘定科目とともに信頼度を出力する仕訳評価部と、を備える。
また、上記会計処理装置において、前記仕訳評価部は、前記仕訳ＡＩが仕訳した結果として、前記信頼度とともに、当該仕訳の日付、金額、摘要、取引先、及び取引元の少なくとも一つを含む仕訳要素を出力する。

上記会計処理装置において、前記仕訳評価部は、前記低信頼度仕訳の要因の種類を判別可能でもよい。

特に、上記会計処理装置において、前記仕訳評価部は、前記仕訳評価部は、前記低信頼度仕訳の要因として簿記上の誤りを判別可能でもよい。

また、上記会計処理装置において、前記仕訳評価部は、前記仕訳評価部は、前記低信頼度仕訳の要因として予め定めた所定の仕訳ルールの適用を判別可能でもよい。

また、上記会計処理装置において、前記仕訳評価部は、前記低信頼度仕訳の情報を視認可能な表示部に出力してもよい。

また、上記会計処理装置において、前記仕訳評価部は、前記低信頼度仕訳の情報を混同行列に基づく表として前記表示部に出力してもよい。

また、上記会計処理装置において、前記仕訳評価部は、前記教師データの仕訳に基づく正解勘定科目と、前記仕訳ＡＩによる仕訳に基づく推定勘定科目とからなる混同行列に基づく表として前記表示部に出力してもよい。

また、上記会計処理装置において、前記仕訳評価部は、前記低信頼度仕訳の情報として、勘定科目ごとに前記信頼度を並べた一覧表を出力してもよい。

また、上記会計処理装置において、前記仕訳評価部により出力された低信頼度仕訳に基づき、前記仕訳ＡＩを再学習させてもよい。

また、上記した目的を達成するために、本発明に係る会計処理システムでは、上述の会計処理装置と、前記会計処理装置と通信網を介して接続され、取引データを前記会計処理装置に送信可能であるとともに、前記会計処理装置にて生成された仕訳データを受信可能な情報端末と、を備える。

また、上記会計処理システムにおいて、前記情報端末は、受信した仕訳データを修正し、修正した仕訳データを前記会計処理装置にフィードバック可能であり、前記会計処理装置は、フィードバックされた修正した仕訳データに基づき前記仕訳ＡＩをさらに学習させてもよい。

また、上記した目的を達成するために、本発明に係る会計処理方法では、取引内容に応じた勘定科目を自動的に仕訳する会計処理方法であって、予め教師データに基づいた機械学習を行い、取引内容に応じた勘定科目を選定することを学習した仕訳ＡＩを形成する学習工程と、前記学習工程で形成した仕訳ＡＩが仕訳した結果のうち、低信頼度仕訳のものについて、勘定科目とともに信頼度を出力する仕訳評価工程と、を備える。
また、上記会計処理方法において、前記仕訳評価工程では、前記仕訳ＡＩが仕訳した結果として、前記信頼度とともに、当該仕訳の日付、金額、摘要、取引先、及び取引元の少なくとも一つを含む仕訳要素を出力する。

また、上記会計処理方法において、前記仕訳評価工程では、前記低信頼度仕訳の要因の種類を判別可能でもよい。

特に、上記会計処理方法において、前記仕訳評価工程では、前記低信頼度仕訳の要因として簿記上の誤りを判別可能でもよい。

また、上記会計処理方法において、前記仕訳評価工程では、前記低信頼度仕訳の要因として予め定めた所定の仕訳ルールの適用を判別可能でもよい。

また、上記会計処理方法において、前記仕訳評価工程では、前記低信頼度仕訳の情報を視認可能な表示部に出力してもよい。

また、上記会計処理方法において、前記仕訳評価工程では、前記低信頼度仕訳の情報を混同行列に基づく表として前記表示部に出力してもよい。

また、上記会計処理方法において、前記仕訳評価工程では、前記教師データの仕訳に基づく正解勘定科目と、前記仕訳ＡＩによる仕訳に基づく推定勘定科目とからなる混同行列に基づく表として前記表示部に出力してもよい。

また、上記会計処理方法において、前記低信頼度仕訳の情報として、勘定科目ごとに前記信頼度を並べた一覧表を出力してもよい。

また、上記会計処理方法において、前記仕訳評価工程により出力された低信頼度仕訳に基づき、前記仕訳ＡＩを再学習させてもよい。

また、上記した目的を達成するために、本発明に係る会計処理プログラムでは、コンピュータに、上述の会計処理方法をさせる。

上記手段を用いる本発明によれば、自動仕訳における仕訳の誤りを容易に発見することができ、効率的に仕訳精度を向上させることができる。

本発明の一実施形態に係る会計処理システムを示すシステム構成図である。 仕訳ＡＩを形成するための学習システムを示すシステム構成図である。 混同行列に基づく仕訳評価データの表示例である。 低信頼度仕訳の内訳表の表示例である。 本実施形態に係る仕訳学習ルーチンを表したフローチャートである。

以下、本発明の一実施形態を図面に基づき説明する。

図１は本発明の一実施形態に係る会計処理装置を含む会計処理システムを示すシステム構成図である。

図１に示すように、本実施形態に係る会計処理システム１は、インターネット、ＶＰＮ（Virtual Private Network）等の通信網２を介して、ユーザ側の情報端末３と会計処理サービス提供者側の会計処理装置１０とが接続されて構成されている。なお、説明の簡略化のため図１では一人のユーザのみを示しているが、会計処理装置１０は通信網２を介して複数のユーザと接続可能である。

ユーザは、例えば税理士及び会計士等の専門家であったり、直接会計処理を行う法人や個人等であり、少なくとも入力部４と表示部５を有する情報端末３を備えている。

情報端末３は、例えばパーソナルコンピュータ（以下、ＰＣという）や、スマートフォン、タブレットＰＣ、及び携帯電話のような携帯端末であり、少なくともｗｅｂ情報を表示可能な端末である。

入力部４は、例えばキーボード、マウス、タッチパネル等、仕訳の対象となる取引内容をユーザが手入力可能なもの、又は例えばスキャナ又はカメラ等で領収書やレシートに記載の取引内容を読み込み可能なものである。表示部５は、例えばディスプレイであり、仕訳結果等の各種データを視認可能に表示するものである。

このように構成された情報端末３は、入力部４にて入力された取引内容を含む取引データを会計処理装置１０に送信可能であるとともに、会計処理装置１０から受信したデータを表示部５にて表示可能である。

一方、会計処理サービス提供者（以下、単にサービス提供者ともいう）は、いわゆるクラウドコンピューティングにより会計処理サービスを提供する事業者であり、会計処理装置１０を管理する者である。

会計処理装置１０は、プログラムに基づき会計処理を実行する１又は複数のサーバを有し、機能的には主に取引解析部１１、数値化・ベクトル化部１２、仕訳部１３、及び学習システム３０を有している。

取引解析部１１は、ユーザの情報端末３から送られる取引データを受信し、当該取引データの取引内容から仕訳要素となる情報を抽出して、仕訳要素データを生成する機能を有している。仕訳要素としては、例えば日付、金額、取引先、摘要（但し書き、商品名含む）、取引元（宛名含む）があり、少なくとも日付、金額、摘要を抽出する。

なお、仕訳要素はこれに限られるものではない。例えば、取引データに、購入品の数量が入力されている場合には数量を仕訳要素として含めてもよいし、同席者の名前や人数等の情報が入力されている場合には、同席者及び人数を仕訳要素として含めてもよい。また、各企業を特定するために設定された番号（法人番号、事業所番号）を仕訳要素に含めてもよい。

また数値化・ベクトル化部１２は、取引解析部１１にて生成された仕訳要素データに対して、仕訳に適したベクトルデータに変換する。仕訳要素データは、文字や数字からなるデータであり、これを仕訳部１３にて認識しやすいデータ形式に数値化し、ベクトル化することでベクトルデータを生成する。

仕訳部１３は、仕訳ＡＩ（Artificial Intelligence）を有しており、当該仕訳ＡＩにより仕訳要素のベクトルデータから仕訳データを生成する。仕訳ＡＩは、学習システム３０にて、税理士等の専門家や各企業、各業界が過去に実施した精度の高い仕訳データを教師データとして機械学習を行い、取引内容に応じた勘定科目を選定することを学習した、仕訳に特化したＡＩである。

詳しくは、図２を参照すると上記仕訳ＡＩを形成するための学習システムを示すシステム構成図が示されている。

同図に示す学習システム３０は、１又は複数のサーバ（コンピュータ）からなり、機能的には数値化・ベクトル化部３１、学習部３２、仕訳評価部３３、表示部３４、修正教師データ生成部３５、学習済モデルＤＢ３６を有している。当該学習システム３０には、教師データとして、多数の仕訳要素データと、それに対応する仕訳データが入力される。この入力される仕訳要素データと仕訳データとの組み合わせは、過去に専門家や企業により仕訳された正確性の高いデータが用いられる。又は他の会計処理ソフトウェアやクラウドサービスと連携して、これらのソフトウェアやサービスが保有している仕訳要素データと仕訳データとの組み合わせを教師データとして取得してもよい。

この教師データは、学習システム３０で形成する仕訳ＡＩの種類に応じて選定されるのが好ましい。例えば、過去の仕訳要素データ及び仕訳データが乏しい設立間もない企業や個人等の一般ユーザ向けの仕訳ＡＩを形成する場合には、企業や業界を限定しない種々の仕訳要素データ及び仕訳データを教師データとし、個別の企業のみ又は個別の業界のみを対象とした仕訳ＡＩを形成する場合には、当該企業又は業界で過去に実際に仕訳した仕訳要素データ及び仕訳データを教師データとする。

数値化・ベクトル化部３１は、上記会計処理装置１０のベクトル化と同様に、入力された仕訳要素データ及び仕訳データをベクトルデータに変換する。

学習部３２は、ベクトル化された仕訳要素データと仕訳データとの組み合わせの関係性を機械学習することで、仕訳要素データを複合的に判断し、適切な勘定科目を選択した仕訳データを出力する仕訳ＡＩを形成する。

仕訳評価部３３は、学習部３２に形成された仕訳ＡＩが仕訳した結果に対し、教師データと異なる低信頼度仕訳を検出し出力する。詳しくは、仕訳評価部３３は、まず、学習部３２での学習を終えた仕訳ＡＩに対して、改めて教師データの仕訳要素データを入力して、仕訳を実行させる。そして、この学習部３２にて形成された仕訳ＡＩにより教師データの仕訳要素データを仕訳させた仕訳データと、教師データにおける仕訳データとをまとめて比較する。教師データに基づき学習した仕訳ＡＩが、その教師データの仕訳要素データを改めて仕訳した場合でも、必ずしも全て教師データと同じ仕訳が行われるわけではなく、教師データの仕訳データと異なる仕訳データを出力する件も生じる。例えば、教師データの仕訳が不正確で通常と異なる特異な仕訳である件や、仕訳要素データの情報が不十分であったり不明確であったりする件等については、教師データと異なる仕訳を行う可能性がある。

仕訳評価部３３では、このような教師データにおける仕訳データの勘定科目と異なる勘定科目を選定した、いわゆる仕訳の信頼度の低い低信頼度仕訳を検出し、この検出した低信頼度仕訳を含む仕訳結果を仕訳評価データとして出力する。具体的には、仕訳評価部３３は、仕訳評価データとして、混同行列を作成し教師データにおける仕訳データの勘定科目と、仕訳ＡＩが仕訳した仕訳データの勘定科目との一致及び不一致の数を算出したデータを出力する。

表示部３４は、例えば当該学習システム３０に有線若しくは無線接続、又はインターネット等の通信網を介して接続されたＰＣのディスプレイであり、仕訳評価部３３にて出力された仕訳評価データを表示する。この表示部３４にて仕訳評価データが表示されることで、サービス提供者が仕訳ＡＩの学習状況を確認可能となる。

ここで、図３を参照すると、混同行列に基づく仕訳評価データの表示例が示されている。同図に示すように、仕訳評価部３３により作成される混同行列は、教師データにおける仕訳データの勘定科目（正解勘定科目）を縦軸にとり、仕訳ＡＩにより仕訳された勘定科目（推定勘定科目）を横軸にとる。仕訳ＡＩにより教師データと一致する勘定科目に仕訳された数、即ち正解勘定科目と推定勘定科目が一致した件数が、対角線上の欄に記されている。その他の欄は、正解勘定科目と推定勘定科目が異なる件数であり、これらが低信頼度仕訳の数である。

例えば、図３において、正解勘定科目が「福利厚生費」の行を参照すると、仕訳ＡＩによる推定勘定科目が正しく「福利厚生費」として仕訳された数は１１１１１件であるのに対し、推定勘定科目が「支払手数料」として教師データと異なる仕訳がされた数が１３件、「旅費交通費」は１件、「消耗品費」は５０件、「会議費」は４５件、「接待交際費」は２１件、「仕入高」は３件、「事務用品費」は１件、「雑費」は３件あることが示されている。なお、「給与手当」、「新聞図書費」、「外注費」として教師データと異なる仕訳がされた数は０件である。

また、本実施形態における仕訳評価部３３は、低信頼度仕訳の件数が他に比べて多い欄ほど濃い背景色で示す処理を行っている。例えば、図３では、仕訳ＡＩが「消耗品費」を「事務用品費」として低信頼度仕訳している数が１１０件、「事務用品費」を「消耗品費」として低信頼度仕訳している数が１４３件と、他に比べて数の多い欄は背景色が他の欄に比べて濃く示されている。なお、件数の大小を示す表記は背景色の濃さに限られるものではない。

さらに、仕訳評価部３３は、低信頼度仕訳のうち明らかな簿記としての誤りや、予め定めた所定の仕訳ルールの適用、その他の要因で教師データと異なる仕訳がされた、低信頼度の要因の種類を判別可能である。

例えば、本実施形態の仕訳評価部３３は、図３に示すように、正解勘定科目が「支払手数料」であるのに対して、推定勘定科目が「福利厚生費」（６件）や「旅費交通費」（７件）等と仕訳されているのは簿記上明らかな誤りであると判別して、これらの件数には下線を付している。

また、所定の仕訳ルールとは、例えば専門家、企業又は業界等のユーザ固有のルールである。例えば銀行の残高証明書を取るときの費用は、「支払手数料」と「雑費」のどちらの勘定科目でも簿記的には正しいが、ユーザ固有の仕訳ルールとしてどちらにするか予め設定されている又はどちらでも許可するような場合、仕訳評価部３３はユーザ設定がされている仕訳が含まれていることを示すため、図３の正解勘定科目「支払手数料」に対して推定勘定科目「雑費」である欄に示すように、件数に二重下線を付している。なお、教師データと異なる要因の種類を示す表記は下線や二重下線に限られるものではなく、例えば背景色の色を他と異なるようにしてもよい（以下同じ）。

また、この他にも、簿記的な誤り及び所定の仕訳ルール以外の要因で教師データと異なる仕訳である件も検出して、他と異なる表記を施してもよい。

さらに、仕訳評価部３３は、混同行列に基づく仕訳評価データの評価の他にも、図４に示すように、低信頼度仕訳の内訳表を表示部３４に表示することも可能である。

詳しくは、図４では、正解勘定科目が「福利厚生費」である仕訳案件の内訳一覧を表示しており、パーセント表示は横軸の推定勘定科目に対する仕訳の確率（信頼度、確実性）であり、右側の３つの欄には当該仕訳案件の仕訳要素（日付、金額、摘要）が記されている。

例えば、図４の最上行の日付「2015/12/30」、金額「12,520」円、摘要「Ａ飲食店 役員打合せ」である仕訳要素に対し、仕訳ＡＩは３２％の確率で福利厚生費、６７％の確率で会議費であると判断しており、最も確率の高い会議費を推定勘定科目として選定していることを示している。なお、仕訳評価部３３は、確率の高い欄ほど背景色を濃くするよう表示している。

当該一覧表においても、仕訳評価部３３は、低信頼度仕訳のうち明らかな簿記としての誤りや、予め定めた所定の仕訳ルールの適用、その他の要因で教師データと異なる仕訳がされた、低信頼度の要因の種類を判別可能である。例えば図４の最下行では、摘要「タクシー代」に対して、正解勘定科目が「福利厚生費」であり、仕訳ＡＩは「旅費交通費」の確率が最も高いと判断し推定勘定科目を「旅費交通費」とした上で、タクシー代を福利厚生とするのは簿記的に誤りと判別し、日付、金額、摘要の記載に一重下線が付されている。また、図４の２行目から４行目に示すように、いずれも摘要が食事代であるのに対し、例えば１名あたり5,000円未満の食事代関係は福利厚生でも会議費でもよいとするルールが定められていることで、日付、金額、摘要の記載に二重下線が付される。

図２に戻り、修正教師データ生成部３５は、仕訳評価部３３にて検出した低信頼度仕訳を修正するための修正教師データを生成する。詳しくは、修正教師データ生成部３５は、表示部３４にて表示された混同行列の表や低信頼度仕訳の内訳の表に基づき、仕訳ＡＩが低信頼度仕訳を出さない方向の修正教師データを生成する。例えば、修正教師データは、低信頼度仕訳が生じた勘定科目ごとに、正しい仕訳要素データとそれに対応する仕訳データの組み合わせを集中的に集めたデータとする。学習システム３０は、この修正教師データを教師データとして再度学習部３２での学習を行うことで、仕訳ＡＩは正しい仕訳を行う傾向に向かうこととなり、低信頼度仕訳の改善が図られる。

学習済モデルＤＢ３３は、仕訳の精度が一定水準以上となった学習済みの仕訳ＡＩを保存する。仕訳ＡＩの仕訳の精度が一定水準以上となった否かの判別は、表示部３４にて表示された仕訳評価データに基づきサービス提供者が判断してもよいし、仕訳評価部３３が仕訳評価データに基づく精度判定機能を有しており、当該精度判定機能により判断してもよい。

仕訳ＡＩの仕訳の精度の判断は、例えばサービス提供者が上述の混同行列の表（図３）や低信頼度仕訳を勘定科目ごとに並べた一覧表（図４）等から判別したり、各勘定科目における低信頼度仕訳の割合（正答率）や合計数が所定の閾値以下であるときに仕訳の精度が一定水準以上となったと判別したりすることとする。

学習済モデルＤＢ３３に保存される仕訳ＡＩは１つに限られず、ユーザの業種やユーザ単体に特化した仕訳要素データと仕訳データを入力して学習させることで、ユーザの業種やユーザ単体に最適化された仕訳ＡＩを形成してもよい。これにより、ユーザにとってより精度の高い仕訳を実現できる。

図１に戻り、仕訳部１３は、上述のように形成された仕訳ＡＩを用いて、ベクトルデータである仕訳要素に対して妥当な勘定科目を選択し、仕訳データとしてユーザの情報端末３に送信する。なお、仕訳ＡＩによって仕訳できないような仕訳要素であった場合には、勘定科目の該当なしとする仕訳データを出力する。

情報端末３は、会計処理装置１０からの仕訳データを受信すると表示部５に、その仕訳データを表示可能である。ユーザがこの仕訳データを確認し、当該仕訳データに対して修正を行ったり、新たな仕訳を生成したりした場合には、それらの情報が会計処理装置１０にフィードバックされる。フィードバックされた修正仕訳データは、学習システム３０に送られて、教師データとして活用される。なお、フィードバックによる仕訳ＡＩの学習精度を維持すべく、フィードバックを行えるユーザを税理士や会計士の専門家ユーザに限定するようにしてもよい。つまり、特定の情報端末３にのみフィードバックの機能を持たせたり、会計処理装置１０が特定の情報端末３からのフィードバックのみを受け付けるよう設定したりする。

図４を参照すると、上記学習システム３０における仕訳学習ルーチンを表したフローチャートが示されており、以下、同図のフローチャートに沿って仕訳学習の流れについて説明する。

まず、仕訳学習ルーチンのステップＳ１では、数値化・ベクトル化部３１に教師データが入力され、数値化・ベクトル化部３１が教師データを数値化及びベクトル化してベクトルデータを生成する。

ステップＳ２では、学習部３２において、ベクトル化された教師データに基づき仕訳を機械学習させた仕訳ＡＩを形成する（学習工程）。

続くステップＳ３では、仕訳評価部３３において、仕訳ＡＩにより教師データを仕訳した結果から低信頼度仕訳を検出し、図３で示したような混同行列を用いた仕訳評価データを生成して表示部３４に表示する（仕訳評価工程）。

ステップＳ４では、仕訳評価部３３又はサービス提供者により、再学習が必要か否か、即ち生成した仕訳評価データに基づき仕訳の精度が予め定めた一定水準以上であるか否かを判別する。当該判別結果が真（Ｙｅｓ）である場合、即ち仕訳の精度が一定水準未満であり、再学習が必要である場合はステップＳ５に進む。

ステップＳ５では、修正教師データ生成部３５において、低信頼度仕訳を修正するための修正教師データを生成し、次の教師データとして当該ルーチンをリターンする。

一方、上記ステップＳ４の判別結果が偽（Ｎｏ）である場合、即ち仕訳の精度が一定水準以上であり、再学習が不要である場合はステップＳ６に進む。

ステップＳ６では、上記ステップＳ２で形成された仕訳ＡＩを学習済モデルＤＢ３６に保存して当該ルーチンを終了する。

以上のように、本実施形態における会計処理システム１では、会計処理装置１０において自動仕訳を行う仕訳部１３で用いる仕訳ＡＩが、学習段階において仕訳評価部３３により低信頼度仕訳を検出されている。このように仕訳ＡＩによる仕訳結果の誤りを仕訳評価部３３にて仕訳評価データとしてまとめて検出及び出力することで、従来のように一つ一つの仕訳の誤りを見つけるよりも容易に仕訳の誤りを発見することができる。そして、この仕訳評価データに基づきまとめて低信頼度仕訳の修正を行うこともできることから仕訳ＡＩの仕訳精度を効率的に向上させることができる。

また、仕訳評価部３３は、低信頼度仕訳の要因の種類を判別することで、低信頼度仕訳の要因を容易に把握することができる。特に、簿記上の誤りを判別することで、重要度の高い誤りを把握することができ、これに基づき仕訳ＡＩを学習し直すことで、簿記上の誤りを修正した高精度の仕訳ＡＩを容易に形成することができる。また、所定の仕訳ルールの適用を判別することで、ユーザ特有の仕訳ルールが適用されている部分を容易に把握することができ、これに基づき仕訳ＡＩを学習し直すことで企業ごと、業界ごとに適した高精度の仕訳ＡＩを容易に形成することができることとなる。

また、仕訳評価部３３は、仕訳評価データを表示部３４に表示することで、当該表示部３４から仕訳ＡＩの精度等を容易に把握することができる。

特に、この仕訳評価データを教師データの仕訳に基づく正解勘定科目と、仕訳ＡＩによる仕訳に基づく推定勘定科目とからなる混同行列に基づく表や勘定科目ごとに低信頼度仕訳を並べた一覧表を出力することで、仕訳ＡＩの精度をより容易に且つ明確に把握することができる。

また、学習システム３０により学習した仕訳ＡＩにより自動仕訳を行う会計処理装置１０と、通信網２を介して各ユーザの情報端末３と接続された会計処理システム１は、低信頼度仕訳を最小限に抑えた高精度な自動仕訳をユーザに提供することができる。

さらに、各ユーザによる修正仕訳データが会計処理装置１０にフィードバックされ、この修正仕訳データを教師データとしてさらに仕訳ＡＩを学習させることで、仕訳ＡＩの精度をより向上させることができる。

このようなことから、本実施形態における会計処理装置、会計処理システム、会計処理方法、及び会計処理プログラムによれば、自動仕訳における仕訳の誤りを容易に発見することができ、効率的に仕訳精度を向上させることができる。

以上で本発明の実施形態の説明を終えるが、本発明の態様はこの実施形態に限定されるものではない。

上記実施形態では、学習システム３０において、仕訳評価部３３にて生成された仕訳評価データを表示部３４に表示した上で、修正教師データ生成部３５における修正教師データの生成を行っているが、必ずしも仕訳評価データを表示部３４に表示しなくともよい。例えば、仕訳評価部３３は、仕訳評価データに基づく精度判定機能も有していれば、仕訳評価データに基づき仕訳精度が一定水準に満たない場合には、図２にて点線矢印で示すように、自動的に修正教師データ生成部３５にて修正教師データを生成して再学習を行うようにしてもよい。これにより、自動的に仕訳ＡＩの精度を一定水準以上の精度に向上させることができる。

また、上記実施形態では、学習システム３０における仕訳評価部３３は、仕訳評価データをＰＣのディスプレイである表示部３４に出力しているが、仕訳評価データの出力先である表示部はこれに限られるものではない。例えば、表示部はスマートフォン、タブレットＰＣ、及び携帯電話のような携帯端末のディスプレイでもよいし、仕訳評価データを外部システムと連携するためのＡＰＩやＣＳＶデータとして出力し外部装置の表示部に表示させてもよい。また、表示部としては、仕訳評価データを視認可能に表示できるものであればよいことから、仕訳評価データを印刷した紙媒体も含まれる。

また、上記実施形態では、修正教師データ生成部３５にて、再学習のための修正教師データを生成しているが、例えば、図２の一点鎖線矢印で示すように、仕訳評価部３３からの仕訳評価データを、ＡＰＩやＣＳＶ等を介して、教師データの元となる他の会計処理ソフトウェアやクラウドサービスにフィードバックするように提供することで、再学習のための教師データを生成してもよい。

なお、上記実施形態では、学習システム３０において、低信頼度仕訳に対して、修正教師データ生成部３５にて低信頼度仕訳した勘定科目ごとに修正教師データを生成して再学習させることで、仕訳ＡＩにおける低信頼度仕訳の改善を行っているが、低信頼度仕訳の改善方法はこれに限られるものではない。例えば、仕訳ＡＩが有する仕訳に関するパラメータを直接的に修正してもよい。

また、上記実施形態では、図３に示す混同行列の表では低信頼度仕訳を件数表示で示しているが、低信頼度仕訳の表示形式はこれに限られず、例えばパーセント表示としてもよい。

１ 会計処理システム
２ 通信網
３ 読取装置
４ 情報端末
１１ 取引解析部
１２ 数値化・ベクトル化部
１３ 仕訳部
３０ 学習システム
３１ 数値化・ベクトル化部
３２ 学習部
３３ 仕訳評価部
３４ 表示部
３５ 修正教師データ生成部
３６ 学習済モデルＤＢ

Claims (23)

1. 取引内容に応じた勘定科目を自動的に仕訳する会計処理装置であって、
   予め教師データに基づいた機械学習を行い、取引内容に応じた勘定科目を選定することを学習した仕訳ＡＩと、
   前記仕訳ＡＩが仕訳した結果のうち、低信頼度仕訳のものについて、勘定科目とともに信頼度を出力する仕訳評価部と、
   を備える会計処理装置。
2. 前記仕訳評価部は、前記仕訳ＡＩが仕訳した結果として、前記信頼度とともに、当該仕訳の日付、金額、摘要、取引先、及び取引元の少なくとも一つを含む仕訳要素を出力する請求項１記載の会計処理装置。
3. 前記仕訳評価部は、前記低信頼度仕訳の要因の種類を判別可能である請求項１又は２に記載の会計処理装置。
4. 前記仕訳評価部は、前記低信頼度仕訳の要因として簿記上の誤りを判別可能である請求項３に記載の会計処理装置。
5. 前記仕訳評価部は、前記低信頼度仕訳の要因として予め定めた所定の仕訳ルールの適用を判別可能である請求項３又は４に記載の会計処理装置。
6. 前記仕訳評価部は、前記低信頼度仕訳の情報を視認可能な表示部に出力する請求項１から５のいずれか一項に記載の会計処理装置。
7. 前記仕訳評価部は、前記低信頼度仕訳の情報を混同行列に基づく表を出力する請求項１から６のいずれか一項に記載の会計処理装置。
8. 前記仕訳評価部は、前記低信頼度仕訳の情報を、前記教師データの仕訳に基づく正解勘定科目と、前記仕訳ＡＩによる仕訳に基づく推定勘定科目とからなる混同行列に基づく表として出力する請求項１から７のいずれか一項に記載の会計処理装置。
9. 前記仕訳評価部は、前記低信頼度仕訳の情報として、勘定科目ごとに前記信頼度を並べた一覧表を出力する請求項１から８のいずれか一項に記載の会計処理装置。
10. 前記仕訳評価部により出力された低信頼度仕訳に基づき、前記仕訳ＡＩを再学習させる請求項１から９のいずれか一項に記載の会計処理装置。
11. 請求項１から１０のいずれか一項に記載の会計処理装置と、
    前記会計処理装置と通信網を介して接続され、取引データを前記会計処理装置に送信可能であるとともに、前記会計処理装置にて生成された仕訳データを受信可能な情報端末と、を備える会計処理システム。
12. 前記情報端末は、受信した仕訳データを修正し、修正した仕訳データを前記会計処理装置にフィードバック可能であり、
    前記会計処理装置は、フィードバックされた修正した仕訳データに基づき前記仕訳ＡＩをさらに学習させる請求項１１記載の会計処理システム。
13. 取引内容に応じた勘定科目を自動的に仕訳する会計処理方法であって、
    予め教師データに基づいた機械学習を行い、取引内容に応じた勘定科目を選定することを学習した仕訳ＡＩを形成する学習工程と、
    前記学習工程で形成した仕訳ＡＩが仕訳した結果のうち、低信頼度仕訳のものについて、勘定科目とともに信頼度を出力する仕訳評価工程と、
    を備える会計処理方法。
14. 前記仕訳評価工程では、前記仕訳ＡＩが仕訳した結果として、前記信頼度とともに、当該仕訳の日付、金額、摘要、取引先、及び取引元の少なくとも一つを含む仕訳要素を出力する請求項１３記載の会計処理方法。
15. 前記仕訳評価工程では、前記低信頼度仕訳の要因の種類を判別可能である請求項１３又は１４に記載の会計処理方法。
16. 前記仕訳評価工程では、前記低信頼度仕訳の要因として簿記上の誤りを判別可能である請求項１５に記載の会計処理方法。
17. 前記仕訳評価工程では、前記低信頼度仕訳の要因として予め定めた所定の仕訳ルールの適用を判別可能である請求項１５又は１６に記載の会計処理方法。
18. 前記仕訳評価工程では、前記低信頼度仕訳の情報を視認可能な表示部に出力する請求項１３から１７のいずれか一項に記載の会計処理方法。
19. 前記仕訳評価工程では、前記低信頼度仕訳の情報を混同行列に基づく表として前記表示部に出力する請求項１３から１８のいずれか一項に記載の会計処理方法。
20. 前記仕訳評価工程では、前記教師データの仕訳に基づく正解勘定科目と、前記仕訳ＡＩによる仕訳に基づく推定勘定科目とからなる混同行列に基づく表として前記表示部に出力する請求項１３から１９のいずれか一項に記載の会計処理方法。
21. 前記仕訳評価工程では、前記低信頼度仕訳の情報として、勘定科目ごとに前記信頼度を並べた一覧表を出力する請求項１３から２０のいずれか一項に記載の会計処理方法。
22. 前記仕訳評価工程により出力された低信頼度仕訳に基づき、前記仕訳ＡＩを再学習させる請求項１３から２１のいずれか一項に記載の会計処理方法。
23. コンピュータに、請求項１３から２２のいずれか一項に記載の会計処理方法を実行させるための会計処理プログラム。

Images