IA generativa y reportes financieros gubernamentales

Resumen

This course explores how Generative AI, particularly Large Language Models (LLMs), can transform governmental reports and accounting practices. You will learn how AI can optimize financial data extraction, improve decision-making, and enhance the efficiency of accounting processes.

The course addresses key questions such as:

• How can LLMs be used to process and analyze financial reports? • What are the challenges of implementing AI in accounting? • How can AI-driven frameworks improve accuracy and efficiency in financial reporting? By the end of the course, you’ll understand how AI-powered tools can automate data extraction, integrate workflows, and improve financial decision-making.

This course is designed for:

• Accounting and finance professionals looking to integrate AI into their workflows. • Governmental financial analysts and auditors handling large datasets. • AI and data science professionals interested in applications of LLMs in financial reporting. • Students and researchers in accounting, finance, or AI-related fields. Learners with any background are welcome.

However, Basic knowledge of accounting principles and financial reporting, familiarity with AI concepts and programming (e.g., Python) are recommended.

Programa

• Introducción a la IA Generativa y LLM en Contabilidad
Al final del Módulo 1, los estudiantes obtendrán una comprensión fundamental de la inteligencia artificial y el aprendizaje automático y su relevancia para la contabilidad. Podrán describir los Modelos de Lenguaje Extensos (LLM) y sus aplicaciones en el campo, al tiempo que reconocen tanto los beneficios como los desafíos de integrar LLM en las prácticas contables. Además, entenderán la importancia de la ingeniería de indicaciones en la configuración de los resultados de los LLM y apreciarán cómo los avances tecnológicos han hecho que los LLM sean más accesibles para los usuarios no técnicos.
• Métodos de Implementación de LLM en Contabilidad
Al final del Módulo 2, los estudiantes comprenderán varios métodos para implementar LLM en contabilidad, incluidos UI, API, UI-RPA y API-RPA, y podrán evaluar sus ventajas y limitaciones. Desarrollarán la capacidad de elegir el enfoque de implementación más adecuado para diferentes tareas contables, teniendo en cuenta factores clave de integración. Además, obtendrán perspectivas sobre consideraciones prácticas y tomarán decisiones informadas sobre la adopción de LLM basadas en las necesidades organizativas y los recursos disponibles.
• Extracción de Datos Financieros de Fuentes No Estructuradas
Al final del Módulo 3, los estudiantes comprenderán los desafíos de extraer datos financieros de fuentes no estructuradas y explorarán los componentes y el flujo de trabajo de un marco de extracción de datos habilitado por LLM. Aprenderán a aplicar técnicas de ingeniería de indicaciones para mejorar la precisión de la extracción y reconocerán cómo el marco se puede adaptar a varios documentos financieros. Además, apreciarán los beneficios de eficiencia y precisión que los LLM aportan a la extracción de datos financieros.
• Evaluación del Desempeño del Marco
Al final del Módulo 4, los estudiantes podrán evaluar la precisión y eficiencia de un marco de extracción de datos habilitado por LLM e interpretar sus resultados en diferentes documentos financieros. Identificarán errores comunes de extracción y aplicarán estrategias para abordarlos mientras refinan las indicaciones para mejorar el rendimiento. Además, explorarán consideraciones para escalar el marco para manejar conjuntos de datos más grandes y diferentes LLM de manera efectiva.

---

Impartido por

Huaxia Li

---

Materias

Computer Science