财务负责人会计策略的一部分正在努力减轻各种风险。 缓解风险是一项由数据驱动的练习，最近随着越来越多的智能AI机器借助认知技术而得到增强。

关键是数据，商品推动着分析经济。 

从来没有像现在这样能够如此迅速地从众多来源收集，组织和分析如此多的信息。 

数据可以来自无数个地方， 但如今的重点是物联网（IoT）中数以百万计的传感器。当您将原始IoT数据与基于预测分析的人工智能应用程序结合在一起时，所有有趣的事实都会暴露出来，因为AI是自动学习（自学）的。您使用的次数越多，洞察力就会越好。

减轻风险的挑战

但是，重要的是要意识到，即使对于高度复杂的程序，减轻风险也是一项艰巨的任务。归根结底，风险评估模型的复杂程度无关紧要。由于许多原因，许多风险仍然难以评估，包括它们未被很好地理解，因果关系高度纠缠在一起，有时所涉及的风险是“新兴的”。

过去，以软件为导向的风险缓解措施存在的问题之一是计算机仅限于二进制逻辑。在制造业中，我们提出的重要问题很少能直截了当地用二进制“是”或“否”的答案来解决。库存是减轻制造风险的主要示例。在一个完美的世界中，有了一个完美的供应链，每个输入都会在需要时出现，而不是在之前出现。相反，公司必须为延迟或灾难的可能性做准备。

在模糊逻辑中寻找价值

在现代AI出现之前，在确定风险和分配适当的库存水平方面，人类的大脑比计算机的大脑要好。这种情况在1960年代开始改变，当时数学家洛夫蒂·扎德（Lofti Zadeh）指出，与传统的计算机逻辑不同，人类推理  不是  二进制的，而是根据可能性程度自然地对可能的事件进行分类。被要求分析这样的陈述：“ 8月份我们可能无法从新南威尔士州的供应商那里采购小部件，”传统的计算机响应为1或0，等于TRUE或FALSE。此答案仅用于告诉我们我们已经知道的内容，而对通知我们的采购策略却无济于事。

但是，人类会按照各种可能性将小部件短缺风险分类，例如“有些正确”，“非常正确”，“有些错误”或“非常错误”。这些级别化的响应有助于有效的人类决策背后的逻辑制造。为了响应他的观察，Zadeh创建了模糊逻辑，这是一个分类系统，使计算机能够像人一样推理，并提供越来越准确的不确定性和风险评估。尽管模糊逻辑技术已在很大程度上被统计概率模型所取代，但话题大致相同：通过促进非二进制分类（即通过允许0到1之间的不确定度），AI的分析能力变得越来越人性化，更快，更彻底。

通过AI赢得竞争优势

当评估非结构化数据时，AI在降低风险领域特别有用。在自然语言处理（NLP）等认知技术的辅助下，AI可以从非结构化数据（  例如MS文档，电子邮件，社交媒体，甚至移动数据）中浮出水面。考虑到目前80％至90％的企业数据是非结构化的，因此认知分析的实施可以为公司提供确定的竞争优势。

人工智能的美丽不仅在于其逼近人类思维过程的能力。它最有用的才华在于学习能力。随着时间的流逝，我们已经逐渐习惯于智能手机和网站，它们会越来越多地根据他们对我们的偏好“学习”的内容来调整他们的建议。以同样的方式，认知计算技术可以用作我们会计策略中识别和控制风险的一部分。