JP2018097813A - 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

【課題】証憑からの自動仕訳における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。
【解決手段】会計処理装置１０は、画像解析部１１により証憑の仕訳要素を抽出し、データ付与部１２により分類ＤＢ群１６から仕訳要素に対応した分類情報を付与して、数値化・ベクトル化部１３により仕訳要素をベクトル化した上で、仕訳判定部１４にて予め機械学習により仕訳を学習させた仕訳ＡＩによって、勘定科目を選定させて仕訳データを生成する。
【選択図】図１

Description

本発明は領収書やレシートのような証憑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、証憑の会計処理として、税理士や会計士、簿記担当者が証憑に記載の情報を一件一件読み取り、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、証憑を人間が一件一件読み取っ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、ＯＣＲ（Optical Character Reader）装置を用いて、証憑の内容を電子データとして読み取り、インターネットを介して仕訳解析センターシステムに送信するだけで、その証憑に示される簿記上の取引についての仕訳の結果をユーザが参照することが可能となるいわゆるクラウド型の会計処理システムが開発されている（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、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。

また、特許文献２に記載された技術では、手入力またはＯＣＲで電子化した取引の情報を、一般的な商取引からの推論（一般推論）、過去に入力した仕訳に類似しているものからの推論（履歴推論）、売掛金や借入金などの事前に発生した会計事象からの推論（消込推論）の３つの推論によって仕訳を行っている。

特開２０１４−２３５４８４号公報 特開２００７−３０４６４３号公報

上記特許文献１では、マッピングテーブルに、勘定科目と商品グループとを１対とし、その対での仕訳処理人数を記憶している。また上記特許文献２では一般推論において、仕訳の一要素である「摘要」に対し、当該摘要の判断に使用される文言等が記憶された一般データベースを用いて勘定科目を判断している。

しかしながら、実際には商品や摘要から勘定科目を１対に設定することは困難である。例えば、証憑に商品（摘要）が「ノート」と記載されていても、ユーザが一般的な企業であれば勘定科目は「事務用品費」となり、ユーザが小売店であると勘定科目は「仕入」となる。つまり、同じ商品（摘要）であっても、ユーザの業種や取引状況によって勘定科目が変化する場合がある。また、同じ商品の取引であっても、取引先、日付、金額のような取引の状況に応じて勘定科目が変化する場合がある。

これに対して、特許文献１、２では、ユーザ個々の履歴情報に基づき学習を行っていくことで、個々のユーザに対してのみの最適化を図っているが、これでは特許文献１における非登録ユーザへの仕訳や非登録の取引先の仕訳、特許文献２における一般推論による仕訳の精度についての向上は図られない。

また、特許文献１の非登録ユーザに対する全ユーザの使用人数に基づく仕訳では、全ユーザが会計における専門性を有しているとは限らず、不正確な仕訳も含まれる。このような不正確な仕訳も含めて学習すると、却って仕訳の精度が低下するというおそれもある。

また、証憑は、発行元に応じてその外観や記載内容は異なっており、ＯＣＲによって仕訳に必要な要素を全て正確に読み取るのも困難であり、手書きの文字や会社ロゴなどを読み取ることは、上記の従来型の方式での技術的な改善では不可能である。

以上のようなことから、証憑からの自動仕訳における仕訳精度は未だに十分とはいえない。

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、証憑からの自動仕訳における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、自動仕訳を行う会計処理装置であって、証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析部と、予め機械学習により仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩによって、前記画像解析部により抽出された仕訳要素に対する勘定科目を選定した仕訳データを生成する仕訳判定部と、を備える。

又は、本発明に係る会計処理装置は、自動仕訳を行う会計処理装置であって、証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析部と、予め機械学習により前記仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩの仕訳傾向から、勘定科目ごとに当該勘定科目の選定に必要な仕訳要素を判断基準として設定し、前記画像解析部により抽出された前記仕訳要素に対して、前記設定された判断基準に基づいて勘定科目を選定して仕訳データを生成する仕訳判定部と、を備える。

さらに、各仕訳要素に対応して設定された分類情報を記憶する分類データベースと、前記画像解析部により抽出された仕訳要素に対して、前記分類データベースから当該仕訳要素に対応した分類情報を付与して前記仕訳判定部に送るデータ付与部と、を備えてもよい。

さらに、前記画像解析部により抽出された仕訳要素を、数値化及びベクトル化して、前記仕訳判定部に送る数値化・ベクトル化部を備えてもよい。

さらに、前記仕訳判定部により生成された仕訳データについて、仕訳内容の誤判定を検出する誤判定検知部を備えてもよい。

また、前記仕訳要素としては取引元に関する情報も含まれ、前記仕訳ＡＩは、予め機械学習により前記取引元を含む仕訳要素に対して、勘定科目を選定する仕訳を学習してもよい。

また、前記画像解析部は証憑に記載の図形からも仕訳要素を抽出し、前記分類データベースには、図形に基づく分類情報が記憶されており、前記データ付与部は、前記図形の仕訳要素について、前記分類データベースから類似の図形を検出して、当該図形に応じた分類情報を付与してもよい。

また、前記画像解析部は証憑の少なくとも大きさ、色を含む外観からも仕訳要素を抽出し、前記分類データベースには、証憑の外観に基づく分類情報が記憶されており、前記データ付与部は、前記外観の仕訳要素について、前記分類データベースから類似の外観を検出して、当該外観に応じた分類情報を付与してもよい。

また、前記画像解析部は証憑に記載の法人番号からも仕訳要素を抽出し、前記分類データベースには、法人番号に基づく分類情報が記憶されており、前記データ付与部は、前記法人番号の仕訳要素について、前記分類データベースから該当する法人番号を検出して、当該法人番号に応じた分類情報を付与してもよい。

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、上述した会計処理装置と、前記証憑を画像データとして読み取り可能な読取装置と、前記会計処理装置と通信網を介して接続され、前記読取装置により読み取った画像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。

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、前記会計処理装置の前記仕訳判定部は、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、前記会計処理装置には複数の情報端末が前記通信網を介して接続されており、前記修正した仕訳データをフィードバック可能な情報端末は、特定の情報端末に限定されている。

上記した目的を達成するために、本発明に係る会計処理方法では、自動仕訳を行う会計処理方法であって、証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析工程と、予め機械学習により仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩによって、前記画像解析工程にて抽出された仕訳要素に対する勘定科目を選定した仕訳データを生成する仕訳判定工程と、を備える。

又は、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、自動仕訳を行う会計処理方法であって、証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析工程と、予め機械学習により前記仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩの仕訳傾向から、勘定科目ごとに当該勘定科目の選定に必要な仕訳要素を判断基準として設定し、前記画像解析工程にて抽出された前記仕訳要素に対して、前記設定された判断基準に基づいて勘定科目を選定して仕訳データを生成する仕訳判定工程と、を備える。

さらに、前記画像解析工程にて抽出された仕訳要素に対して、各仕訳要素に対応して設定された分類情報を記憶する分類データベースから当該仕訳要素に対応した分類情報を付与するデータ付与工程を備えてもよい。

さらに、前記画像解析工程にて抽出された仕訳要素を、数値化及びベクトル化して、前記仕訳判定工程に進む数値化・ベクトル化工程を備えてもよい。

さらに、前記仕訳判定工程にて生成された仕訳データについて、仕訳内容の誤判定を検出する誤判定検知工程を備えてもよい。

また、前記仕訳要素としては取引元に関する情報も含まれ、前記仕訳ＡＩは、予め機械学習により前記取引元を含む仕訳要素に対して、勘定科目を選定する仕訳を学習していてもよい。

また、前記画像解析工程では証憑に記載の図形からも仕訳要素を抽出し、前記分類データベースには、図形に基づく分類情報が記憶されており、前記データ付与工程では、前記図形の仕訳要素について、前記分類データベースから類似の図形を検出して、当該図形に応じた分類情報を付与してもよい。

また、前記画像解析工程では証憑の少なくとも大きさ、色を含む外観からも仕訳要素を抽出し、前記分類データベースには、証憑の外観に基づく分類情報が記憶されており、前記データ付与工程では、前記外観の仕訳要素について、前記分類データベースから類似の外観を検出して、当該外観に応じた分類情報を付与してもよい。

また、前記画像解析工程では証憑に記載の法人番号からも仕訳要素を抽出し、前記分類データベースには、法人番号に基づく分類情報が記憶されており、前記データ付与工程では、前記法人番号の仕訳要素について、前記分類データベースから該当する法人番号を検出して、当該法人番号に応じた分類情報を付与してもよい。

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、上述の仕訳処理方法を実行させる。

上記手段を用いる本発明によれば、証憑からの自動仕訳における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。 分類データベース群の構成例を示す説明図である。 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。 本実施形態に係る会計処理システムにおける自動仕訳制御ルーチンを表したフローチャートである。 データ構成例（ａ）〜（ｅ）を示す説明図である。

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は、インターネット、ＶＰＮ（Virtual Private Network）等の通信網１を介して、ユーザ側の各種装置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１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、少なくとも読取装置２と情報端末３を備えている。

読取装置２は、例えばスキャナ又はカメラ等の光学機器であり、証憑を画像データとして取り込める装置である。なお、本実施形態及び特許請求の範囲における「証憑」という文言は、領収書やレシート、その他の受領書、請求書、納品書、会計上金銭授受の証明となる書類、電子マネー等のＩＣカードによる取引情報も含むものとする。

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。

ユーザは、読取装置２により証憑の画像データを取得して、情報端末３により会計処理装置１０に送信可能であるとともに、会計処理装置１０からの情報を受信可能である。なお、図１では読取装置２と情報端末３とが別体のように示しているが、カメラ付きの携帯端末のように読取装置２と情報端末３とが一体であってもよい。

一方、会計処理サービス提供者は、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仕訳処理を実行する１又は複数のサーバを有し、機能的には主に画像解析部１１、データ付与部１２、数値化・ベクトル化部１３、仕訳判定部１４、誤判定検知部１５を有している。また、会計処理装置１０は、各種情報が記憶されたデータベース（以下、ＤＢと表記する）を有しており、具体的には分類ＤＢ群１６を有している。

画像解析部１１は、ユーザから送られる証憑の画像データを受信し、当該画像データから仕訳要素となる情報（未整形データ）を抽出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、これらに対応する数字、文字、図形（例えばロゴマーク、印影、その他企業を特定可能な図柄）、及び証憑の外観（例えば領収書の大きさ、色）をＯＣＲや画像解析機能により抽出する。

例えば日付については、「年」「月」「日」という文字や「／」等の記号の前後の数字を抽出する。金額については「￥」の記号や「円」という文字の前後の数字を抽出する。また、取引先名については、「株式会社」「（株）」の文字の前後の文字や、ロゴマーク、電話番号、証憑の外観を抽出する。摘要については、「但」の文字に続く文字を抽出する。取引元については、「様」の文字の前にある文字を抽出する。

ここで、取引先については、ロゴマークや印影又は電話番号のみが抽出された場合には、図示しないが予め企業情報を記憶した企業情報ＤＢより検索して、又はインターネットに公開されている情報を検索することで、取引先名を取得する。また、取引元については、レシート等のように宛名の記載がない場合には、画像データを送信してきたユーザを取引元としてもよいし、ユーザの顧客である企業を予め設定しておき当該ユーザから送信された画像データはその設定された企業を取引元とするようにしてもよい。

なお、仕訳要素はこれに限られるものではなく、また仕訳要素の抽出に用いる数字、文字、図形もこれに限られるものではない。例えば、証憑に、購入品の数量が記載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記載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）を抽出してもよい。

このように画像解析部にて抽出された仕訳要素の未整形データは、この時点ではどのデータがどの仕訳要素に対応するかまで整理されていない状態でデータ付与部１２に送られる。

データ付与部１２は、分類ＤＢ群１６と接続されており、当該分類ＤＢ群１６に記憶されている各仕訳要素に対応した分類情報を未整形データに付与することで、仕訳要素の整形データを生成する機能を有している。

ここで図２を参照すると分類ＤＢ群１６の構成例が示されており、同図に示すように分類ＤＢ群１６は、仕訳要素の日付に対応した日付ＤＢ群２０、取引先に対応した取引先ＤＢ群２１、摘要に対応した摘要ＤＢ群２２、取引元に対応した取引元ＤＢ群２３を有している。

日付ＤＢ群２０は、祝祭日情報が記憶された祝祭日ＤＢ２０ａ、曜日情報が記憶された曜日ＤＢ２０ｂ、四季情報が記憶された季節ＤＢ２０ｃを有している。取引先ＤＢ群２１は、企業の業種等で分類分けされており、例えば飲食ＤＢ２１ａ、交通ＤＢ２１ｂ、小売ＤＢ２１ｃ、等を有している。摘要ＤＢ群３３は、商品、役務（サービス）の種類に応じて分類分けされており、例えば食品ＤＢ２２ａ、医薬品ＤＢ２２ｂ、電子機器ＤＢ２２ｃ、日用品ＤＢ２２ｄ、書籍ＤＢ２２ｅ、等を有している。取引元ＤＢ群２３は、取引元となる、サービス提供者と契約しているユーザ情報に応じて分類分けされており、例えばユーザの業種ＤＢ２３ａ、住所ＤＢ２３ｂ、従業員数ＤＢ２３ｃ等を有している。なお、ＤＢはこれに限られるものではなく、仕訳要素に応じて種々存在するものとする。例えば、取引先ＤＢ群２１として、企業のロゴマーク（図形）を記憶したロゴマークＤＢや、業種に応じて特徴のある証憑の外観を記憶した外観ＤＢ、法人番号に応じた企業名や業種を記憶した法人番号ＤＢ等を備えてもよい。

データ付与部１２は、日付に対応する未整形データに対しては日付ＤＢ群２１から、取引先に対応する未整形データに対しては取引先ＤＢ群２１から、摘要に対応する未整形データに対しては摘要ＤＢ群２２から、取引元に対応する未整形データに対しては取引元ＤＢ群２３から、それぞれ対応する分類データを検出して、１又は複数の分類データを付与する。

なお、金額に対応する未整形データに対しては、例えば0〜5,000円、5,001円〜10,000円、10,001円〜200,000円200,001円〜等、金額の大小に応じて段階的に区分けした分類を付与する。

数値化・ベクトル化部１３は、データ付与部１２にて仕訳要素に対応する分類データが付与された整形済データに対して、仕訳に適したベクトルデータに変換する。整形済データは、文字や数字からなるデータであり、これを仕訳判定部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。

仕訳判定部１４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、税理士等の専門家や各企業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学習を行った仕訳に特化したＡＩである。

詳しくは、図３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、学習済モデルＤＢ３３を有している。そして、当該学習システム３０には、証憑の情報に基づく仕訳要素データと、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。

数値化・ベクトル化部３１は、上記仕訳処理装置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、適切な勘定科目が選択された仕訳データを出力する仕訳ＡＩを形成する。

学習済モデルＤＢ３３には、学習部３２にて形成された仕訳ＡＩが記憶されている。仕訳ＡＩは１つに限られず、例えば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。

このように形成された仕訳ＡＩは、勘定科目に応じて、取引先、日付、金額、摘要、取引元等の仕訳要素のうち、その勘定科目を決定するのにポイントとなる仕訳要素を特徴点として見出し、特徴点である仕訳要素に基づき勘定科目を選定する。

例えば、接待交際費の勘定科目であれば取引先と取引元とを特徴点としたり、旅費交通費であれば取引元情報を特徴点としたり、事務用品費であれば取引元と摘要を特徴点としたりと、勘定科目に応じて１又は複数の特徴点が設定されることとなる。これにより、仕訳判定の精度を向上できる上、勘定科目の選定に必要最小限な要素を使って効率的な仕訳判定を行える。なお、複数の特徴点が設定される場合には、特徴点間で優先度を設定してもよい。

図１に戻り、仕訳判定部１４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、仕訳データとして出力する。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。

誤判定検知部１５は、仕訳判定部１４にて生成された仕訳データについての誤判定を検知する機能を有している。これは、例えば仕訳要素や勘定科目に対して異常判定値が設定されており、当該異常判定値を超えないか否かにより誤判定を行う。当該異常判定値は統計的に設定され、例えば正規分布を作成し、±１σ（＝68.27％）、±２σ（95.45％）、±３σ（99.73％）等の、所定のσ値又は所定値に対応した値に設定する。

例えば、画像解析が不正確であるなどして、摘要が「コーヒー」であるのに対して、金額が「10円」、「100,000円」等であったり、勘定科目として「旅費交通費」が選択されたり等、特異な数値や勘定科目の選択がなされた場合には、誤判定検知部１５は異常とみなす。

誤判定検知部１５は、異常を検知した仕訳データについては、ユーザに誤判定である可能性を示して確認を促すべく、例えば赤字表示にする等、正常時と異なる異常表示を行うようデータを付加した完成仕訳データをユーザに送信する。

そして、ユーザが最終仕訳データを確認し、当該最終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、数値化・ベクトル化部１３にて数値化及びベクトル化されて、仕訳判定部１４にて仕訳ＡＩの更なる学習に用いられる。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。

続いて図４、図５を参照すると、図４には以上のように構成された会計処理システムにおける自動仕訳ルーチン（会計処理方法）を表したフローチャートが示されており、図５（ａ）〜（ｅ）には、それぞれのデータ構成例が示されており、以下、図５を参照しつつ図４のフローチャートに沿って説明する。

まず、自動仕訳ルーチンのステップＳ１では、ユーザが読取装置２により領収書等の証憑をスキャンして画像データ化し、情報端末３を介して会計処理装置１０に送信する。

続くステップＳ２では、会計処理装置１０の画像解析部１１が、受信した画像データから仕訳要素を抽出した図５（ａ）に示すような未整形データを生成する（画像解析工程）。

ステップＳ３では、データ付与部１２が未整形データに対し、分類ＤＢ群１６の情報に基づき分類情報を付与して、図５（ｂ）に示すような整形データを生成する（データ付与工程）。

ステップＳ４では、数値化・ベクトル化部１３が整形データを数値化及びベクトル化（数値化）して図５（ｃ）に示すようなベクトルデータを生成する（数値化・ベクトル化工程）。

ステップＳ５では、仕訳判定部１４において、仕訳ＡＩにより仕訳要素のベクトルデータから適切な勘定科目を生成可能か、即ち仕訳が可能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ＡＩによる仕訳が可能である場合は、ステップＳ６に進む。

ステップＳ６では、仕訳判定部１４において、仕訳ＡＩにより図５（ｄ）に示すような仕訳データを生成する（仕訳判定工程）。

次のステップＳ７では、誤判定検知部１５が仕訳データに誤判定があるか否かを判定する（誤判定検知工程）。当該判別結果が真（Ｙｅｓ）である場合、仕訳データに異常がある場合はステップＳ８に進む。

ステップＳ８では、仕訳データに異常があることを示す誤判定データを付与した完成仕訳データを生成して、ステップＳ９に進む。また、上記ステップＳ７の判別結果が偽（Ｎｏ）であった場合、即ち仕訳データに異常がなかった場合は、仕訳データそのままである完成仕訳データを生成してステップＳ８に進む。なお、この場合の完成仕訳データは、例えば図５（ｅ）に示すように、仕訳データに対して異常がないことを示すデータを付与した完成仕訳データとしてもよい。

ステップＳ９では、会計処理装置１０から完成仕訳データをユーザに送信する。

ステップＳ１０では、会計処理装置１０は、上記ステップＳ９において送信した完成仕訳データに対して、ユーザによる修正フィードバックがあるか否かを判別する。当該判別結果が偽（Ｎｏ）である場合、即ち修正フィードバックがなければ当該ルーチンを終了する。一方、当該判別結果が真（Ｙｅｓ）である場合、即ちユーザにより仕訳が修正された場合には、ステップＳ１１に進む。

ステップＳ１１では、フィードバックされた修正仕訳データを数値化・ベクトル化部１３にてベクトルデータとした後、仕訳判定部１４にて当該ベクトルデータに基づき仕訳ＡＩを学習させ、当該ルーチンを終了する。

また、上記ステップＳ５において、前例のない仕訳要素等で、仕訳ＡＩによる仕訳が不可能である場合には、判別結果は偽（Ｎｏ）となり、ステップＳ１２に進む。

ステップＳ１２では、仕訳判定部１４にて勘定科目を該当なしとした仕訳データを生成し、ユーザに送信する。

続くステップＳ１３において、勘定科目が該当なしなのでユーザにより手動仕訳が行われ、その結果が会計処理装置１０にフィードバックされる。そして、ステップＳ１０にて、この手動仕訳された修正仕訳データは、そのフィードバックされた新たな仕訳情報に基づき仕訳ＡＩの学習が行われる。

以上のように、本実施形態における仕訳処理システムでは、画像解析部１１により証憑の仕訳要素を抽出し、データ付与部１２により分類ＤＢ群１６から仕訳要素に対応した分類情報を付与して、数値化・ベクトル化部１３により仕訳要素を数値化及びベクトル化した上で、仕訳判定部１４にて予め機械学習により仕訳を学習させた仕訳ＡＩによって、勘定科目を選定させて仕訳データを生成している。

仕訳ＡＩは、精度の高い仕訳データを教師データとして学習を行った仕訳に特化したＡＩであり、このような仕訳ＡＩを用いることで証憑の仕訳要素は複合的に判断され、正確な勘定科目が選定されることとなる。
また、特に画像解析により抽出した仕訳要素（未整形データ）は、データ付与部１２により仕訳要素に応じた分類情報を付与することで、仕訳要素の情報の確度が向上し、その後仕訳判定部１４における仕訳精度を向上させることができる。（※請求項３、１５）

これにより例えば、領収書の文字やロゴから石油会社の会社名が抽出されていれば、取引先に石油会社の分類が付与され、仕訳ＡＩにおいて車両交通費の勘定科目の判断の特徴点に取引先が設定されていれば、当該取引先名から「車両交通費」という勘定科目を選定する。

また、文具店当の専門ショップの場合は、領収書の取引先として「Ａ文具店」など記載されていれば、仕訳ＡＩは勘定科目の判断の特徴点に取引先が設定されていれば即座に「事務用品費」を選定可能である。

また、家電量販店で「ＵＳＢメモリ」という商品を購入した領収書に対して、通常であれば「事務用品費」となるケースが多いところ、摘要に「贈答用」等の文字が記載されそれを抽出され、贈答用の分類が付与されていると、仕訳ＡＩにおいて接待交際費の勘定科目の特徴点に摘要が設定されていれば、当該摘要から「接待交際費」という勘定科目を選定可能である。

他にも、コンピュータを購入した領収書に対し、仕訳ＡＩが金額と取引元とが勘定科目の判断の特徴点となっているとすると、取引元が一般企業で費用が１０万円以下の場合「事務用品費」又は「消耗品費」という勘定科目を選定するのに対し、取引元が一般企業で１０万円より高額の場合「工具備品」を選定することなる。

また、仕訳要素は数値化及びベクトル化した上で仕訳ＡＩによる仕訳を行うことから、仕訳ＡＩによる演算処理を簡略化し、演算速度を向上させることができる。

さらに、仕訳ＡＩにより生成された仕訳データも必ずしも正しいとは限らないことから、誤判定検知部１５にて仕訳データの誤判定検知を行うことで、より精度を向上させることができる。

また、仕訳要素として取引元を含めていることから、ユーザの業種等に応じた勘定科目が選定されることとなる。

これにより、例えば、スーパーマーケットでの飲み物を購入した領収書に対し、仕訳ＡＩにおいて取引元が勘定科目の判断の特徴点をなっているとすると、仕訳ＡＩは取引元が一般企業である場合は「会議費」又は「福利厚生費」という勘定科目を選定するのに対し、取引元が飲み物を顧客に提供する飲食店である場合には「仕入高」を選定することになる。

また、書籍の購入の場合に、取引先と数量と取引元が特徴点として設定されていれば、取引先が書店の場合で数量が１などと少ない場合は「新聞図書費」、取引先が書籍問屋で数量が多い場合で取引元が一般企業であれば「広告宣伝費」、この取引元が書店であれば「仕入高」等、取引元の業種を考慮した複合的な判断で勘定科目を選定することができる。

さらに、画像解析部１１において、証憑のロゴマーク（図形）や証憑の外観も抽出し、データ付与部１２にて、当該ロゴマークや領収の外観により取引先等の仕訳要素のデータ付与も行っていることで、証憑に取引先が文字として明記されていない場合等にも仕訳要素として抽出することができる。

これにより、例えば、コーヒーショップのレシート等を仕訳する場合、レシート上段のロゴマークから取引先を抽出し、コーヒーショップ＝打ち合わせ判断し「会議費」を選定可能である。

また、例えば居酒屋特有の色付き手書き領収書や、航空会社、鉄道機関等の特有の領収書等は、その領収書の外観からその業種の分類情報が付与され、そこから「接待交際費」、「旅費交通費」を選定するということも可能となる。

さらに、法人番号を抽出することで取引先を正確に判別することができるようになる。（※請求項９、２１）

また、ユーザ側で仕訳データを修正した場合には、その修正仕訳データを仕訳ＡＩにフィードバックして、さらに学習させることで、仕訳ＡＩの精度をより向上させていくことができる。

特に、この修正仕訳データのフィードバックは税理士や会計士の専門家ユーザに限定することで、不正確な仕訳を学習することによる精度低下を防ぐことができる。

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、証憑からの自動仕訳における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。

例えば、上記実施形態では、予め仕訳について機械学習した仕訳ＡＩを仕訳判定部１４にて直接的に用いているが、仕訳判定部は、予め機械学習により仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩの仕訳傾向から、勘定科目ごとに当該勘定科目の選定に必要な仕訳要素を判断基準として設定し、抽出された仕訳要素に対して、この設定された判断基準に基づいて勘定科目を選定して仕訳データを生成してもよい。

これはつまり、仕訳ＡＩを直接仕訳判定部に用いるのではなく、仕訳ＡＩにより学習した仕訳傾向を解析して、勘定科目ごとに、当該勘定科目の判断に必要な仕訳要素（特徴点）を抜き出して仕訳判定のプログラムを作成し、当該プログラムを仕訳判定部に適用する。

このように、会計処理装置として仕訳ＡＩを直接的に組み込まずに、仕訳ＡＩから見出された仕訳の傾向のみを活用することで、簡易に十分な仕訳精度の会計処理装置を実現させることができる。

また、上記実施形態では、会計処理装置１０は、データ付与部１２により画像解析部１１で抽出した仕訳要素に分類データを付与しており、これにより仕訳判定部１４における仕訳精度の更なる向上を図っているがデータ付与部を備えずに画像解析部で抽出した仕訳要素を直接仕訳判定部にて仕訳判定を行ってもよい。なおこの場合も、図１にて点線で示したように、画像解析部で抽出した仕訳要素を数値化及びベクトル化した上で、仕訳判定部で仕訳を判定するのが好ましい。

１ 通信網
２ 読取装置
３ 情報端末
１１ 画像解析部
１２ データ付与部
１３ 数値化・ベクトル化部
１４ 仕訳判定部
１５ 誤判定検知部
１６ 分類ＤＢ群

仕訳ＡＩは、精度の高い仕訳データを教師データとして学習を行った仕訳に特化したＡＩであり、このような仕訳ＡＩを用いることで証憑の仕訳要素は複合的に判断され、正確な勘定科目が選定されることとなる。
また、特に画像解析により抽出した仕訳要素（未整形データ）は、データ付与部１２により仕訳要素に応じた分類情報を付与することで、仕訳要素の情報の確度が向上し、その後仕訳判定部１４における仕訳精度を向上させることができる。

さらに、法人番号を抽出することで取引先を正確に判別することができるようになる。

Claims (22)

1. 自動仕訳を行う会計処理装置であって、
   証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析部と、
   予め機械学習により仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩによって、前記画像解析部により抽出された仕訳要素に対する勘定科目を選定した仕訳データを生成する仕訳判定部と、
   を備える会計処理装置。
2. 自動仕訳を行う会計処理装置であって、
   証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析部と、
   予め機械学習により前記仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩの仕訳傾向から、勘定科目ごとに当該勘定科目の選定に必要な仕訳要素を判断基準として設定し、前記画像解析部により抽出された前記仕訳要素に対して、前記設定された判断基準に基づいて勘定科目を選定して仕訳データを生成する仕訳判定部と、
   を備える会計処理装置。
3. さらに、各仕訳要素に対応して設定された分類情報を記憶する分類データベースと、
   前記画像解析部により抽出された仕訳要素に対して、前記分類データベースから当該仕訳要素に対応した分類情報を付与して前記仕訳判定部に送るデータ付与部と、を備える請求項１又は２記載の会計処理装置。
4. さらに、前記画像解析部により抽出された仕訳要素を、数値化及びベクトル化して、前記仕訳判定部に送る数値化・ベクトル化部を備える請求項１から３のいずれか一項に記載の会計処理装置。
5. さらに、前記仕訳判定部により生成された仕訳データについて、仕訳内容の誤判定を検出する誤判定検知部を備える請求項１から４のいずれか一項に記載の会計処理装置。
6. 前記仕訳要素としては取引元に関する情報も含まれ、
   前記仕訳ＡＩは、予め機械学習により前記取引元を含む仕訳要素に対して、勘定科目を選定する仕訳を学習している請求項１から５のいずれか一項に記載の会計処理装置。
7. 前記画像解析部は証憑に記載の図形からも仕訳要素を抽出し、
   前記分類データベースには、図形に基づく分類情報が記憶されており、
   前記データ付与部は、前記図形の仕訳要素について、前記分類データベースから類似の図形を検出して、当該図形に応じた分類情報を付与する請求項３から６のいずれか一項に記載の会計処理装置。
8. 前記画像解析部は証憑の少なくとも大きさ、色を含む外観からも仕訳要素を抽出し、
   前記分類データベースには、証憑の外観に基づく分類情報が記憶されており、
   前記データ付与部は、前記外観の仕訳要素について、前記分類データベースから類似の外観を検出して、当該外観に応じた分類情報を付与する請求項３から７のいずれか一項に記載の会計処理装置。
9. 前記画像解析部は証憑に記載の法人番号からも仕訳要素を抽出し、
   前記分類データベースには、法人番号に基づく分類情報が記憶されており、
   前記データ付与部は、前記法人番号の仕訳要素について、前記分類データベースから該当する法人番号を検出して、当該法人番号に応じた分類情報を付与する請求項３から８のいずれか一項に記載の会計処理装置。
10. 請求項１から９のいずれか一項に記載の会計処理装置と、
    前記証憑を画像データとして読み取り可能な読取装置と、
    前記会計処理装置と通信網を介して接続され、前記読取装置により読み取った画像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。
11. 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、
    前記会計処理装置の前記仕訳判定部は、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１０記載の会計処理システム。
12. 前記会計処理装置には複数の情報端末が前記通信網を介して接続されており、
    前記修正した仕訳データをフィードバック可能な情報端末は、特定の情報端末に限定されている請求項１１記載の会計処理システム。
13. 自動仕訳を行う会計処理方法であって、
    証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析工程と、
    予め機械学習により仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩによって、前記画像解析工程にて抽出された仕訳要素に対する勘定科目を選定した仕訳データを生成する仕訳判定工程と、
    を備える会計処理方法。
14. 自動仕訳を行う会計処理方法であって、
    証憑の画像データから少なくとも日付、取引先、金額、摘要を含む仕訳要素を抽出する画像解析工程と、
    予め機械学習により前記仕訳要素に対応した勘定科目を選定することを学習した仕訳ＡＩの仕訳傾向から、勘定科目ごとに当該勘定科目の選定に必要な仕訳要素を判断基準として設定し、前記画像解析工程にて抽出された前記仕訳要素に対して、前記設定された判断基準に基づいて勘定科目を選定して仕訳データを生成する仕訳判定工程と、
    を備える会計処理方法。
15. さらに、前記画像解析工程にて抽出された仕訳要素に対して、各仕訳要素に対応して設定された分類情報を記憶する分類データベースから当該仕訳要素に対応した分類情報を付与するデータ付与工程を備える請求項１３又は１４に記載の会計処理方法。
16. さらに、前記画像解析工程にて抽出された仕訳要素を、数値化及びベクトル化して、前記仕訳判定工程に進む数値化・ベクトル化工程を備える請求項１３から１５のいずれか一項に記載の会計処理方法。
17. さらに、前記仕訳判定工程にて生成された仕訳データについて、仕訳内容の誤判定を検出する誤判定検知工程を備える請求項１３から１６のいずれか一項に記載の会計処理方法。
18. 前記仕訳要素としては取引元に関する情報も含まれ、
    前記仕訳ＡＩは、予め機械学習により前記取引元を含む仕訳要素に対して、勘定科目を選定する仕訳を学習している請求項１３から１７のいずれか一項に記載の会計処理方法。
19. 前記画像解析工程では証憑に記載の図形からも仕訳要素を抽出し、
    前記分類データベースには、図形に基づく分類情報が記憶されており、
    前記データ付与工程では、前記図形の仕訳要素について、前記分類データベースから類似の図形を検出して、当該図形に応じた分類情報を付与する請求項１５から１８のいずれか一項に記載の会計処理方法。
20. 前記画像解析工程では証憑の少なくとも大きさ、色を含む外観からも仕訳要素を抽出し、
    前記分類データベースには、証憑の外観に基づく分類情報が記憶されており、
    前記データ付与工程では、前記外観の仕訳要素について、前記分類データベースから類似の外観を検出して、当該外観に応じた分類情報を付与する請求項１５から１９のいずれか一項に記載の会計処理方法。
21. 前記画像解析工程では証憑に記載の法人番号からも仕訳要素を抽出し、
    前記分類データベースには、法人番号に基づく分類情報が記憶されており、
    前記データ付与工程では、前記法人番号の仕訳要素について、前記分類データベースから該当する法人番号を検出して、当該法人番号に応じた分類情報を付与する請求項１５から２０のいずれか一項に記載の会計処理装置。
22. コンピュータに、請求項１３から２１のいずれか一項に記載の仕訳処理方法を実行させるための会計処理プログラム。
    

Images