Искусственный интеллект в обнаружении мошенничества
 | Эта статья написана как личное размышление, личное эссе или аргументативное эссе , в котором излагаются личные чувства редактора Википедии или представлен оригинальный аргумент по определенной теме. ( Май 2022 г. ) |
| Часть серии о |
| Искусственный интеллект |
|---|
 |
Искусственный интеллект используется многими различными предприятиями и организациями. Он широко используется в финансовом секторе , особенно бухгалтерскими фирмами, для выявления случаев мошенничества.
В 2022 году PricewaterhouseCoopers сообщила, что мошенничество затронуло 46% всех предприятий в мире. [1] Переход от работы лично к работе на дому привел к расширению доступа к данным. Согласно исследованию FTC (Федеральной торговой комиссии), проведенному в 2022 году, клиенты сообщили о мошенничестве на сумму около 5,8 миллиардов долларов в 2021 году, что на 70% больше, чем годом ранее. Большинство этих мошенничеств представляли собой мошенничества с самозванцами и мошенничество с покупками в Интернете. [2] Кроме того, искусственный интеллект играет решающую роль в разработке передовых алгоритмов и моделей машинного обучения, которые улучшают системы обнаружения мошенничества, позволяя компаниям опережать развитие мошеннических тактик в условиях все более цифровой среды. [3]
Инструменты
[ редактировать ]Экспертные системы
[ редактировать ]Экспертные системы были впервые разработаны в 1970-х годах как расширение технологий искусственного интеллекта. [4] Их конструкция основана на предпосылке уменьшения потенциальных ошибок пользователя при принятии решений и имитации мысленных рассуждений, используемых экспертами в конкретной области. [5] Они отличаются от традиционных моделей линейного рассуждения тем, что отделяют идентифицированные точки в данных и одновременно обрабатывают их по отдельности. Однако эти системы не полагаются исключительно на машинный интеллект. [4]
Информация о правилах, практиках и процедурах в форме операторов «если-то» реализована в программировании системы. Пользователи взаимодействуют с системой, вводя в систему информацию посредством прямого ввода или импорта внешних данных. Система вывода сравнивает информацию, предоставленную пользователем, с соответствующими правилами, которые, как предполагается, конкретно применимы к ситуации. Использование этой информации и соответствующих правил будет использовано для создания решения запроса пользователя. Экспертные системы, как правило, не будут работать должным образом, если общие процедуры для конкретной ситуации неоднозначны из-за необходимости четко определенных правил. [4]
Внедрение экспертных систем в бухгалтерские процедуры возможно в тех сферах, где требуется профессиональное суждение. Ситуации, в которых применимы экспертные системы, включают расследования транзакций, которые включают потенциальные мошеннические записи, случаи непрерывности деятельности и оценку риска на этапах планирования аудита . [6]
Непрерывный аудит
[ редактировать ]Непрерывный аудит — это набор процессов, которые оценивают различные аспекты информации, собранной в ходе аудита, для классификации областей риска и потенциальных недостатков в системе финансового внутреннего контроля, более частой чем традиционные методы. Вместо периодического анализа записанных транзакций и записей журнала непрерывный аудит фокусируется на более частой интерпретации характера этих действий. [7] Частота проведения этих процессов, а также выделение важных областей зависит от усмотрения их исполнителя, который обычно принимает такие решения, исходя из уровня риска в оцениваемых счетах и целей внедрения системы. [8] Выполнение этих процессов может происходить почти мгновенно после публикации записи. [7]
Процессы, связанные с анализом финансовых данных в ходе непрерывного аудита, могут включать создание электронных таблиц для интерактивного сбора информации, расчет финансовых коэффициентов для сравнения с ранее созданными моделями и обнаружение ошибок во введенных цифрах. Основная цель этой практики — обеспечить более быстрое и простое обнаружение случаев неправильного контроля, ошибок и случаев мошенничества. [8]
Машинное обучение и глубокое обучение
[ редактировать ]Способность машинного и глубокого обучения быстро и эффективно сортировать огромные объемы данных в виде различных документов, относящихся к компаниям, и проверяемых документов делает их применимыми в областях аудита и обнаружения мошенничества. Примеры этого включают распознавание ключевых формулировок в контрактах , определение уровней риска мошенничества в транзакциях и оценку записей журнала на предмет искажений. [9] [10]
Приложения
[ редактировать ]«Большая четверка» аудиторских фирм
[ редактировать ]В 2014 году Deloitte создала систему проверки документов с поддержкой AI. Система автоматизирует метод проверки и извлечения соответствующей информации из различных деловых документов. Deloitte утверждает, что это нововведение привело к улучшению ситуации, сократив время, затрачиваемое на проверку законных контрактных документов , счетов-фактур , финансовых соглашений и протоколов заседаний, почти на 50%. компании IBM Сотрудничая с Watson , Deloitte разрабатывает для своих клиентов коммерческие механизмы, основанные на когнитивных технологиях. LeasePoint поддерживается IBM Tririga и использует промышленную информацию Deloitte для создания комплексного лизингового портфеля. Автоматизированная оценка когнитивных ресурсов использует инновацию IBM Maximo для повышения квалификации в области проверки активов . [11]
Компания Ernst and Young ( EY ) подключила Эла к расследованию договоров аренды . Компания EY (Австралия) также получила технологию аудита с поддержкой Al. [11]
В сотрудничестве с H20.ai компания PwC разработала систему с поддержкой искусственного интеллекта (GL.ai), позволяющую анализировать и готовить отчеты. PwC утверждает, что вложила значительные средства в обработку обычного диалекта (NLP) — инновацию на базе искусственного интеллекта, позволяющую эффективно обрабатывать неструктурированную информацию. [11]
КПМГ создала портфель ИИ-инструментов под названием KPMG Ignite для совершенствования торговых решений и форм. Сотрудничая с Microsoft и IBM Watson, KPMG создает инструменты для координации искусственного интеллекта, анализа данных , когнитивных технологий и RPA. [11]
Преимущества
[ редактировать ]Эффективность
[ редактировать ]Процесс аудита организации в попытке обнаружить мошенническую деятельность требует повторения процессов расследования до тех пор, пока не будет выявлена ошибка или искажение. Согласно традиционным методам, эти процессы будет осуществляться человеком. Сторонники искусственного интеллекта для обнаружения мошенничества заявляют, что эти традиционные методы неэффективны и их можно быстрее реализовать с помощью интеллектуальной вычислительной системы. [12] Опрос 400 главных исполнительных директоров, проведенный КПМГ в 2016 году, показал, что около 58% считают, что искусственный интеллект сыграет ключевую роль в повышении эффективности аудита в будущем. [13]
Интерпретация данных
[ редактировать ]Более высокий уровень выявления мошенничества влечет за собой использование профессионального суждения для интерпретации данных. Сторонники использования искусственного интеллекта в финансовых проверках утверждают, что с помощью таких технологий можно минимизировать повышенные риски, возникающие в результате более тщательной интерпретации данных. [12] Одним из необходимых элементов аудита финансовой отчетности, требующего профессионального суждения, является установление пороговых значений существенности . Существенность подразумевает различие между ошибками и операциями в финансовой отчетности, которые могут повлиять на решения, принимаемые пользователями этой финансовой отчетности. [14] Порог существенности при аудите устанавливается аудитором на основе различных факторов. Искусственный интеллект использовался для интерпретации данных и предложения порогов существенности, которые должны быть реализованы с помощью экспертных систем. [12]
Снижение затрат
[ редактировать ]Сторонники использования искусственного интеллекта для завершения расследований мошенничества заявляют, что такие технологии сокращают время, необходимое для выполнения повторяющихся задач. В заявлении далее говорится, что такая эффективность позволяет снизить требования к ресурсам, которые затем можно будет потратить на задачи, которые не были полностью автоматизированы. Аудиторская фирма Ernst & Young выдвинула эти претензии, заявив, что их системы глубокого обучения использовались для сокращения времени, затрачиваемого на административные задачи, путем анализа соответствующих аудиторских документов. По мнению фирмы, это позволило их сотрудникам больше сосредоточиться на суждениях и анализе. [15]
Недостатки
[ редактировать ]Смещение рабочих мест
[ редактировать ]Неизбежное распространение компьютерного интеллекта и достижений в области роботизации может привести к перераспределению критически важных рабочих мест между различными предприятиями. Поскольку системы искусственного интеллекта становятся все более приспособленными для выполнения задач, обычно выполняемых людьми, возникают опасения, что конкретные рабочие места могут устареть, что приведет к безработице и финансовому дисбалансу.
Первоначальные инвестиционные требования
[ редактировать ]Наряду со знаниями в области кодирования и построения систем с помощью компьютерных программ, мы видим преимущества этих систем, но, поскольку они настолько новы, для начала создания такой системы требуются большие инвестиции. Любая фирма, которая планирует внедрить систему искусственного интеллекта для обнаружения мошенничества, должна нанять команду специалистов по обработке данных, а также модернизировать свою облачную систему и хранилище данных . Система должна постоянно контролироваться и обновляться, чтобы быть наиболее эффективной, иначе вероятность мошенничества в этих транзакциях возрастает. Если изначально не инвестировать в такую систему и не убедиться, что она выявляет большой процент мошеннических транзакций, последствиями будут издержки мошенничества, включая комиссию за возврат средств. Это очень большие первоначальные инвестиции, но в долгосрочной перспективе деньги будут сэкономлены. [16]
Техническая экспертиза
[ редактировать ]Аналитика данных — это новая наука для многих компаний, и фирмы активно исследуют ее, чтобы проанализировать свой бизнес в целом и найти возможности для улучшения. Аналитика данных рассказывает историю бизнеса через цифры. Многие люди в этом мире имеют опыт чтения данных, но есть и люди, у которых вообще нет опыта работы с данными. Дисциплина анализа данных быстро расширяется. Стать специалистом в такой профессии зачастую непросто. [ нужна ссылка ]
Ссылки
[ редактировать ]- ^ ПрайсуотерхаусКуперс. «Глобальное исследование PwC по экономической преступности и мошенничеству, 2022 год» . ПвК . Проверено 27 апреля 2022 г.
- ^ «Новые данные показывают, что FTC получила 2,8 миллиона сообщений о мошенничестве от потребителей в 2021 году» . Федеральная торговая комиссия . 22 февраля 2022 г. Проверено 28 апреля 2022 г.
- ^ Банди, Аджай; Адапа, Пиди Венката Сатья Рамеш; Кучи, Юду Эсвар Винай Пратап Кумар (31 июля 2023 г.). «Сила генеративного искусственного интеллекта: обзор требований, моделей, форматов ввода-вывода, показателей оценки и проблем» . Будущий Интернет . 15 (8): 260. дои : 10.3390/fi15080260 . ISSN 1999-5903 .
- ^ Перейти обратно: а б с «Учетные экспертные системы» . archives.cpajournal.com . Проверено 22 марта 2022 г.
- ^ Леонард-Бартон, Дороти; Свиокла, Джон (1 марта 1988 г.). «Как заставить экспертные системы работать» . Гарвардское деловое обозрение . ISSN 0017-8012 . Проверено 20 декабря 2022 г.
- ^ О'Лири, Дэниел; Уоткинс, Пол (весна – лето 1989 г.). «Обзор экспертных систем в аудите» (PDF) . Обзор экспертных систем USC : 1–20.
- ^ Перейти обратно: а б Васархеи, Миклош (июнь 1990 г.). «Непрерывный аудит онлайн-систем» (PDF) . Аудит: журнал практики и теории .
- ^ Перейти обратно: а б «Основы непрерывного аудита: почему компаниям не нужно тратить большие деньги» . Журнал бухгалтерского учета . 1 марта 2017 года . Проверено 22 марта 2022 г.
- ^ Мишра, Ранджан Кумар; Редди, Г.И. Сандеш; Патхак, Химаншу (5 апреля 2021 г.). «Понимание глубокого обучения: комплексный обзор» . Математические проблемы в технике . 2021 : e5548884. дои : 10.1155/2021/5548884 . ISSN 1024-123X .
- ^ «Глубокое обучение и будущее аудита» . Журнал CPA . 19 июня 2017 г. Проверено 22 марта 2022 г.
- ^ Перейти обратно: а б с д «Ответ на вызов искусственного интеллекта» . Журнал CPA . 3 июля 2019 года . Проверено 23 марта 2022 г.
- ^ Перейти обратно: а б с Земанкова, Анета (2019). «Искусственный интеллект в аудите и бухгалтерском учете: развитие, современные тенденции, возможности и угрозы – обзор литературы» . Международная конференция по управлению, искусственному интеллекту, робототехнике и оптимизации (ICCAIRO) 2019 г. стр. 148–154. дои : 10.1109/ICCAIRO47923.2019.00031 . ISBN 978-1-7281-3572-4 . S2CID 215721790 .
- ^ Шаффер, Кэти Дж.; Гаумер, Кэрол Дж.; Брэдли, Кирстен П. (1 января 2020 г.). «Продукты искусственного интеллекта меняют бухгалтерский учет: время переобучения» . Развитие и обучение в организациях . 34 (6): 41–43. дои : 10.1108/DLO-10-2019-0242 . ISSN 1477-7282 . S2CID 213893379 .
- ^ Лин, Том CW (18 марта 2015 г.). «Разумный инвестор(ы)» . Рочестер, Нью-Йорк. ССНН 2579510 .
{{cite journal}}: Для цитирования журнала требуется|journal=( помощь ) - ^ Сигел, Элиот Л. (1 октября 2019 г.). «Сделать ИИ еще умнее с помощью ансамблей: вызов будущим задачам и последствия для клинической помощи» . Радиология: искусственный интеллект . 1 (6): e190187. дои : 10.1148/ryai.2019190187 . ISSN 2638-6100 . ПМК 8017374 . ПМИД 33937807 .
- ^ Джонс, Альбин (2022). Результаты обучения в классе . Университет ВИТ. стр. 56–64. ISBN 978-93-92995-15-6 .