Κέρδη:
- Δυνατότητα σάρωσης ολόκληρου του πληθυσμού με AI και ιεράρχησης ύποπτων εγγραφών σύμφωνα με κανόνες ανωμαλιών
- Δυνατότητα διενέργειας ελέγχων με την πειθαρχία του «σημαδέψτε και δικαιολογήστε» χωρίς να κρίνετε το μοντέλο
- Δυνατότητα διατήρησης διαδρομής ελέγχου (δεδομένα, προτροπή, ημερομηνία, επαληθευτής) για κάθε έξοδο AI
Ίσως ο πιο ευαίσθητος τομέας της λογιστικής και των οικονομικών είναι ο έλεγχος: η ανεξάρτητη επαλήθευση ότι τα αρχεία είναι ακριβή, πλήρη και συμβατά. Η τεχνητή νοημοσύνη (AI) είναι ένα εργαλείο με δύο σκέλη εδώ. Από τη μία πλευρά, είναι πολύ ισχυρό στη σάρωση μεγάλων στοίβων δεδομένων για ανωμαλίες (ύποπτες εγγραφές που αποκλίνουν από τις προσδοκίες) και στον εντοπισμό τρωτών σημείων εσωτερικού ελέγχου. Από την άλλη πλευρά, λόγω της φύσης του ελέγχου, πρέπει επίσης να ελέγχονται τα αποτελέσματα του ίδιου του AI. Σε αυτή την ενότητα, θα μάθουμε πώς να χρησιμοποιούμε την τεχνητή νοημοσύνη ως «βοηθό ελέγχου» και να διατηρούμε μια διαδρομή ελέγχου.
Ο ρόλος της τεχνητής νοημοσύνης στον εσωτερικό έλεγχο και τον έλεγχο
Ο εσωτερικός έλεγχος είναι το σύνολο κανόνων και διαδικασιών που θεσπίζονται για την πρόληψη λαθών και καταχρήσεων (όπως διαχωρισμός καθηκόντων, κατώφλια έγκρισης, συμφιλίωση). Ο έλεγχος ελέγχει εάν αυτά λειτουργούν ή όχι. Εκεί που η τεχνητή νοημοσύνη είναι πιο αποτελεσματική είναι όταν μπορεί να σαρώσει ολόκληρους πληθυσμούς όπου ο παραδοσιακός έλεγχος περιλαμβάνει δειγματοληψία (εξετάζοντας μερικές εγγραφές από τις εκατοντάδες). Το να κοιτάξει κανείς και τους 10.000 δίσκους είναι δύσκολο για έναν άνθρωπο, αλλά εφικτό για ένα μοντέλο.
Αλλά η κρίσιμη διάκριση είναι η εξής: η τεχνητή νοημοσύνη δημιουργεί αμφιβολίες, όχι κρίση. "Αυτός ο δίσκος φαίνεται ανώμαλος" είναι ένα σημείο εκκίνησης. Η πραγματική απόφαση ελέγχου και η συλλογή αποδεικτικών στοιχείων ανήκουν στον άνθρωπο.
Συμβουλή: Σε προτροπές ελέγχου, πείτε "απλώς επισημάνετε και αιτιολογήστε, μην συμπεράνετε/κρίνετε". Θα ήταν τόσο λάθος όσο και επικίνδυνο για το μοντέλο να κάνει οριστικές δηλώσεις όπως "πρόκειται για παρατυπία". Το θέμα αποφασίζεται με την αναθεώρησή σας.
Βήμα προς βήμα: Σάρωση ανωμαλιών με AI
- Καθορίστε το σύνολο κανόνων σας. Τι θεωρείτε μη φυσιολογικό; Κατώφλι, επανάληψη, συγχρονισμός.
- Σάρωση ολόκληρου του πληθυσμού. Όχι μόνο ένα δείγμα, αλλά όλα.
- Σημειώστε και δικαιολογήστε. Μια εξήγηση «γιατί είναι ύποπτο» για κάθε εύρημα.
- Δώστε προτεραιότητα. Ταξινόμηση κατά μέγεθος κινδύνου/επιπτώσεων.
- Ανατρέξτε στην ανθρώπινη ανασκόπηση. Συγκεντρώστε στοιχεία, πάρτε μια απόφαση, τεκμηριώστε.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή: Υπάρχουν παρατυπίες σε αυτές τις δαπάνες; [δεδομένα]
Αυτό δίνει μια απάντηση που είτε είναι «καμία» ή παράγει αβάσιμες κατηγορίες που δεν μπορούν να χρησιμοποιηθούν στον έλεγχο.
Ισχυρή προτροπή: Ο ρόλος σας: βοηθός εσωτερικού ελέγχου. Εργασία: Σαρώστε τις ακόλουθες εγγραφές δαπανών σε σχέση με τον κανόνα κινδύνου. Κανόνες: 1) Ποσά ακριβώς κάτω από το όριο έγκρισης (50.000) (υποψία διαχωρισμού) 2) Εγγραφές που εισάγονται τα Σαββατοκύριακα ή μετά από ώρες3) Παρόμοια ποσά που επαναλαμβάνονται σε μικρά χρονικά διαστήματα από τον προμηθευτή | ενεργοποιημένος κανόνας | γιατί είναι ύποπτο (1 πρόταση) |προτεραιότητα (υψηλή/μέση/χαμηλή)Περιορισμός: Απλώς σημειώστε και αιτιολογήστε. Να κάνει μια κρίση όπως "είναι παρατυπία". αυτοί είναι υποψήφιοι για ανθρώπινη εξέταση. Χρησιμοποιήστε μόνο τις πληροφορίες στα δεδομένα.<records> ... </records>
Αυτή η προτροπή? Δίνει προτεραιότητα σε ποσά που έχουν κολλήσει ακριβώς κάτω από το όριο έγκρισης (το σύμβολο "split-off") ή στα αρχεία που εισάγονται μετά από ώρες και δίνει στον ελεγκτή μια σαφή λίστα ελέγχου.
Η μεγαλύτερη συμβολή της τεχνητής νοημοσύνης στον έλεγχο είναι το πλεονέκτημά της σε κλίμακα. Σε έναν παραδοσιακό έλεγχο, η δειγματοληψία γίνεται επειδή δεν είναι φυσικά δυνατή η εξέταση όλων των αρχείων: ίσως εξεταστούν εκατό χιλιάδες τιμολόγια και το αποτέλεσμα γενικευθεί σε ολόκληρο τον πληθυσμό. Αυτό σημαίνει ότι διαφεύγει μια παρατυπία που βρίσκεται εκτός του δείγματος. Η τεχνητή νοημοσύνη, από την άλλη, μπορεί να εφαρμόσει τους κανόνες που ορίζετε και στις δεκάδες χιλιάδες εγγραφές σε δευτερόλεπτα. Έτσι, ο έλεγχος εξελίσσεται από το «κοιτάζοντας μερικά παραδείγματα και ελπίζοντας» στο «σκανάροντας κάθε αρχείο και αφαιρώντας εξαιρέσεις». Ωστόσο, το μόνο που διαπιστώνεται είναι υποψήφιοι για έρευνα και όχι συμπεράσματα.
Κανόνες ανωμαλιών που χρησιμοποιούνται συχνά στον έλεγχο
κανόνας
Τι υποδηλώνει
παράδειγμα
συσσώρευση υποκατωφλίου
Διαχωρίστε για να αποφύγετε την έγκριση
Ποσά όπως 49.500, 49.800
εγγραφή εκτός ωραρίου
Ανεξέλεγκτη είσοδος
Σάββατο 23:40 νομοσχέδιο
διπλή πληρωμή
Κίνδυνος διπλής πληρωμής
Ίδιο τιμολόγιο, δύο αριθμοί παραστατικού
Συχνότητα στρογγυλού αριθμού
Εκτιμώμενο/κατασκευασμένο ποσό
Πολλά ακριβώς 10.000
Νέος προμηθευτής + υψηλότερο ποσό
Κίνδυνος προμηθευτή φάντασμα
200.000 στην πρώτη συναλλαγή
Διαχωρισμός Καθηκόντων και Έλεγχος Αρχών
Ένας από τους ακρογωνιαίους λίθους του εσωτερικού ελέγχου είναι ο διαχωρισμός των καθηκόντων: τα άτομα που ξεκινούν, εγκρίνουν και πληρώνουν για μια συναλλαγή είναι διαφορετικά. Αν το ίδιο άτομο μπει, εγκρίνει και πληρώσει το τιμολόγιο, η πόρτα είναι ανοιχτή για κατάχρηση. Η τεχνητή νοημοσύνη μπορεί να βρει περιπτώσεις όπου αυτή η πολιτική παραβιάζεται σαρώνοντας πληροφορίες χρήστη στα αρχεία συναλλαγών.
Σάρωση για διαχωρισμό παραβιάσεων καθηκόντων στις ακόλουθες εγγραφές συναλλαγών: - Συναλλαγές που εισάγει και εγκρίνει ο ίδιος χρήστης - Συναλλαγές που ο ίδιος χρήστης εγκρίνει και ξεκινά την πληρωμή - Ποσά που έχουν εγκριθεί από ένα άτομο πάνω από το όριο εξουσιοδότησης Έξοδος: αριθμός συναλλαγής | τύπος παράβασης | σχετικός χρήστης | priorityΑπλώς επισημάνετε και αιτιολογήστε. λίστα ως υποψήφιος για καταδίκη, αναθεώρηση.
Αυτός ο τύπος σάρωσης εξάγει μοτίβα σε δευτερόλεπτα που το ανθρώπινο μάτι δεν θα μπορούσε ποτέ να συλλάβει σε χιλιάδες γραμμές. Αλλά η ίδια αρχή ισχύει: το μοτίβο δείχνει ένα "μοτίβο παραβιάσεων κανόνων". Εναπόκειται σε κάποιον να αποφασίσει εάν πρόκειται για πραγματικό πρόβλημα ή για νόμιμη εξαίρεση (π.χ. αναγκαστικός διπλός ρόλος σε μικρή ομάδα).
Υποχρέωση διαδρομής ελέγχου
Εάν μια έξοδος τεχνητής νοημοσύνης πρόκειται να χρησιμοποιηθεί σε έναν έλεγχο, πρέπει να είναι ανιχνεύσιμη: ποια δεδομένα, ποια προτροπή, ποιο μοντέλο, ποια ημερομηνία, ποιος το επαλήθευσε; Χωρίς αυτό το αρχείο, η εκτύπωση δεν έχει αποδεικτική αξία στον έλεγχο.
Προετοιμάστε μια εγγραφή διαδρομής ελέγχου για αυτήν την ανάλυση: - Πηγή δεδομένων και χρησιμοποιούμενη περίοδος - Σύνοψη των προτροπών/κανόνων που εφαρμόστηκαν - Ημερομηνία εξόδου μοντέλου - Κενά πεδία για βήματα επαλήθευσης από τον άνθρωπο (ποιος, πότε, αποτέλεσμα) Εξαγωγή αυτού ως επαναχρησιμοποιήσιμου προτύπου.
Προσοχή: Ακριβώς επειδή το AI λέει "αυτό το αρχείο είναι εντάξει" δεν αποδεικνύει ότι δεν υπάρχουν προβλήματα εκεί. Το μοντέλο μπορεί να έχει χάσει κάποιο μοτίβο. Το "AI είπε καθαρό" δεν είναι μια διαβεβαίωση σε έναν έλεγχο. Να τεκμηριώνετε πάντα τα όρια του πεδίου και της μεθόδου.
Μίνι Θήκες
Περίπτωση 1 — Διαμέρισμα υποκατωφλίου. Ένας εσωτερικός ελεγκτής βρήκε τρία διαδοχικά τιμολόγια των 49.200, 49.700, 49.500 TL από το ίδιο τμήμα μέσω σάρωσης AI σε μια εταιρεία με όριο έγκρισης 50.000 TL. Η έρευνα αποκάλυψε ότι μία μόνο αγορά £145.000 χωρίστηκε σε τρία για να αποφευχθεί η έγκριση. Το κενό ελέγχου έχει κλείσει.
Περίπτωση 2 — Σημάδι προμηθευτή φάντασμα. Η τεχνητή νοημοσύνη σημείωσε υψηλή προτεραιότητα ότι καταβλήθηκαν 200.000 TL σε έναν νέο προμηθευτή που προστέθηκε στο σύστημα στην πρώτη συναλλαγή. Η επανεξέταση έδειξε ότι ο προμηθευτής είναι γνήσιος και υπό σύμβαση. Ο συναγερμός ήταν ψευδής αλλά ο έλεγχος λειτούργησε σωστά. Μάθημα: δεν είναι κάθε ζώδιο έγκλημα, αλλά κάθε σημάδι πρέπει να εξετάζεται.
Περίπτωση 3 — Κατάρρευση μη τεκμηριωμένης παραγωγής. Μια ομάδα υπέβαλε τη λίστα ανωμαλιών AI στον έλεγχο, αλλά δεν κατέγραψε την προτροπή και τα δεδομένα με τα οποία δημιουργήθηκε. Ο εξωτερικός ελεγκτής δεν δέχθηκε την εκτύπωση ως αποδεικτικό στοιχείο. Επανάληψη ανάλυσης με ίχνος ελέγχου. Μάθημα: Δεν υπάρχει αποτέλεσμα που να μην μπορεί να παρακολουθηθεί στον έλεγχο.
Περίπτωση 4 — Παράβαση διαχωρισμού καθηκόντων. Μια σάρωση εσωτερικού ελέγχου βρήκε 37 συναλλαγές σε ένα μικρό υποκατάστημα όπου ο ίδιος υπάλληλος εισήγαγε, ενέκρινε και ξεκίνησε την πληρωμή για το τιμολόγιο. Από την έρευνα προέκυψε ότι ο υπάλληλος δεν είχε κακόβουλη πρόθεση αλλά ανέλαβε αυτούς τους ρόλους λόγω υποστελέχωσης. Ωστόσο, ο κίνδυνος ήταν πραγματικός. Η εταιρεία έκλεισε το κενό μεταφέροντας την έγκριση πληρωμής στο κέντρο. Μάθημα: το έλλειμμα ελέγχου είναι επικίνδυνο ακόμα και χωρίς κακία. Η τεχνητή νοημοσύνη βρίσκει το μοτίβο, οι άνθρωποι σχεδιάζουν τη λύση.
Συνήθη λάθη
- Για να κρίνουμε το μοντέλο. Το να πεις "είναι παρατυπία" είναι και λάθος και επικίνδυνο. Απλώς σημειώστε το.
- Διαβεβαίωση "Η AI είπε ότι είναι καθαρό". Μπορεί να έχασε το μοντέλο. Ένα καθαρό αποτέλεσμα δεν είναι απόδειξη.
- Μη τήρηση ίχνους ελέγχου. Εάν τα δεδομένα, η προτροπή, η ημερομηνία και ο επαληθευτής δεν καταγράφονται, η έξοδος δεν θα είναι απόδειξη.
- Το να πιστεύεις ότι κάθε σημάδι είναι έγκλημα. Η ανωμαλία είναι υποψήφια για έρευνα. Τα στοιχεία καθορίζουν την απόφαση.
- Δεν τεκμηριώνει το πεδίο εφαρμογής. Ποιες εγγραφές σαρώθηκαν και πρέπει να γραφτεί το όριο της μεθόδου.
Συνοπτικά
- Η τεχνητή νοημοσύνη είναι ισχυρή στην εύρεση ανωμαλιών σαρώνοντας ολόκληρο τον πληθυσμό σε έναν έλεγχο. υπερβαίνει τη δειγματοληψία.
- Το μοντέλο παράγει αμφιβολίες, όχι κρίση. Χρησιμοποιήστε το με τον κανόνα "ακριβώς επισημάνετε και δικαιολογήστε".
- Οι κανόνες ανωμαλιών (κάτω από το όριο εκκρεμότητας, εγγραφή εκτός ωραρίου, διπλή πληρωμή) θα πρέπει να καθοριστούν εκ των προτέρων.
- Είναι υποχρεωτικό να διατηρείτε μια διαδρομή ελέγχου (δεδομένα, προτροπή, ημερομηνία, επικύρωση) για κάθε έξοδο AI. Η μη ανιχνεύσιμη παραγωγή δεν είναι απόδειξη.
- Το "AI είπε καθαρό" δεν αποτελεί διαβεβαίωση. Να τεκμηριώνετε πάντα τα όρια του πεδίου και της μεθόδου.
Εργασία εφαρμογής
Προετοιμάστε ένα αρχείο εξόδων 30-50 γραμμών. υποδιαιρέστε εν γνώσει σας και πραγματοποιήστε μια διπλή πληρωμή. Κάντε μια σάρωση ανωμαλιών με το ισχυρό πρότυπο προτροπής και ελέγξτε ότι το μοντέλο πιάνει και δίνει προτεραιότητα στις παγίδες σας. Στη συνέχεια, συμπληρώστε το υπόδειγμα διαδρομής ελέγχου και αναφέρετε τα ευρήματα ως «υποψήφιους για επανεξέταση» (χωρίς να κρίνεται επιτυχής).
λίστα ελέγχου
- [ ] Έχω προκαθορίσει τους κανόνες ανωμαλίας (κατώφλι, χρονισμός, επανάληψη).
- [ ] Σάρωσα ολόκληρο τον πληθυσμό, δεν σταμάτησα με τη δειγματοληψία.
- [ ] Εμπόδισα το μοντέλο να κρίνει. Απλώς το είχα επισημασμένο και δικαιολογημένο.
- [ ] Κατέγραψα μια διαδρομή ελέγχου (δεδομένα, προτροπή, ημερομηνία) για κάθε εύρημα.
- [ ] Άφησα αυτούς που επισημάνθηκαν ως "υποψήφιοι επανεξέτασης" στην ανθρώπινη κρίση.
- [ ] Τεκμηρίωσα το εύρος της σάρωσης και τους περιορισμούς της μεθόδου.