تشخیص ناهنجاری و خطا: تست ورودی مجله و تجزیه و تحلیل موارد دور از دسترس

سود:

• بدانید که چرا تست ورود به مجله تحت BDS 240 اجباری است و چگونه هوش مصنوعی می تواند معیارهای ورود مشکوک را اسکن کند.
• قابلیت علامت‌گذاری و اولویت‌بندی نقاط پرت، زمان‌بندی غیرمعمول و الگوهای مقادیر غیرعادی با پشتیبانی هوش مصنوعی
• اینکه بتوانیم بگوییم هر ناهنجاری که توسط هوش مصنوعی مشخص می شود یک یافته نیست، بلکه علامت سوالی است که حسابرس آن را بررسی خواهد کرد و حذف موارد مثبت کاذب مسئولیت انسانی است.

صورت‌های مالی یک کسب‌وکار اساساً مجموع میلیون‌ها ثبت مجله است (در حسابداری، هر تراکنش مالی به عنوان بدهکار و اعتبار ثبت می‌شود). هم خطا و هم تقلب در نهایت در یک مدخل مجله زندگی می کنند: مبلغی که در حساب اشتباه نوشته شده است، کمک هزینه ای که "فراموش می شود" و در پایان دوره معکوس می شود، ورودی غیرمعمولی که به صورت دستی در نیمه شب وارد می شود. بنابراین، BDS 240 (استاندارد تنظیم مسئولیت‌های حسابرس در مورد تقلب در حسابرسی صورت‌های مالی) به وضوح حسابرس را ملزم به انجام آزمون ورود به مجله می‌کند. هدف آن نشان دادن دستکاری های احتمالی توسط مدیریت از طریق نادیده گرفتن مدیریت است.

در این بخش به چگونگی تبدیل هوش مصنوعی به موتور تشخیص خطا و ناهنجاری می پردازیم، اما اینکه چرا هر رکورد علامت گذاری شده یک "علامت سوال" است تا یک "یافته". دو مفهوم اول ناهنجاری یک رکورد غیرعادی در یک مجموعه داده است که از الگوی مورد انتظار منحرف می شود. یک مشاهداتی است که از نظر عددی به طور قابل توجهی با بقیه متفاوت است (مانند مقدار بسیار زیاد، فرکانس بسیار بالا). ناهنجاری همیشه یک خطا نیست. اما این جایی است که حسابرس باید نگاه کند.

معیارهای ارسال مشکوک در آزمون ورودی مجله

BDS 240 بیان می کند که سوابق با ویژگی های خاص بیشتر در معرض خطر تقلب هستند. هوش مصنوعی می تواند صدها هزار رکورد را بر اساس این معیارها در چند ثانیه اسکن کند. معیارهای معمول "پرچم قرمز":

• زمان‌بندی غیرمعمول: سوابق دستی که پس از ساعات کاری، در تعطیلات آخر هفته، در تعطیلات رسمی یا در آخرین روز پایان ترم ثبت می‌شوند.
• کاربر غیر معمول: سوابق وارد شده توسط کاربری که معمولاً سوابق حسابداری را وارد نمی کند (مثلاً یک مدیر).
• ترکیب‌های غیرمعمول حساب: ارسال‌هایی بین حساب‌هایی که از یکدیگر انتظار ندارند (به عنوان مثال، یک حساب درآمد و یک حساب غیر نقدی غیرمعمول).
• مقادیر گرد: مقادیر بزرگ "تمیز" مانند 100000، 500000; این یک اثر معمولی از دستکاری دستی است.
• سوابق با توضیحات خالی یا مبهم: توضیحات خالی مانند «اصلاح»، «متفرقه»، «موقت».
• رکوردهای معکوس: رکوردهایی که در ابتدای دوره وارد شده و پس از مدت کوتاهی لغو (storno) می شوند.
• موارد تکراری زیرآستانه: تعداد زیادی رکورد درست زیر آستانه تأیید (مثلاً 50000 دلار) جمع شده‌اند.

نکته: در مورد این معیارها با هم فکر کنید، نه به صورت جداگانه. "مقدار گرد" به تنهایی ممکن است بی گناه باشد. اما "آخر هفته، توسط مدیر، توضیحات خالی، دور ثابت، پست دستی پایان دوره" یک پرچم قرمز قوی است. ترکیب معیارهای هوش مصنوعی برای ایجاد «امتیاز ریسک» به شما کمک می کند اولویت بندی کنید.

حقیقت مثبت کاذب: چرا هر نشانه ای یک یافته نیست

ماهیت اسکن ناهنجاری مثبت کاذب است: سوابق علامت گذاری شده توسط قانون که واقعاً قانونی هستند. به عنوان مثال، یک شرکت به طور خودکار در آخرین روز کاری هر ماه یک اقلام تعهدی اجاره را وارد می کند. این با معیار "مقدار دور + پایان دوره" گیر کرده است، اما کاملا طبیعی است. وظیفه حسابرس استخراج ریسک واقعی از شمع پرچمدار است. این مرتب سازی قابل انتقال نیست. زیرا تشخیص مشروع از مشکوک مستلزم شناخت کسب و کار و زمینه است – چیزی که هوش مصنوعی ندارد.

بنابراین همیشه خروجی را اینگونه بخوانید: "هوش مصنوعی 420 رکورد را برای من علامت گذاری کرده است. بیشتر آنها احتمالاً مثبت کاذب هستند. وظیفه من این است که از بین این 420 موردی که واقعاً نیاز به بررسی دارند، الگوها و موارد مشکوک فردی را پیدا کنم." این دیدگاه شما را از تعصب اتوماسیون (در نظر گرفتن هر علامتی برای خطا) و تنبلی (نگر نکردن به هیچ یک از آنها) محافظت می کند.

تشخیص ناهنجاری مرحله به مرحله

1. داده ها را آماده کنید و کامل بودن را تأیید کنید. (مراحل تطبیق در واحد قبلی.)
2. معیارها را به وضوح تعریف کنید. چه الگوهای زمان، مقدار، کاربر و توضیحات علامت گذاری می شوند؟
3. اسکن و امتیاز با هوش مصنوعی. هر رکورد را بر اساس معیارها علامت گذاری کنید. به مواردی که دارای چندین معیار هستند اولویت بیشتری بدهید.
4. موارد مثبت کاذب را حذف کنید. الگوهای قانونی شناخته شده (مانند اقلام تعهدی خودکار) را فیلتر یا پرچم گذاری کنید.
5. سوابق باقی مانده را بررسی کنید. هر کدام را به سند پشتیبان، تأییدیه و منطق تجاری پیوند دهید.
6. نتیجه گیری و منطق را مستند کنید. بنویسید که چه چیزی مشکوک بود و چرا، و چه چیزی را حذف کردید و چرا.

سه کیف کوچک

مورد 1 - یافته واقعی. یک حسابرس 240000 مدخل مجله را با هوش مصنوعی اسکن کرد. معیارهای "3 روز آخر دوره + کتابچه راهنمای + توضیحات "اصلاح" + 100000 برابر مقدار" را ترکیب کرد. 14 رکورد امتیاز بالایی دریافت کردند. در بررسی، 11 مورد تعدیل مشروع پایان سال بود. با این حال، 3 ورودی به گونه ای وارد شده است که حساب درآمد را متورم می کند و در دوره بعد معکوس می شود و هیچ مدرکی وجود ندارد. این الگویی از دور زدن کنترل ها توسط مدیریت بود و یافته ای قابل توجه بود. هوش مصنوعی 14 سوال پرسید. بدبینی حسابرس 3 پاسخ واقعی را یافت.

مورد 2 - تله مثبت کاذب. یکی از اعضای تیم، 380 رکورد «گرد ثابت» را که هوش مصنوعی مستقیماً روی برگه پرچم گذاری کرده بود، تحت عنوان «تراکنش های مشکوک» نوشت. افسر وقتي نگاه كرد، ديد كه اكثر آنها اجاره، حق مشاوره ثابت و استهلاك اتوماتيك دارند. همه آنها مشروع بودند. کاربرگ به «فهرستی از یافته‌های نادرست» تبدیل شده بود که ممیزی را به مسیر اشتباه هدایت می‌کرد. درس: هر رکورد پرچم گذاری شده یک یافته نیست. حسابرس انتخاب را انجام می دهد.

مورد 3 - تعیین معیارها بسیار محدود. یک حسابرس فقط از معیار "سوابق آخر هفته" استفاده کرد و هیچ سابقه مشکوکی پیدا نکرد. خیالش راحت شد. با این حال، در کسب و کار، سوابق دستکاری در ساعات کاری روزهای هفته، اما با ترکیبات غیرمعمول حساب وارد می شد. تکیه بر یک معیار محدود و واحد، او را از دیدن خطر واقعی باز می داشت. وقتی حسابرس معیارها را گسترش داد، این الگو ظاهر شد. درس: معیار واحد تضمین نمی کند. چند بعدی به آن نگاه کنید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

نوشته های جعلی را در این نوشته های مجله پیدا کنید.

مشکل: هوش مصنوعی نمی تواند تقلب را "تشخیص دهد". کلاهبرداری یک نتیجه قانونی/حرفه ای است، نه یک الگوی داده. همچنین "تقلب" تعریف نشده است. این دستور یک "فهرست تقلب" ساخته شده یا پرچم های بی معنی ایجاد می کند.

اعلان قدرتمند:

نقش شما: شما یک دستیار تجزیه و تحلیل ورودی مجلات حسابرس مستقل هستید. شما رکورد را بر اساس معیارها علامت گذاری می کنید. تصمیم تقلب/خطا متعلق به من است. زمینه: داده‌های مجله ناشناس (ستون‌ها: رکورد_شماره، تاریخ، زمان، نقش_کاربر، حساب بدهکار، اعتبار_حساب، مبلغ، نوع_ رکورد[دستی/خودکار]، توضیحات). پایان ترم: 31.12. ساعات کار: 09:00-18:00، دوشنبه تا جمعه. وظیفه: 1) به هر رکورد با توجه به معیارهای زیر یک "امتیاز توجه" بدهید (بسته به تعداد معیارهای پیوست شده): a) record_type=دستی ب) تاریخ بین 29-31 دسامبر یا آخر هفته/تعطیلات ج) ساعت خارج از کار/تعطیلات d) توضیحات بدون کار 000 T) مقدار 01 خالی است. {اصلاح، متفرقه، موقت} در 2) به افرادی که امتیاز 3 و بالاتر دارند به عنوان لیست اولویت قرار دهید. 3) هر معیاری را که اعمال می کنید به صورت متن ساده بنویسید (قابلیت ممیزی). اضافه کردن یک رکورد جعلی

این اعلان قدرتمند است زیرا معیارها را به وضوح تعریف می کند، به نمرات چند بعدی، قابلیت ممیزی نیاز دارد و خروجی را به طور دقیق تعیین می کند (استثنا، نه نتیجه).

اشتباهات رایج

• این به معنای "ترفند" است. هوش مصنوعی تقلب را تشخیص نمی دهد. بر اساس معیارها علامت می گذارد. تقلب یک نتیجه حرفه ای/قانونی است.
• اشتباه گرفتن علامت با یک یافته نوشتن رکورد مشکوک به عنوان "خطا" بدون حذف موارد مثبت کاذب.
• با تکیه بر یک معیار. استفاده از یک قانون باریک و از دست دادن الگوی واقعی.
• فیلتر نکردن الگوهای قانونی ایجاد نویز با قرار دادن اقلام تعهدی خودکار در لیست مشکوک.
• مستند نکردن منطق غیرقابل ردیابی کاربرگ را بدون نوشتن آنچه حذف/نگهداشتید و چرا.

احتیاط: توصیف یک ضبط به عنوان "مشکوک" یک جمله جدی است. قبل از نوشتن به عنوان یافته، با شواهد (سند تأیید، تأیید، پرونده تجاری) تأیید کنید. در غیر این صورت نسبت به کسب و کار بی انصافی خواهید کرد و به کیفیت حسابرسی آسیب می رسانید.

به طور خلاصه

تست ورود به مجله تحت BDS 240 مورد نیاز است و هوش مصنوعی موتور ایده آل برای این است: صدها هزار رکورد را بر اساس معیارهای چند بعدی در چند ثانیه اسکن می کند و امتیاز توجه را ایجاد می کند. اما هوش مصنوعی تقلب یا خطا را "تشخیص" نمی کند. این فقط غیرعادی را نشان می دهد. خروجی انبوهی از استثناها پر از مثبت کاذب است. این به شک و قضاوت حسابرس بستگی دارد که خطر واقعی ناشی از آن را مشخص کند، خطر قانونی را حذف کند و نتیجه گیری کند. علامت علامت سوال است نه پاسخ.

وظیفه کاربردی

پنج معیار ناهنجاری را برای داده های مجله فرضی (برنامه، کاربر، مبلغ، ترکیب حساب، توضیحات) مشخص کنید. از هوش مصنوعی بخواهید با الگوی سریع قدرتمند بالا یک «امتیاز توجه» چند بعدی ایجاد کند. سپس یک «راهنمای غربالگری» بنویسید: کدام الگوهای قانونی (اقلام تعهدی خودکار، اجاره ثابت و غیره) باید به عنوان موارد مثبت کاذب فیلتر شوند؟ در نهایت، برای 5 رکورد با امتیاز بالا، "به دنبال چه مدرکی هستم؟" به سوال پاسخ دهید.

چک لیست

• [ ] من داده ها را ناشناس کردم و کامل بودن آنها را تأیید کردم.
• [ ] معیارهای ناهنجاری را به صورت چند بعدی و واضح تعریف کردم.
• [ ] من متن ساده امتیاز توجه و معیارهای اعمال شده را از هوش مصنوعی دریافت کردم.
• [ ] من الگوهای قانونی شناخته شده را به عنوان مثبت کاذب فیلتر کردم.
• [ ] من سوابق با امتیاز بالا را با اسناد و مدارک پشتیبانی و تأیید بررسی کرده ام.
• [ ] من آن را با شواهدی قبل از نتیجه گیری "تقلب/خطا" تأیید کردم.
• [ ] آنچه را که مشکوک دیدم و چرا را مستند کردم.