ઑડિટિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, સ્વતંત્રતા, પ્રમાણીકરણ અને ગોપનીયતા

નફો:

• જ્યાં કૃત્રિમ બુદ્ધિમત્તા ઓડિટ ચક્રમાં વાસ્તવિક સમય બચાવે છે (આયોજન, પુરાવા એકત્રીકરણ, વિશ્લેષણ, દસ્તાવેજીકરણ, રિપોર્ટિંગ) અને જ્યાં ઓડિટ અભિપ્રાય અને સામગ્રીની ખોટી નિવેદનો જેવા નિર્ણયો કાર્ય જોખમ સ્તરના આધારે સ્વતંત્ર ઓડિટર પર છોડી દેવામાં આવે છે તે પારખવામાં સક્ષમ હોવું.
• એવી શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને સ્ત્રોત સાથે લિંક કરવા, તેની પુનઃગણતરી અને ઓડિટર નાસ્તિકતા સાથે તેનું પરીક્ષણ કરવાના પગલાં દ્વારા માન્ય કરે છે.
• ગોપનીયતા અને સ્વતંત્રતાના સિદ્ધાંતોના દાયરામાં ઓડિટ ડેટાને અનામી રાખવો અને સલામત વાહનો પસંદ કરવાની ટેવ પાડવી

ઓડિટરનો દિવસ "પુરાવા એકઠા કરવા" અને "ચુકાદો આપવા" વચ્ચે વિતાવે છે તેના કરતાં ઘણા વધુ લોકો સમજે છે. તમે હજારો જર્નલ એન્ટ્રીઓ સ્કેન કરો છો, તમે એકાઉન્ટના બેલેન્સને દસ્તાવેજ કરો છો, તમે અંદાજની વાજબીતા પર પ્રશ્ન કરો છો, તમે પૂછો છો "શું ખરેખર આવું છે?" ફેસ વેલ્યુ પર ગ્રાહક તરફથી નિવેદન સ્વીકારવાને બદલે. તમે ખોદશો. આમાંના કેટલાક કામ પુનરાવર્તિત અને સમય માંગી લે તેવા છે: ડેટા ગોઠવવા, પ્રમાણભૂત કલમો શોધવી, કાર્યકારી કાગળોનો મુસદ્દો તૈયાર કરવો, સમાધાન ભિન્નતાઓની યાદી કરવી. અન્ય એવા ચુકાદાઓ છે જે તમારા ઓડિટ અભિપ્રાયને સીધો નિર્ધારિત કરે છે-એટલે કે, નાણાકીય નિવેદનો "તમામ ભૌતિક બાબતોમાં સાચા અને ન્યાયી" છે કે કેમ તે અંગેનો તમારો સાર્વજનિક અભિપ્રાય છે-જેમાં ભૂલનું બહુ ઓછું માર્જિન હોવું જોઈએ.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI, અથવા ટૂંકમાં AI - કમ્પ્યુટર સિસ્ટમ્સ કે જે મનુષ્યની જેમ ટેક્સ્ટ ઉત્પન્ન કરી શકે છે, પેટર્નને ઓળખી શકે છે, મોટા ડેટા સેટમાં સંબંધો શોધી શકે છે અને ગણતરીઓ કરી શકે છે) આ ચિત્રની બરાબર મધ્યમાં બેસે છે. જ્યારે યોગ્ય રીતે ઉપયોગ થાય છે, ત્યારે તે ત્રણ-કલાકના વિશ્લેષણાત્મક સમીક્ષાના સારાંશને ચાલીસ મિનિટ સુધી ઘટાડે છે; સેકન્ડોમાં સેંકડો હજારો રેકોર્ડ સ્કેન કરે છે; તે તમને પ્રમાણભૂત વસ્તુ શોધવા માટે માર્ગદર્શન આપે છે. જ્યારે ખોટી રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે તમારા કાર્યકારી કાગળમાં લઈ જઈ શકે છે-અને છેવટે તમારા ઓડિટ અભિપ્રાયમાં-એક મોટે ભાગે સલામત અને અસ્ખલિત પરંતુ સંપૂર્ણ રીતે બનાવેલ નંબર, અસ્તિત્વમાં ન હોય તેવી પ્રમાણભૂત કલમ અથવા અપ્રમાણિત પરિણામ.

આ મોડ્યુલનું પ્રથમ એકમ સોફ્ટવેર પરિચય નથી. તેનો હેતુ એ સ્પષ્ટ કરવાનો છે કે ઓડિટ વ્યવસાયમાં AI ને ક્યાં મૂકવું અને ક્યાં મૂકવું નહીં. કારણ કે ઓડિટીંગ એ એક પાલન-નિર્ણાયક વ્યવસાય છે જે જાહેર વિશ્વાસ પર આધાર રાખે છે અને જેના પરિણામો રોકાણકારો, લેણદારો, કર વહીવટ અને સમાજને અસર કરે છે. ચાલો શરૂઆતથી જ મૂળ સિદ્ધાંત મૂકીએ: કૃત્રિમ બુદ્ધિ એ સહાયક છે, નિયંત્રક નથી. ઓડિટ અભિપ્રાય, સામગ્રીના ખોટા ચુકાદા અને અંતિમ અભિપ્રાય સંબંધિત તમામ નિર્ણયોની જવાબદારી અને અંતિમ મંજૂરી સક્ષમ અને સ્વતંત્ર ઓડિટરની છે.

નિયંત્રણ લૂપ અને એઆઈનું સ્થાન

સ્વતંત્ર ઓડિટ સમજવા માટે, કાર્યને એક ચક્ર તરીકે વિચારવું ઉપયોગી છે. આયોજન અને જોખમ મૂલ્યાંકનના તબક્કા દરમિયાન, તમે વ્યવસાયને જાણો છો અને નક્કી કરો છો કે ક્યાં ખોટું થવાની સંભાવના વધારે છે. પુરાવા સંગ્રહ અને પરીક્ષણના તબક્કા દરમિયાન, તમે એકાઉન્ટ બેલેન્સ, ટ્રાન્ઝેક્શન ક્લાસ અને ડિસ્ક્લોઝરને દસ્તાવેજો, પુષ્ટિકરણો અને વિશ્લેષણો સાથે લિંક કરો છો. મૂલ્યાંકનના તબક્કામાં, તમે મહત્વના સંદર્ભમાં તારણોનું વજન કરો છો અને નિષ્કર્ષ પર આવો છો. રિપોર્ટિંગ તબક્કા દરમિયાન, તમે તમારા અભિપ્રાય અને તારણો લેખિતમાં મૂકો છો. સમગ્ર ચક્ર દરમ્યાન, દસ્તાવેજીકરણ (કાર્યકારી કાગળો) તમારા કાર્યના શોધી શકાય તેવા પુરાવા બનાવે છે.

AI આ ચક્રના દરેક તબક્કાને સ્પર્શ કરી શકે છે, પરંતુ દરેક તબક્કે અલગ સત્તા સાથે. આયોજનમાં જોખમનો વિચાર અને ભૌતિકતાનું દૃશ્ય જનરેટ કરે છે; પરીક્ષણમાં ડેટા તૈયાર કરે છે, તેને સ્કેન કરે છે અને વિસંગતતાઓને ચિહ્નિત કરે છે; મૂલ્યાંકનમાં ડ્રાફ્ટ ટિપ્પણીઓ લખે છે; તે રિપોર્ટિંગમાં તારણો અને રિપોર્ટની ભાષાને વેગ આપે છે. જો કે તે કોઈપણ તબક્કે નિર્ણય લેતો નથી. નિર્ણય માટે વ્યાવસાયિક ચુકાદો અને નાસ્તિકતાની જરૂર છે; આ ટ્રાન્સફરેબલ નથી.

ચાલો શરૂઆતથી થોડા મૂળભૂત શબ્દો વ્યાખ્યાયિત કરીએ. ઓડિટ પુરાવા એ માહિતી (દસ્તાવેજ, પુષ્ટિકરણ, પુનઃ ગણતરી, વિશ્લેષણ) છે જેના આધારે ઓડિટર તેના અભિપ્રાયને આધાર રાખે છે. નાણાકીય નિવેદનોના વપરાશકર્તાઓના નિર્ણયને પ્રભાવિત કરવા માટે ભૂલ પૂરતી મોટી છે કે કેમ તે માટે ભૌતિકતા એ થ્રેશોલ્ડ છે. BDS એ તુર્કિયેમાં લાગુ સ્વતંત્ર ઓડિટીંગ ધોરણો છે; તે આંતરરાષ્ટ્રીય ઓડિટીંગ ધોરણો (ISA) નું પાલન કરે છે અને POA (પબ્લિક ઓવરસાઇટ, એકાઉન્ટિંગ અને ઓડિટીંગ સ્ટાન્ડર્ડ્સ ઓથોરિટી) દ્વારા પ્રકાશિત કરવામાં આવે છે. કાર્યકારી કાગળ એ એક દસ્તાવેજ છે જેમાં કરવામાં આવેલ કાર્ય અને પ્રાપ્ત પરિણામો રેકોર્ડ કરવામાં આવે છે. અમે નીચેના એકમોમાં આ ખ્યાલોને એક પછી એક સમજાવીશું; હમણાં માટે, આ જાણો: આ તમામ ખ્યાલોમાં, AI તમને રૂપરેખા અને વિશ્લેષણ આપે છે, પરંતુ કોઈ નિર્ણય નથી.

નીચેનું કોષ્ટક મિશન દ્વારા AI ની ભૂમિકા અને જોખમ સ્તરનો સારાંશ આપે છે:

ક્વેસ્ટ

AI ની ભૂમિકા

જોખમ સ્તર

કોણ મંજૂર/નિર્ણય કરે છે

ડેટા સફાઈ, ફોર્મેટિંગ

કાર્યકર, પ્રવેગક

નીચું

ઓડિટ ટીમના સભ્ય

વર્કિંગ પેપર/સારાંશ ડ્રાફ્ટ

સ્કેચ જનરેટર

નિમ્ન-મધ્યમ

વરિષ્ઠ ઓડિટર

માનક/વસ્તુ શોધ

દિશા શોધક

મધ્યમ

ઓડિટર (સત્તાવાર ટેક્સ્ટ દ્વારા પુષ્ટિ)

વિશ્લેષણાત્મક પ્રક્રિયા અર્થઘટન

પૂર્વધારણા જનરેટર

મધ્યમ

ઓડિટ અધિકારી

જર્નલ / વિસંગતતા સ્કેનિંગ

આંકડાકીય માર્કર

મધ્યમ-ઉચ્ચ

ઓડિટર (દરેક અપવાદની તપાસ કરે છે)

ભૌતિકતા/જોખમનો નિર્ણય

સહાયક ઇનપુટ

ઉચ્ચ

ઓડિટરનો વ્યાવસાયિક ચુકાદો

ઓડિટ અભિપ્રાય / નિષ્કર્ષ

તે ઇનપુટ પણ નથી, તે ડ્રાફ્ટ ભાષા છે

ખૂબ ઊંચા

જવાબદાર ઓડિટર (સહી)

આ એક વાક્ય ધ્યાનમાં રાખો: જેમ જેમ જોખમ વધે છે તેમ તેમ AI ની ભૂમિકા નાની થતી જાય છે અને ઓડિટરનો ચુકાદો વધે છે.

શા માટે "ચકાસણી" આ વ્યવસાયનું હૃદય છે

આર્ટિફિશિયલ ઇન્ટેલિજન્સ લેંગ્વેજ મોડલ તેમના જવાબમાં વિશ્વાસપૂર્ણ લાગે છે, પરંતુ તેઓ ચોક્કસ ન પણ હોઈ શકે. આને ટેકનિકલ કલકલમાં આભાસ કહેવાય છે: જ્યારે મોડલ એવી માહિતીને બનાવટી બનાવે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી-એક નંબર, એક પ્રમાણભૂત વસ્તુ, તારીખ-એક વાક્યમાં વહે છે જે જાણે સાચી હોય. ઓડિટર માટે, આ એક જીવલેણ છટકું છે. મોડલ તમારા માટે સંખ્યા પેદા કરી શકે છે જેમ કે "ગયા વર્ષે કુલ માર્જિન 34 ટકા હતું"; જો કે, તેણે ક્યારેય તમારો ડેટા જોયો નથી અને આ નંબર સંપૂર્ણપણે બનેલો છે. અથવા તે "TMS 36 લેખ 22 2021 માં બદલાયેલ" એમ કહી શકે છે; જો કે, આવી કોઈ કલમ અથવા ફેરફાર હોઈ શકે નહીં. કારણ કે તે બંને સમાન પ્રવાહ અને સમાન આત્મવિશ્વાસ સાથે બોલે છે, એકમાત્ર વસ્તુ જે સાચું અને ખોટું અલગ પાડે છે તે છે તમારું જ્ઞાન અને તમારી ચકાસણી કરવાની આદત.

ચકાસણી શિસ્તમાં ઓડિટમાં ત્રણ પગલાઓ શામેલ છે:

1. સ્ત્રોતની લિંક: નંબરો, રેશિયો, બેલેન્સ અને સ્ટાન્ડર્ડ આઇટમ્સ માટે, તમારા પોતાના ઓડિટ પુરાવા (ટ્રાયલ બેલેન્સ, સબસિડિયરી લેજર, બેંક કન્ફર્મેશન, કોન્ટ્રાક્ટ) અને અધિકૃત સ્ત્રોતો (KGK દ્વારા પ્રકાશિત BDS અને TFRS ટેક્સ્ટ્સ, સંબંધિત સંદેશાવ્યવહાર) પર આધાર રાખો, AI ની મેમરી પર નહીં. તે ડેટા પર ટિપ્પણી કરવા માટે AI નો ઉપયોગ કરો, તેને યાદ રાખવા માટે નહીં.
2. પુનઃગણતરી/સરખામણી કરો: દરેક આંકડાકીય પરિણામને સ્વતંત્ર રીતે તપાસો, AI રિટર્નને રેટ કરો અને ટ્રેન્ડ કરો. ટકાવારી, કુલ, સંતુલન તફાવત જાતે ચકાસો.
3. પરીક્ષણ ઓડિટર સંશયવાદ: શંકાસ્પદ આંખ સાથે પ્રશ્ન કે શું આઉટપુટ પુરાવા, નિયમો અને સામાન્ય સમજ સાથે વિરોધાભાસી છે. "જો આ સાચું છે, તો બીજું શું સાચું હોવું જોઈએ?" અને "જો આ ખોટું છે, તો કયા પુરાવા બતાવશે?" પૂછો

સાવધાન: AI દ્વારા ઉત્પાદિત વર્કિંગ પેપરને ફાઈલમાં કોઈ તારણો અથવા નંબરની ચકાસણી કર્યા વિના મૂકવું એ પુરાવા તરીકે સહી વગરના વર્કિંગ પેપરને ધ્યાનમાં લેવા જેવું છે. માત્ર કારણ કે આઉટપુટ અસ્ખલિત છે તે સાચું નથી; જો તમે તેને સાચા સાબિત કરો તો જ તે સાચું છે.

સ્વતંત્રતા અને ગોપનીયતા: ઓડિટીંગના બે અદલ્ય સિદ્ધાંતો

ઓડિટની કાયદેસરતા બે મૂળભૂત સિદ્ધાંતો પર આધારિત છે. પ્રથમ, સ્વતંત્રતા: ઓડિટર સ્વતંત્ર હોવા જોઈએ, હકીકતમાં અને દેખાવમાં, તે જે એન્ટિટીનું ઓડિટ કરે છે તેનાથી; તેણે/તેણીએ તેના/તેણીના અભિપ્રાયને બગાડે તેવા હિતના સંબંધોથી દૂર રહેવું જોઈએ. બીજું, ગોપનીયતા: ઓડિટ દરમિયાન શીખેલી માહિતી અનધિકૃત વ્યક્તિઓ સાથે શેર કરી શકાતી નથી અથવા વ્યક્તિગત લાભ માટે ઉપયોગ કરી શકાતી નથી.

AI નો ઉપયોગ આ બંને સિદ્ધાંતો સાથે સીધી રીતે સંબંધિત છે. ઓડિટ કરાયેલ કંપનીના ચાલુ ખાતાને ગ્રાહકના નામ, ટેક્સ ઓળખ નંબર, બેંકની માહિતી અને રકમ સાથે સાર્વજનિક AI ટૂલમાં પેસ્ટ કરવાનો અર્થ છે કે આ ડેટા બાહ્ય સર્વર પર જાય છે. આ વ્યાવસાયિક નીતિશાસ્ત્રમાં ગોપનીયતા સિદ્ધાંત અને જો વ્યક્તિગત ડેટા સામેલ હોય, તો KVKK (પર્સનલ ડેટા પ્રોટેક્શન લૉ) બંનેનું ઉલ્લંઘન કરે છે. નિયમ સરળ છે: ડેટાને અનામી રાખો અને બિનજરૂરી શેર કરશો નહીં. "ABC Tekstil A.Ş., TIN 1234567890, 4,850,000 TLનું સંતુલન" ને બદલે "એક મધ્યમ કદની મેન્યુફેક્ચરિંગ કંપની, કદ Xનું પ્રાપ્તિપાત્ર સંતુલન" લખો. જો શક્ય હોય તો, કોર્પોરેટ ટૂલ્સ પસંદ કરો કે જેમાં ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ હોય, મોડેલ ટ્રેનિંગમાં તમારા ડેટાનો ઉપયોગ ન કરો અને ઓડિટ ટ્રેલ રાખો.

સ્વતંત્રતામાં વધારાની સૂક્ષ્મતા છે: ઓડિટેડ કંપનીની પોતાની સિસ્ટમમાં એમ્બેડ કરેલા AI ટૂલ પર આંધળો વિશ્વાસ કરવો, જેના આઉટપુટને તમે સ્વતંત્ર રીતે નિયંત્રિત કરી શકતા નથી, તમારી સ્વતંત્રતાને નબળી બનાવી શકે છે. AI એક સાધન છે; તેને કોણે બનાવ્યું, તમારો ડેટા ક્યાં જાય છે અને તમે તેનું આઉટપુટ ચકાસી શકો છો કે કેમ તે બધું તમારી સ્વતંત્રતાનો ભાગ છે.

ત્રણ નાના કેસો

કેસ 1 - સલામત ઉપયોગ. વરિષ્ઠ ઓડિટર સામાન્ય રીતે 22-આઇટમના વિશ્લેષણાત્મક સમીક્ષા સારાંશને હાથથી લખવામાં 3 કલાક વિતાવે છે. તેણે ટ્રાયલ બેલેન્સમાંથી લીધેલા નંબરો અનામી રીતે (કોઈ કંપનીનું નામ નહીં, માત્ર એકાઉન્ટ અને રકમ) YZ ને આપ્યા અને ડ્રાફ્ટ ટિપ્પણી માટે પૂછ્યું. AI એ 12 મિનિટમાં એક સ્કેચ બનાવ્યો; ઓડિટરે દરેક ગુણોત્તરને તેની વર્કશીટ સાથે સરખાવી, બે ભૂલભરેલી ટકાવારી સુધારી, અને વિચલનો માટે બે સ્પષ્ટતાઓ પુરાવા આપ્યા. અવધિ: 3 કલાકને બદલે 45 મિનિટ. AI એ ડ્રાફ્ટ આપ્યો, જવાબદારી અને અભિપ્રાય ઓડિટર પાસે રહ્યો.

કેસ 2 - વણચકાસાયેલ નંબર ટ્રેપ. એક તાલીમાર્થી ઓડિટરે એઆઈને પૂછ્યું, "આ ઉદ્યોગમાં સરેરાશ ઈન્વેન્ટરી ટર્નઓવર દર શું છે?" AI એ "લગભગ 6.4" નો વિશ્વાસપૂર્વક નંબર આપ્યો, તેમ છતાં તેની પાસે કોઈપણ ઉદ્યોગ ડેટાની ઍક્સેસ નથી. ઇન્ટર્નએ વર્કશીટ પર અપેક્ષા મૂલ્ય તરીકે આ લખ્યું હતું, જેનાથી ક્લાયન્ટનો દર 4.1 "વાજબી" લાગે છે. જ્યારે ઓડિટરે પૂછ્યું, ત્યારે તે બહાર આવ્યું કે સ્ત્રોત એઆઈની શોધ હતી; વિશ્લેષણાત્મક પ્રક્રિયા ફરીથી કરવામાં આવી હતી. ભૂલ: એઆઈને બેન્ચમાર્ક ડેટા માટે પૂછવું જે તેની પાસે નથી.

કેસ 3 - ગોપનીયતાનો ભંગ. ટીમના એક સભ્યએ એવા ગ્રાહકોની સંપૂર્ણ સૂચિ અપલોડ કરી કે જેમને તે પુષ્ટિ પત્રો મોકલશે - શીર્ષક, સરનામું, રકમ, સંપર્કનું નામ - સાર્વજનિક AI ટૂલમાં અને "પુષ્ટિ પત્રનો મુસદ્દો તૈયાર કર્યો," તેણે કહ્યું. ડેટા સંસ્થાની બહાર ગયો; ઓડિટ કંપનીના ગુણવત્તા એકમમાં ગુપ્તતાની સમીક્ષા ખોલવામાં આવી હતી. સાચો રસ્તો: વાસ્તવિક ડેટા કાઢી નાખવાનો હતો અને ફક્ત "[CUSTOMER NAME]", "[AMOUNT]" જેવા પ્લેસહોલ્ડર્સ સાથેનો નમૂનો માંગવાનો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ કંપનીના નાણાકીય નિવેદનોનું અર્થઘટન કરો અને જો કોઈ જોખમ હોય તો મને જણાવો.

આ દાવો ખામીયુક્ત છે: AI ને કોઈ ડેટા, સંદર્ભ અથવા ભૂમિકા આપવામાં આવી નથી. AI પાસે કોઈ ડેટા ન હોવાથી, તે કાં તો સામાન્ય નિવેદનો કરે છે અથવા બનાવેલા નંબરો સાથે "અર્થઘટન" ઉત્પન્ન કરે છે. ન તો સમયગાળો, ન એકાઉન્ટ, ન ઓડિટ હેતુ સ્પષ્ટ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે સ્વતંત્ર ઓડિટરને મદદ કરતા વિશ્લેષણ સહાયક છો. નિયંત્રણ અધિકારક્ષેત્ર મારું છે; તમે ડ્રાફ્ટ્સ અને એકાઉન્ટ્સ બનાવશો. સંદર્ભ: નીચે એક અનામી ટ્રાયલ બેલેન્સ સારાંશ છે (કોઈ કંપનીનું નામ નથી). મારો ધ્યેય વર્તમાન વર્ષ અને પાછલા વર્ષ વચ્ચેના નોંધપાત્ર ફેરફારો (આડું વિશ્લેષણ) જોવાનો છે અને જે વિચલનોની તપાસ કરવાની જરૂર છે તે નક્કી કરવાનો છે. ડેટા:[એકાઉન્ટ નામ; પાછલા વર્ષની રકમ; વર્તમાન વર્ષની રકમની રેખાઓ]કાર્ય:1) દરેક ખાતા માટે રકમ અને ટકાવારીમાં ફેરફારની ગણતરી કરો; ગણતરીનું પગલું બતાવો જેથી હું તેની ચકાસણી કરી શકું. 2) જે વસ્તુઓ 20% થી વધુ હોય અથવા ચિહ્ન બદલો (જેમ કે નફો->નુકસાન) "તપાસ કરવા માટે". નોંધ કરો કે આ પુરાવા સાથે ચકાસાયેલ હોવું આવશ્યક છે. 4) એવા કોઈપણ નંબરો બનાવશો નહીં કે જેના વિશે તમને ખાતરી ન હોય અથવા ડેટામાંથી અનુમાન કરી શકતા ન હોય. "ડેટામાંથી એક્સ્ટ્રેક્ટ કરી શકતા નથી" લખો. કોષ્ટક તરીકે આઉટપુટ આપો.

આ દાવો શક્તિશાળી છે કારણ કે તે સ્પષ્ટપણે ભૂમિકા, સીમા (ન્યાયિક ઓડિટરમાં), ડેટા, પગલાં, ચકાસણીક્ષમતા અને "બનાવટ પર પ્રતિબંધ" સ્થાપિત કરે છે.

સામાન્ય ભૂલો

• સંસાધન માટે AI ને ભૂલ કરવી. સંખ્યા, ગુણોત્તર, પ્રમાણભૂત વસ્તુ અને તારીખ માટે AI ની મેમરી પર આધાર રાખવો. AI એ દિશા શોધનાર છે; સ્ત્રોત નિયંત્રણ પુરાવા અને સત્તાવાર લખાણ.
• સંદર્ભ વિના લખવાનું સંકેત આપે છે. ભૂમિકા, ડેટા અને હેતુ આપ્યા વિના "અર્થઘટન" કહેવું; પરિણામ નકલી હશે.
• ગોપનીય ડેટા જેમ છે તેમ પેસ્ટ કરી રહ્યું છે. ગ્રાહકનું નામ, TIN, અનામી વિના વ્યક્તિગત ડેટા ધરાવતી ટ્રાન્સક્રિપ્ટ શેર કરવી; ગોપનીયતા અને KVKK ઉલ્લંઘન.
• આઉટપુટને માન્ય કર્યા વિના ફાઇલમાં મૂકવું. અસ્ખલિત લખાણ યોગ્ય છે એમ વિચારીને તેને વર્કશીટમાં સ્થાનાંતરિત કરો.
• ચુકાદો સોંપી રહ્યો છે. "એઆઈએ આમ કહ્યું" તે આધાર પર નિષ્કર્ષ પર જવું; ઓડિટ અભિપ્રાય ટ્રાન્સફરપાત્ર નથી.

ટીપ: ઓડિટરના મન સાથે દરેક AI સત્રમાં જાઓ: "આ આઉટપુટ ક્યાં ખોટું હોઈ શકે?" આ પ્રશ્ન ઓટોમેશન પૂર્વગ્રહનો મારણ છે અને અમે તેને સમગ્ર મોડ્યુલમાં પુનરાવર્તન કરીશું.

સારાંશમાં

આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ઓડિટીંગમાં એક શક્તિશાળી મદદનીશ છે: તે ડેટા તૈયાર કરે છે, સ્કેન કરે છે, ડ્રાફ્ટ બનાવે છે, ગણતરી કરે છે અને કલાકોને મિનિટથી ઘટાડી દે છે. પરંતુ ઓડિટ અભિપ્રાય, સામગ્રીના ખોટા નિવેદનનો ચુકાદો અને નિષ્કર્ષ સ્વતંત્ર અને સક્ષમ ઓડિટરનો છે. જ્યાં સુધી AI નું આઉટપુટ ચકાસવામાં ન આવે ત્યાં સુધી, તે સહી વગરના વર્કિંગ પેપર જેટલું જ માન્ય છે. ત્રણ અવિશ્વસનીય સિદ્ધાંતો: સ્ત્રોત અને પુનઃગણતરી (પ્રમાણીકરણ), ઓડિટર નાસ્તિકતા સાથે પરીક્ષણ, ડેટાને અનામી કરો અને સુરક્ષિત માધ્યમો (ગોપનીયતા અને સ્વતંત્રતા) પસંદ કરો. જેમ જેમ જોખમ વધે છે તેમ, AI ની ભૂમિકા નાની થતી જાય છે અને તમારો નિર્ણય વધે છે.

એપ્લિકેશન કાર્ય

તમારી પોતાની ઓડિટ પ્રેક્ટિસ (અથવા કાલ્પનિક ઓડિટ) માંથી ત્રણ પુનરાવર્તિત કાર્યો પસંદ કરો: ઉદાહરણ તરીકે, (1) ટ્રાયલ બેલેન્સમાંથી આડી વિશ્લેષણ સારાંશ કાઢવા, (2) ધોરણોની કલમ શોધવી, (3) કાર્યકારી કાગળનો મુસદ્દો તૈયાર કરવો. ઉપરની "મજબૂત પ્રોમ્પ્ટ" પેટર્નનો ઉપયોગ કરીને દરેક માટે પ્રોમ્પ્ટ લખો; ભૂમિકા, અનામી ડેટા, પગલાં અને "ફેબ્રિકેશન પ્રતિબંધ" ઉમેરો. પછી ત્રણ ચકાસણી પગલાં (સ્રોત, પુનઃગણતરી, સંશયવાદ સાથે પરીક્ષણ) દ્વારા આઉટપુટ ચલાવો અને નોંધ કરો કે તમે કઈ ભૂલો પકડો છો.

ચેકલિસ્ટ

• [ ] મેં AI ને આપેલો ડેટા અનામી રાખ્યો; મેં ગ્રાહકનું નામ, TIN, વ્યક્તિગત ડેટા શેર કર્યો નથી.
• [ ] મેં પ્રોમ્પ્ટમાં ભૂમિકા, સંદર્ભ, હેતુ અને "કોઈ બનાવટ નથી" ઉમેર્યું છે.
• [ ] મેં સ્વતંત્ર સ્ત્રોત સાથે આઉટપુટમાં દરેક સંખ્યા અને ગુણોત્તરની પુનઃ ગણતરી કરી.
• [ ] મેં સત્તાવાર ટેક્સ્ટમાંથી પ્રમાણભૂત/પદાર્થ સંદર્ભોની પુષ્ટિ કરી છે.
• આઉટપુટને "ક્યાં ખોટું થઈ શકે છે?" મેં પ્રશ્ન સાથે શંકાપૂર્વક તેનું પરીક્ષણ કર્યું:
• [ ] મેં આખરી ચુકાદો અને અભિપ્રાય જાતે બનાવ્યો; મેં AI ને કારણ તરીકે ટાંક્યું નથી.
• [ ] મેં ડેટા ગોપનીયતા અને સ્વતંત્રતાના સંદર્ભમાં ઉપયોગમાં લીધેલ સાધનની યોગ્યતાનું મૂલ્યાંકન કર્યું.