વિસંગતતા અને ભૂલ શોધ: જર્નલ એન્ટ્રી ટેસ્ટિંગ અને આઉટલીયર એનાલિસિસ

નફો:

• BDS 240 હેઠળ જર્નલ એન્ટ્રી ટેસ્ટિંગ શા માટે ફરજિયાત છે તે સમજો અને કેવી રીતે કૃત્રિમ બુદ્ધિ શંકાસ્પદ પ્રવેશ માપદંડને સ્કેન કરી શકે છે
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે આઉટલીયર, અસામાન્ય સમય અને અસામાન્ય રકમ પેટર્નને ચિહ્નિત કરવાની અને પ્રાથમિકતા આપવાની ક્ષમતા
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ફ્લેગ કરાયેલી દરેક વિસંગતતા એ જાળવવામાં સક્ષમ બનવું એ શોધ નથી, પરંતુ એક પ્રશ્ન ચિહ્ન છે જેની તપાસ ઓડિટર કરશે અને ખોટા હકારાત્મકને દૂર કરવું એ માનવ જવાબદારી છે.

વ્યવસાયના નાણાકીય નિવેદનો મૂળભૂત રીતે લાખો જર્નલ એન્ટ્રીઓનો સરવાળો છે (એકાઉન્ટિંગમાં, દરેક નાણાકીય વ્યવહાર ડેબિટ અને ક્રેડિટ તરીકે રેકોર્ડ કરવામાં આવે છે). ભૂલ અને છેતરપિંડી બંને આખરે જર્નલ એન્ટ્રીમાં રહે છે: ખોટા ખાતામાં લખેલી રકમ, એક ભથ્થું જે "ભૂલી" જાય છે અને સમયગાળાના અંતે ઉલટાવી દેવામાં આવે છે, મધ્યરાત્રિએ એક અસામાન્ય એન્ટ્રી જાતે દાખલ કરવામાં આવી હતી. તેથી, BDS 240 (નાણાકીય નિવેદનોના ઓડિટમાં છેતરપિંડી અંગે ઓડિટરની જવાબદારીઓનું નિયમન કરતું ધોરણ) સ્પષ્ટપણે ઓડિટરને જર્નલ એન્ટ્રી ટેસ્ટિંગ કરવાની જરૂર છે. તેનો હેતુ મેનેજમેન્ટ ઓવરરાઇડ દ્વારા મેનેજમેન્ટ દ્વારા સંભવિત મેનીપ્યુલેશન્સને જાહેર કરવાનો છે.

આ એકમમાં, અમે કૃત્રિમ બુદ્ધિને વિસંગતતા અને ભૂલ શોધના એન્જિનમાં કેવી રીતે રૂપાંતરિત કરવું તે આવરીશું, પરંતુ શા માટે દરેક ચિહ્નિત રેકોર્ડ "શોધ" ને બદલે "પ્રશ્ન ચિહ્ન" છે. પ્રથમ બે ખ્યાલો. વિસંગતતા એ ડેટા સેટમાં એક અસામાન્ય રેકોર્ડ છે જે અપેક્ષિત પેટર્નથી વિચલિત થાય છે. આઉટલીયર એ એક અવલોકન છે જે સંખ્યાત્મક રીતે અન્ય કરતા નોંધપાત્ર રીતે અલગ છે (જેમ કે ખૂબ મોટી રકમ, ખૂબ ઊંચી આવર્તન). વિસંગતતા હંમેશા ભૂલ નથી; પરંતુ તે તે છે જ્યાં ઓડિટરને જોવું જોઈએ.

જર્નલ એન્ટ્રી ટેસ્ટમાં શંકાસ્પદ પોસ્ટિંગ માપદંડ

BDS 240 જણાવે છે કે અમુક વિશેષતાઓ સાથેના રેકોર્ડ્સ છેતરપિંડીના જોખમ માટે વધુ મહત્ત્વપૂર્ણ છે. AI સેકન્ડોમાં આ માપદંડોના આધારે સેંકડો હજારો રેકોર્ડ્સને સ્કેન કરી શકે છે. લાક્ષણિક "લાલ ધ્વજ" માપદંડ:

• અસામાન્ય સમય: કામકાજના કલાકો પછી, સપ્તાહના અંતે, જાહેર રજાના દિવસે અથવા મુદતની સમાપ્તિના છેલ્લા દિવસે મેન્યુઅલ રેકોર્ડ દાખલ કરવામાં આવે છે.
• અસામાન્ય વપરાશકર્તા: વપરાશકર્તા દ્વારા દાખલ કરાયેલ રેકોર્ડ્સ જે સામાન્ય રીતે એકાઉન્ટિંગ રેકોર્ડ દાખલ કરતા નથી (ઉદાહરણ તરીકે, એડમિનિસ્ટ્રેટર).
• અસામાન્ય એકાઉન્ટ સંયોજનો: એકબીજાની અપેક્ષા ન રાખતા એકાઉન્ટ્સ વચ્ચે પોસ્ટિંગ્સ (દા.ત., આવક ખાતું અને અસામાન્ય બિન-રોકડ ખાતું).
• રાઉન્ડ રકમ: "સાફ" મોટી રકમ જેમ કે 100,000, 500,000; તે મેન્યુઅલ મેનીપ્યુલેશનનો એક લાક્ષણિક ટ્રેસ છે.
• ખાલી અથવા અસ્પષ્ટ વર્ણનો સાથેના રેકોર્ડ્સ: ખાલી વર્ણનો જેમ કે "સુધારો", "પરચુરણ", "કામચલાઉ".
• રિવર્સ્ડ રેકોર્ડ્સ: સમયગાળાની શરૂઆતમાં દાખલ થયેલા રેકોર્ડ્સ અને થોડા સમય પછી રદ (સ્ટોર્નો)
• સબથ્રેશોલ્ડ ડુપ્લિકેટ્સ: મોટી સંખ્યામાં રેકોર્ડ્સ મંજૂરી થ્રેશોલ્ડ (દા.ત. $50,000)ની નીચે ક્લસ્ટર થયેલ છે.

ટીપ: આ માપદંડો વિશે એકસાથે વિચાર કરો, વ્યક્તિગત રીતે નહીં. "ગોળ રકમ" એકલા નિર્દોષ હોઈ શકે છે; પરંતુ "વિકએન્ડ, એડમિનિસ્ટ્રેટર દ્વારા, વર્ણન ખાલી, ગોળાકાર સુસંગત, પીરિયડનો અંત મેન્યુઅલ પોસ્ટિંગ" એ મજબૂત લાલ ધ્વજ છે. "જોખમ સ્કોર" બનાવવા માટે AI માપદંડોને જોડવાથી તમને પ્રાથમિકતા આપવામાં મદદ મળે છે.

ખોટા સકારાત્મક સત્ય: શા માટે દરેક સંકેત એ શોધ નથી

વિસંગતતા સ્કેનીંગની પ્રકૃતિ ખોટા હકારાત્મક છે: નિયમ દ્વારા ફ્લેગ કરેલા રેકોર્ડ્સ જે વાસ્તવમાં કાયદેસર છે. ઉદાહરણ તરીકે, કંપની દરેક મહિનાના છેલ્લા કામકાજના દિવસે આપમેળે રાઉન્ડ-રોબિન ભાડા ઉપાર્જનમાં પ્રવેશ કરે છે; આ "ગોળ રકમ + અવધિનો અંત" માપદંડ સાથે અટવાઇ જાય છે, પરંતુ તે સંપૂર્ણપણે સામાન્ય છે. ઓડિટરનું કામ ધ્વજાંકિત ખૂંટોમાંથી વાસ્તવિક જોખમ કાઢવાનું છે. આ વર્ગીકરણ સ્થાનાંતરિત નથી; કારણ કે કાયદેસરને શંકાસ્પદથી અલગ કરવા માટે વ્યવસાય અને સંદર્ભને જાણવાની જરૂર છે - કંઈક એઆઈ પાસે નથી.

તેથી હંમેશા આ રીતે આઉટપુટ વાંચો: "એઆઈએ મારા માટે 420 રેકોર્ડ ફ્લેગ કર્યા છે. તેમાંથી મોટા ભાગના કદાચ ખોટા હકારાત્મક છે. મારું કામ આ 420માંથી એવા રેકોર્ડ્સ શોધવાનું છે કે જેની ખરેખર તપાસ કરવાની જરૂર છે, પેટર્ન અને વ્યક્તિગત શંકાસ્પદ." આ દૃશ્ય તમને ઓટોમેશન પૂર્વગ્રહ (એક ભૂલ માટે દરેક સંકેત લેવું) અને આળસ (તેમાંથી કોઈને પણ ન જોવું) બંનેથી રક્ષણ આપે છે.

પગલું દ્વારા વિસંગતતા શોધ

1. ડેટા તૈયાર કરો અને સંપૂર્ણતા ચકાસો. (અગાઉના એકમમાં સમાધાન પગલાં.)
2. માપદંડ સ્પષ્ટ રીતે વ્યાખ્યાયિત કરો. કયા સમય, રકમ, વપરાશકર્તા અને વર્ણન પેટર્ન ફ્લેગ કરવામાં આવશે?
3. AI સાથે સ્કેન કરો અને સ્કોર કરો. માપદંડ અનુસાર દરેક રેકોર્ડને ચિહ્નિત કરો; બહુવિધ માપદંડોને પૂર્ણ કરનારાઓને ઉચ્ચ અગ્રતા આપો.
4. ખોટા હકારાત્મક દૂર કરો. જાણીતી કાયદેસર પેટર્નને ફિલ્ટર કરો અથવા ફ્લેગ કરો (જેમ કે સ્વચાલિત ઉપાર્જન).
5. બાકીના રેકોર્ડની તપાસ કરો. દરેકને સહાયક દસ્તાવેજ, મંજૂરી અને વ્યવસાય તર્ક સાથે લિંક કરો.
6. નિષ્કર્ષ અને તર્કનું દસ્તાવેજીકરણ કરો. તમને શું શંકાસ્પદ લાગ્યું અને શા માટે, અને તમે શું અને શા માટે દૂર કર્યું તે લખો.

ત્રણ નાના કેસો

કેસ 1 - વાસ્તવિક શોધ. ઓડિટરે AI સાથે 240,000 જર્નલ એન્ટ્રીઓ સ્કેન કરી; તે "ગાળાના છેલ્લા 3 દિવસ + મેન્યુઅલ + વર્ણન 'સુધારણા' + 100,000 ગણી રકમ" ને સંયોજિત કરે છે. 14 રેકોર્ડને ઉચ્ચ સ્કોર મળ્યો. સમીક્ષામાં, 11 કાયદેસર વર્ષના અંતે ગોઠવણો હતા; જો કે, 3 એન્ટ્રીઓ એવી રીતે દાખલ કરવામાં આવી હતી કે જે આવક ખાતામાં વધારો કરશે અને નીચેના સમયગાળામાં ઉલટાવી દેવામાં આવશે, અને તેમાં કોઈ સહાયક દસ્તાવેજો નથી. આ નિયંત્રણોને બાયપાસ કરીને મેનેજમેન્ટની પેટર્ન હતી અને તે એક નોંધપાત્ર શોધ હતી. એઆઈએ 14 પ્રશ્નો પૂછ્યા; ઓડિટરની શંકાને 3 વાસ્તવિક જવાબો મળ્યા.

કેસ 2 - ખોટી હકારાત્મક છટકું. ટીમના એક સભ્યએ 380 “રાઉન્ડ કન્સિસ્ટન્ટ” રેકોર્ડ્સ લખ્યા કે જે AI એ સીધા જ વર્કશીટ પર “શંકાસ્પદ વ્યવહારો” શીર્ષક હેઠળ ફ્લેગ કર્યા હતા. જ્યારે અધિકારીએ જોયું, ત્યારે તેણે જોયું કે તેમાંના મોટાભાગના પાસે નિશ્ચિત ભાડું, નિશ્ચિત કન્સલ્ટન્સી ફી અને સ્વચાલિત અવમૂલ્યન રેકોર્ડ હતા; તેઓ બધા કાયદેસર હતા. કાર્યપત્રક "ખોટા તારણોની યાદી" બની ગયું હતું જેણે ઓડિટને ખોટી દિશામાં દોર્યું હતું. પાઠ: દરેક ધ્વજિત રેકોર્ડ એ શોધ નથી; ઓડિટર પસંદગી કરે છે.

કેસ 3 — માપદંડને ખૂબ જ સંકુચિત રીતે સેટ કરવું. ઓડિટરે માત્ર "વીકએન્ડ રેકોર્ડ" માપદંડનો ઉપયોગ કર્યો હતો અને તેને કોઈ શંકાસ્પદ રેકોર્ડ મળ્યા નથી; તેને રાહત થઈ. જો કે, વ્યવસાયમાં, કામકાજના દિવસો દરમિયાન, પરંતુ અસામાન્ય એકાઉન્ટ સંયોજનો સાથે હેરાફેરી રેકોર્ડ દાખલ કરવામાં આવ્યા હતા. એક જ, સાંકડા માપદંડ પર આધાર રાખીને તેને વાસ્તવિક જોખમ જોવાથી અટકાવ્યું. જ્યારે ઓડિટરે માપદંડનો વિસ્તાર કર્યો, ત્યારે પેટર્ન ઉભરી આવી. પાઠ: એક માપદંડ ખાતરી આપતું નથી; તેને બહુપરીમાણીય રીતે જુઓ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ જર્નલ એન્ટ્રીઓમાં કપટપૂર્ણ એન્ટ્રીઓ શોધો.

સમસ્યા: AI છેતરપિંડી "શોધી" શકતું નથી; છેતરપિંડી એ કાનૂની/વ્યાવસાયિક પરિણામ છે, ડેટા પેટર્ન નથી. પણ "છેતરપિંડી" અવ્યાખ્યાયિત છે. આ પ્રોમ્પ્ટ કાં તો બનાવેલ "ચીટ સૂચિ" અથવા અર્થહીન ફ્લેગ્સ બનાવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે સ્વતંત્ર ઓડિટરના જર્નલ એન્ટ્રી એનાલિસિસ સહાયક છો. તમે માપદંડ અનુસાર રેકોર્ડને માર્ક કરો છો; છેતરપિંડી/ભૂલનો નિર્ણય મારો છે. સંદર્ભ: અનામી જર્નલ ડેટા (કૉલમ્સ: રેકોર્ડ_નંબર, તારીખ, સમય, વપરાશકર્તા_રોલ, ડેબિટ_એકાઉન્ટ, ક્રેડિટ_એકાઉન્ટ, રકમ, રેકોર્ડ_ટાઇપ[મેન્યુઅલ/ઓટોમેટિક], વર્ણન). મુદતની સમાપ્તિ: 31.12. કામના કલાકો: 09:00-18:00, સોમ-શુક્ર. કાર્ય:1) નીચેના માપદંડો (કેટલા માપદંડો જોડાયેલા છે તેના આધારે) અનુસાર દરેક રેકોર્ડને "ધ્યાનનો સ્કોર" આપો: a) રેકોર્ડ_ટાઇપ = મેન્યુઅલ b) તારીખ 29-31 ડિસેમ્બર અથવા સપ્તાહના અંતે/રજા c) કલાકની ઑફ-ડ્યુટી (0ની રકમ) વર્ણન ખાલી છે અથવા {સુધારા, પરચુરણ, અસ્થાયી} માં 2) 3 અને તેથી વધુના સ્કોરવાળાને અગ્રતા સૂચિ તરીકે આપો. 3) તમે લાગુ કરો છો તે દરેક માપદંડને સાદા ટેક્સ્ટમાં લખો (ઓડિટેબિલિટી). નકલી રેકોર્ડ ઉમેરવાનું.

આ પ્રોમ્પ્ટ શક્તિશાળી છે કારણ કે તે માપદંડને સ્પષ્ટ રીતે વ્યાખ્યાયિત કરે છે, બહુપરીમાણીય સ્કોર્સ, ઓડિટેબિલિટીની જરૂર છે અને આઉટપુટને ચોક્કસ રીતે શોધે છે (અપવાદ, પરિણામ નહીં).

સામાન્ય ભૂલો

• તેનો અર્થ છે "યુક્તિ શોધો". AI છેતરપિંડી શોધી શકતું નથી; માપદંડ અનુસાર ચિહ્ન મૂકે છે. છેતરપિંડી એ વ્યાવસાયિક/કાનૂની પરિણામ છે.
• શોધ માટે નિશાની ભૂલવી. ખોટા હકારાત્મકને દૂર કર્યા વિના શંકાસ્પદ રેકોર્ડને "ભૂલ" તરીકે લખવું.
• એક માપદંડ પર આધાર રાખવો. સાંકડા નિયમનો ઉપયોગ કરીને અને વાસ્તવિક પેટર્ન ખૂટે છે.
• કાયદેસર પેટર્નને ફિલ્ટર કરી રહ્યાં નથી. શંકાસ્પદ સૂચિમાં સ્વચાલિત ઉપાર્જનનો સમાવેશ કરીને અવાજ બનાવવો.
• તર્કનું દસ્તાવેજીકરણ કરતું નથી. તમે શું કાઢી નાખ્યું/રાખ્યું અને શા માટે તે લખ્યા વિના વર્કશીટને શોધી ન શકાય તેવી છોડી દેવી.

સાવધાન: રેકોર્ડિંગને "શંકાસ્પદ" તરીકે વર્ણવવું એ ગંભીર નિવેદન છે. શોધ તરીકે લખતા પહેલા પુરાવા (સહાયક દસ્તાવેજ, પુષ્ટિકરણ, વ્યવસાય કેસ) સાથે ચકાસો. નહિંતર, તમે વ્યવસાય સાથે અન્યાયી થશો અને ઓડિટ ગુણવત્તાને નુકસાન પહોંચાડશો.

સારાંશમાં

BDS 240 હેઠળ જર્નલ એન્ટ્રી ટેસ્ટિંગ જરૂરી છે, અને AI આ માટે આદર્શ એન્જિન છે: તે સેકન્ડોમાં બહુપરીમાણીય માપદંડો સામે સેંકડો હજારો રેકોર્ડ સ્કેન કરે છે અને ધ્યાન સ્કોર બનાવે છે. પરંતુ AI છેતરપિંડી અથવા ભૂલો "શોધી" નથી; તે માત્ર અસામાન્યને ચિહ્નિત કરે છે. આઉટપુટ ખોટા હકારાત્મકથી ભરપૂર અપવાદોનો ઢગલો છે; તેમાંથી વાસ્તવિક જોખમને ઉકેલવા, કાયદેસરના જોખમને દૂર કરવા અને તારણો કાઢવા તે ઓડિટરની શંકા અને નિર્ણય પર છે. ચિહ્ન એ પ્રશ્ન ચિહ્ન છે, જવાબ નથી.

એપ્લિકેશન કાર્ય

અનુમાનિત જર્નલ ડેટા (શેડ્યૂલ, વપરાશકર્તા, રકમ, એકાઉન્ટ સંયોજન, વર્ણન) માટે પાંચ વિસંગતતા માપદંડનો ઉલ્લેખ કરો. AI ને ઉપરની શક્તિશાળી પ્રોમ્પ્ટ પેટર્ન સાથે બહુ-પરિમાણીય "ધ્યાન સ્કોર" ઉત્પન્ન કરવા દો. પછી "સ્ક્રીનિંગ માર્ગદર્શિકા" લખો: કયા કાયદેસરના દાખલાઓ (ઓટોમેટિક એક્રુઅલ, ફિક્સ્ડ રેન્ટ, વગેરે) ખોટા હકારાત્મક તરીકે ફિલ્ટર આઉટ કરવા જોઈએ? અંતે, 5 ઉચ્ચ-સ્કોરિંગ રેકોર્ડ્સ માટે, "હું કયા પુરાવા શોધીશ?" પ્રશ્નનો જવાબ આપો.

ચેકલિસ્ટ

• [ ] મેં ડેટાને અનામી રાખ્યો છે અને તેની સંપૂર્ણતાની ચકાસણી કરી છે.
• [ ] મેં વિસંગતતા માપદંડને બહુપરિમાણીય અને સ્પષ્ટ રીતે વ્યાખ્યાયિત કર્યું છે.
• [ ] મને AI તરફથી ધ્યાન સ્કોર અને લાગુ માપદંડનો સાદો ટેક્સ્ટ મળ્યો.
• [ ] મેં જાણીતી કાયદેસર પેટર્નને ખોટા હકારાત્મક તરીકે ફિલ્ટર કરી છે.
• [] મેં સહાયક દસ્તાવેજો અને પુષ્ટિકરણ સાથે ઉચ્ચ-સ્કોરિંગ રેકોર્ડ્સની સમીક્ષા કરી છે.
• [ ] મેં "છેતરપિંડી/ભૂલ" નું નિષ્કર્ષ કાઢતા પહેલા પુરાવા સાથે તેની ચકાસણી કરી.
• [ ] મને શું શંકાસ્પદ લાગ્યું અને શા માટે મેં દસ્તાવેજીકૃત કર્યું.