ચીટ ચેકિંગ: રેડ ફ્લેગ્સ, બેનફોર્ડનો કાયદો અને ટેક્સ્ટ એનાલિસિસ

નફો:

• છેતરપિંડી ત્રિકોણ (દબાણ, તક, વાજબીપણું) અને લાલ ધ્વજની વિભાવનાઓને સમજો અને શંકાસ્પદ પેટર્ન માટે સ્કેન કરવા માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરો
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે બેનફોર્ડના કાયદા, ડુપ્લિકેટ પેમેન્ટ અને અસામાન્ય સપ્લાયર પેટર્નને સ્કેન કરવાની અને સમીક્ષા સૂચિ બનાવવાની ક્ષમતા
• છેતરપિંડીની શંકા એ ગંભીર આરોપ છે તે સમજવાની ક્ષમતા, એકલા આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાઇન પુરાવા નથી અને અંતિમ મૂલ્યાંકન સ્વતંત્ર ઓડિટરનું છે.

ભૂલ અને છેતરપિંડી વચ્ચે ઊંડો તફાવત છે. ભૂલ એ અજાણતા ભૂલ છે; સંપૂર્ણ ખોટું થવું, રેકોર્ડ ભૂલી જવું. છેતરપિંડી એ ઇરાદાપૂર્વકની છેતરપિંડી છે; તે ત્યારે થાય છે જ્યારે કોઈ વ્યક્તિ અંગત લાભ માટે જાણી જોઈને રેકોર્ડને વિકૃત કરે છે. ઓડિટરનું કામ છેતરપિંડી "શોધવાનું" નથી-છેતરપિંડી એ કાનૂની લાયકાત છે અને તે અદાલતો માટે છે-પરંતુ ISA 240 ઓડિટરને છેતરપિંડીના કારણે સામગ્રીના ખોટા નિવેદનના જોખમ વિશે વ્યાવસાયિક શંકા દર્શાવવા અને છેતરપિંડીના જોખમ (લાલ ફ્લેગ્સ) ના સંકેતોનું મૂલ્યાંકન કરવા માટે કહે છે. ઓડિટર છેતરપિંડીના જોખમનું મૂલ્યાંકન કરે છે અને શંકાસ્પદ પેટર્નની તપાસ કરે છે; અંતિમ કાનૂની નિર્ણય અન્યનો છે.

આ એકમમાં અમે છેતરપિંડીના જોખમને સ્ક્રીન કરવા માટે AI નો ઉપયોગ કેવી રીતે કરવો તે આવરીશું: છેતરપિંડી ત્રિકોણ, લાલ ફ્લેગ્સ, બેનફોર્ડનો કાયદો, ડુપ્લિકેટ ચુકવણી અને અસામાન્ય સપ્લાયર પેટર્ન અને વર્ણન વિસ્તારોમાં ટેક્સ્ટ વિશ્લેષણ. મૂળભૂત સિદ્ધાંત સખત રીતે રેખાંકિત છે: AI દ્વારા ફ્લેગ કરાયેલ કોઈપણ પેટર્ન, પોતે જ, છેતરપિંડીનો પુરાવો નથી. લાલ ધ્વજ એ "રોકો અને તપાસ" ચિહ્ન છે; આરોપ નથી.

છેતરપિંડી ત્રિકોણ અને લાલ ધ્વજ

છેતરપિંડીની તપાસ માટેનું ઉત્તમ માળખું છેતરપિંડી ત્રિકોણ છે; તે કહે છે કે છેતરપિંડી સામાન્ય રીતે ત્યારે થાય છે જ્યારે ત્રણ સ્થિતિઓ એકસાથે થાય છે: દબાણ (નાણાકીય/વ્યક્તિગત જરૂરિયાત કે જે વ્યક્તિને છેતરવા માટે દબાણ કરે છે), તક (નબળું આંતરિક નિયંત્રણ, અનચેક કરેલ સત્તા), અને ન્યાયીકરણ (પોતાની ક્રિયાને યોગ્ય ઠેરવવાની રીત-"હું તેને કોઈપણ રીતે પાછું મૂકીશ"). ઓડિટર એવા વિસ્તારોમાં વધુ સાવચેત છે જ્યાં આ ત્રણ સ્થિતિ મજબૂત છે.

લાલ ધ્વજ એ એક ચેતવણી સંકેત છે જે છેતરપિંડીની સંભાવનાને સૂચવી શકે છે. લાક્ષણિક ઉદાહરણો: અસાધારણ જીવનશૈલી દર્શાવતા સત્તાવાર, કોન્ટ્રાક્ટ સતત એક જ સપ્લાયર પાસે જતા હોય છે, સપ્લાયર જેનું સરનામું કર્મચારીનું સરનામું હોય છે, કર્મચારી જે રજાઓ લેતા નથી અને તેમનું કામ કોઈને સોંપતા નથી, વારંવાર કરેક્શન રેકોર્ડ્સ, થ્રેશોલ્ડની નીચે ચૂકવણી વિભાજિત, ડુપ્લિકેટ ઇન્વૉઇસ નંબર. AI ડેટા પર આમાંના ઘણા ફ્લેગો માટે સ્કેન કરી શકે છે. પરંતુ યાદ રાખો: દરેક ધ્વજમાં નિર્દોષ સમજૂતી હોઈ શકે છે. ઓડિટરનું કામ ધ્વજ જોવાનું અને તપાસ કરવાનું છે, ધ્વજ જોવા માટે તેને દોષ આપવાનું નથી.

બેનફોર્ડનો કાયદો: પ્રતિસ્પર્ધી પરંતુ શક્તિશાળી સ્ક્રીનીંગ

બેનફોર્ડનો કાયદો (પ્રથમ અંકનો કાયદો) કહે છે કે કુદરતી રીતે બનતી સંખ્યાઓના મોટા સમૂહોમાં, પ્રથમ નોંધપાત્ર અંકનું વિતરણ એકસરખું હોતું નથી: સંખ્યાઓ "1" (લગભગ 30%) થી શરૂ થાય છે, "9" (આશરે 4.6%) થી શરૂ થવાની ખૂબ ઓછી સંભાવના સાથે. બિલની રકમ, ખર્ચ, એકાઉન્ટ બેલેન્સ જેવા વિશાળ શ્રેણીઓ સાથેનો કુદરતી ડેટા સામાન્ય રીતે આ વિતરણને અનુસરે છે. જ્યારે કોઈ વ્યક્તિ હાથ વડે નંબરો ફિટ કરે છે (દા.ત. મંજૂરી થ્રેશોલ્ડની નીચે રકમ લખે છે), ત્યારે આ કુદરતી વિતરણ ખોરવાય છે. બેનફોર્ડ વિશ્લેષણ પ્રથમ (અને, જો જરૂરી હોય તો, પ્રથમ બે) અંકોના વિતરણની અપેક્ષા શું છે અને ફ્લેગ વિચલનો સાથે કરે છે.

AI સેકન્ડમાં હજારો રકમ પર બેનફોર્ડ વિતરણની ગણતરી કરી શકે છે અને જે અપેક્ષિત છે તેનાથી વિચલિત થતા અંકો બતાવી શકે છે. પરંતુ બેનફોર્ડની બે મર્યાદાઓ છે અને ઓડિટરે તેમને જાણવી જોઈએ:

• તે બધા ડેટાને બંધબેસતું નથી. ચોક્કસ શ્રેણીમાં મર્યાદિત સંખ્યાઓ (દા.ત. ઉત્પાદનની કિંમત હંમેશા 45-55 TL ની વચ્ચે હોય છે), ક્રમિક સંખ્યાઓ (ઇનવોઇસ નંબર), સોંપેલ કોડ બેનફોર્ડનું પાલન કરતા નથી; "વિચલન" અહીં અર્થહીન છે.
• વિચલન એ પુરાવા નથી. જ્યારે કોઈ પગલું અપેક્ષા કરતાં વધુ ઉપર જાય છે, ત્યારે તે સૌથી વધુ કહે છે કે "અહીં જુઓ". કારણ કાયદેસર હોઈ શકે છે (દા.ત. કંપનીની કિંમત). ઓડિટર તપાસમાંથી તારણો કાઢી શકતા નથી.

સાવધાન: બેનફોર્ડ વિચલનને "છેતરપિંડીનો પુરાવો" તરીકે રજૂ કરવો એ ગંભીર ભૂલ છે. બેનફોર્ડ માત્ર એક લાલ ધ્વજ છે; તે નિર્દેશ કરે છે કે કયા રેકોર્ડની તપાસ કરવી જોઈએ અને છેતરપિંડી સાબિત થતી નથી.

ટેક્સ્ટ વિશ્લેષણ અને પુનરાવર્તન પેટર્ન

AI ની ભાષા ક્ષમતા બિન-સંખ્યાત્મક છેતરપિંડી શોધવામાં પણ કામમાં આવે છે. અસામાન્ય સાંદ્રતા, અસ્પષ્ટ અભિવ્યક્તિઓ અથવા ચોક્કસ કીવર્ડ્સને વર્ણન ક્ષેત્રોમાં સ્કેન કરી શકાય છે ("પરચુરણ ખર્ચ", "કન્સલ્ટન્સી", "પ્રતિનિધિત્વ હોસ્ટિંગ"). માળખાકીય પેટર્ન પણ: ડુપ્લિકેટ ઇનવોઇસ નંબર, કર્મચારીના બેંક ખાતા સાથે મેળ ખાતા સપ્લાયર એકાઉન્ટ્સ, સપ્તાહના અંતે બનાવેલ સપ્લાયર રેકોર્ડ્સ, વારંવાર રાઉન્ડ-ધ-ક્લોક ચૂકવણી. AI આ બધું "સમીક્ષા સૂચિ" તરીકે ઉત્પન્ન કરે છે; ઓડિટર યાદી શોધે છે.

સ્કેન પ્રકાર

AI શું કરે છે?

ઓડિટર શું કરે છે?

બેનફોર્ડ વિશ્લેષણ

પ્રથમ અંક વિતરણ વિચલન સૂચવે છે

વિચલનના કારણની તપાસ કરે છે

ડુપ્લિકેટ ચુકવણી

સમાન રકમ+તારીખ+સપ્લાયર પુનરાવર્તન શોધે છે

શું ડુપ્લિકેટ દસ્તાવેજો દ્વારા સત્યની પુષ્ટિ થાય છે?

સપ્લાયર-કર્મચારી મેચિંગ

સમાન સરનામું/એકાઉન્ટ ઓવરલેપ ફ્લેગ કરે છે

હિતોનો સંઘર્ષ હોય તો તપાસ કરે છે

સબથ્રેશોલ્ડ ડિવિઝન

મંજૂરી થ્રેશોલ્ડની નીચે ક્લસ્ટરિંગ સૂચવે છે

ઇરાદો છે કે કેમ તેનું મૂલ્યાંકન કરે છે

ટેક્સ્ટ/વર્ણન વિશ્લેષણ

અસ્પષ્ટ/પુનરાવર્તિત ટિપ્પણીઓ માટે સ્કેન

દસ્તાવેજ દ્વારા સામગ્રીને પૂછે છે

ત્રણ નાના કેસો

કેસ 1 - બેનફોર્ડે દિશા આપી, ઇન્સ્પેક્ટર મળ્યો. એક ઓડિટર પાસે ખર્ચના નિવેદનો પર બેનફોર્ડ વિશ્લેષણ કરવામાં આવ્યું હતું. "4" થી શરૂ થતી રકમ અપેક્ષા કરતા ઘણી વધારે હતી. ઓડિટરે આ સમૂહની તપાસ કરી અને જાણવા મળ્યું કે એક કર્મચારીએ સતત $5,000 મંજૂરી થ્રેશોલ્ડની નીચે "$4.8xx" ની રકમનો ખર્ચ દાખલ કર્યો હતો. દસ્તાવેજો નકલી હોવાનું બહાર આવ્યું છે. બેનફોર્ડ વિચલન દિશા આપી; ઓડિટરની તપાસ અને દસ્તાવેજોમાં છેતરપિંડીનો ખુલાસો થયો હતો.

કેસ 2 - ખોટા હકારાત્મક બેનફોર્ડ. એક ટીમના સભ્યએ ઉત્પાદનની કિંમતની સૂચિ પર બેનફોર્ડ વિશ્લેષણ કર્યું હતું અને જ્યારે તેણે મોટું વિચલન જોયું ત્યારે તેણે લખ્યું હતું કે "હેરાફેરી છે". જવાબદાર વ્યક્તિએ તપાસ કરી: ડેટામાં 90-110 TL વચ્ચેના સાંકડા બેન્ડમાં કિંમતોનો સમાવેશ થાય છે; બેનફોર્ડ કોઈપણ રીતે આવા મર્યાદિત સેટમાં ફિટ થશે નહીં. "પૂર્વગ્રહ" સંપૂર્ણપણે ખોટા ડેટા પર પદ્ધતિ લાગુ કરવાને કારણે હતો. પાઠ: બેનફોર્ડ તમામ ડેટાને લાગુ પડતું નથી; ઓડિટર તેની યોગ્યતાનું મૂલ્યાંકન કરે છે.

કેસ 3 - દોષ માટે ધ્વજ ઊભો કરવો. એક ઓડિટર સીધું જ "સપ્લાયર કે જેનું સરનામું કર્મચારી જેવું જ છે" ને રિપોર્ટમાં AI દ્વારા ચિહ્નિત કરીને "કાલ્પનિક સપ્લાયર, છેતરપિંડી" તરીકે લખવા માંગતો હતો. જવાબદાર વ્યક્તિએ તેને અટકાવ્યું: તપાસ પર, એવું જોવામાં આવ્યું કે સપ્લાયર એક વાસ્તવિક વ્યવસાય હતો, તે કર્મચારીના સંબંધીનો હતો, અને તે હિતોના સંબંધોનો સંઘર્ષ હતો, પરંતુ કાલ્પનિક નથી. આ એક સંબંધ તરીકે જાણ કરવામાં આવી હતી જેને જાહેર કરવાની જરૂર હતી, છેતરપિંડી નહીં. પાઠ: લાલ ધ્વજ તપાસ શરૂ કરે છે; પુરાવા પરિણામ નક્કી કરે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ચૂકવણીઓમાં છેતરપિંડી છે કે કેમ તે શોધો.

સમસ્યા: AI છેતરપિંડી "શોધી" શકતું નથી; છેતરપિંડી એ કાનૂની પરિણામ છે. આ પ્રોમ્પ્ટ કાં તો બનાવટી "ચીટ લિસ્ટ" અથવા પાયા વગરના આરોપો પેદા કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે સ્વતંત્ર ઓડિટરના છેતરપિંડી જોખમ સ્ક્રિનિંગ સહાયક છો. તમે લાલ ધ્વજ પર સહી કરો; છેતરપિંડીનું મૂલ્યાંકન અને પરિણામ મારું છે. કોઈપણ રેકોર્ડને "ચીટ" તરીકે લેબલ કરશો નહીં. ડેટા (અનામી): સપ્લાયરની ચૂકવણી (કૉલમ: ચુકવણી_આઈડી, તારીખ, સપ્લાયર_આઈડી, સપ્લાયર_સરનામું, રકમ, પુષ્ટિ_થ્રેશોલ્ડ = 50,000, વર્ણન). કાર્ય - નીચે આપેલા સ્કેન કરો, દરેકને અલગ સૂચિ તરીકે નિકાસ કરો: 1) સબથ્રેશોલ્ડ, 000 લીટની નીચે ફક્ત Cluster,00L થ્રેશોલ્ડ (45,000-49,999) ચુકવણીઓ; સપ્લાયર દ્વારા ગણતરી કરો. 2) ડુપ્લિકેટ: સમાન રકમ + સમાન સપ્લાયર + 3 દિવસમાં રિકરિંગ ચૂકવણી. 3) બેનફોર્ડ (પ્રથમ અંક): અપેક્ષિત બેનફોર્ડ સાથે રકમના પ્રથમ અંકના વિતરણની તુલના કરો; વિચલિત પગલાં બતાવો. મહત્વપૂર્ણ: આ ડેટા બેનફોર્ડ (શ્રેણી, મર્યાદા) નું પાલન કરે છે કે કેમ તેનું પણ મૂલ્યાંકન કરો અને જો નહીં તો ચેતવણી આપો. 4) ડિસ્ક્લોઝર પૃથ્થકરણ: એવા સપ્લાયર્સને ચિહ્નિત કરો જ્યાં અસ્પષ્ટ વર્ણનો જેમ કે "વિવિધ/વિવિધ/કન્સલ્ટિંગ" કેન્દ્રિત હોય. દરેક સૂચિ માટે: લખો કે આ "તપાસ કરવાના લાલ ધ્વજ" છે અને તે છેતરપિંડીનાં પરિણામો નથી. ફિટિંગ રેકોર્ડ/પેટર્ન ઉમેરી રહ્યા છીએ.

આ પ્રોમ્પ્ટ શક્તિશાળી છે કારણ કે તે સ્કેનનું વિશ્લેષણ કરે છે, બેનફોર્ડ અનુપાલન પર પ્રશ્ન ઉઠાવે છે, આઉટપુટને "લાલ ધ્વજ" તરીકે સ્થાન આપે છે અને "છેતરપિંડી" ના એટ્રિબ્યુશનને પ્રતિબંધિત કરે છે.

સામાન્ય ભૂલો

• તેનો અર્થ છે "યુક્તિ શોધો". AI છેતરપિંડી શોધી શકતું નથી; લાલ ધ્વજ ચિહ્નો. છેતરપિંડી એ કાનૂની પરિણામ છે.
• બેનફોર્ડને અયોગ્ય ડેટા માટે અરજી કરવી. સાંકડી બેન્ડ, ક્રમિક સંખ્યાઓ અથવા કોડમાં "વિચલન" ને અર્થપૂર્ણ તરીકે ભૂલવું.
• પુરાવા તરીકે વિચલનને ધ્યાનમાં લેવું. બેનફોર્ડ અથવા પેટર્ન ચિહ્નની તપાસ કર્યા વિના છેતરપિંડી જાહેર કરવી.
• લાલ ધ્વજને આરોપમાં ફેરવવો. દસ્તાવેજો સાથે તેની ખરાઈ કર્યા વિના સંબંધ/પેટર્નને છેતરપિંડી તરીકે લખવું.
• છેતરપિંડી ત્રિકોણને અવગણવું. માત્ર ડેટા જોવો અને દબાણ/તક/વાજબીતાના સંદર્ભનું મૂલ્યાંકન ન કરવું.

ટીપ: જ્યારે તમને લાલ ધ્વજ મળે, ત્યારે તમારી જાતને બે પ્રશ્નો પૂછો: "આ માટે સંપૂર્ણ નિર્દોષ સમજૂતી શું હોઈ શકે?" અને "જો તે ખરેખર છેતરપિંડી કરે છે, તો મારે અન્ય કયા નિશાન જોવું જોઈએ?" પહેલો પ્રશ્ન તમને અયોગ્ય આરોપોથી બચાવે છે, બીજો ઉપરછલ્લીતાથી.

સારાંશમાં

છેતરપિંડી ઓડિટમાં, ઓડિટરની ભૂમિકા છેતરપિંડી "શોધવાની" નથી, પરંતુ સંશયવાદ સાથે છેતરપિંડીના જોખમનું મૂલ્યાંકન કરવાની અને લાલ ધ્વજ (BDS 240) શોધવાની છે. AI એક શક્તિશાળી સ્કેનિંગ એન્જિન છે: તે બેનફોર્ડ વિશ્લેષણ, ડુપ્લિકેટ ચુકવણી, સબથ્રેશોલ્ડ વિભાજન, સપ્લાયર-કર્મચારી ઓવરલેપ અને સેકન્ડમાં ટેક્સ્ટ વિશ્લેષણ કરે છે. પરંતુ દરેક નિશાની લાલ ધ્વજ છે, પુરાવા નથી; બેનફોર્ડ તમામ ડેટાને બંધબેસતું નથી; વિચલનનો અર્થ છેતરપિંડીનો અર્થ નથી. ધ્વજ જોવાનું એઆઈનું કામ છે, તપાસ અને મૂલ્યાંકન કરવું અને કાનૂની એટ્રિબ્યુશનને ટાળવાનું ઓડિટરનું કામ છે. લાલ ધ્વજ કહે છે "રોકો અને તપાસ કરો"; તે "દોષિત" કહેતો નથી.

એપ્લિકેશન કાર્ય

અનુમાનિત વિક્રેતા ચુકવણી ડેટાસેટને ધ્યાનમાં લો અને મંજૂરી થ્રેશોલ્ડ સેટ કરો. AI ને ઉપરની શક્તિશાળી પ્રોમ્પ્ટ પેટર્ન સાથે ચાર સ્કેન (સબથ્રેશોલ્ડ સ્પ્લિટ, ડુપ્લિકેટ, બેનફોર્ડ, એનોટેશન વિશ્લેષણ) ચલાવવા દો; બેનફોર્ડને તેની યોગ્યતા પર પ્રશ્ન કરો. પછી, દરેક લાલ ધ્વજ માટે જે આવે છે, એક "નિર્દોષ સમજૂતી" અને "છેતરપિંડીનું દૃશ્ય" લખો અને સૂચવે છે કે કયા પુરાવા બંનેમાં તફાવત કરશે.

ચેકલિસ્ટ

• [ ] મેં AI ને "યુક્તિઓ શોધવા" કહ્યું નથી; મેં "ધ્વજ લાલ" કહ્યું અને છેતરપિંડીનાં પાત્રાલેખન પર પ્રતિબંધ મૂક્યો.
• [ ] મેં બેનફોર્ડને માત્ર યોગ્ય (વ્યાપક અંતરે, કુદરતી) ડેટા માટે જ લાગુ કર્યું; મેં યોગ્યતાનું મૂલ્યાંકન કર્યું.
• [ ] મેં દરેક લાલ ધ્વજને સંશોધનની શરૂઆત તરીકે ગણ્યો, નિષ્કર્ષ તરીકે નહીં.
• દરેક ચિહ્ન માટે, મેં નિર્દોષ સમજૂતી અને છેતરપિંડીનું દૃશ્ય બંનેને ધ્યાનમાં લીધું.
• [ ] મેં દાખલાઓને દસ્તાવેજો સાથે ચકાસ્યા વિના કપટપૂર્ણ/કાલ્પનિક તરીકે દર્શાવ્યા નથી.
• [ ] મેં છેતરપિંડી ત્રિકોણ (દબાણ, તક, વાજબીપણું) ના સંદર્ભનું મૂલ્યાંકન કર્યું.
• [ ] મેં દસ્તાવેજીકરણ કર્યું છે કે અંતિમ કાનૂની લાયકાત એ ઓડિટરનું કામ નથી અને મેં જોખમનું મૂલ્યાંકન કર્યું છે.