ઓડિટ, આંતરિક નિયંત્રણ અને વિસંગતતા શોધ

નફો:

• AI વડે સમગ્ર વસ્તીને સ્કેન કરવાની અને વિસંગતતાના નિયમો અનુસાર શંકાસ્પદ રેકોર્ડ્સને પ્રાથમિકતા આપવાની ક્ષમતા
• મોડેલ પર ચુકાદો આપ્યા વિના 'માર્ક અને વાજબી ઠેરવવા'ની શિસ્ત સાથે ઓડિટ કરવાની ક્ષમતા
• દરેક AI આઉટપુટ માટે ઓડિટ ટ્રેલ (ડેટા, પ્રોમ્પ્ટ, તારીખ, વેરિફાયર) રાખવાની ક્ષમતા

કદાચ એકાઉન્ટિંગ અને ફાઇનાન્સનું સૌથી સંવેદનશીલ ક્ષેત્ર ઓડિટીંગ છે: સ્વતંત્ર રીતે ચકાસવું કે રેકોર્ડ સચોટ, સંપૂર્ણ અને સુસંગત છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ અહીં બે-પાંખવાળું સાધન છે. એક તરફ, તે વિસંગતતાઓ (શંકાસ્પદ રેકોર્ડ્સ કે જે અપેક્ષાઓથી વિચલિત થાય છે) માટે મોટા ડેટા સ્ટેક્સને સ્કેન કરવામાં અને આંતરિક નિયંત્રણ નબળાઈઓને શોધવામાં ખૂબ જ શક્તિશાળી છે. બીજી બાજુ, ઓડિટની પ્રકૃતિને કારણે, AI ના પોતાના આઉટપુટનું પણ ઓડિટ થવું આવશ્યક છે. આ એકમમાં, આપણે શીખીશું કે "ઓડિટ સહાયક" તરીકે AI નો ઉપયોગ કેવી રીતે કરવો અને ઓડિટ ટ્રેલ કેવી રીતે જાળવવું.

આંતરિક નિયંત્રણ અને ઓડિટમાં AI ની ભૂમિકા

આંતરિક નિયંત્રણ એ ભૂલો અને દુરુપયોગને રોકવા માટે સ્થાપિત નિયમો અને પ્રક્રિયાઓનો સમૂહ છે (જેમ કે ફરજોનું વિભાજન, મંજૂરી થ્રેશોલ્ડ, સમાધાન). ઓડિટ તપાસે છે કે આ કામ કરી રહ્યા છે કે નહીં. જ્યાં AI સૌથી વધુ અસરકારક હોય છે ત્યારે તે સમગ્ર વસ્તીને સ્કેન કરી શકે છે જ્યાં પરંપરાગત ઓડિટીંગમાં નમૂના લેવાનો સમાવેશ થાય છે (સેંકડોમાંથી થોડા રેકોર્ડની તપાસ કરવી). બધા 10,000 રેકોર્ડ્સ જોવું માનવ માટે મુશ્કેલ છે, પરંતુ મોડેલ માટે શક્ય છે.

પરંતુ નિર્ણાયક તફાવત આ છે: AI શંકા પેદા કરે છે, નિર્ણય નહીં. "આ રેકોર્ડ અસામાન્ય લાગે છે" એ પ્રારંભિક બિંદુ છે; વાસ્તવિક ઓડિટ નિર્ણય અને પુરાવા એકત્રીકરણ માનવીય છે.

ટીપ: ઓડિટ પ્રોમ્પ્ટ પર, "ફક્ત નિર્દેશ કરો અને ન્યાયી ઠરાવો, નિષ્કર્ષ કાઢો/જજ કરશો નહીં" કહો. મોડેલ માટે "આ એક અનિયમિતતા છે" જેવા ચોક્કસ નિવેદનો કરવા તે ખોટું અને જોખમી બંને હશે; તમારી સમીક્ષા પર આ બાબત નક્કી કરવામાં આવે છે.

સ્ટેપ બાય સ્ટેપ: એઆઈ સાથે વિસંગતતા સ્કેનિંગ

1. તમારા નિયમ સેટને વ્યાખ્યાયિત કરો. તમે શું અસામાન્ય માનો છો? થ્રેશોલ્ડ, પુનરાવર્તન, સમય.
2. સમગ્ર વસ્તીને સ્કેન કરો. માત્ર એક નમૂનો નહીં, પરંતુ તે બધા.
3. ચિહ્નિત કરો અને ન્યાયી ઠેરવો. દરેક શોધ માટે "તે શા માટે શંકાસ્પદ છે" સમજૂતી.
4. પ્રાથમિકતા આપો. જોખમ/અસરની તીવ્રતા દ્વારા સૉર્ટ કરો.
5. માનવ સમીક્ષાનો સંદર્ભ લો. પુરાવા ભેગા કરો, નિર્ણય લો, દસ્તાવેજ કરો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: શું આ ખર્ચમાં કોઈ અનિયમિતતા છે? [ડેટા]

આ એક જવાબ આપે છે જે કાં તો "કોઈ નથી" અથવા પાયાવિહોણા આરોપો પેદા કરે છે જેનો ઓડિટમાં ઉપયોગ કરી શકાતો નથી.

સ્ટ્રોંગ પ્રોમ્પ્ટ:તમારી ભૂમિકા: આંતરિક ઓડિટ સહાયક.કાર્ય: જોખમના નિયમ સામે નીચેના ખર્ચના રેકોર્ડને સ્કેન કરો. નિયમો:1) મંજૂર થ્રેશોલ્ડની બરાબર નીચેની રકમ (50,000) (વિભાજિત શંકા) 2) સપ્તાહના અંતે અથવા કલાકો પછી દાખલ થયેલા રેકોર્ડ્સ3) સમાન અંડરવલ 4 પર પુનરાવર્તિત ટૂંકા ફ્રિક્વન્સીની સમાન રકમ amountsOutput: રેકોર્ડ નંબર | ટ્રિગર કરેલ નિયમ | તે શા માટે શંકાસ્પદ છે (1 વાક્ય) |અગ્રતા (ઉચ્ચ/મધ્યમ/નીચું) અવરોધ: ફક્ત ચિહ્નિત કરો અને વાજબી ઠેરવો. "તે એક અનિયમિતતા છે" જેવો નિર્ણય કરવો; આ માનવ પરીક્ષા માટેના ઉમેદવારો છે. ડેટામાંની માહિતીનો જ ઉપયોગ કરો.<records> ... </records>

આ પ્રોમ્પ્ટ; તે મંજૂરી થ્રેશોલ્ડ ("સ્પ્લિટ-ઑફ" ચિહ્ન) અથવા કલાકો પછી દાખલ કરાયેલા રેકોર્ડની નીચે અટકેલી રકમને પ્રાથમિકતા આપે છે અને ઑડિટરને સ્પષ્ટ સમીક્ષા સૂચિ આપે છે.

ઓડિટીંગમાં AIનું સૌથી મોટું યોગદાન તેના સ્કેલનો ફાયદો છે. પરંપરાગત ઓડિટમાં, નમૂના લેવામાં આવે છે કારણ કે તમામ રેકોર્ડ્સ જોવાનું ભૌતિક રીતે શક્ય નથી: કદાચ સો હજારો ઇન્વૉઇસની તપાસ કરવામાં આવે છે અને પરિણામ સમગ્ર વસ્તી માટે સામાન્ય કરવામાં આવે છે. આનો અર્થ એ છે કે નમૂનાની બહારની અનિયમિતતા છટકી ગઈ છે. AI, બીજી તરફ, તમે જે નિયમો વ્યાખ્યાયિત કરો છો તે તમામ દસ હજાર રેકોર્ડ્સ પર સેકન્ડોમાં લાગુ કરી શકે છે. આમ, ઓડિટીંગ "કેટલાક ઉદાહરણો જોવા અને આશા રાખવા" થી "દરેક રેકોર્ડને સ્કેન કરવા અને અપવાદોને બહાર કાઢવા" સુધી વિકસિત થાય છે. જો કે, જે મળે છે તે તમામ તપાસ માટેના ઉમેદવારો છે, તારણો નહીં.

ઑડિટમાં વારંવાર ઉપયોગમાં લેવાતા અસંગતતા નિયમો

નિયમ

તે શું સૂચવે છે

ઉદાહરણ

સબથ્રેશોલ્ડ સંચય

મંજૂરી ટાળવા માટે વિભાજન

49,500, 49,800 જેવી રકમ

કલાકોની બહાર નોંધણી

અનિયંત્રિત પ્રવેશ

શનિવાર 23:40 બિલ

ડુપ્લિકેટ ચુકવણી

ડબલ ચુકવણીનું જોખમ

એક જ ઇન્વોઇસ, બે દસ્તાવેજ નંબર

રાઉન્ડ-સંખ્યાની આવર્તન

અંદાજિત/બનાવેલી રકમ

બરાબર 10,000 નો ઘણો

નવા સપ્લાયર + વધુ રકમ

ભૂત સપ્લાયર જોખમ

પ્રથમ વ્યવહારમાં 200,000

ફરજો અને સત્તા નિયંત્રણનું વિભાજન

આંતરિક નિયંત્રણના પાયાના પથ્થરોમાંનું એક ફરજોનું વિભાજન છે: જે વ્યક્તિઓ વ્યવહાર શરૂ કરે છે, મંજૂર કરે છે અને ચૂકવણી કરે છે તે અલગ છે. જો તે જ વ્યક્તિ પ્રવેશ કરે છે, મંજૂર કરે છે અને ઇનવોઇસ ચૂકવે છે, તો દુરુપયોગ માટે દરવાજા ખુલ્લા છે. AI ટ્રાન્ઝેક્શન રેકોર્ડ્સમાં વપરાશકર્તાની માહિતીને સ્કેન કરીને આ નીતિનું ઉલ્લંઘન થયું હોય તેવા દાખલાઓ શોધી શકે છે.

નીચેના ટ્રાન્ઝેક્શન રેકોર્ડ્સમાં ફરજોના ઉલ્લંઘનના વિભાજન માટે સ્કેન કરો: - વ્યવહારો કે જે એક જ વપરાશકર્તા બંને દાખલ કરે છે અને મંજૂર કરે છે - વ્યવહારો કે જે એક જ વપરાશકર્તા બંને મંજૂર કરે છે અને ચુકવણી શરૂ કરે છે - અધિકૃતતા મર્યાદાથી વધુ એક વ્યક્તિ દ્વારા મંજૂર કરાયેલી રકમ આઉટપુટ: ટ્રાન્ઝેક્શન નંબર | ઉલ્લંઘન પ્રકાર | સંબંધિત વપરાશકર્તા | પ્રાધાન્યતાજસ્ટ બિંદુ અને ન્યાયી; સજા માટે ઉમેદવાર તરીકે યાદી, સમીક્ષા.

આ પ્રકારનું સ્કેનીંગ સેકન્ડોમાં પેટર્નને બહાર કાઢે છે જેને માનવ આંખ હજારો લીટીઓમાં ક્યારેય કેપ્ચર કરી શકતી નથી. પરંતુ સમાન સિદ્ધાંત લાગુ પડે છે: પેટર્ન "નિયમ ઉલ્લંઘનની પેટર્ન" દર્શાવે છે; આ એક વાસ્તવિક સમસ્યા છે કે કાયદેસર અપવાદ છે (દા.ત. નાની ટીમમાં ફરજિયાત દ્વિ ભૂમિકા) તે નક્કી કરવાનું છે.

ઓડિટ ટ્રેઇલ જવાબદારી

જો ઑડિટમાં AI આઉટપુટનો ઉપયોગ કરવો હોય, તો તે શોધી શકાય તેવું હોવું જોઈએ: કયો ડેટા, કયો પ્રોમ્પ્ટ, કયો મોડલ, કઈ તારીખ, કોણે તેની ચકાસણી કરી? આ રેકોર્ડ વિના, પ્રિન્ટઆઉટનું ઓડિટમાં કોઈ પુરાવા મૂલ્ય નથી.

આ પૃથ્થકરણ માટે ઓડિટ ટ્રેઇલ રેકોર્ડ તૈયાર કરો:- ડેટા સ્ત્રોત અને વપરાયેલ સમયગાળો- પ્રોમ્પ્ટ્સ/નિયમો લાગુ કર્યાનો સારાંશ- મોડલ આઉટપુટની તારીખ- માનવ ચકાસણી પગલાં માટે ખાલી ફીલ્ડ્સ (કોણ, ક્યારે, પરિણામ) આને ફરીથી વાપરી શકાય તેવા નમૂના તરીકે નિકાસ કરો.

સાવધાન: ફક્ત એઆઈ કહે છે કે "આ રેકોર્ડ ઠીક છે" તે સાબિત કરતું નથી કે ત્યાં કોઈ સમસ્યા નથી. મોડેલ કદાચ પેટર્ન ચૂકી ગયો હોય. "એઆઈએ સ્વચ્છ કહ્યું" એ ઓડિટમાં ખાતરી નથી; હંમેશા અવકાશ અને પદ્ધતિની મર્યાદાઓનું દસ્તાવેજીકરણ કરો.

મીની કેસો

કેસ 1 — સબથ્રેશોલ્ડ કમ્પાર્ટમેન્ટ. આંતરિક ઓડિટરને 50,000 TLની મંજૂરી થ્રેશોલ્ડ ધરાવતી કંપનીમાં AI સ્કેનિંગ દ્વારા સમાન વિભાગમાંથી 49,200, 49,700, 49,500 TL ના સતત ત્રણ ઇન્વૉઇસ મળ્યા. તપાસમાં જાણવા મળ્યું કે મંજૂરી ટાળવા માટે એક £145,000ની ખરીદીને ત્રણ ભાગમાં વહેંચવામાં આવી હતી. નિયંત્રણ અંતર બંધ કરવામાં આવ્યું છે.

કેસ 2 - ઘોસ્ટ સપ્લાયર સાઇન. AI એ ઉચ્ચ અગ્રતા ચિહ્નિત કરી કે પ્રથમ ટ્રાન્ઝેક્શનમાં સિસ્ટમમાં નવા ઉમેરાયેલા સપ્લાયરને 200,000 TL ચૂકવવામાં આવ્યા હતા. સમીક્ષા દર્શાવે છે કે સપ્લાયર અસલી અને કરાર હેઠળ છે; એલાર્મ ખોટું હતું પરંતુ નિયંત્રણ યોગ્ય રીતે કામ કરે છે. પાઠ: દરેક નિશાની ગુનો નથી, પરંતુ દરેક નિશાની તપાસવી જોઈએ.

કેસ 3 - બિનદસ્તાવેજીકૃત આઉટપુટનું પતન. એક ટીમે ઓડિટમાં AI વિસંગતતાની સૂચિ સબમિટ કરી હતી, પરંતુ પ્રોમ્પ્ટ અને ડેટા કે જેનાથી તે જનરેટ થયો હતો તે રેકોર્ડ કર્યો ન હતો. બાહ્ય ઓડિટરે પુરાવા તરીકે પ્રિન્ટઆઉટ સ્વીકાર્યું ન હતું. ઓડિટ ટ્રેઇલ સાથે વિશ્લેષણ ફરીથી ચલાવો. પાઠ: ઓડિટમાં મોનિટર ન કરી શકાય તેવું કોઈ આઉટપુટ નથી.

કેસ 4 - ફરજોના ઉલ્લંઘનનું વિભાજન. આંતરિક નિયંત્રણો સ્કેનમાં નાની શાખામાં 37 વ્યવહારો જોવા મળ્યા જ્યાં તે જ કર્મચારીએ ઇનવોઇસ માટે પ્રવેશ કર્યો, મંજૂર કર્યો અને ચુકવણી શરૂ કરી. તપાસ દર્શાવે છે કે કર્મચારીનો દૂષિત ઈરાદો ન હતો પરંતુ ઓછા સ્ટાફને કારણે તેણે આ ભૂમિકાઓ નિભાવી હતી. તેમ છતાં, જોખમ વાસ્તવિક હતું; કંપનીએ પેમેન્ટ એપ્રૂવલને કેન્દ્રમાં ખસેડીને આ ગેપ પૂરો કર્યો. પાઠ: કંટ્રોલ ડેફિસિટ દુષ્કર્મ વિના પણ ખતરનાક છે; AI પેટર્ન શોધે છે, માણસો ઉકેલ ડિઝાઇન કરે છે.

સામાન્ય ભૂલો

• મોડેલનો ન્યાય કરવા માટે. "તે એક અનિયમિતતા છે" એમ કહેવું ખોટું અને જોખમી બંને છે; ફક્ત તેને ચિહ્નિત કરો.
• "એઆઈએ કહ્યું કે તે સ્વચ્છ છે" ખાતરી. એવું બની શકે કે મોડલ ચૂકી ગયો; સ્વચ્છ પરિણામ એ સાબિતી નથી.
• ઓડિટ ટ્રેઇલ રાખતા નથી. જો ડેટા, પ્રોમ્પ્ટ, તારીખ અને વેરિફાયર રેકોર્ડ કરવામાં આવ્યા નથી, તો આઉટપુટ પુરાવા તરીકે રહેશે નહીં.
• દરેક સંકેતને વિચારવું એ ગુનો છે. વિસંગતતા તપાસ માટે ઉમેદવાર છે; પુરાવા નિર્ણય નક્કી કરે છે.
• અવકાશનું દસ્તાવેજીકરણ કરતું નથી. કયા રેકોર્ડ્સ સ્કેન કરવામાં આવ્યા હતા અને પદ્ધતિની મર્યાદા લખવી જોઈએ.

સારાંશમાં

• ઓડિટમાં સમગ્ર વસ્તીને સ્કેન કરીને વિસંગતતાઓ શોધવામાં AI શક્તિશાળી છે; સેમ્પલિંગથી આગળ વધે છે.
• મોડેલ શંકા પેદા કરે છે, નિર્ણય નહીં; તેનો ઉપયોગ "જસ્ટ પોઈન્ટ એન્ડ વાસ્ટિફાઈ" નિયમ સાથે કરો.
• વિસંગતતા નિયમો (થ્રેશોલ્ડ બેકલોગની નીચે, કલાકની બહારની નોંધણી, ડુપ્લિકેટ ચુકવણી) અગાઉથી વ્યાખ્યાયિત થવી જોઈએ.
• દરેક AI આઉટપુટ માટે ઓડિટ ટ્રેલ (ડેટા, પ્રોમ્પ્ટ, તારીખ, વેલિડેટર) રાખવું ફરજિયાત છે; શોધી ન શકાય તેવું આઉટપુટ એ પુરાવા નથી.
• "એઆઈએ કહ્યું સ્વચ્છ" એ ખાતરી નથી; હંમેશા અવકાશ અને પદ્ધતિની મર્યાદાઓનું દસ્તાવેજીકરણ કરો.

એપ્લિકેશન કાર્ય

30-50 લાઇનનો ખર્ચ રેકોર્ડ તૈયાર કરો; જાણી જોઈને પેટાવિભાજિત કરો અને ડુપ્લિકેટ ચુકવણી મૂકો. શક્તિશાળી પ્રોમ્પ્ટ ટેમ્પ્લેટ સાથે વિસંગતતા સ્કેન મેળવો અને તપાસો કે મોડેલ તમારા ટ્રેપ્સને પકડે છે અને પ્રાથમિકતા આપે છે. પછી ઓડિટ ટ્રેઇલ ટેમ્પલેટ ભરો અને તારણોને "સમીક્ષા માટેના ઉમેદવારો" તરીકે સૂચિબદ્ધ કરો (ચુકાદો પસાર કર્યા વિના).

ચેકલિસ્ટ

• [ ] મેં વિસંગતતા નિયમો (થ્રેશોલ્ડ, સમય, પુનરાવર્તન) પૂર્વવ્યાખ્યાયિત કર્યા છે.
• [ ] મેં સમગ્ર વસ્તીને સ્કેન કરી, મેં નમૂના લેવાનું બંધ કર્યું નહીં.
• [ ] મેં મોડેલને ચુકાદો આપતા અટકાવ્યો; મેં તેને ફક્ત ચિહ્નિત અને ન્યાયી ઠેરવ્યું હતું.
• [ ] મેં દરેક શોધ માટે ઓડિટ ટ્રેઇલ (ડેટા, પ્રોમ્પ્ટ, તારીખ) રેકોર્ડ કરી છે.
• [ ] મેં "સમીક્ષા ઉમેદવારો" તરીકે ચિહ્નિત કરેલા લોકોને માનવ ચુકાદા પર છોડી દીધા.
• [ ] મેં સ્કેનનો અવકાશ અને પદ્ધતિની મર્યાદાઓનું દસ્તાવેજીકરણ કર્યું.