फसवणूक तपासणे: लाल ध्वज, बेनफोर्डचा कायदा आणि मजकूर विश्लेषण

नफा:

• फसवणूक त्रिकोण (दबाव, संधी, औचित्य) आणि लाल ध्वजांच्या संकल्पना समजून घ्या आणि संशयास्पद पॅटर्न स्कॅन करण्यासाठी कृत्रिम बुद्धिमत्ता वापरा
• कृत्रिम बुद्धिमत्ता समर्थनासह बेनफोर्डचा कायदा, डुप्लिकेट पेमेंट आणि असामान्य पुरवठादार नमुने स्कॅन करण्याची आणि पुनरावलोकन सूची तयार करण्याची क्षमता
• फसवणुकीचा संशय हा एक गंभीर आरोप आहे, केवळ कृत्रिम बुद्धिमत्ता चिन्ह हा पुरावा नाही आणि अंतिम मूल्यमापन स्वतंत्र ऑडिटरचे आहे हे समजून घेण्याची क्षमता.

चूक आणि फसवणूक यात खूप मोठा फरक आहे. चूक ही नकळत झालेली चूक आहे; संपूर्ण चूक होत आहे, रेकॉर्ड विसरणे. फसवणूक म्हणजे हेतुपुरस्सर फसवणूक; जेव्हा एखादी व्यक्ती वैयक्तिक फायद्यासाठी जाणूनबुजून रेकॉर्ड विकृत करते. ऑडिटरचे काम फसवणूक "शोधणे" नाही-फसवणूक ही कायदेशीर पात्रता आहे आणि ती न्यायालयांसाठी आहे-परंतु ISA 240 ऑडिटरला फसवणुकीमुळे भौतिक चुकीच्या विधानाच्या जोखमीबद्दल व्यावसायिक शंका बाळगण्यास आणि फसवणुकीच्या धोक्याच्या चिन्हे (लाल ध्वज) चे मूल्यांकन करण्यास सांगते. ऑडिटर फसवणुकीच्या जोखमीचे मूल्यांकन करतो आणि संशयास्पद नमुन्यांची तपासणी करतो; अंतिम कायदेशीर निर्णय इतरांचा आहे.

या युनिटमध्ये आम्ही फसवणुकीच्या जोखमीसाठी AI चा वापर कसा करायचा ते कव्हर करू: फसवणूक त्रिकोण, लाल ध्वज, बेनफोर्डचा कायदा, डुप्लिकेट पेमेंट आणि असामान्य पुरवठादार नमुने आणि वर्णन क्षेत्रातील मजकूर विश्लेषण. मूलभूत तत्त्व कठोरपणे अधोरेखित केले आहे: AI द्वारे ध्वजांकित केलेला कोणताही नमुना, स्वतःच, फसवणुकीचा पुरावा नाही. लाल ध्वज हे "थांबा आणि तपास" चिन्ह आहे; आरोप नाही.

फसवणूक त्रिकोण आणि लाल झेंडे

फसवणूक तपासासाठी उत्कृष्ट फ्रेमवर्क फसवणूक त्रिकोण आहे; तो म्हणतो की फसवणूक सामान्यत: तीन परिस्थिती एकत्रितपणे घडते तेव्हा होते: दबाव (आर्थिक/वैयक्तिक गरज जी व्यक्तीला फसवणूक करण्यास प्रवृत्त करते), संधी (कमकुवत अंतर्गत नियंत्रण, अनचेक अधिकार), आणि औचित्य (एखाद्याच्या कृतीला स्वतःला न्याय देण्याचा एक मार्ग—"मी तरीही ते परत ठेवतो"). या तिन्ही परिस्थिती मजबूत असलेल्या भागात ऑडिटर अधिक सावध असतो.

लाल ध्वज एक चेतावणी सिग्नल आहे जो फसवणूक होण्याची शक्यता दर्शवू शकतो. ठराविक उदाहरणे: असामान्य जीवनशैली दाखवणारे अधिकृत, एकाच पुरवठादाराकडे सतत जाणारे करार, पुरवठादार ज्याचा पत्ता एखाद्या कर्मचाऱ्याच्या पत्त्यासारखाच असतो, कर्मचारी जे सुट्टी घेत नाहीत आणि त्यांचे काम कोणाकडेही सोपवत नाहीत, वारंवार सुधारणा नोंदी, उंबरठ्याच्या अगदी खाली देयके विभाजित, डुप्लिकेट बीजक क्रमांक. AI डेटावर यापैकी अनेक ध्वजांसाठी स्कॅन करू शकते. परंतु लक्षात ठेवा: प्रत्येक ध्वजाचे निष्पाप स्पष्टीकरण असू शकते. ऑडिटरचे काम ध्वज पाहणे आणि तपास करणे आहे, ध्वज पाहिल्याबद्दल त्याला दोष देणे नाही.

बेनफोर्डचा कायदा: एक विरोधाभासी परंतु शक्तिशाली स्क्रीनिंग

बेनफोर्डचा नियम (पहिल्या अंकाचा कायदा) असे सांगतो की नैसर्गिकरित्या घडणाऱ्या संख्यांच्या मोठ्या संचामध्ये, पहिल्या महत्त्वपूर्ण अंकाचे वितरण एकसमान नसते: संख्या "1" (सुमारे 30%) ने सुरू होते, "9" (सुमारे 4.6%) ने सुरू होण्याची शक्यता कमी असते. बिलाची रक्कम, खर्च, खाते शिल्लक यासारख्या विस्तृत श्रेणींसह नैसर्गिक डेटा सामान्यतः या वितरणाचे अनुसरण करतो. जेव्हा एखादी व्यक्ती हाताने संख्या जुळवते (उदा. मंजुरी थ्रेशोल्डच्या अगदी खाली रक्कम लिहिते), तेव्हा हे नैसर्गिक वितरण विस्कळीत होते. बेनफोर्ड विश्लेषण पहिल्या (आणि आवश्यक असल्यास, पहिल्या दोन) अंकांच्या वितरणाची अपेक्षा असलेल्या आणि ध्वजांकित विचलनांशी तुलना करते.

AI सेकंदात हजारो रकमेवर बेनफोर्ड वितरणाची गणना करू शकते आणि अपेक्षित असलेल्यापेक्षा विचलित होणारे अंक दर्शवू शकते. परंतु बेनफोर्डला दोन मर्यादा आहेत आणि ऑडिटरने त्या जाणून घेतल्या पाहिजेत:

• हे सर्व डेटामध्ये बसत नाही. एका विशिष्ट श्रेणीतील मर्यादित संख्या (उदा. उत्पादनाच्या किमती नेहमी 45-55 TL दरम्यान), अनुक्रमिक क्रमांक (चालन क्रमांक), नियुक्त केलेले कोड बेनफोर्डचे पालन करत नाहीत; "विचलन" येथे अर्थहीन आहे.
• विचलन हा पुरावा नाही. जेव्हा एखादी पायरी अपेक्षेपेक्षा जास्त वर जाते, तेव्हा ते सर्वात जास्त म्हणतात "इकडे पहा". कारण कायदेशीर असू शकते (उदा. कंपनी किंमत). लेखापरीक्षक तपासातून निष्कर्ष काढू शकत नाहीत.

खबरदारी: बेनफोर्ड विचलन "फसवणुकीचा पुरावा" म्हणून सादर करणे ही एक गंभीर चूक आहे. बेनफोर्ड हा फक्त लाल ध्वज आहे; कोणत्या नोंदी तपासल्या पाहिजेत आणि फसवणूक सिद्ध होत नाही हे ते निर्देश देते.

मजकूर विश्लेषण आणि पुनरावृत्ती नमुने

AI ची भाषा क्षमता नॉन-न्यूमेरिक फ्रॉड शोधण्यात देखील उपयोगी पडते. असामान्य सांद्रता, संदिग्ध अभिव्यक्ती किंवा विशिष्ट कीवर्ड वर्णन फील्डमध्ये स्कॅन केले जाऊ शकतात ("संकीर्ण खर्च", "सल्लागार", "प्रतिनिधित्व होस्टिंग"). तसेच संरचनात्मक नमुने: डुप्लिकेट बीजक क्रमांक, कर्मचाऱ्यांच्या बँक खात्याशी जुळणारी पुरवठादार खाती, आठवड्याच्या शेवटी तयार केलेले पुरवठादार रेकॉर्ड, चोवीस तास वारंवार पेमेंट. एआय हे सर्व "पुनरावलोकन सूची" म्हणून तयार करते; ऑडिटर यादी शोधतो.

स्कॅन प्रकार

AI काय करते?

ऑडिटर काय करतो?

बेनफोर्ड विश्लेषण

पहिला अंक वितरण विचलन दर्शवतो

विचलनाचे कारण तपासते

डुप्लिकेट पेमेंट

समान रक्कम + तारीख + पुरवठादार पुनरावृत्ती शोधतो

डुप्लिकेट कागदपत्रांद्वारे सत्याची पुष्टी होते का?

पुरवठादार-कर्मचारी जुळणी

समान पत्ता/खाते ओव्हरलॅप फ्लॅग करा

स्वारस्यांचा संघर्ष असल्यास तपास करते

सबथ्रेशोल्ड विभागणी

मंजुरी थ्रेशोल्डच्या खाली क्लस्टरिंग दर्शवते

हेतू आहे की नाही याचे मूल्यांकन करते

मजकूर/वर्णन विश्लेषण

अस्पष्ट/पुनरावृत्ती टिप्पण्यांसाठी स्कॅन करा

दस्तऐवजानुसार सामग्री क्वेरी

तीन लहान प्रकरणे

केस 1 - बेनफोर्डने दिशा दिली, निरीक्षक सापडला. एका ऑडिटरने खर्चाच्या विवरणांवर बेनफोर्ड विश्लेषण केले होते. "4" ने सुरू होणारी रक्कम अपेक्षेपेक्षा खूप जास्त होती. ऑडिटरने या संचाचे परीक्षण केले आणि असे आढळले की एका कर्मचाऱ्याने $5,000 मंजुरीच्या थ्रेशोल्डच्या अगदी खाली "$4.8xx" इतका खर्च सातत्याने केला आहे. कागदपत्रे बनावट असल्याचे निष्पन्न झाले. बेनफोर्ड विचलनाने दिशा दिली; ऑडिटरच्या तपासात आणि कागदपत्रांवरून ही फसवणूक उघड झाली.

केस 2 - खोटे सकारात्मक बेनफोर्ड. एका टीम सदस्याने उत्पादनाच्या किमतीच्या यादीवर बेनफोर्डचे विश्लेषण केले आणि जेव्हा त्याला मोठे विचलन दिसले तेव्हा त्याने "हेराफेरी आहे" असे लिहिले. जबाबदार व्यक्तीने तपासले: डेटामध्ये 90-110 TL दरम्यान एका अरुंद बँडमध्ये किंमतींचा समावेश आहे; तरीही बेनफोर्ड इतक्या मर्यादित सेटमध्ये बसणार नाही. "बायस" पूर्णपणे चुकीच्या डेटावर पद्धत लागू केल्यामुळे होते. धडा: बेनफोर्ड सर्व डेटावर लागू होत नाही; ऑडिटर त्याच्या योग्यतेचे मूल्यांकन करतो.

केस 3 - दोष देण्यासाठी ध्वज उभारणे. एका लेखापरीक्षकाला AI द्वारे अहवालात "काल्पनिक पुरवठादार, फसवणूक" म्हणून चिन्हांकित "ज्या पुरवठादाराचा पत्ता कर्मचाऱ्यासारखाच आहे" असे थेट लिहायचे होते. जबाबदार व्यक्तीने ते थांबवले: तपासणी केल्यावर असे दिसून आले की पुरवठादार हा खरा व्यवसाय होता, तो कर्मचाऱ्याच्या नातेवाईकाचा होता आणि हा हितसंबंधांचा संघर्ष होता, परंतु काल्पनिक नाही. हे एक संबंध म्हणून नोंदवले गेले होते जे उघड करणे आवश्यक आहे, फसवणूक नाही. धडा: लाल ध्वज तपास सुरू; पुरावे परिणाम ठरवतात.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

या पेमेंटमध्ये फसवणूक झाली आहे का ते शोधा.

समस्या: एआय फसवणूक "शोधू" शकत नाही; फसवणूक हा कायदेशीर परिणाम आहे. हे प्रॉम्प्ट एकतर बनावट “चीट लिस्ट” किंवा निराधार आरोप तयार करते.

शक्तिशाली सूचना:

तुमची भूमिका: तुम्ही स्वतंत्र ऑडिटरचे फसवणूक जोखीम तपासणी सहाय्यक आहात. तुम्ही लाल ध्वजावर स्वाक्षरी करा; फसवणूकीचे मूल्यांकन आणि निकाल माझ्या मालकीचे आहेत. कोणत्याही रेकॉर्डला "फसवणूक" म्हणून लेबल करू नका. डेटा (निनावी): पुरवठादार देयके (स्तंभ: पेमेंट_आयडी, तारीख, पुरवठादार_आयडी, पुरवठादार_पत्ता, रक्कम, पुष्टीकरण_थ्रेशोल्ड=50,000, वर्णन). कार्य - खालील स्कॅन करा, प्रत्येकाची स्वतंत्र यादी म्हणून निर्यात करा: 1) सबथ्रेशोल्ड, 00,00 लिट खाली. थ्रेशोल्ड (45,000-49,999) देयके; पुरवठादाराद्वारे मोजा.2) डुप्लिकेट: समान रक्कम + समान पुरवठादार + आवर्ती पेमेंट 3 दिवसात.3) बेनफोर्ड (पहिला अंक): अपेक्षित बेनफोर्डसह रकमेच्या पहिल्या अंकी वितरणाची तुलना करा; विचलित पावले दाखवा. महत्त्वाचे: हा डेटा बेनफोर्ड (श्रेणी, मर्यादा) चे पालन करतो की नाही याचे देखील मूल्यांकन करा आणि तसे नसल्यास चेतावणी द्या. 4) प्रकटीकरण विश्लेषण: पुरवठादारांना चिन्हांकित करा जिथे अस्पष्ट वर्णने जसे की "मिश्र/संकीर्ण/सल्लागार" केंद्रित आहेत. प्रत्येक यादीसाठी: लिहा की हे "तपासले जाणारे लाल झेंडे आहेत" आणि ते फसवणुकीचे परिणाम नाहीत. समर्पक रेकॉर्ड/पॅटर्न जोडत आहे.

हे प्रॉम्प्ट शक्तिशाली आहे कारण ते स्कॅनचे विश्लेषण करते, बेनफोर्ड अनुपालनावर प्रश्नचिन्ह निर्माण करते, आउटपुटला “लाल ध्वज” म्हणून ठेवते आणि “फसवणूक” चे गुणधर्म प्रतिबंधित करते.

सामान्य चुका

• याचा अर्थ "युक्ती शोधा". एआय फसवणूक शोधत नाही; लाल ध्वज चिन्हे. फसवणूक हा कायदेशीर परिणाम आहे.
• बेनफोर्डला अनुचित डेटा लागू करणे. अरुंद बँड, अनुक्रमिक संख्या किंवा कोडमधील "विचलन" अर्थपूर्ण समजणे.
• पुरावा म्हणून विचलनाचा विचार करणे. बेनफोर्ड किंवा नमुना चिन्हाची चौकशी न करता फसवणूक घोषित करणे.
• आरोपात लाल झेंडा फिरवणे. कागदपत्रांसह पडताळणी न करता संबंध/नमुना फसवणूक म्हणून लिहून घेणे.
• फसवणूक त्रिकोणाकडे दुर्लक्ष करणे. फक्त डेटा पाहणे आणि दबाव/संधी/औचित्य या संदर्भाचे मूल्यमापन न करणे.

टीप: जेव्हा तुम्हाला लाल ध्वज सापडतो, तेव्हा स्वतःला दोन प्रश्न विचारा: "यासाठी पूर्णपणे निर्दोष स्पष्टीकरण काय असू शकते?" आणि "जर खरोखर फसवणूक होत असेल, तर मी इतर कोणते ट्रेस पहावे?" पहिला प्रश्न तुम्हाला अयोग्य आरोपापासून वाचवतो, दुसरा वरवरच्यापणापासून.

सारांशात

फसवणूक ऑडिटमध्ये, ऑडिटरची भूमिका फसवणूक "शोधणे" नाही, परंतु संशयाने फसवणुकीच्या जोखमीचे मूल्यांकन करणे आणि लाल झेंडे शोधणे (BDS 240) आहे. AI हे एक शक्तिशाली स्कॅनिंग इंजिन आहे: ते बेनफोर्ड विश्लेषण, डुप्लिकेट पेमेंट, सबथ्रेशोल्ड स्प्लिट, पुरवठादार-कर्मचारी ओव्हरलॅप आणि काही सेकंदात मजकूर विश्लेषण करते. पण प्रत्येक चिन्ह लाल ध्वज आहे, पुरावा नाही; बेनफोर्ड सर्व डेटामध्ये बसत नाही; विचलनाचा अर्थ फसवणूक होत नाही. ध्वज पाहणे हे AI चे काम आहे, तपास आणि मूल्यांकन करणे आणि कायदेशीर श्रेय टाळणे हे ऑडिटरचे काम आहे. लाल ध्वज "थांबा आणि तपास" म्हणतो; तो "दोषी" म्हणत नाही.

अर्ज कार्य

काल्पनिक विक्रेता पेमेंट डेटासेट विचारात घ्या आणि मंजूरी थ्रेशोल्ड सेट करा. वरील शक्तिशाली प्रॉम्प्ट पॅटर्नसह AI ला चार स्कॅन (सबथ्रेशोल्ड स्प्लिट, डुप्लिकेट, बेनफोर्ड, भाष्य विश्लेषण) चालवा; बेनफोर्डला त्याच्या योग्यतेबद्दल प्रश्न विचारा. त्यानंतर, समोर येणाऱ्या प्रत्येक लाल ध्वजासाठी, “निर्दोष स्पष्टीकरण” आणि “फसवणूकीची परिस्थिती” लिहा आणि या दोघांमध्ये कोणता पुरावा फरक करेल हे सूचित करा.

चेकलिस्ट

• [ ] मी AI ला "युक्त्या शोधायला" सांगितले नाही; मी "लाल ध्वज" म्हटले आणि फसवणुकीच्या वैशिष्ट्यांवर बंदी घातली.
• [ ] मी बेनफोर्ड फक्त योग्य (व्यापक अंतरावरील, नैसर्गिक) डेटावर लागू केला; मी योग्यतेचे मूल्यांकन केले.
• मी प्रत्येक लाल ध्वजाला संशोधनाची सुरुवात मानतो, निष्कर्ष नाही.
• प्रत्येक चिन्हासाठी, मी निर्दोष स्पष्टीकरण आणि फसवणूक या दोन्ही गोष्टींचा विचार केला.
• [ ] मी दस्तऐवजांसह त्यांची पडताळणी केल्याशिवाय नमुने फसव्या/काल्पनिक म्हणून वर्णित केले नाहीत.
• [ ] मी फसवणूक त्रिकोणाच्या संदर्भाचे मूल्यमापन केले (दबाव, संधी, औचित्य).
• [ ] मी दस्तऐवजीकरण केले आहे की अंतिम कायदेशीर पात्रता हे ऑडिटरचे काम नाही आणि मी जोखमीचे मूल्यांकन केले आहे.