Gevinster:
- Forstå hvorfor journaloppføringstesting er obligatorisk under BDS 240 og hvordan kunstig intelligens kan skanne mistenkelige oppføringskriterier
- Evne til å markere og prioritere uteliggere, uvanlig timing og uvanlige mengder mønstre med støtte for kunstig intelligens
- Å kunne hevde at enhver anomali flagget av kunstig intelligens ikke er et funn, men et spørsmålstegn som revisor vil undersøke, og eliminering av falske positiver er menneskelig ansvar.
Regnskapet til en virksomhet er i utgangspunktet summen av millioner av journalposter (i regnskapet registreres hver finansiell transaksjon som debet og kreditt). Både feil og svindel lever til syvende og sist i en journalpost: et beløp som er skrevet til feil konto, en godtgjørelse som «glemmes» og reverseres ved slutten av perioden, en uvanlig oppføring som føres manuelt midt på natten. Derfor krever BDS 240 (standarden som regulerer revisors ansvar angående misligheter ved revisjon av regnskap) klart at revisor utfører journalføringstesting. Formålet er å avsløre mulige manipulasjoner fra ledelsen gjennom ledelsesoverstyring.
I denne enheten vil vi dekke hvordan man gjør kunstig intelligens til en motor for avvik og feildeteksjon, men hvorfor hver markert post er et "spørsmålstegn" i stedet for et "funn". De to første konseptene. En anomali er en uvanlig post i et datasett som avviker fra det forventede mønsteret. En uteligger er en observasjon som er numerisk signifikant forskjellig fra de andre (for eksempel en veldig stor mengde, en veldig høy frekvens). Anomali er ikke alltid en feil; men det er der revisor skal se.
Mistenkelige posteringskriterier i journalregistreringstest
BDS 240 sier at poster med visse egenskaper er mer fremtredende for risikoen for svindel. AI kan skanne hundretusenvis av poster basert på disse kriteriene på sekunder. Typiske "rødt flagg"-kriterier:
- Uvanlig timing: Manuelle poster som legges inn etter arbeidstid, på en helg, på en helligdag eller på den siste dagen i slutten av semesteret.
- Uvanlig bruker: Oppføringer som er lagt inn av en bruker som vanligvis ikke legger inn regnskapsposter (for eksempel en administrator).
- Uvanlige kontokombinasjoner: Konteringer mellom kontoer som ikke forventer hverandre (f.eks. en inntektskonto og en uvanlig ikke-kontantkonto).
- Runde beløp: "rense" store beløp som 100 000, 500 000; Det er et typisk spor av manuell manipulasjon.
- Poster med tomme eller tvetydige beskrivelser: tomme beskrivelser som "korrigering", "diverse", "foreløpig".
- Reverserte poster: Poster lagt inn i begynnelsen av perioden og kansellert (storno) etter kort tid.
- Underterskelduplikater: Et stort antall poster gruppert like under godkjenningsterskelen (f.eks. USD 50 000).
Tips: Tenk på disse kriteriene sammen, ikke hver for seg. "Rundt beløp" alene kan være uskyldig; men "helg, av en administrator, beskrivelse tom, rund konsistent, manuell posting ved slutten av perioden" er et sterkt rødt flagg. Å ha AI kombinere kriterier for å produsere en "risikoscore" hjelper deg med å prioritere.
Den falske positive sannheten: hvorfor ikke hvert tegn er et funn
Naturen til uregelmessig skanning er falske positiver: poster flagget av regelen som faktisk er legitime. For eksempel legger et selskap automatisk inn en round-robin husleieopptjening den siste virkedagen i hver måned; Dette henger fast med kriteriet "rundt beløp + slutten av perioden", men det er helt normalt. Revisors oppgave er å trekke ut reell risiko fra den flaggede haugen. Denne sorteringen er ikke overførbar; fordi å skille legitim fra mistenkelig krever å kjenne virksomheten og konteksten – noe AI ikke har.
Så les alltid resultatet slik: "AI-en flagget 420 poster for meg. De fleste av dem er sannsynligvis falske positive. Min jobb er å finne ut av disse 420 de som virkelig må undersøkes, mønstrene og de enkelte mistenkelige." Denne visningen beskytter deg mot både automatiseringsskjevhet (å ta alle tegn for feil) og latskap (ikke se på noen av dem).
Anomalideteksjon trinn for trinn
- Forbered data og kontroller fullstendighet. (Avstemmingstrinn i forrige enhet.)
- Definer kriteriene tydelig. Hvilken timing, mengde, bruker- og beskrivelsesmønstre vil bli flagget?
- Skann og score med AI. Merk hver post i henhold til kriterier; Gi høyere prioritet til de som oppfyller flere kriterier.
- Eliminer falske positiver. Filtrer eller flagg kjente legitime mønstre (som automatiske periodiseringer).
- Undersøk de gjenværende postene. Koble hver til støttedokumentet, godkjenningen og forretningslogikken.
- Dokumenter konklusjonen og begrunnelsen. Skriv ned hva du fant mistenkelig og hvorfor, og hva du eliminerte og hvorfor.
tre minisaker
Sak 1 – Faktisk funn. En revisor skannet 240 000 journalposter med AI; Den kombinerte kriteriene "siste 3 dager av perioden + manuell + beskrivelse 'korrigering' + 100 000 ganger beløpet". 14 plater fikk høy poengsum. I gjennomgangen var 11 legitime årsavslutningsjusteringer; Det ble imidlertid ført 3 poster på en måte som ville blåse opp inntektskontoen og reverseres den påfølgende perioden, og det forelå ingen støttedokumentasjon. Dette var et mønster hvor ledelsen gikk utenom kontroller og var et betydelig funn. AI stilte 14 spørsmål; Revisorens skepsis fant de 3 reelle svarene.
Tilfelle 2 — Falsk positiv felle. Et teammedlem skrev de 380 «runde konsistente» postene som AI hadde flagget direkte på regnearket under overskriften «mistenkelige transaksjoner». Da betjenten så, så han at de fleste hadde fast husleie, fast konsulenthonorar og automatiske avskrivninger; de var alle legitime. Arbeidsarket var blitt en «liste over falske funn» som førte tilsynet i feil retning. Leksjon: ikke hver flagget post er et funn; Revisor foretar utvalget.
Tilfelle 3 — Å sette kriteriene for snevert. En revisor brukte bare "helgrekord"-kriteriet og fant ingen mistenkelige poster; Han var lettet. I virksomheten ble det imidlertid ført manipulerende poster i arbeidstiden på hverdager, men med uvanlige kontokombinasjoner. Å stole på et enkelt, snevert kriterium hindret ham i å se den reelle risikoen. Da revisor utvidet kriteriene, kom mønsteret frem. Leksjon: enkelt kriterium gir ikke sikkerhet; Se på det flerdimensjonalt.
Svak forespørsel / Sterk forespørsel
Svak melding:
Finn falske oppføringer i disse journalpostene.
Problem: AI kan ikke "oppdage" juks; Svindel er en juridisk/faglig konsekvens, ikke et datamønster. Også "svindel" er udefinert. Denne ledeteksten produserer enten en sammensatt "jukseliste" eller meningsløse flagg.
Kraftig ledetekst:
Din rolle: du er en uavhengig revisors journalføringsanalyseassistent. Du MERKER posten etter kriteriene; juks/feilbeslutning tilhører meg.Kontekst: Anonymiserte journaldata (kolonner: postnummer, dato, klokkeslett, brukerrolle, debetkonto, kredittkonto, beløp, posttype[manuell/automatisk], beskrivelse). Semesterslutt: 31.12. Arbeidstid: 09:00-18:00, man-fre.Oppgave:1) Gi en "oppmerksomhetsscore" til hver post i henhold til følgende kriterier (avhengig av hvor mange kriterier som er vedlagt): a) record_type=manual b) dato mellom 29-31. desember ELLER helg/ferie c) time fri d) avrundet beløp 0) TLe, beskrivelse er tom. {korrigering, diverse, midlertidig} i2) Gi de med skåren 3 og høyere som en prioriteringsliste.3) Skriv hvert kriterium du anvender i klartekst (revabilitet).4) Gjør det klart at dette er «unntak som skal undersøkes» og ikke er RESULTAT av svindel/feil. Legger til en falsk post.
Denne forespørselen er kraftig fordi den tydelig definerer kriteriene, krever flerdimensjonale skårer, reviderbarhet og nøyaktig lokaliserer utdataene (unntaket, ikke resultatet).
Vanlige feil
- Det betyr "finn trikset". AI oppdager ikke juks; setter en karakter i henhold til kriteriene. Fusk er en faglig/rettslig konsekvens.
- Forveksler tegnet med et funn. Å skrive den mistenkelige posten som "feil" uten å eliminere falske positiver.
- Stoler på ett kriterium. Bruker en smal regel og mangler det virkelige mønsteret.
- Ikke filtrere ut legitime mønstre. Skaper støy ved å inkludere automatiske periodiseringer i den mistenkelige listen.
- Dokumenterer ikke begrunnelsen. Å la regnearket være usporbart uten å skrive ned hva du eliminerte/beholdt og hvorfor.
Forsiktig: Å beskrive et opptak som "mistenkelig" er en alvorlig uttalelse. Bekreft med bevis (støttedokument, bekreftelse, business case) før du skriver som et funn. Ellers vil du være urettferdig mot virksomheten og skade revisjonskvaliteten.
Oppsummert
Journaloppføringstesting er påkrevd under BDS 240, og AI er den ideelle motoren for dette: den skanner hundretusenvis av poster mot flerdimensjonale kriterier på sekunder og produserer en oppmerksomhetspoeng. Men AI "oppdager" ikke juks eller feil; det markerer bare det uvanlige. Utgangen er en haug med unntak full av falske positiver; Det er opp til revisors skepsis og skjønn å sortere ut den reelle risikoen fra den, eliminere den legitime og trekke konklusjoner. Tegnet er et spørsmålstegn, ikke et svar.
Søknadsoppgave
Spesifiser fem anomalikriterier for en hypotetisk journaldata (tidsplan, bruker, beløp, kontokombinasjon, beskrivelse). Få AI til å produsere en flerdimensjonal "oppmerksomhetspoeng" med det kraftige ledetekstmønsteret ovenfor. Skriv deretter en «screening guide»: hvilke legitime mønstre (automatisk periodisering, fast husleie osv.) skal filtreres ut som falske positiver? Til slutt, for de 5 rekordene med høy poengsum, "hvilke bevis ser jeg etter?" Svar på spørsmålet.
sjekkliste
- [ ] Jeg anonymiserte dataene og bekreftet at de var fullstendige.
- [ ] Jeg definerte anomalikriteriene flerdimensjonalt og tydelig.
- [ ] Jeg mottok klarteksten til oppmerksomhetsscore og anvendte kriterier fra AI.
- [ ] Jeg filtrerte ut kjente legitime mønstre som falske positive.
- [ ] Jeg har gjennomgått rekorder med høy poengsum med støttedokumentasjon og bekreftelse.
- [ ] Jeg bekreftet det med bevis før jeg konkluderte med "juks/feil".
- [ ] Jeg dokumenterte hva jeg fant mistenkelig og hvorfor.