Zyski:
- Dowiedz się, dlaczego testowanie wpisów do dziennika jest obowiązkowe zgodnie z BDS 240 i w jaki sposób sztuczna inteligencja może skanować podejrzane kryteria wpisów
- Możliwość oznaczania i ustalania priorytetów wartości odstających, nietypowego harmonogramu i nietypowych wzorców ilościowych przy wsparciu sztucznej inteligencji
- Umiejętność utrzymywania, że każda anomalia oznaczona przez sztuczną inteligencję nie jest ustaleniem, ale znakiem zapytania, który zbada audytor, a eliminacja wyników fałszywie pozytywnych leży w gestii człowieka.
Sprawozdania finansowe przedsiębiorstwa to w zasadzie suma milionów zapisów księgowych (w rachunkowości każda transakcja finansowa jest rejestrowana jako debet i kredyt). Zarówno błąd, jak i oszustwo ostatecznie przejawiają się w zapisie księgowym: kwota zapisana na niewłaściwym koncie, zasiłek, który zostaje „zapomniany” i cofnięty na koniec okresu, nietypowy zapis wpisany ręcznie w środku nocy. Dlatego też BDS 240 (standard regulujący obowiązki biegłego rewidenta w zakresie oszustw przy badaniu sprawozdań finansowych) wyraźnie nakłada na biegłego rewidenta obowiązek przeprowadzania testów zapisów księgowych. Jego celem jest ujawnienie możliwych manipulacji ze strony kierownictwa poprzez obejście kierownictwa.
W tej części omówimy, jak zamienić sztuczną inteligencję w silnik wykrywający anomalie i błędy, ale jednocześnie dlaczego każdy zaznaczony rekord jest „znakiem zapytania”, a nie „odkryciem”. Pierwsze dwie koncepcje. Anomalia to nietypowy zapis w zbiorze danych, który odbiega od oczekiwanego wzorca. Wartość odstająca to obserwacja, która liczbowo znacząco różni się od pozostałych (np. bardzo duża liczba, bardzo wysoka częstotliwość). Anomalia nie zawsze jest błędem; ale to właśnie tam audytor powinien zajrzeć.
Kryteria podejrzanego publikowania w teście wpisu do dziennika
BDS 240 stwierdza, że zapisy o określonych cechach są bardziej narażone na ryzyko oszustwa. Sztuczna inteligencja może w ciągu kilku sekund przeskanować setki tysięcy rekordów na podstawie tych kryteriów. Typowe kryteria „czerwonej flagi”:
- Nietypowy termin: Zapisy wprowadzane ręcznie po godzinach pracy, w weekend, w święto państwowe lub w ostatni dzień zakończenia semestru.
- Niezwykły użytkownik: Rekordy wprowadzone przez użytkownika, który zwykle nie wprowadza zapisów księgowych (na przykład administratora).
- Nietypowe kombinacje kont: Księgowania pomiędzy rachunkami, które się nie spodziewają (np. rachunek przychodowy i nietypowy rachunek bezgotówkowy).
- Kwoty okrągłe: „czyste” duże kwoty, takie jak 100 000, 500 000; Jest to typowy ślad ręcznej manipulacji.
- Rekordy z pustymi lub niejednoznacznymi opisami: puste opisy typu „korekta”, „różne”, „tymczasowe”.
- Rekordy odwrócone: Rekordy wprowadzone na początku okresu i po krótkim czasie anulowane (storno).
- Duplikaty podprogowe: duża liczba rekordów skupionych tuż poniżej progu zatwierdzenia (np. 50 000 USD).
Wskazówka: przemyśl te kryteria łącznie, a nie indywidualnie. Sama „okrągła kwota” może być niewinna; ale „weekend, przez administratora, opis pusty, spójny w rundzie, ręczne wysyłanie na koniec okresu” to wyraźna czerwona flaga. Połączenie kryteriów przez sztuczną inteligencję w celu uzyskania „oceny ryzyka” pomaga w ustaleniu priorytetów.
Fałszywie pozytywna prawda: dlaczego nie każdy znak jest ustaleniem
Skanowanie anomalii charakteryzuje się fałszywymi alarmami: rekordy oznaczone przez regułę są rzeczywiście uzasadnione. Na przykład firma automatycznie wprowadza okrężne naliczanie czynszu ostatniego dnia roboczego każdego miesiąca; Wiąże się to z kryterium „okrągła kwota + koniec okresu”, ale jest to całkowicie normalne. Zadaniem audytora jest wydobycie rzeczywistego ryzyka z oznaczonego stosu. To sortowanie nie podlega przeniesieniu; ponieważ odróżnienie legalnych od podejrzanych wymaga znajomości firmy i kontekstu – czegoś, czego sztuczna inteligencja nie posiada.
Dlatego zawsze czytaj wynik w ten sposób: „Sztuczna inteligencja oznaczyła dla mnie 420 rekordów. Większość z nich to prawdopodobnie fałszywe alarmy. Moim zadaniem jest znaleźć z tych 420 tych, które naprawdę wymagają zbadania, wzorców i poszczególnych podejrzanych”. Ten widok chroni Cię zarówno przed stronniczością wynikającą z automatyzacji (przyjmowaniem każdego znaku za błąd), jak i lenistwem (nie patrzeniem na żaden z nich).
Wykrywanie anomalii krok po kroku
- Przygotuj dane i sprawdź ich kompletność. (Etapy uzgadniania w poprzedniej części.)
- Jasno określ kryteria. Jaki czas, ilość, wzorce użytkownika i opisu zostaną oznaczone?
- Skanuj i oceniaj za pomocą sztucznej inteligencji. Oznacz każdy rekord według kryteriów; Nadaj wyższy priorytet tym, które spełniają wiele kryteriów.
- Wyeliminuj fałszywe alarmy. Filtruj lub oznaczaj znane prawidłowe wzorce (takie jak automatyczne rozliczenia międzyokresowe).
- Sprawdź pozostałe zapisy. Połącz każdy z dokumentem pomocniczym, zatwierdzeniem i logiką biznesową.
- Udokumentuj wnioski i uzasadnienie. Zapisz, co uznałeś za podejrzane i dlaczego, a co wyeliminowałeś i dlaczego.
trzy mini etui
Przypadek 1 – Faktyczne ustalenia. Audytor przeskanował za pomocą sztucznej inteligencji 240 000 wpisów do dziennika; Łączył kryteria „ostatnie 3 dni okresu + instrukcja + opis „korekta” + 100 000-krotność kwoty”. Wysokie noty uzyskało 14 płyt. W ramach przeglądu 11 z nich stanowiło uzasadnione korekty na koniec roku; Jednakże 3 wpisy zostały wprowadzone w sposób powodujący zawyżenie rachunku dochodów i odwrócenie go w następnym okresie, a brak było dokumentacji potwierdzającej. Był to wzorzec omijania kontroli przez kierownictwo i stanowił istotne odkrycie. AI zadała 14 pytań; Sceptycyzm audytora pozwolił na znalezienie trzech prawdziwych odpowiedzi.
Przypadek 2 – Pułapka fałszywie pozytywna. Członek zespołu zapisał 380 „okrągłych spójnych” rekordów, które sztuczna inteligencja oznaczyła bezpośrednio w arkuszu pod nagłówkiem „podejrzane transakcje”. Kiedy funkcjonariusz spojrzał, zobaczył, że większość z nich miała stały czynsz, stałą opłatę za doradztwo i automatyczną ewidencję amortyzacji; wszystkie były legalne. Arkusz stał się „listą fałszywych ustaleń”, które poprowadziły kontrolę w złym kierunku. Lekcja: nie każdy oznaczony rekord jest ustaleniem; Wyboru dokonuje audytor.
Przypadek 3 – Zbyt wąskie ustalenie kryteriów. Audytor zastosował jedynie kryterium „rekordu weekendowego” i nie znalazł żadnych podejrzanych zapisów; Poczuł ulgę. Jednakże w przedsiębiorstwie manipulacyjne zapisy były wprowadzane w godzinach pracy w dni powszednie, ale przy nietypowych kombinacjach kont. Opieranie się na jednym, wąskim kryterium nie pozwalało mu dostrzec prawdziwego ryzyka. Kiedy audytor rozszerzył kryteria, ujawnił się pewien wzorzec. Lekcja: pojedyncze kryterium nie zapewnia pewności; Spójrz na to wielowymiarowo.
Słaba zachęta/silna zachęta
Słaba zachęta:
Znajdź fałszywe wpisy w tych wpisach dziennika.
Problem: sztuczna inteligencja nie może „wykryć” oszustwa; Oszustwo jest konsekwencją prawną/zawodową, a nie wzorcem danych. Również słowo „oszukańcze” nie jest zdefiniowane. Ten monit generuje albo zmyśloną „listę cheatów”, albo bezsensowne flagi.
Potężny monit:
Twoja rola: jesteś asystentem niezależnego audytora ds. analizy zapisów księgowych. OZNACZASZ rekord zgodnie z kryteriami; decyzja o oszustwie/błędzie należy do mnie.Kontekst: Zanonimizowane dane dziennika (kolumny: numer_rekordu, data, godzina, rola_użytkownika, konto_debetowe, konto_kredytowe, kwota, typ_rekordu[ręczny/automatyczny], opis). Koniec semestru: 31.12. Godziny pracy: 09:00-18:00, pon.-pt. Zadanie:1) Przypisz każdemu rekordowi „ocenę uwagi” według następujących kryteriów (w zależności od liczby dołączonych kryteriów): a) typ_rekordu=ręczny b) data pomiędzy 29-31 grudnia LUB weekend/święto c) godzina wolna d) kwota 100 000 TL (w zaokrągleniu) e) opis jest pusty lub {korekta, różne, tymczasowe} in2) Podaj te z wynikiem 3 i więcej jako listę priorytetów.3) Zapisz każde stosowane kryterium zwykłym tekstem (możliwość kontroli).4) Wyjaśnij, że są to „wyjątki do sprawdzenia” i nie są WYNIKIEM oszustwa/błędu. Dodanie fałszywego rekordu.
Podpowiedź ta jest potężna, ponieważ jasno definiuje kryteria, wymaga wielowymiarowych wyników, możliwości kontrolowania i dokładnie lokalizuje wynik (wyjątek, a nie wynik).
Typowe błędy
- Oznacza to „znajdź sztuczkę”. AI nie wykrywa oszustwa; wystawia ocenę zgodnie z kryteriami. Oszustwo jest konsekwencją zawodową/prawną.
- Mylenie znaku ze znaleziskiem. Zapisanie podejrzanego rekordu jako „błąd” bez eliminowania fałszywych alarmów.
- Opierając się na jednym kryterium. Używanie wąskiej reguły i brak prawdziwego wzorca.
- Nieodfiltrowywanie prawidłowych wzorców. Tworzenie szumu poprzez umieszczanie automatycznych rozliczeń międzyokresowych na liście podejrzanych.
- Brak udokumentowania uzasadnienia. Pozostawienie arkusza roboczego niemożliwego do namierzenia bez zapisywania, co wyeliminowałeś/zachowałeś i dlaczego.
Uwaga: określenie nagrania jako „podejrzanego” jest poważnym stwierdzeniem. Przed zapisaniem jako wnioskiem zweryfikuj dowody (dokument potwierdzający, potwierdzenie, uzasadnienie biznesowe). W przeciwnym razie będziesz nieuczciwy wobec firmy i zaszkodzisz jakości audytu.
Podsumowując
Zgodnie z BDS 240 wymagane jest testowanie wpisów do dziennika, a sztuczna inteligencja jest do tego idealnym silnikiem: skanuje setki tysięcy rekordów pod kątem wielowymiarowych kryteriów w ciągu kilku sekund i generuje ocenę uwagi. Ale sztuczna inteligencja nie „wykrywa” oszustw ani błędów; oznacza tylko to, co niezwykłe. Dane wyjściowe to stos wyjątków pełnych fałszywych alarmów; Do sceptycyzmu i osądu audytora należy wyselekcjonowanie wynikającego z niego rzeczywistego ryzyka, wyeliminowanie uzasadnionego i wyciągnięcie wniosków. Znak jest znakiem zapytania, a nie odpowiedzią.
Zadanie aplikacji
Określ pięć kryteriów anomalii dla hipotetycznych danych dziennika (harmonogram, użytkownik, kwota, kombinacja kont, opis). Niech sztuczna inteligencja wygeneruje wielowymiarowy „wynik uwagi” za pomocą powyższego potężnego wzorca podpowiedzi. Następnie napisz „przewodnik dotyczący kontroli”: które uzasadnione wzorce (automatyczne naliczanie, stały czynsz itp.) należy odfiltrować jako fałszywe alarmy? I wreszcie, w przypadku 5 rekordów o wysokich wynikach: „ jakich dowodów mam szukać?” Odpowiedz na pytanie.
lista kontrolna
- [ ] Zanonimizowałem dane i sprawdziłem ich kompletność.
- [ ] Zdefiniowałem kryteria anomalii wielowymiarowo i jasno.
- [ ] Otrzymałem od AI tekst jawny dotyczący wyniku uwagi i zastosowanych kryteriów.
- [ ] Odfiltrowałem znane prawidłowe wzorce jako fałszywe alarmy.
- [ ] Sprawdziłem rekordy o wysokich wynikach wraz z dokumentacją potwierdzającą i potwierdzeniem.
- [ ] Sprawdziłem to na podstawie dowodów, zanim stwierdziłem „oszustwo/błąd”.
- [ ] Udokumentowałem, co wydało mi się podejrzane i dlaczego.