Zyski:
- Możliwość skanowania całej populacji za pomocą sztucznej inteligencji i ustalania priorytetów podejrzanych rekordów zgodnie z zasadami anomalii
- Umiejętność przeprowadzania audytów z zachowaniem dyscypliny „oznacz i uzasadnij” bez osądzania modelu
- Możliwość prowadzenia ścieżki audytu (dane, monity, data, weryfikator) dla każdego wyniku AI
Być może najbardziej wrażliwym obszarem rachunkowości i finansów jest audyt: niezależna weryfikacja, czy zapisy są dokładne, kompletne i zgodne. Sztuczna inteligencja (AI) jest tu narzędziem dwutorowym. Z jednej strony jest bardzo skuteczny w skanowaniu dużych stosów danych pod kątem anomalii (podejrzanych zapisów odbiegających od oczekiwań) i wykrywaniu luk w zabezpieczeniach kontroli wewnętrznej. Z drugiej strony, ze względu na charakter kontroli, audytowi muszą zostać poddane również wyniki własne AI. W tej części nauczymy się wykorzystywać sztuczną inteligencję jako „asystenta audytu” i prowadzić ścieżkę audytu.
Rola AI w kontroli wewnętrznej i audycie
Kontrola wewnętrzna to zbiór zasad i procesów ustanowionych w celu zapobiegania błędom i nadużyciom (takim jak podział obowiązków, progi akceptacji, uzgadnianie). Audyt sprawdza, czy działają one, czy nie. Sztuczna inteligencja jest najskuteczniejsza wtedy, gdy może skanować całe populacje, gdzie tradycyjny audyt obejmuje pobieranie próbek (badanie kilku rekordów spośród setek). Przeglądanie wszystkich 10 000 rekordów jest trudne dla człowieka, ale możliwe dla modelki.
Ale zasadnicza różnica jest następująca: sztuczna inteligencja generuje wątpliwości, a nie osądy. „Ta płyta wygląda nienormalnie” to punkt wyjścia; Faktyczna decyzja audytowa i gromadzenie dowodów należą do człowieka.
Wskazówka: w odpowiedzi na monity kontroli powiedz „po prostu wskaż i uzasadnij, nie wyciągaj wniosków/oceniaj”. Formułowanie przez model ostatecznych stwierdzeń typu „to jest nieprawidłowość” byłoby zarówno błędne, jak i ryzykowne; Decyzja zostanie rozstrzygnięta po Twojej recenzji.
Krok po kroku: skanowanie anomalii za pomocą sztucznej inteligencji
- Zdefiniuj swój zestaw reguł. Co uważasz za nienormalne? Próg, powtórzenie, czas.
- Przeskanuj całą populację. Nie tylko próbkę, ale wszystkie.
- Zaznacz i uzasadnij. Wyjaśnienie „dlaczego jest to podejrzane” dla każdego ustalenia.
- Ustal priorytety. Sortuj według wielkości ryzyka/skutku.
- Zapoznaj się z weryfikacją manualną. Zbierz dowody, podejmij decyzję, udokumentuj.
Słaba podpowiedź/silna podpowiedź
Słaby monit: Czy są jakieś nieprawidłowości w tych wydatkach? [dane]
Prowadzi to do odpowiedzi „żadnej” lub bezpodstawnych oskarżeń, których nie można wykorzystać w audycie.
Silna zachęta:Twoja rola: asystent audytu wewnętrznego.Zadanie: Zeskanuj następujące rejestry wydatków pod kątem reguły ryzyka.Zasady:1) Kwoty tuż poniżej progu zatwierdzenia (50 000) (częściowe podejrzenie)2) Zapisy wprowadzane w weekendy lub po godzinach3) Podobne kwoty powtarzane w krótkich odstępach czasu dla tego samego dostawcy4) Nietypowa częstotliwość zaokrąglania kwot Wynik: numer rekordu | reguła wyzwalana | dlaczego jest to podejrzane (1 zdanie) |priorytet (wysoki/średni/niski)Ograniczenie: Po prostu zaznacz i uzasadnij. Dokonywanie oceny w stylu „jest to nieprawidłowość”; są to kandydaci do badania na ludziach. Wykorzystuj wyłącznie informacje zawarte w danych.<records> ... </records>
Ten monit; Nadaje priorytet kwotom, które utknęły tuż poniżej progu zatwierdzenia (znak „podziału”) lub zapisom wprowadzonym po godzinach pracy i zapewnia audytorowi przejrzystą listę do przeglądu.
Największym wkładem sztucznej inteligencji w audyt jest przewaga skali. W tradycyjnym audycie pobieranie próbek przeprowadza się, ponieważ fizycznie nie jest możliwe przejrzenie wszystkich zapisów: być może sprawdza się sto tysięcy faktur, a wynik uogólnia się na całą populację. Oznacza to, że nieprawidłowość znajdująca się poza próbką zostaje usunięta. Z drugiej strony sztuczna inteligencja może w ciągu kilku sekund zastosować zdefiniowane przez Ciebie reguły do wszystkich dziesiątek tysięcy rekordów. W ten sposób audyt ewoluuje od „patrzenia na kilka przykładów i nadziei” do „skanowania każdego rekordu i wyciągania wyjątków”. Jednak wszystko, co zostanie znalezione, to materiały nadające się do dochodzenia, a nie wnioski.
Reguły anomalii często używane w audycie
rządzić
Co to oznacza
przykład
akumulacja podprogowa
Podziel, aby uniknąć zatwierdzenia
Kwoty takie jak 49 500, 49 800
rejestracja poza godzinami pracy
Niekontrolowane wejście
Sobota 23:40 rachunek
zduplikowana płatność
Ryzyko podwójnej płatności
Ta sama faktura, dwa numery dokumentów
Częstotliwość okrągła
Kwota szacunkowa/zmyślona
Dużo dokładnie 10 000
Nowy dostawca + wyższa kwota
Ryzyko dostawcy duchów
Pierwsza transakcja za 200 tys
Podział obowiązków i kontrola władzy
Jednym z kamieni węgielnych kontroli wewnętrznej jest podział obowiązków: osoby inicjujące, zatwierdzające i płacące za transakcję są różne. Jeśli ta sama osoba wchodzi, zatwierdza i płaci fakturę, otwierają się drzwi do nadużyć. Sztuczna inteligencja może znaleźć przypadki naruszenia tej zasady, skanując informacje o użytkowniku w zapisach transakcji.
Skanuj w poszukiwaniu naruszeń podziału obowiązków w następujących rekordach transakcji: - Transakcje wprowadzane i zatwierdzane przez tego samego użytkownika - Transakcje, które ten sam użytkownik zatwierdza i inicjuje płatność - Kwoty zatwierdzone przez jedną osobę powyżej limitu autoryzacji Dane wyjściowe: numer transakcji | rodzaj naruszenia | odpowiedni użytkownik | priorytetWystarczy wskazać i uzasadnić; listę jako kandydata do skazania, dokonaj przeglądu.
Ten typ skanowania wyodrębnia w ciągu kilku sekund wzory, których ludzkie oko nigdy nie byłoby w stanie uchwycić w tysiącach linii. Ale obowiązuje ta sama zasada: wzór przedstawia „wzorzec naruszeń zasad”; Decyzja, czy jest to prawdziwy problem, czy uzasadniony wyjątek (np. wymuszona podwójna rola w małym zespole), należy do jednego.
Obowiązek ścieżki audytu
Jeśli w audycie mają zostać wykorzystane wyniki sztucznej inteligencji, muszą one być identyfikowalne: jakie dane, jaki monit, jaki model, jaka data, kto to zweryfikował? Bez tego zapisu wydruk nie ma wartości dowodowej w audycie.
Przygotuj zapis ścieżki audytu dla tej analizy: – Źródło danych i wykorzystany okres – Podsumowanie zastosowanych podpowiedzi/zasad – Data wyników modelu – Puste pola na etapy weryfikacji przez człowieka (kto, kiedy, wynik) Wyeksportuj to jako szablon do ponownego wykorzystania.
Uwaga: to, że sztuczna inteligencja twierdzi, że „ten rekord jest w porządku”, nie oznacza, że nie ma z nim żadnych problemów. Model mógł przegapić wzór. „AI powiedziała, że jest czysta” nie jest gwarancją w audycie; Zawsze dokumentuj granice zakresu i metody.
Mini etui
Przypadek 1 — Przedział podprogowy. Audytor wewnętrzny znalazł trzy kolejne faktury na kwoty 49 200, 49 700, 49 500 TL z tego samego działu w wyniku skanowania AI w firmie, której próg zatwierdzenia wynosi 50 000 TL. Dochodzenie wykazało, że pojedynczy zakup o wartości 145 000 funtów został podzielony na trzy części, aby uniknąć zatwierdzenia. Luka kontrolna została zamknięta.
Przypadek 2 — Znak dostawcy duchów. AI nadała wysoki priorytet temu, że w pierwszej transakcji nowo dodanemu dostawcy w systemie wypłacono 200 000 TL. Przegląd wykazał, że dostawca jest rzetelny i objęty umową; Alarm był fałszywy, ale sterowanie działało prawidłowo. Lekcja: nie każdy znak jest przestępstwem, ale każdy znak należy sprawdzić.
Przypadek 3 – Upadek nieudokumentowanej produkcji. Zespół poddał listę anomalii AI do audytu, ale nie zapisał podpowiedzi i danych, na podstawie których została wygenerowana. Audytor zewnętrzny nie przyjął wydruku jako dowodu. Ponowne uruchomienie analizy ze ścieżką audytu. Lekcja: Nie ma wyników, których nie można monitorować w ramach audytu.
Sprawa 4 – Naruszenie podziału obowiązków. Skanowanie kontroli wewnętrznej wykazało 37 transakcji w małym oddziale, w którym ten sam pracownik wprowadził, zatwierdził i zainicjował płatność za fakturę. Dochodzenie wykazało, że pracownik nie miał złych zamiarów, lecz przyjął te role ze względu na braki kadrowe. Mimo to ryzyko było realne; Firma uzupełniła tę lukę, przenosząc zatwierdzanie płatności do centrum. Lekcja: deficyt kontroli jest niebezpieczny nawet bez wrogości; Sztuczna inteligencja znajduje wzór, ludzie projektują rozwiązanie.
Typowe błędy
- Aby ocenić model. Twierdzenie, że „jest to nieprawidłowość” jest zarówno błędne, jak i ryzykowne; Po prostu to zaznacz.
- Zapewnienie „AI powiedziała, że jest czysto”. Być może model przeoczył; Czysty wynik nie jest dowodem.
- Nieprowadzenie ścieżki audytu. Jeżeli dane, monit, data i weryfikator nie zostaną zapisane, wynik nie będzie dowodem.
- Myślenie, że każdy znak jest przestępstwem. Anomalia jest kandydatem do zbadania; Dowody decydują o decyzji.
- Brak dokumentowania zakresu. Należy napisać, które rekordy zostały przeskanowane i jaki jest limit metody.
Podsumowując
- Sztuczna inteligencja ma ogromną moc w znajdowaniu anomalii poprzez skanowanie całej populacji podczas audytu; wykracza poza pobieranie próbek.
- Model rodzi wątpliwości, a nie osąd; Używaj go z zasadą „po prostu wskaż i uzasadnij”.
- Zasady dotyczące anomalii (backlog poniżej progu, rejestracja poza godzinami pracy, zduplikowana płatność) powinny być określone z góry.
- Obowiązkowe jest prowadzenie ścieżki audytu (dane, monit, data, walidator) dla każdego wyniku AI; Niemożliwe do namierzenia dane wyjściowe nie są dowodem.
- „AI powiedziała, że jest czysto” nie jest gwarancją; Zawsze dokumentuj granice zakresu i metody.
Zadanie aplikacji
Przygotuj rejestr wydatków składający się z 30–50 wierszy; świadomie podzielić i umieścić duplikat płatności. Uzyskaj skan anomalii za pomocą zaawansowanego szablonu podpowiedzi i sprawdź, czy model wychwytuje Twoje pułapki i nadaje im priorytet. Następnie wypełnij szablon ścieżki audytu i wypisz ustalenia jako „kandydaci do przeglądu” (bez wydawania osądu).
lista kontrolna
- [ ] Zdefiniowałem reguły anomalii (próg, czas, powtórzenie).
- [ ] Przeskanowałem całą populację, nie poprzestałem na pobieraniu próbek.
- [ ] Uniemożliwiłem modelowi wydanie wyroku; Po prostu to zaznaczyłem i uzasadniłem.
- [ ] Dla każdego ustalenia zapisałem ścieżkę audytu (dane, monit, data).
- [ ] Osoby oznaczone jako „kandydaci do recenzji” pozostawiłem ludzkiej ocenie.
- [ ] Udokumentowałem zakres skanowania i ograniczenia metody.