Прибыль:
- Узнайте, почему проверка записей в журнале обязательна в соответствии с BDS 240 и как искусственный интеллект может сканировать подозрительные критерии входа.
- Возможность отмечать и определять приоритетность выбросов, необычных сроков и необычных моделей сумм с поддержкой искусственного интеллекта.
- Возможность утверждать, что каждая аномалия, отмеченная искусственным интеллектом, является не открытием, а вопросительным знаком, который будет исследовать аудитор, а устранение ложных срабатываний является обязанностью человека.
Финансовая отчетность предприятия представляет собой, по сути, сумму миллионов записей в журнале (в бухгалтерском учете каждая финансовая операция записывается как дебет и кредит). И ошибка, и мошенничество, в конечном счете, живут в записи в журнале: сумма, записанная на неправильный счет, пособие, которое «забывается» и аннулируется в конце периода, необычная запись, введенная вручную посреди ночи. Таким образом, BDS 240 (стандарт, регулирующий обязанности аудитора в отношении мошенничества при аудите финансовой отчетности) явно требует от аудитора проведения проверки записей в журнале. Его цель – выявить возможные манипуляции со стороны руководства посредством обхода управления.
В этом разделе мы расскажем, как превратить искусственный интеллект в механизм обнаружения аномалий и ошибок, а также почему каждая отмеченная запись является «вопросительным знаком», а не «находкой». Первые две концепции. Аномалия — это необычная запись в наборе данных, которая отклоняется от ожидаемой закономерности. Выброс — это наблюдение, которое численно значительно отличается от других (например, очень большое количество, очень высокая частота). Аномалия не всегда является ошибкой; но именно туда должен смотреть одитор.
Критерии подозрительных публикаций при вступительном тесте в журнале
В BDS 240 говорится, что записи с определенными характеристиками более подвержены риску мошенничества. ИИ может сканировать сотни тысяч записей на основе этих критериев за секунды. Типичные критерии «красного флажка»:
- Необычное время: записи вручную вводятся в нерабочее время, в выходные, праздничные дни или в последний день окончания срока.
- Необычный пользователь: записи, введенные пользователем, который обычно не вводит учетные записи (например, администратором).
- Необычные комбинации счетов: проводки между счетами, которые не ожидают друг друга (например, счет доходов и необычный безналичный счет).
- Круглые суммы: «чистые» крупные суммы, например 100 000, 500 000; Это типичный след ручной манипуляции.
- Записи с пустыми или двусмысленными описаниями: пустые описания, такие как «исправление», «разное», «предварительное».
- Перевернутые записи: записи, введенные в начале периода и отмененные (сторно) через короткое время.
- Подпороговые дубликаты: большое количество записей, сгруппированных чуть ниже порога одобрения (например, 50 000 долларов США).
Совет: подумайте об этих критериях вместе, а не по отдельности. Сама по себе «круглая сумма» может быть невинной; но «выходные, администратором, описание пустое, единообразное по раундам, публикация вручную в конце периода» — это сильный тревожный сигнал. Объединение критериев ИИ для получения «оценки риска» помогает вам расставить приоритеты.
Ложноположительная истина: почему не каждый признак является находкой
Природа сканирования аномалий заключается в ложных срабатываниях: записи, помеченные правилом, на самом деле являются законными. Например, компания автоматически вводит циклическое начисление арендной платы в последний рабочий день каждого месяца; Это застряло в критерии «круглая сумма + конец периода», но это совершенно нормально. Задача аудитора — извлечь реальный риск из помеченной стопки. Эта сортировка не подлежит переносу; потому что для того, чтобы отличить законное от подозрительного, необходимо знать бизнес и контекст, а у ИИ нет этого.
Поэтому всегда читайте вывод следующим образом: «ИИ пометил для меня 420 записей. Большинство из них, вероятно, являются ложноположительными. Моя задача — найти из этих 420 те, которые действительно необходимо исследовать, закономерности и отдельные подозрительные». Такое представление защищает вас как от предвзятости автоматизации (принимать каждый признак за ошибку), так и от лени (не обращать внимания ни на один из них).
Обнаружение аномалий шаг за шагом
- Подготовьте данные и проверьте их полноту. (Этапы согласования описаны в предыдущем разделе.)
- Четко определите критерии. Какие сроки, суммы, шаблоны пользователей и описаний будут отмечены?
- Сканируйте и оценивайте с помощью ИИ. Отметьте каждую запись по критериям; Отдайте более высокий приоритет тем, которые соответствуют нескольким критериям.
- Устранение ложных срабатываний. Фильтруйте или отмечайте известные законные закономерности (например, автоматическое начисление).
- Изучите оставшиеся записи. Свяжите каждый из них с подтверждающим документом, утверждением и бизнес-логикой.
- Задокументируйте вывод и обоснование. Запишите, что вам показалось подозрительным и почему, а что вы исключили и почему.
три мини-кейса
Случай 1 — Фактический результат. Аудитор просканировал 240 000 записей журнала с помощью ИИ; Он объединил критерии «последние 3 дня периода + руководство + описание «коррекции» + 100 000-кратное увеличение суммы». 14 пластинок получили высокие оценки. В обзоре 11 из них были законными корректировками на конец года; Однако 3 записи были введены таким образом, что это привело бы к завышению счета доходов и сторнированию в следующем периоде, а подтверждающая документация отсутствовала. Это была модель обхода руководством мер контроля, и это стало важным открытием. ИИ задал 14 вопросов; Скептицизм одитора нашел 3 реальных ответа.
Случай 2 — Ложноположительная ловушка. Член команды записал 380 «согласованных по раунду» записей, которые ИИ пометил, прямо на листе под заголовком «подозрительные транзакции». Когда офицер посмотрел, он увидел, что у большинства из них фиксированная арендная плата, фиксированная плата за консультации и автоматические записи амортизации; все они были законными. Рабочий лист превратился в «список ложных выводов», которые повели проверку в неправильном направлении. Урок: не каждая помеченная запись является находкой; Аудитор делает выбор.
Случай 3 — Установление слишком узких критериев. Аудитор использовал только критерий «записи выходного дня» и не обнаружил подозрительных записей; Он почувствовал облегчение. Однако в бизнесе манипулятивные записи вводились в рабочее время в будние дни, но с необычными комбинациями счетов. Опираясь на единственный узкий критерий, он не смог увидеть реальный риск. Когда одитор расширил критерии, возникла закономерность. Урок: один критерий не обеспечивает уверенности; Посмотрите на это многомерно.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Найдите в этих записях журнала мошеннические записи.
Проблема: ИИ не может «обнаружить» мошенничество; Мошенничество является юридическим/профессиональным последствием, а не закономерностью данных. Также слово «мошенничество» не определено. Это приглашение выдает либо вымышленный «чит-лист», либо бессмысленные флаги.
Мощная подсказка:
Ваша роль: вы являетесь помощником независимого аудитора по анализу записей в журнале. Вы ОТМЕЧАЕТЕ запись в соответствии с критериями; Решение о мошенничестве/ошибке принадлежит мне. Контекст: анонимизированные данные журнала (столбцы: номер_записи, дата, время, роль_пользователя, дебетовый_счет, кредитный_счет, сумма, тип_записи [ручной/автоматический], описание). Окончание срока: 31.12. Часы работы: 09:00-18:00, Пн-Пт. Задача: 1) Дать «оценку внимания» каждой записи в соответствии со следующими критериями (в зависимости от количества критериев): a) Record_type=manual b) дата между 29-31 декабря ИЛИ выходные/праздничные дни c) нерабочие часы d) сумма 100 000 TL сплошная (округленная) e) описание пустое или {исправление, разное, временное} in2) Дайте те, кто получил оценку 3 и выше, в качестве приоритетного списка. 3) Напишите каждый критерий, который вы применяете, обычным текстом (проверяемость). 4) Дайте понять, что это «исключения, подлежащие проверке», а не РЕЗУЛЬТАТ мошенничества/ошибки. Добавление фейковой записи.
Эта подсказка является мощной, поскольку она четко определяет критерии, требует многомерных оценок, проверяемости и точно определяет выход (исключение, а не результат).
Распространенные ошибки
- Это означает «найти хитрость». ИИ не обнаруживает мошенничества; ставит оценку согласно критериям. Обман является профессиональным/юридическим последствием.
- Принятие знака за находку. Запись подозрительной записи как «ошибки» без исключения ложных срабатываний.
- Опираясь на один критерий. Использование узкого правила и упущение реальной закономерности.
- Не фильтруя законные шаблоны. Создание шума путем включения автоматических начислений в список подозрительных.
- Не документируя обоснование. Оставив рабочий лист неотслеживаемым, не записав, что вы удалили/сохранили и почему.
Внимание: описание записи как «подозрительной» является серьезным заявлением. Проверьте доказательства (подтверждающий документ, подтверждение, экономическое обоснование), прежде чем писать в качестве вывода. В противном случае вы окажетесь несправедливыми по отношению к бизнесу и навредите качеству аудита.
В итоге
Тестирование записей в журнале требуется в соответствии с BDS 240, и искусственный интеллект является идеальным механизмом для этого: он сканирует сотни тысяч записей на соответствие многомерным критериям за секунды и выдает оценку внимания. Но ИИ не «обнаруживает» мошенничество или ошибки; оно лишь отмечает необычное. Результатом является куча исключений, полных ложных срабатываний; От скептицизма и суждений аудитора зависит, сможет ли он выделить из него реальный риск, исключить законный и сделать выводы. Знак вопроса, а не ответа.
Задача приложения
Укажите пять критериев аномалии для гипотетических данных журнала (расписание, пользователь, сумма, комбинация счетов, описание). Попросите ИИ вычислить многомерную «оценку внимания» с помощью мощного шаблона подсказок, приведенного выше. Затем напишите «руководство по проверке»: какие законные закономерности (автоматическое начисление, фиксированная арендная плата и т. д.) следует отфильтровывать как ложные срабатывания? Наконец, для пяти рекордов с высокими показателями: «Какие доказательства мне искать?» Ответьте на вопрос.
контрольный список
- [ ] Я обезличил данные и проверил их полноту.
- [ ] Я определил критерии аномалии многомерно и четко.
- [ ] Я получил открытый текст оценки внимания и примененных критериев от ИИ.
- [ ] Я отфильтровал известные законные закономерности как ложные срабатывания.
- [ ] Я просмотрел записи с высокими оценками с подтверждающей документацией и подтверждением.
- [ ] Я проверил это доказательствами, прежде чем сделать вывод об «обмане/ошибке».
- [ ] Я задокументировал, что мне показалось подозрительным и почему.