Dobički:
- Sposobnost skeniranja celotne populacije z umetno inteligenco in določanja prednosti sumljivih zapisov v skladu s pravili anomalij
- Sposobnost izvajanja revizij z disciplino 'označi in utemelji' brez presojanja modela
- Sposobnost vodenja revizijske sledi (podatki, poziv, datum, preveritelj) za vsak izhod AI
Morda najbolj občutljivo področje računovodstva in financ je revizija: neodvisno preverjanje, ali so evidence točne, popolne in skladne. Umetna inteligenca (AI) je tukaj dvostransko orodje. Po eni strani je zelo zmogljiv pri skeniranju velikih skladov podatkov za anomalije (sumljive zapise, ki odstopajo od pričakovanj) in odkrivanju ranljivosti notranjega nadzora. Po drugi strani pa je treba zaradi narave revizije revidirati tudi lastne rezultate AI. V tej enoti se bomo naučili uporabljati AI kot "pomočnika revizije" in vzdrževati revizijsko sled.
Vloga umetne inteligence pri notranjem nadzoru in reviziji
Notranji nadzor je nabor pravil in procesov, vzpostavljenih za preprečevanje napak in zlorab (kot so ločevanje dolžnosti, pragi odobritve, usklajevanje). Revizija preverja, ali ti delujejo ali ne. Umetna inteligenca je najučinkovitejša, ko lahko skenira celotno populacijo, pri čemer tradicionalna revizija vključuje vzorčenje (pregledovanje nekaj zapisov od sto). Pogled na vseh 10.000 zapisov je za človeka težak, za modela pa lahko.
Toda kritična razlika je naslednja: umetna inteligenca ustvarja dvom, ne sodbe. "Ta zapis izgleda nenormalno" je izhodišče; Dejanska revizijska odločitev in zbiranje dokazov pripada človeku.
Namig: ob revizijskih pozivih recite "samo pokažite in utemeljite, ne sklepajte/obsojajte". Napačno in tvegano bi bilo, če bi model podajal dokončne izjave, kot je "to je nepravilnost"; O zadevi se odloči po vašem pregledu.
Korak za korakom: skeniranje anomalij z AI
- Določite svoj niz pravil. Kaj se vam zdi nenormalno? Prag, ponavljanje, čas.
- Preglejte celotno populacijo. Ne samo vzorec, ampak vsi.
- Označi in utemelji. Pojasnilo "zakaj je sumljivo" za vsako ugotovitev.
- Določite prednost. Razvrsti po velikosti tveganja/vpliva.
- Glejte človeški pregled. Zberite dokaze, odločite se, dokumentirajte.
Šibek poziv / močan poziv
Slab poziv: Ali so pri teh stroških kakšne nepravilnosti? [podatki]
To prinese odgovor, ki je "nič" ali povzroči neutemeljene obtožbe, ki jih ni mogoče uporabiti pri reviziji.
Močan poziv: Vaša vloga: pomočnik notranje revizije. Naloga: Pregledajte naslednje zapise o stroških glede na pravilo tveganja. Pravila: 1) Zneski tik pod pragom odobritve (50.000) (razdeljeni sum) 2) Zapisi, vneseni ob vikendih ali po urah 3) Podobni zneski, ki se v kratkih intervalih ponavljajo istemu dobavitelju 4) Nenavadna pogostost okroglih zneskov Izhod: številka zapisa | sproženo pravilo | zakaj je sumljivo (1 stavek) |prioriteta (visoka/srednja/nizka) Omejitev: Samo označite in utemeljite. Izdelava sodbe, kot je "gre za nepravilnost"; to so kandidati za pregled pri ljudeh. Uporabite le informacije v podatkih.<records> ... </records>
Ta poziv; Prednostno razvršča zneske, ki so obtičali tik pod pragom odobritve (znak "odcepitev") ali zapise, vnesene po urah, in daje revizorju jasen pregledni seznam.
Največji prispevek AI k reviziji je njegova prednost obsega. Pri tradicionalni reviziji se opravi vzorčenje, ker fizično ni mogoče pregledati vseh evidenc: pregleda se morda sto tisoč računov in rezultat se posploši na celotno populacijo. To pomeni, da se izogne nepravilnosti, ki je zunaj vzorca. Po drugi strani pa lahko umetna inteligenca v nekaj sekundah uporabi pravila, ki jih določite, za vseh deset tisoče zapisov. Tako se revizija razvije od "pregledovanja nekaj primerov in upanja" do "skeniranja vsakega zapisa in izločanja izjem". Vendar so vse, kar je najdeno, kandidati za preiskavo, ne sklepi.
Pravila o anomalijah, ki se pogosto uporabljajo pri reviziji
pravilo
Kaj nakazuje
primer
podpragovno kopičenje
Razdelite se, da se izognete odobritvi
Zneski, kot so 49.500, 49.800
prijave izven delovnega časa
Nenadzorovan vstop
Sobota 23:40 račun
dvojno plačilo
Tveganje dvojnega plačila
Enak račun, dve številki dokumenta
Frekvenca okrogle številke
Predviden/dopolnjen znesek
Veliko točno 10.000
Nov dobavitelj + višji znesek
Tveganje navideznega dobavitelja
200.000 v prvi transakciji
Ločitev dolžnosti in nadzor oblasti
Eden od temeljev notranjega nadzora je ločevanje dolžnosti: osebe, ki sprožijo, odobrijo in plačajo transakcijo, so različne. Če ista oseba vstopi, odobri in plača račun, so vrata odprta za zlorabe. Umetna inteligenca lahko najde primere, ko je ta pravilnik kršen, tako da pregleda uporabniške podatke v zapisih transakcij.
Iskanje kršitev ločevanja dolžnosti v naslednjih zapisih transakcij: - Transakcije, ki jih vnese in odobri isti uporabnik - Transakcije, ki jih isti uporabnik odobri in sproži plačilo - Zneski, ki jih odobri ena sama oseba nad omejitvijo avtorizacije Izhod: številka transakcije | vrsta kršitve | ustrezni uporabnik | prioritetaSamo pokažite in utemeljite; liste kot kandidata za izrek kazni, pregled.
Ta vrsta skeniranja v nekaj sekundah izlušči vzorce, ki jih človeško oko nikoli ne bi moglo zajeti v tisočih vrsticah. Vendar velja isto načelo: vzorec prikazuje "vzorec kršitev pravil"; Posameznik se sam odloči, ali je to resnična težava ali upravičena izjema (npr. vsiljena dvojna vloga v majhni ekipi).
Obveznost revizijske sledi
Če se izhod umetne inteligence uporablja pri reviziji, mora biti sledljiv: kateri podatki, kakšen poziv, kateri model, kateri datum, kdo je to preveril? Brez tega zapisa izpis nima nobene dokazne vrednosti pri reviziji.
Pripravite zapis revizijske sledi za to analizo: - Vir podatkov in uporabljeno obdobje - Povzetek uporabljenih pozivov/pravil - Datum izhoda modela - Prazna polja za korake človeškega preverjanja (kdo, kdaj, rezultat) Izvozite to kot predlogo za večkratno uporabo.
Pozor: Samo zato, ker AI pravi, da je "ta zapis v redu", še ne dokazuje, da tam ni težav. Model je morda zgrešil vzorec. "AI je rekel čisto" ni zagotovilo pri reviziji; Vedno dokumentirajte omejitve obsega in metode.
Mini etuiji
Primer 1 – Podpragovni predelek. Notranji revizor je odkril tri zaporedne račune v vrednosti 49.200, 49.700, 49.500 TL iz istega oddelka s skeniranjem z umetno inteligenco v podjetju s pragom odobritve 50.000 TL. Preiskava je pokazala, da je bil en sam nakup v vrednosti 145.000 GBP razdeljen na tri, da bi se izognili odobritvi. Nadzorna vrzel je bila zapolnjena.
Primer 2 – Znak dobavitelja duha. AI je kot visoko prioriteto označil, da je bilo v prvi transakciji 200.000 TL plačanih na novo dodanemu dobavitelju v sistemu. Pregled je pokazal, da je dobavitelj pristen in pod pogodbo; Alarm je bil napačen, vendar je nadzor deloval pravilno. Nauk: ni vsako znamenje zločin, a vsako znamenje je treba preučiti.
Primer 3 – strnitev nedokumentiranega rezultata. Ekipa je predložila seznam anomalij AI v revizijo, vendar ni zabeležila poziva in podatkov, s katerimi je bil ustvarjen. Zunanji revizor izpisa ni sprejel kot dokaz. Ponovitev analize z revizijsko sledjo. Lekcija: Ni rezultatov, ki jih ne bi bilo mogoče spremljati v reviziji.
Primer 4 – Kršitev ločitve dolžnosti. Pregled notranjih kontrol je odkril 37 transakcij v majhni poslovalnici, kjer je isti zaposleni vnesel, odobril in sprožil plačilo računa. Preiskava je pokazala, da uslužbenec ni imel zlonamernosti, temveč je te vloge prevzel zaradi kadrovske podhranjenosti. Kljub temu je bilo tveganje resnično; Podjetje je zapolnilo vrzel tako, da je odobritev plačil preselilo v središče. Nauk: pomanjkanje nadzora je nevarno tudi brez zlonamernosti; AI najde vzorec, ljudje oblikujejo rešitev.
Pogoste napake
- Za presojo modela. Reči "gre za nepravilnost" so napačne in tvegane; Samo označite.
- Zagotovilo "AI je rekel, da je čisto". Lahko se zgodi, da je model zgrešil; Čist rezultat ni dokaz.
- Ne vodenje revizijske sledi. Če podatki, poziv, datum in overitelj niso zabeleženi, izhod ne bo dokaz.
- Misliti, da je vsak znak zločin. Anomalija je kandidat za preiskavo; Dokazi odločajo o odločitvi.
- Brez dokumentiranja obsega. Napisati je treba, kateri zapisi so bili skenirani in omejitev metode.
Če povzamem
- Umetna inteligenca je močna pri odkrivanju nepravilnosti s skeniranjem celotne populacije v reviziji; presega vzorčenje.
- Model proizvaja dvom, ne sodbe; Uporabite ga s pravilom "samo pokaži in utemelji".
- Pravila za nepravilnosti (zaostanek pod pragom, registracija izven delovnega časa, podvojena plačila) je treba določiti vnaprej.
- Obvezno je voditi revizijsko sled (podatki, poziv, datum, validator) za vsak rezultat umetne inteligence; Neizsledljiv rezultat ni dokaz.
- "AI je rekel čisto" ni zagotovilo; Vedno dokumentirajte omejitve obsega in metode.
Aplikacijska naloga
Pripravite evidenco stroškov v 30-50 vrsticah; zavestno razdeliti na in postaviti dvojno plačilo. Zagotovite si skeniranje anomalij z zmogljivo predlogo poziva in preverite, ali model ujame vaše pasti in jim daje prednost. Nato izpolnite predlogo revizijske sledi in ugotovitve navedite kot »kandidate za pregled« (brez presojanja).
kontrolni seznam
- [ ] Vnaprej sem določil pravila anomalije (prag, čas, ponavljanje).
- [ ] Pregledal sem celotno populacijo, nisem se ustavil pri vzorčenju.
- [ ] Modelu sem preprečil presojo; Imel sem samo označeno in utemeljeno.
- [ ] Za vsako ugotovitev sem zabeležil revizijsko sled (podatki, poziv, datum).
- [ ] Tiste, ki so označeni kot "kandidati za pregled", sem prepustil človeški presoji.
- [ ] Dokumentiral sem obseg skeniranja in omejitve metode.