Anomalya at Error Detection: Pagsusuri sa Pagpasok sa Journal at Outlier na Pagsusuri — Artificial Intelligence sa Auditing at Independent Audit

Mga nadagdag:

Unawain kung bakit ipinag-uutos ang pagsubok sa pagpasok sa journal sa ilalim ng BDS 240 at kung paano makakapag-scan ang artificial intelligence ng kahina-hinalang pamantayan sa pagpasok
Kakayahang markahan at bigyang-priyoridad ang mga outlier, hindi pangkaraniwang timing at hindi pangkaraniwang mga pattern ng halaga na may suporta sa artificial intelligence
Ang kakayahang mapanatili na ang bawat anomalya na na-flag ng artificial intelligence ay hindi isang paghahanap, ngunit isang tandang pananong na iimbestigahan ng auditor, at ang pag-aalis ng mga maling positibo ay responsibilidad ng tao.

Ang mga pahayag sa pananalapi ng isang negosyo ay karaniwang kabuuan ng milyun-milyong mga entry sa journal (sa accounting, ang bawat transaksyon sa pananalapi ay naitala bilang debit at kredito). Ang parehong error at pandaraya sa huli ay nabubuhay sa isang entry sa journal: isang halagang isinulat sa maling account, isang allowance na "nakalimutan" at binabaligtad sa pagtatapos ng panahon, isang hindi pangkaraniwang entry na manu-manong ipinasok sa kalagitnaan ng gabi. Samakatuwid, ang BDS 240 (ang pamantayang kumokontrol sa mga responsibilidad ng auditor tungkol sa pandaraya sa pag-audit ng mga pahayag sa pananalapi) ay malinaw na nangangailangan ng auditor na magsagawa ng pagsubok sa pagpasok sa journal. Ang layunin nito ay ihayag ang mga posibleng manipulasyon ng management sa pamamagitan ng management override.

Sa yunit na ito, tatalakayin natin kung paano gawing makina ng anomalya at pagtuklas ng error ang artificial intelligence, ngunit bakit ang bawat markang tala ay isang "tandang pananong" sa halip na isang "paghahanap". Unang dalawang konsepto. Ang anomalya ay isang hindi pangkaraniwang tala sa isang set ng data na lumilihis mula sa inaasahang pattern. Ang outlier ay isang obserbasyon na may malaking pagkakaiba sa bilang mula sa iba (tulad ng napakalaking halaga, napakataas na frequency). Ang anomalya ay hindi palaging isang pagkakamali; ngunit ito ay kung saan ang auditor ay dapat tumingin.

Mga kahina-hinalang pamantayan sa pag-post sa pagsusulit sa pagpasok sa journal

Ang BDS 240 ay nagsasaad na ang mga talaan na may ilang partikular na katangian ay mas kapansin-pansin sa panganib ng pandaraya. Maaaring i-scan ng AI ang daan-daang libong mga tala batay sa mga pamantayang ito sa loob ng ilang segundo. Karaniwang pamantayan ng "pulang bandila":

Hindi pangkaraniwang timing: Ang mga manu-manong talaan ay ipinasok pagkatapos ng mga oras ng trabaho, sa isang katapusan ng linggo, sa isang pampublikong holiday, o sa huling araw ng pagtatapos ng termino.
Hindi pangkaraniwang user: Mga rekord na ipinasok ng isang user na hindi karaniwang pumapasok sa mga talaan ng accounting (halimbawa, isang administrator).
Mga hindi pangkaraniwang kumbinasyon ng account: Mga pag-post sa pagitan ng mga account na hindi inaasahan sa isa't isa (hal., isang revenue account at isang hindi pangkaraniwang non-cash na account).
Mga bilog na halaga: "malinis" na malalaking halaga tulad ng 100,000, 500,000; Ito ay isang tipikal na bakas ng manu-manong pagmamanipula.
Mga rekord na may laman o hindi maliwanag na paglalarawan: mga walang laman na paglalarawan gaya ng "pagwawasto", "miscellaneous", "provisional".
Mga nabaligtad na talaan: Ang mga talaan ay ipinasok sa simula ng panahon at kinansela (storno) pagkatapos ng maikling panahon.
Mga subthreshold na duplicate: Malaking bilang ng mga record na naka-cluster sa ibaba lamang ng threshold ng pag-apruba (hal. $50,000).

Tip: Pag-isipan ang mga pamantayang ito nang magkasama, hindi isa-isa. Ang "round amount" lamang ay maaaring walang kasalanan; ngunit ang "weekend, by an administrator, description blank, round consistent, end of period manual posting" ay isang malakas na pulang bandila. Ang pagkakaroon ng AI combine criteria para makabuo ng "risk score" ay nakakatulong sa iyo na bigyang-priyoridad.

Ang maling positibong katotohanan: bakit hindi lahat ng palatandaan ay isang paghahanap

Ang likas na katangian ng pag-scan ng anomalya ay mga maling positibo: mga talaan na na-flag ng panuntunan na talagang lehitimo. Halimbawa, ang isang kumpanya ay awtomatikong nagpasok ng isang round-robin rent accrual sa huling araw ng negosyo ng bawat buwan; Ito ay nananatili sa pamantayang "round amount + end of period", ngunit ito ay ganap na normal. Ang trabaho ng auditor ay kunin ang tunay na panganib mula sa naka-flag na pile. Ang pag-uuri na ito ay hindi maililipat; dahil ang pagkilala sa lehitimong mula sa kahina-hinala ay nangangailangan ng pag-alam sa negosyo at sa konteksto — isang bagay na wala sa AI.

Kaya laging basahin ang output na ganito: "Nag-flag ang AI ng 420 record para sa akin. Karamihan sa mga ito ay malamang na mga false positive. Pinoprotektahan ka ng view na ito mula sa parehong bias sa automation (pagkuha ng bawat senyales para sa isang error) at katamaran (hindi tumitingin sa alinman sa mga ito).

Hakbang-hakbang na pagtuklas ng anomalya

Maghanda ng data at i-verify ang pagkakumpleto. (Mga hakbang sa pagkakasundo sa nakaraang yunit.)
Malinaw na tukuyin ang pamantayan. Anong timing, dami, user at mga pattern ng paglalarawan ang i-flag?
I-scan at puntos gamit ang AI. Markahan ang bawat tala ayon sa pamantayan; Bigyan ng mas mataas na priyoridad ang mga nakakatugon sa maraming pamantayan.
Tanggalin ang mga maling positibo. I-filter o i-flag ang mga kilalang lehitimong pattern (gaya ng mga awtomatikong accrual).
Suriin ang natitirang mga tala. I-link ang bawat isa sa sumusuportang dokumento, pag-apruba, at lohika ng negosyo.
Idokumento ang konklusyon at katwiran. Isulat kung ano ang nakita mong kahina-hinala at bakit, at kung ano ang inalis mo at bakit.

tatlong mini case

Kaso 1 — Aktwal na paghahanap. Isang auditor ang nag-scan ng 240,000 journal entries gamit ang AI; Pinagsama nito ang pamantayan "huling 3 araw ng panahon + manual + paglalarawan 'pagwawasto' + 100,000 beses ang halaga". 14 na talaan ang nakatanggap ng matataas na marka. Sa pagsusuri, 11 ang mga lehitimong pagsasaayos sa pagtatapos ng taon; Gayunpaman, 3 entry ang ipinasok sa paraang magpapalaki sa income account at mababaligtad sa susunod na panahon, at walang pansuportang dokumentasyon. Ito ay isang pattern ng pamamahala na lumalampas sa mga kontrol at isang makabuluhang paghahanap. Nagtanong ang AI ng 14 na katanungan; Ang pag-aalinlangan ng auditor ay natagpuan ang 3 totoong sagot.

Kaso 2 — Maling positibong bitag. Isinulat ng isang miyembro ng team ang 380 "round consistent" na tala na direktang na-flag ng AI sa worksheet sa ilalim ng heading na "kahina-hinalang mga transaksyon." Nang tumingin ang opisyal, nakita niyang karamihan sa kanila ay may fixed rent, fixed consultancy fee at automatic depreciation records; lahat sila ay lehitimo. Ang worksheet ay naging isang "listahan ng mga maling natuklasan" na humantong sa pag-audit sa maling direksyon. Aral: hindi lahat ng naka-flag na tala ay isang paghahanap; Ang auditor ay gumagawa ng pagpili.

Kaso 3 — Masyadong makitid ang pagtatakda ng pamantayan. Ginamit lang ng auditor ang pamantayang "weekend record" at walang nakitang kahina-hinalang mga rekord; Nakahinga siya ng maluwag. Gayunpaman, sa negosyo, ang mga manipulative na tala ay ipinasok sa mga oras ng trabaho sa araw ng linggo, ngunit may mga hindi pangkaraniwang kumbinasyon ng account. Ang pag-asa sa isang solong, makitid na pamantayan ay pumigil sa kanya na makita ang tunay na panganib. Nang pinalawak ng auditor ang pamantayan, lumitaw ang pattern. Aralin: ang solong pamantayan ay hindi nagbibigay ng katiyakan; Tingnan ito sa multidimensionally.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Maghanap ng mga mapanlinlang na entry sa mga entry sa journal na ito.

Problema: Hindi "matukoy" ng AI ang pagdaraya; Ang pandaraya ay isang legal/propesyonal na kahihinatnan, hindi isang pattern ng data. Gayundin ang "panloloko" ay hindi natukoy. Ang prompt na ito ay gumagawa ng alinman sa isang gawa-gawang "cheat list" o walang kahulugan na mga flag.

Napakahusay na prompt:

Ang iyong tungkulin: ikaw ay isang independiyenteng auditor's journal entry analysis assistant. MARKAHAN mo ang talaan ayon sa pamantayan; pagmamay-ari ko ang desisyon ng cheating/error.Context: Anonymized journal data (column: record_number, petsa, oras, user_role, debit_account, credit_account, halaga, record_type[manual/automatic], paglalarawan). Katapusan ng termino: 31.12. Mga oras ng pagtatrabaho: 09:00-18:00, Mon-Fri.Task:1) Magbigay ng "attention score" sa bawat record ayon sa sumusunod na pamantayan (depende sa kung gaano karaming pamantayan ang nakalakip): a) record_type=manual b) petsa sa pagitan ng 29-31 December O weekend/holiday c) oras na wala sa tungkulin d) halagang 10000000000000000000000000000000000000000000000000000) {correction, miscellaneous, temporary} in2) Bigyan ng priority list ang mga may markang 3 pataas.3) Isulat sa plain text (auditability) ang bawat criterion na iyong inilalapat.4) Gawing malinaw na ang mga ito ay "exceptions to be examined" at hindi RESULTA ng fraud/error. Pagdaragdag ng pekeng tala.

Makapangyarihan ang prompt na ito dahil malinaw nitong tinutukoy ang pamantayan, nangangailangan ng mga multidimensional na marka, auditability, at tumpak na hinahanap ang output (ang exception, hindi ang kinalabasan).

Mga karaniwang pagkakamali

Ang ibig sabihin nito ay "hanapin ang lansihin". Ang AI ay hindi nakakakita ng pagdaraya; naglalagay ng marka ayon sa pamantayan. Ang pagdaraya ay isang propesyonal/legal na kahihinatnan.
Napagkamalan ang sign para sa isang paghahanap. Isinulat ang kahina-hinalang rekord bilang "error" nang hindi inaalis ang mga maling positibo.
Umaasa sa isang criterion. Paggamit ng isang makitid na panuntunan at nawawala ang tunay na pattern.
Hindi sinasala ang mga lehitimong pattern. Paglikha ng ingay sa pamamagitan ng pagsasama ng mga awtomatikong accrual sa kahina-hinalang listahan.
Hindi pagdodokumento ng katwiran. Ang pag-iwan sa worksheet na hindi masubaybayan nang hindi isinulat kung ano ang iyong inalis/itinago at bakit.

Babala: Ang paglalarawan sa isang recording bilang "kahina-hinala" ay isang seryosong pahayag. I-verify gamit ang ebidensya (suportang dokumento, kumpirmasyon, kaso ng negosyo) bago isulat bilang isang paghahanap. Kung hindi, magiging hindi patas ka sa negosyo at masisira ang kalidad ng pag-audit.

Sa buod

Kinakailangan ang pagsubok sa pagpasok sa journal sa ilalim ng BDS 240, at ang AI ang perpektong makina para dito: nag-scan ito ng daan-daang libong talaan laban sa multidimensional na pamantayan sa loob ng ilang segundo at gumagawa ng marka ng atensyon. Ngunit ang AI ay hindi "nakakakita" ng pagdaraya o mga pagkakamali; ito ay nagmamarka lamang ng hindi pangkaraniwan. Ang output ay isang tumpok ng mga pagbubukod na puno ng mga maling positibo; Nasa pag-aalinlangan at paghuhusga ng auditor na ayusin ang tunay na panganib mula dito, alisin ang lehitimong isa, at gumawa ng mga konklusyon. Ang tanda ay tandang pananong, hindi isang sagot.

Gawain ng aplikasyon

Tukuyin ang limang pamantayan ng anomalya para sa isang hypothetical na data ng journal (iskedyul, user, halaga, kumbinasyon ng account, paglalarawan). Hayaang gumawa ang AI ng isang multi-dimensional na "attention score" na may malakas na pattern sa itaas. Pagkatapos ay magsulat ng "gabay sa screening": aling mga lehitimong pattern (awtomatikong accrual, fixed rent, atbp.) ang dapat i-filter bilang mga false positive? Sa wakas, para sa 5 mataas na marka ng mga tala, "anong ebidensya ang hinahanap ko?" Sagutin ang tanong.

checklist

[ ] Ginawa kong anonymize ang data at na-verify ang pagkakumpleto nito.
[ ] Tinukoy ko ang pamantayan ng anomalya sa multidimensional at malinaw.
[ ] Natanggap ko ang plaintext ng marka ng atensyon at inilapat na pamantayan mula sa AI.
[ ] Na-filter ko ang mga kilalang lehitimong pattern bilang mga false positive.
[ ] Sinuri ko ang mga talaan na may mataas na marka na may sumusuportang dokumentasyon at kumpirmasyon.
[ ] Pinatotohanan ko ito gamit ang ebidensya bago tapusin ang "cheating/error".
[ ] Naidokumento ko kung ano ang nakita kong kahina-hinala at bakit.