فائدہ:
- AI کے ساتھ پوری آبادی کو اسکین کرنے اور بے ضابطگی کے قواعد کے مطابق مشکوک ریکارڈ کو ترجیح دینے کی صلاحیت
- ماڈل پر فیصلہ کیے بغیر 'نشان اور جواز' کے نظم و ضبط کے ساتھ آڈٹ کرنے کی اہلیت
- ہر AI آؤٹ پٹ کے لیے آڈٹ ٹریل (ڈیٹا، پرامپٹ، تاریخ، تصدیق کنندہ) رکھنے کی اہلیت
شاید اکاؤنٹنگ اور فنانس کا سب سے حساس شعبہ آڈیٹنگ ہے: آزادانہ طور پر اس بات کی تصدیق کرنا کہ ریکارڈ درست، مکمل اور مطابق ہیں۔ مصنوعی ذہانت (AI) یہاں دو جہتی ٹول ہے۔ ایک طرف، یہ بے ضابطگیوں (مشکوک ریکارڈ جو توقعات سے ہٹ جاتے ہیں) کے لیے بڑے ڈیٹا اسٹیک کو اسکین کرنے اور اندرونی کنٹرول کی کمزوریوں کا پتہ لگانے میں بہت طاقتور ہے۔ دوسری طرف، آڈٹ کی نوعیت کی وجہ سے، AI کے اپنے آؤٹ پٹ کا بھی آڈٹ ہونا ضروری ہے۔ اس یونٹ میں، ہم AI کو بطور "آڈٹ اسسٹنٹ" استعمال کرنے اور آڈٹ ٹریل کو برقرار رکھنے کا طریقہ سیکھیں گے۔
اندرونی کنٹرول اور آڈٹ میں AI کا کردار
داخلی کنٹرول غلطیوں اور غلط استعمال کو روکنے کے لیے قائم کردہ قوانین اور عمل کا مجموعہ ہے (جیسے فرائض کی علیحدگی، منظوری کی حدیں، مفاہمت)۔ آڈٹ چیک کرتا ہے کہ آیا یہ کام کر رہے ہیں یا نہیں۔ جہاں AI سب سے زیادہ مؤثر ہے وہ وہ ہے جب یہ پوری آبادی کو اسکین کر سکتا ہے جہاں روایتی آڈیٹنگ میں نمونے لینے (سینکڑوں میں سے چند ریکارڈوں کی جانچ کرنا) شامل ہوتا ہے۔ تمام 10,000 ریکارڈز کو دیکھنا انسان کے لیے مشکل ہے، لیکن ایک ماڈل کے لیے ممکن ہے۔
لیکن اہم فرق یہ ہے: AI شک پیدا کرتا ہے، فیصلہ نہیں۔ "یہ ریکارڈ غیر معمولی لگتا ہے" ایک نقطہ آغاز ہے۔ اصل آڈٹ کا فیصلہ اور شواہد اکٹھا کرنا انسان کا ہے۔
اشارہ: آڈٹ کے اشارے پر، "صرف اشارہ کریں اور جواز پیش کریں، نتیجہ اخذ نہ کریں/جج کریں"۔ ماڈل کے لیے قطعی بیانات دینا غلط اور خطرناک دونوں ہو گا جیسے کہ "یہ ایک بے قاعدگی ہے"؛ اس معاملے کا فیصلہ آپ کے جائزے پر ہوتا ہے۔
مرحلہ وار: AI کے ساتھ بے ضابطگی اسکیننگ
- اپنے اصول کے سیٹ کی وضاحت کریں۔ آپ کس چیز کو غیر معمولی سمجھتے ہیں؟ حد، تکرار، وقت۔
- پوری آبادی کو اسکین کریں۔ صرف ایک نمونہ نہیں بلکہ ان سب کا۔
- نشان زد کریں اور جواز پیش کریں۔ ہر ایک تلاش کے لیے "یہ مشکوک کیوں ہے" کی وضاحت۔
- ترجیح دیں۔ خطرے/اثر کی شدت کے لحاظ سے ترتیب دیں۔
- انسانی جائزہ کا حوالہ دیں۔ ثبوت جمع کرنا، فیصلہ کرنا، دستاویز کرنا۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ: کیا ان اخراجات میں کوئی بے ضابطگی ہے؟ [ڈیٹا]
اس سے ایسا جواب ملتا ہے جو یا تو "کوئی نہیں" ہوتا ہے یا بے بنیاد الزامات لگاتا ہے جو آڈٹ میں استعمال نہیں کیا جا سکتا۔
مضبوط اشارہ: آپ کا کردار: اندرونی آڈٹ اسسٹنٹ۔ ٹاسک: خطرے کے اصول کے خلاف درج ذیل اخراجات کے ریکارڈ کو اسکین کریں۔ قواعد: 1) منظوری کی حد سے بالکل نیچے کی رقم (50,000) (تقسیم شک) 2) ہفتے کے آخر میں یا گھنٹوں کے بعد درج کیے گئے ریکارڈ3) اسی طرح کی شارٹ فریکوئنسی 4 پر دہرائی جانے والی شارٹ فریکوئنسی کی برابر رقم مقدار آؤٹ پٹ: ریکارڈ نمبر | متحرک اصول | یہ مشکوک کیوں ہے (1 جملہ) "یہ ایک بے قاعدگی ہے" جیسا فیصلہ کرنا؛ یہ انسانی امتحان کے امیدوار ہیں۔ صرف ڈیٹا میں موجود معلومات کا استعمال کریں۔<records> ... </records>
یہ اشارہ؛ یہ منظوری کی حد ("اسپلٹ آف" سائن) کے بالکل نیچے پھنسی ہوئی رقوم یا گھنٹوں کے بعد درج کیے گئے ریکارڈز کو ترجیح دیتا ہے اور آڈیٹر کو جائزے کی واضح فہرست فراہم کرتا ہے۔
آڈیٹنگ میں AI کی سب سے بڑی شراکت اس کے پیمانے کا فائدہ ہے۔ روایتی آڈٹ میں، نمونے لینے کا کام اس لیے کیا جاتا ہے کہ تمام ریکارڈز کو دیکھنا جسمانی طور پر ممکن نہیں ہوتا: شاید سو ہزار رسیدوں کی جانچ پڑتال کی جاتی ہے اور نتیجہ پوری آبادی کے لیے عام کیا جاتا ہے۔ اس کا مطلب یہ ہے کہ ایک بے قاعدگی جو نمونے سے باہر ہے وہ بچ گئی ہے۔ دوسری طرف، AI ان اصولوں کو لاگو کر سکتا ہے جن کی آپ وضاحت کرتے ہیں سیکنڈوں میں دسیوں ہزار ریکارڈز پر۔ اس طرح، آڈیٹنگ "کچھ مثالوں کو دیکھنے اور امید کرنے" سے "ہر ریکارڈ کو اسکین کرنے اور مستثنیات کو نکالنے" تک تیار ہوتی ہے۔ تاہم، جو کچھ پایا جاتا ہے وہ تحقیقات کے امیدوار ہیں، نتائج کے نہیں۔
بے ضابطگی کے قواعد جو آڈٹ میں اکثر استعمال ہوتے ہیں۔
حکمرانی
یہ کیا اشارہ کرتا ہے
مثال
ذیلی حد کی جمع
منظوری سے بچنے کے لیے تقسیم کریں۔
49,500، 49,800 جیسی رقم
گھنٹوں کی رجسٹریشن سے باہر
بے قابو اندراج
ہفتہ 23:40 بل
ڈپلیکیٹ ادائیگی
دوہری ادائیگی کا خطرہ
ایک ہی رسید، دو دستاویز نمبر
راؤنڈ نمبر فریکوئنسی
تخمینی/تخمینی رقم
بالکل 10,000 کے بہت سے
نیا سپلائر + زیادہ رقم
گھوسٹ سپلائر کا خطرہ
پہلے لین دین میں 200,000
فرائض اور اتھارٹی کنٹرول کی علیحدگی
اندرونی کنٹرول کی بنیادوں میں سے ایک فرائض کی علیحدگی ہے: وہ افراد جو لین دین کی شروعات کرتے ہیں، منظوری دیتے ہیں اور ادائیگی کرتے ہیں وہ مختلف ہیں۔ اگر وہی شخص داخل ہوتا ہے، منظور کرتا ہے اور انوائس ادا کرتا ہے، تو زیادتی کے لیے دروازہ کھلا ہے۔ AI ایسی مثالیں تلاش کر سکتا ہے جہاں لین دین کے ریکارڈ میں صارف کی معلومات کو اسکین کرکے اس پالیسی کی خلاف ورزی کی گئی ہو۔
درج ذیل لین دین کے ریکارڈز میں فرائض کی خلاف ورزیوں کی علیحدگی کے لیے اسکین کریں: - وہ لین دین جن میں ایک ہی صارف داخل اور منظوری دیتا ہے - وہ لین دین جن کو ایک ہی صارف دونوں منظور کرتا ہے اور ادائیگی شروع کرتا ہے - اجازت کی حد سے زیادہ ایک فرد کے ذریعہ منظور شدہ رقم آؤٹ پٹ: ٹرانزیکشن نمبر | خلاف ورزی کی قسم | متعلقہ صارف | ترجیح صرف نقطہ اور جواز پیش کریں؛ سزا سنانے کے امیدوار کے طور پر فہرست، جائزہ۔
اس قسم کی سکیننگ سیکنڈوں میں پیٹرن نکالتی ہے جسے انسانی آنکھ ہزاروں لائنوں میں کبھی نہیں پکڑ سکتی۔ لیکن ایک ہی اصول لاگو ہوتا ہے: پیٹرن "قاعدہ کی خلاف ورزیوں کا نمونہ" دکھاتا ہے۔ یہ فیصلہ کرنا کسی ایک پر منحصر ہے کہ آیا یہ ایک حقیقی مسئلہ ہے یا ایک جائز استثناء (مثلاً چھوٹی ٹیم میں جبری دوہرا کردار)۔
آڈٹ ٹریل کی ذمہ داری
اگر کسی AI آؤٹ پٹ کو آڈٹ میں استعمال کرنا ہے، تو اسے ٹریس ایبل ہونا چاہیے: کون سا ڈیٹا، کون سا پرامپٹ، کون سا ماڈل، کون سی تاریخ، کس نے اس کی تصدیق کی؟ اس ریکارڈ کے بغیر، پرنٹ آؤٹ کی آڈٹ میں کوئی ثبوت کی قدر نہیں ہے۔
اس تجزیے کے لیے ایک آڈٹ ٹریل ریکارڈ تیار کریں:- ڈیٹا سورس اور استعمال شدہ مدت- پرامپٹس/قواعد لاگو ہونے کا خلاصہ- ماڈل آؤٹ پٹ کی تاریخ- انسانی تصدیقی مراحل کے لیے خالی فیلڈز (کون، کب، نتیجہ) اسے دوبارہ قابل استعمال ٹیمپلیٹ کے طور پر برآمد کریں۔
احتیاط: صرف اس لیے کہ AI کہتا ہے "یہ ریکارڈ ٹھیک ہے" یہ ثابت نہیں کرتا کہ وہاں کوئی مسئلہ نہیں ہے۔ ہوسکتا ہے کہ ماڈل میں کوئی نمونہ چھوٹ گیا ہو۔ "AI نے کہا صاف" آڈٹ میں کوئی یقین دہانی نہیں ہے۔ دائرہ کار اور طریقہ کار کی حدود کو ہمیشہ دستاویز کریں۔
چھوٹے کیسز
کیس 1 - سب تھریشولڈ کمپارٹمنٹ۔ ایک اندرونی آڈیٹر نے 50,000 TL کی منظوری کی حد کے ساتھ ایک کمپنی میں AI سکیننگ کے ذریعے اسی محکمے سے 49,200, 49,700, 49,500 TL کے مسلسل تین انوائسز پائے۔ تحقیقات سے پتہ چلتا ہے کہ منظوری سے بچنے کے لیے £145,000 کی ایک خریداری کو تین حصوں میں تقسیم کیا گیا تھا۔ کنٹرول گیپ بند کر دیا گیا ہے۔
کیس 2 - گھوسٹ سپلائر کا نشان۔ AI نے اعلی ترجیح کو نشان زد کیا کہ 200,000 TL پہلے ٹرانزیکشن میں سسٹم میں نئے شامل کیے گئے سپلائر کو ادا کیے گئے۔ جائزے سے معلوم ہوا کہ سپلائر حقیقی اور معاہدے کے تحت ہے۔ الارم غلط تھا لیکن کنٹرول نے صحیح طریقے سے کام کیا۔ سبق: ہر نشانی جرم نہیں ہے، لیکن ہر نشانی کی جانچ ہونی چاہیے۔
کیس 3 - غیر دستاویزی آؤٹ پٹ کا خاتمہ۔ ایک ٹیم نے AI بے ضابطگی کی فہرست آڈٹ میں جمع کرائی، لیکن اس نے اس پرامپٹ اور ڈیٹا کو ریکارڈ نہیں کیا جس کے ساتھ یہ تیار کیا گیا تھا۔ بیرونی آڈیٹر نے پرنٹ آؤٹ کو بطور ثبوت قبول نہیں کیا۔ تجزیہ آڈٹ ٹریل کے ساتھ دوبارہ چلتا ہے۔ سبق: ایسا کوئی آؤٹ پٹ نہیں ہے جس کی آڈٹ میں نگرانی نہ کی جا سکے۔
کیس 4 - فرائض کی خلاف ورزی کی علیحدگی۔ اندرونی کنٹرول اسکین میں ایک چھوٹی برانچ میں 37 ٹرانزیکشنز پائے گئے جہاں ایک ہی ملازم نے انوائس کے لیے داخل کیا، منظور کیا اور ادائیگی شروع کی۔ تحقیقات سے پتہ چلتا ہے کہ ملازم کا بدنیتی پر مبنی ارادہ نہیں تھا لیکن اس نے کم اسٹاف کی وجہ سے یہ کردار ادا کیا۔ پھر بھی، خطرہ حقیقی تھا۔ کمپنی نے ادائیگی کی منظوری مرکز کو منتقل کر کے اس فرق کو ختم کر دیا۔ سبق: بے حیائی کے بغیر بھی کنٹرول خسارہ خطرناک ہے۔ AI پیٹرن تلاش کرتا ہے، انسان حل تیار کرتا ہے۔
عام غلطیاں
- ماڈل کا فیصلہ کرنا۔ "یہ ایک بے قاعدگی ہے" کہنا غلط بھی ہے اور خطرناک بھی۔ بس اسے نشان زد کریں۔
- "AI نے کہا کہ یہ صاف ہے" یقین دہانی۔ یہ ہو سکتا ہے کہ ماڈل چھوٹ جائے؛ صاف نتیجہ ثبوت نہیں ہے۔
- آڈٹ ٹریل نہ رکھنا۔ اگر ڈیٹا، پرامپٹ، تاریخ اور تصدیق کنندہ کو ریکارڈ نہیں کیا گیا تو آؤٹ پٹ ثبوت نہیں ہوگا۔
- ہر نشانی کو جرم سمجھنا۔ بے ضابطگی تحقیقات کے لیے امیدوار ہے؛ ثبوت فیصلہ کا تعین کرتا ہے۔
- دائرہ کار کی دستاویز نہیں کرنا۔ کن ریکارڈوں کو اسکین کیا گیا اور طریقہ کار کی حد لکھی جائے۔
خلاصہ میں
- AI ایک آڈٹ میں پوری آبادی کو اسکین کرکے بے ضابطگیوں کو تلاش کرنے میں طاقتور ہے۔ نمونے لینے سے باہر ہے.
- ماڈل شک پیدا کرتا ہے، فیصلہ نہیں۔ اسے "جسٹ پوائنٹ اور جواز" کے اصول کے ساتھ استعمال کریں۔
- بے ضابطگی کے قوانین (تھریش ہولڈ بیک لاگ سے نیچے، اوقات سے باہر رجسٹریشن، ڈپلیکیٹ ادائیگی) کی پہلے سے وضاحت کی جانی چاہیے۔
- ہر اے آئی آؤٹ پٹ کے لیے آڈٹ ٹریل (ڈیٹا، پرامپٹ، تاریخ، تصدیق کنندہ) رکھنا لازمی ہے۔ ناقابل شناخت آؤٹ پٹ ثبوت نہیں ہے۔
- "AI نے کہا صاف" کوئی یقین دہانی نہیں ہے۔ دائرہ کار اور طریقہ کار کی حدود کو ہمیشہ دستاویز کریں۔
درخواست کا کام
30-50 لائنوں کے اخراجات کا ریکارڈ تیار کریں۔ جان بوجھ کر ذیلی تقسیم کریں اور ڈپلیکیٹ ادائیگی کریں۔ طاقتور پرامپٹ ٹیمپلیٹ کے ساتھ ایک بے ضابطگی اسکین حاصل کریں اور چیک کریں کہ ماڈل آپ کے ٹریپس کو پکڑتا ہے اور اسے ترجیح دیتا ہے۔ پھر آڈٹ ٹریل ٹیمپلیٹ کو پُر کریں اور نتائج کو بطور "جائزہ کے امیدوار" (فیصلہ منظور کیے بغیر) درج کریں۔
چیک لسٹ
- [ ] میں نے بے ضابطگی کے اصول پہلے سے طے کر دیے ہیں (حد، وقت، تکرار)۔
- میں نے پوری آبادی کو اسکین کیا، میں نمونے لینے سے باز نہیں آیا۔
- [ ] میں نے ماڈل کو فیصلہ سنانے سے روکا۔ میں نے صرف اسے نشان زد کیا تھا اور جائز قرار دیا تھا۔
- میں نے ہر ایک تلاش کے لیے ایک آڈٹ ٹریل (ڈیٹا، پرامپٹ، تاریخ) ریکارڈ کیا۔
- میں نے "جائزہ لینے والے امیدوار" کے طور پر نشان زد ہونے والوں کو انسانی فیصلے پر چھوڑ دیا۔
- میں نے اسکین کے دائرہ کار اور طریقہ کار کی حدود کو دستاویز کیا ہے۔