收益：
- 了解为什么 BDS 240 强制要求进行日记账分录测试，以及人工智能如何扫描可疑的分录标准
- 能够在人工智能支持下标记异常值、异常时间和异常金额模式并确定优先级
- 能够坚持认为人工智能标记的每一个异常都不是一个发现，而是审计人员将调查的一个问号，消除误报是人类的责任。
企业的财务报表基本上是数百万日记帐分录的总和（在会计中，每笔财务交易都记录为借方和贷方）。错误和欺诈最终都存在于日记账分录中：写入错误账户的金额、“忘记”并在期末撤销的津贴、半夜手动输入的异常分录。因此，BDS 240（规范审计师对财务报表审计中舞弊行为的责任的标准）明确要求审计师进行日记账分录测试。其目的是通过管理层超越来揭示管理层可能的操纵行为。
在本单元中，我们将介绍如何将人工智能转变为异常和错误检测引擎，但为什么每个标记的记录都是“问号”而不是“发现”。首先是两个概念。异常是数据集中偏离预期模式的异常记录。离群值是指在数值上与其他观察值显着不同的观察值（例如数量非常大、频率非常高）。异常并不总是错误；但这是审计师应该关注的地方。
日记帐分录测试中的可疑过帐标准
BDS 240 指出，具有某些特征的记录对于欺诈风险更为显着。人工智能可以根据这些标准在几秒钟内扫描数十万条记录。典型的“危险信号”标准：
- 不寻常的时间：在工作时间之后、周末、公共假期或学期结束的最后一天手动输入记录。
- 异常用户：通常不输入会计记录的用户（例如管理员）输入的记录。
- 不寻常的账户组合：互不期望的账户之间的过账（例如，收入账户和不寻常的非现金账户）。
- 圆形金额：“干净”的大金额，例如 100,000、500,000；这是典型的手工操作痕迹。
- 描述空洞或不明确的记录：空描述，例如“更正”、“杂项”、“临时”。
- 已撤消的记录：在期间开始时输入并在短时间内取消 (storno) 的记录。
- 阈下重复：大量记录聚集在审批阈值以下（例如 50,000 美元）。
提示：一起考虑这些标准，而不是单独考虑。仅“金额”可能是无辜的；但是“周末，由管理员，描述空白，回合一致，期末手动发布”是一个强烈的危险信号。让人工智能结合标准来生成“风险评分”可以帮助您确定优先级。
误报真相：为什么不是每个迹象都是一个发现
异常扫描的本质是误报：由规则标记的记录实际上是合法的。例如，公司在每个月的最后一个工作日自动输入循环租金应计金额；这符合“回合金额+期末”标准，但这是完全正常的。审计员的工作是从标记的堆中提取真正的风险。这种排序是不可转移的；因为区分合法与可疑需要了解业务和背景——这是人工智能所不具备的。
因此，请始终这样阅读输出：“AI 为我标记了 420 条记录。其中大多数可能是误报。我的工作是从这 420 条记录中找出真正需要调查的记录、模式和个别可疑记录。”这种视图可以保护您免受自动化偏见（将每个错误迹象都视为错误）和懒惰（不查看其中任何一个）。
逐步检测异常
- 准备数据并验证完整性。 （上一单元中的协调步骤。）
- 明确定义标准。将标记哪些时间、金额、用户和描述模式？
- 使用 AI 扫描并评分。根据标准标记每条记录；优先考虑那些满足多个标准的人。
- 消除误报。过滤或标记已知的合法模式（例如自动应计）。
- 检查剩余的记录。将每个链接到支持文档、批准和业务逻辑。
- 记录结论和理由。写下您发现可疑的内容及其原因，以及您消除的内容及其原因。
三个迷你箱子
案例 1——实际发现。一名审计员使用 AI 扫描了 240,000 份日记账分录；它结合了“期间最后3天+手动+描述‘更正’+10万倍金额”的标准。 14项记录获得高分。审查中，11项属于合理年终调整；然而，3 个条目的输入方式会导致收入账户膨胀，并在下一个期间被冲销，并且没有支持文件。这是一种绕过控制的管理模式，是一个重大发现。 AI问了14个问题；审计员的怀疑找到了3个真正的答案。
案例 2 — 误报陷阱。一名团队成员编写了 380 条“回合一致”记录，AI 已将这些记录直接标记到工作表的“可疑交易”标题下。工作人员一看，发现大部分都有固定租金、固定顾问费和自动折旧记录；它们都是合法的。该工作表已成为“错误调查结果清单”，导致审计走向错误的方向。教训：并非所有标记的记录都是发现；审核员做出选择。
情况 3 — 标准设定过于狭窄。审计员仅使用“周末记录”标准，没有发现可疑记录；他松了口气。然而，在该业务中，在工作日工作时间输入了操纵记录，但帐户组合不寻常。依靠单一、狭隘的标准使他看不到真正的风险。当审计员扩大标准时，模式就出现了。教训：单一标准并不能提供保证；多维度地看待它。
弱提示/强提示
弱提示：
在这些日记条目中查找欺诈条目。
问题：人工智能无法“检测”作弊行为；欺诈是法律/专业后果，而不是数据模式。 “欺诈”也没有定义。该提示会产生一个虚构的“作弊列表”或无意义的标志。
强力提示：
您的角色：您是独立审计师的日记账分录分析助理。您根据标准标记记录；作弊/错误决定属于我。上下文：匿名日记数据（列：记录号、日期、时间、用户角色、借记帐户、贷记帐户、金额、记录类型[手动/自动]、描述）。学期结束：31.12。工作时间：09:00-18:00，周一至周五。任务：1) 根据以下标准（取决于附加的标准数量）为每条记录给出“注意力分数”： a) record_type=manual b) 日期在 12 月 29 日至 31 日之间或周末/节假日 c) 下班时间 d) 金额 100,000 TL 实线（四舍五入） e) 描述为空或{更正，杂项，临时} in2) 将分数为 3 及以上的人作为优先级列表。3) 以纯文本形式写下您应用的每个标准（可审核性）。4) 明确这些是“需要检查的例外情况”，而不是欺诈/错误的结果。添加虚假记录。
这个提示之所以强大，是因为它明确定义了标准，需要多维评分、可审核性，并准确定位输出（例外，而不是结果）。
常见错误
- 意思是“找到窍门”。人工智能无法检测作弊行为；根据标准打分。作弊是一种职业/法律后果。
- 将标志误认为是发现物。将可疑记录写为“错误”，而不消除误报。
- 依赖一个标准。使用狭隘的规则而错过了真正的模式。
- 不过滤掉合法模式。通过将自动应计费用纳入可疑名单来制造噪音。
- 没有记录理由。没有写下您删除/保留的内容以及原因，就让工作表无法追踪。
注意：将录音描述为“可疑”是一个严肃的声明。在作为调查结果撰写之前，先用证据（支持文件、确认书、业务案例）进行验证。否则，将对企业不公平，损害审计质量。
总之
BDS 240 要求进行日记条目测试，而人工智能是实现这一点的理想引擎：它可以在几秒钟内根据多维标准扫描数十万条记录，并生成注意力分数。但人工智能不会“检测”作弊或错误；它只会“检测”作弊或错误。它只标志着不寻常。输出是一堆充满误报的异常；依靠审计师的怀疑和判断，从中理清真正的风险，排除合理的风险，并得出结论。该标志是问号，而不是答案。
应用任务
为假设的日记数据指定五个异常标准（计划、用户、金额、帐户组合、描述）。让AI通过上面强大的提示模式产生多维度的“注意力分数”。然后写一个“筛选指南”：哪些合法模式（自动应计、固定租金等）应该作为误报过滤掉？最后，对于5个高分记录，“我要寻找什么证据？”回答问题。
清单
- [ ] 我对数据进行了匿名处理并验证了其完整性。
- [ ] 我多维度、清晰地定义了异常标准。
- [ ] 我收到了人工智能的注意力分数明文和应用标准。
- [ ] 我将已知的合法模式过滤为误报。
- [ ] 我已经查看了高分记录以及支持文档和确认。
- [ ] 在得出“作弊/错误”的结论之前，我用证据进行了验证。
- [ ] 我记录了我发现的可疑内容及其原因。