Jump to content

Արհեստական բանականությունը խարդախության հայտնաբերման գործում

Վիքիպեդիայից՝ ազատ հանրագիտարանից

Արհեստական ինտելեկտը օգտագործվում է բազմաթիվ տարբեր բիզնեսների և կազմակերպությունների կողմից։ Այն լայնորեն կիրառվում է ֆինանսական հատվածում, հատկապես հաշվապահական ընկերությունների կողմից՝ խարդախությունը բացահայտելու համար։

2022 թվականին «PricewaterhouseCoopers»-ը հայտնեց, որ խարդախությունն ազդել է աշխարհի բոլոր բիզնեսների 46%-ի վրա[1]։ Անձնական աշխատանքից տնից աշխատելու անցումը բերել է տվյալների հասանելիության մեծացում։ Ըստ «FTC»-ի՝ Դաշնային Առևտրի Հանձնաժողովի 2022 թվականի ուսումնասիրության, հաճախորդները հայտնել են մոտավորապես 5,8 միլիարդ դոլարի խարդախության մասին 2021 թվականին, ինչը 70%-ով ավել է նախորդ տարվա համեմատ։ Այս խարդախությունների մեծամասնությունը խաբեբայություններ էին և առցանց գնումների խարդախություններ[2]։ Ավելին, արհեստական ինտելեկտը վճռորոշ դեր է խաղում առաջադեմ ալգորիթմների և մեքենայական ուսուցման մոդելների մշակման գործում, որոնք ուժեղացնում են խարդախության հայտնաբերման համակարգերը՝ թույլ տալով բիզնեսներին առաջ մնալ զարգացող խարդախ մարտավարություններից ավելի ու ավելի թվային լանդշաֆտում[3]։

Գործիքներ[խմբագրել | խմբագրել կոդը]

Փորձագիտական համակարգեր[խմբագրել | խմբագրել կոդը]

Փորձագիտական համակարգերն առաջին անգամ նախագծվել են 1970-ական թվականներին՝ որպես արհեստական բանականության տեխնոլոգիաների ընդլայնում[4]։ Դրանց դիզայնը հիմնված է որոշումների կայացման ժամանակ պոտենցիալ օգտատերերի սխալների նվազեցման և որոշակի ոլորտի փորձագետների կողմից օգտագործվող մտավոր դատողությունների ընդօրինակման նախադրյալի վրա[5]։ Նրանք տարբերվում են ավանդական գծային հիմնավորման մոդելներից՝ առանձնացնելով հայտնաբերված կետերը տվյալների մեջ և միաժամանակ մշակելով դրանք առանձին։ Թեև այս համակարգերը չեն հիմնվում զուտ մեքենայական ուսուցման հետախուզության վրա[4]։

Կանոնների, գործելակերպերի և ընթացակարգերի վերաբերյալ տեղեկատվությունը «եթե-ապա» հայտարարությունների տեսքով ներդրվում է համակարգի ծրագրավորման մեջ։ Օգտատերերը փոխազդում են համակարգի հետ՝ տեղեկատվություն փոխանցելով համակարգ կամ արտաքին տվյալների ուղղակի մուտքագրման կամ ներմուծման միջոցով։ Եզրակացությունների համակարգը համեմատում է օգտատիրոջ տրամադրած տեղեկատվությունը համապատասխան կանոնների հետ, որոնք, ինչպես ենթադրվում է, հատուկ կիրառելի են իրավիճակի համար։ Օգտագործելով այս տեղեկատվությունը և համապատասխան կանոնները, կօգտագործվեն օգտվողի հարցման լուծումը ստեղծելու համար։ Փորձագիտական համակարգերը սովորաբար պատշաճ կերպով չեն գործի, երբ որոշակի իրավիճակի համար ընդհանուր ընթացակարգերը երկիմաստ են՝ հստակ սահմանված կանոնների անհրաժեշտության պատճառով[4]։

Հաշվապահական հաշվառման ընթացակարգերում փորձագիտական համակարգերի ներդրումը հնարավոր է այն ոլորտներում, որտեղ մասնագիտական դատողություն է պահանջվում։ Իրավիճակները, որտեղ կիրառելի են փորձագիտական համակարգերը, ներառում են գործարքների հետաքննություններ, որոնք ներառում են հնարավոր խարդախ մուտքեր, շարունակական գործունեության դեպքեր և ռիսկի գնահատում աուդիտի պլանավորման փուլերում[6]։

Շարունակական աուդիտ[խմբագրել | խմբագրել կոդը]

Շարունակական աուդիտը գործընթացների մի շարք է, որոնք գնահատում են աուդիտի ընթացքում հավաքված տեղեկատվության տարբեր ասպեկտները՝ դասակարգելու համար ֆինանսական Ներքին վերահսկողության ռիսկի ոլորտները և հնարավոր թույլ կողմերը ավելի հաճախակի, քան ավանդական մեթոդները։ Արձանագրված գործարքները և ամսագրի գրառումները պարբերաբար վերլուծելու փոխարեն, շարունակական աուդիտը կենտրոնանում է այդ գործողությունների բնույթն ավելի հաճախ մեկնաբանելու վրա[7]։ Այս գործընթացների ձեռնարկման հաճախականությունը, ինչպես նաև կարևոր ոլորտների ընդգծումը կախված է դրանց իրականացնողի հայեցողությունից, ով սովորաբար նման որոշումներ է կայացնում՝ ելնելով գնահատվող հաշիվներում ռիսկի մակարդակից և համակարգի ներդրման նպատակներից[8]։ Այս գործընթացների կատարումը կարող է տեղի ունենալ նույնքան հաճախ, որքան գրեթե ակնթարթորեն, երբ տեղադրվում է գրառում[7]։

Շարունակական աուդիտի ընթացքում ֆինանսական տվյալների վերլուծության հետ կապված գործընթացները կարող են ներառել աղյուսակների ստեղծումը, որը թույլ կտա ինտերակտիվ տեղեկատվության հավաքագրում, ֆինանսական գործակիցների հաշվարկը նախկինում ստեղծված մոդելների հետ համեմատելու համար և մուտքագրված թվերում սխալների հայտնաբերումը։ Այս պրակտիկայի առաջնային նպատակն է թույլ տալ ավելի արագ և հեշտ հայտնաբերել անսարք հսկողության, սխալների և խարդախության դեպքերը[8]։

Մեքենայի ուսուցում և խորը ուսուցում[խմբագրել | խմբագրել կոդը]

Մեքենայի ուսուցման և խորը ուսուցման կարողությունը՝ արագ և արդյունավետ կերպով տեսակավորելու հսկայական ծավալի տվյալներ՝ տարբեր ընկերության հետ կապված և աուդիտի ենթակա փաստաթղթերի տեսքով, դրանք կիրառելի են դարձնում աուդիտի և խարդախության հայտնաբերման ոլորտներում։ Դրա օրինակները ներառում են պայմանագրերում հիմնական լեզվի ճանաչումը, գործարքներում խարդախության ռիսկի մակարդակների բացահայտումը և խեղաթյուրումների համար ամսագրի գրառումների գնահատումը[9][10]։

Հավելվածներ[խմբագրել | խմբագրել կոդը]

«Մեծ 4» հաշվապահական ընկերություններ[խմբագրել | խմբագրել կոդը]

Deloitte-ը ստեղծել է «Al-enabled» փաստաթղթերի վերանայման համակարգ 2014 թվականին։ Համակարգն ավտոմատացնում է տարբեր բիզնես փաստաթղթերից համապատասխան տեղեկատվության վերանայման և քաղման մեթոդը։ «Deloitte»-ը պնդում է, որ այս նորամուծությունը փոփոխություններ է կատարել՝ կրճատելով օրինական պայմանագրային փաստաթղթերի, հաշիվ-ապրանքագրերի, փողի հետ կապված հոդվածների և խորհրդի րոպեների վրա ծախսվող ժամանակը մինչև 50%-ով։ Աշխատելով «IBM's Watson»-ի հետ՝ «Deloitte»-ն իր հաճախորդների համար մշակում է ճանաչողական տեխնոլոգիաների ընդլայնված առևտրային պայմանավորվածություններ։ «LeasePoint»-ը սնուցվում է «IBM Tririga»-ի կողմից և օգտագործում է «Deloitte»-ի արդյունաբերական տեղեկատվությունը՝ վերջնական լիզինգային պորտֆել ստեղծելու համար։ Ճանաչողական ռեսուրսների ավտոմատացված գնահատումն օգտագործում է «IBM-ի Maximo» նորարարությունը՝ ակտիվների ստուգման հմտությունները զարգացնելու համար[11]։

Էռնստը և Յանգը (EY) Ալին կապեցին վարձակալության պայմանագրերի հետաքննության հետ։ EY-ը (Ավստրալիա) ստացել է նաև «Al-enabled» աուդիտորական տեխնոլոգիա[11]։

Համագործակցելով «H20.ai»-ի հետ՝ «PwC»-ն մշակել է «Al-enabled Framework» (GL.ai), որը կարող է վերլուծել հաշվետվությունները և պատրաստել հաշվետվություններ։ «PwC»-ն պնդում է, որ զգալի ներդրում է կատարել նորմալ բարբառի մշակման (NLP) մեջ՝ «Al-enabled» նորարարություն՝ չկառուցված տեղեկատվությունը արդյունավետ մշակելու համար[11]։

«KPMG-»ն կառուցել է «Al» գործիքների պորտֆոլիո, որը կոչվում է «KPMG Ignite», որպեսզի արդիականացնի առևտրային որոշումներն ու ձևերը։ Աշխատելով «Microsoft»-ի և «IBM Watson»-ի հետ՝ «KPMG»-ն ստեղծում է գործիքներ՝ «Al»-ը, տվյալների վերլուծությունը, «Cognitive Technologies»-ը և «RPA»-ն համակարգելու համար[11]։

Առավելություններ[խմբագրել | խմբագրել կոդը]

Արդյունավետություն[խմբագրել | խմբագրել կոդը]

Խարդախ գործունեությունը հայտնաբերելու նպատակով կազմակերպության աուդիտի գործընթացը պահանջում է հետաքննության գործընթացների կրկնում՝ մինչև սխալ կամ խեղաթյուրում հայտնաբերվի։ Ավանդական մեթոդներով այդ գործընթացները պետք է իրականացվեին մարդու կողմից։ Խարդախության հայտնաբերման արհեստական ​​ինտելեկտի կողմնակիցները հայտարարել են, որ այս ավանդական մեթոդներն անարդյունավետ են և կարող են ավելի արագ իրագործվել խելացի հաշվողական համակարգի օգնությամբref name="Zemankova 2019 148–154">Zemankova, Aneta (2019). «Artificial Intelligence in Audit and Accounting: Development, Current Trends, Opportunities and Threats - Literature Review». 2019 International Conference on Control, Artificial Intelligence, Robotics & Optimization (ICCAIRO). էջեր 148–154. doi:10.1109/ICCAIRO47923.2019.00031. ISBN 978-1-7281-3572-4. S2CID 215721790.</ref>: 2016 թվականին «KPMG»-ի կողմից ստեղծված 400 գլխավոր գործադիր տնօրենների հարցումը ցույց է տվել, որ մոտավորապես 58%-ը կարծում է, որ արհեստական ​​ինտելեկտը առանցքային դեր կխաղա ապագայում աուդիտներն ավելի արդյունավետ դարձնելու գործում[12]։

Տվյալների մեկնաբանություն[խմբագրել | խմբագրել կոդը]

Խարդախության հայտնաբերման ավելի բարձր մակարդակները ենթադրում են մասնագիտական ​​դատողության կիրառում տվյալների մեկնաբանման համար։ Ֆինանսական աուդիտներում օգտագործվող արհեստական ​​ինտելեկտի կողմնակիցները պնդում են, որ նման տեխնոլոգիաների միջոցով հնարավոր է նվազագույնի հասցնել ռիսկերը ավելի բարձր տվյալների մեկնաբանման դեպքերից[13]։ Ֆինանսական հաշվետվությունների աուդիտի անհրաժեշտ տարրը, որը պահանջում է մասնագիտական ​​դատողություն, էականության շեմերի իրականացումն է։ Էականությունը ներառում է ֆինանսական հաշվետվություններում առկա սխալների և գործարքների միջև տարբերակումը, որոնք կարող են ազդել այդ ֆինանսական հաշվետվություններն օգտագործողների կողմից ընդունված որոշումների վրա[14]։ Աուդիտի էականության շեմը սահմանվում է աուդիտորի կողմից՝ հիմնվելով տարբեր գործոնների վրա։ Արհեստական ​​ինտելեկտն օգտագործվել է տվյալների մեկնաբանման և էականության շեմեր առաջարկելու համար, որոնք պետք է կիրառվեն փորձագիտական ​​համակարգերի կիրառմամբ[13]։

Նվազեցված ծախսեր[խմբագրել | խմբագրել կոդը]

Նրանք, ովքեր կողմ են արհեստական ​​ինտելեկտի օգտագործմանը խարդախության հետաքննությունն ավարտելու համար, հայտարարել են, որ նման տեխնոլոգիաները նվազեցնում են կրկնվող առաջադրանքները կատարելու համար պահանջվող ժամանակը։ Հայցում այնուհետև նշվում է, որ նման արդյունավետությունը թույլ է տալիս նվազեցնել ռեսուրսների պահանջները, որոնք հետագայում կարող են ծախսվել այն առաջադրանքների վրա, որոնք լիովին ավտոմատացված չեն։ «Ernst & Young» աուդիտորական ընկերությունը ներկայացրել է այս պնդումները՝ հայտարարելով, որ իրենց խորը ուսուցման համակարգերն օգտագործվել են վարչական առաջադրանքների վրա ծախսվող ժամանակը նվազեցնելու համար՝ վերլուծելով համապատասխան աուդիտորական փաստաթղթերը։ Ըստ ընկերության՝ դա թույլ է տվել իրենց աշխատակիցներին ավելի շատ կենտրոնանալ դատողության և վերլուծության վրա[15]։

Թերություններ[խմբագրել | խմբագրել կոդը]

Աշխատանքի տեղաշարժ[խմբագրել | խմբագրել կոդը]

Համակարգչի վրա հիմնված հետախուզության և ռոբոտացման առաջընթացի անխուսափելի ընդունումը կարող է խթանել աշխատանքի կարևոր տեղաշարժը տարբեր ձեռնարկություններում։ Քանի որ արհեստական ​​բանականության շրջանակները դառնում են ավելի հագեցած՝ մարդկանց կողմից սովորաբար կատարվող գործերը կատարելու համար, անհանգստություն կա, որ կոնկրետ աշխատանքային աշխատատեղերը կարող են հնացած լինել՝ առաջացնելով գործազրկություն և ֆինանսական անհավասարակշռություն։

Նախնական ներդրումային պահանջ[խմբագրել | խմբագրել կոդը]

Համակարգչային ծրագրերի միջոցով կոդավորման և համակարգերի կառուցման իմացության հետ մեկտեղ մենք տեսնում ենք այս համակարգերի առավելությունները, բայց քանի որ դրանք շատ նոր են, դրանք մեծ ներդրումներ են պահանջում նման համակարգ կառուցելու համար։ Ցանկացած ընկերություն, որը ծրագրում է ներդնել «AI» համակարգ՝ խարդախությունը հայտնաբերելու համար, պետք է վարձի տվյալների գիտնականների թիմ՝ արդիականացնելով իրենց ամպային համակարգը և տվյալների պահեստավորումը։ Համակարգը պետք է հետևողականորեն մոնիթորինգի ենթարկվի և թարմացվի, որպեսզի ինքնին լինի ամենաարդյունավետ ձևը, հակառակ դեպքում այդ գործարքներում խարդախության հավանականությունը մեծանում է։ Եթե ​​ի սկզբանե ներդրումներ չանեք նման համակարգում և համոզվեք, որ այն կբացահայտի խարդախ գործարքների մեծ տոկոսը, հետևանքները խարդախության արժեքն են, ներառյալ վերադարձման վճարները։ Դա շատ մեծ նախնական ներդրում է, բայց երկարաժամկետ հեռանկարում գումարը կխնայվի[16]։

Տեխնիկական փորձաքննություն[խմբագրել | խմբագրել կոդը]

Տվյալների վերլուծությունը նոր գիտություն է շատ ընկերություններում, և ընկերությունները մեծապես ուսումնասիրում են այն՝ վերլուծելու իրենց բիզնեսը որպես ամբողջություն և գտնելու, թե որտեղ կարող են բարելավվել։ Տվյալների վերլուծությունը պատմում է բիզնեսի մասին թվերի միջոցով։ Այս աշխարհում շատ մարդիկ ունեն տվյալներ կարդալու փորձառություն, բայց կան նաև ավելի շատ մարդիկ, ովքեր ընդհանրապես այդքան փորձառու չեն տվյալների հետ։ Տվյալների վերլուծության կարգապահությունը արագորեն ընդլայնվում է։ Հաճախ դժվար է նման մասնագիտության մասնագետ դառնալը։

Ծանոթագրություններ[խմբագրել | խմբագրել կոդը]

  1. PricewaterhouseCoopers. «PwC's Global Economic Crime and Fraud Survey 2022». PwC (անգլերեն). Վերցված է 2022 թ․ ապրիլի 27-ին.
  2. «New Data Shows FTC Received 2.8 Million Fraud Reports from Consumers in 2021». Federal Trade Commission (անգլերեն). 2022 թ․ փետրվարի 22. Վերցված է 2022 թ․ ապրիլի 28-ին.
  3. Bandi, Ajay; Adapa, Pydi Venkata Satya Ramesh; Kuchi, Yudu Eswar Vinay Pratap Kumar (2023 թ․ հուլիսի 31). «The Power of Generative AI: A Review of Requirements, Models, Input–Output Formats, Evaluation Metrics, and Challenges». Future Internet. 15 (8): 260. doi:10.3390/fi15080260. ISSN 1999-5903.
  4. 4,0 4,1 4,2 «Accounting expert systems». archives.cpajournal.com. Վերցված է 2022 թ․ մարտի 22-ին.
  5. Leonard-Barton, Dorothy; Sviokla, John (1988 թ․ մարտի 1). «Putting Expert Systems to Work». Harvard Business Review. ISSN 0017-8012. Վերցված է 2022 թ․ դեկտեմբերի 20-ին.
  6. O'Leary, Daniel; Watkins, Paul (Spring–Summer 1989). «Review of Expert Systems in Auditing» (PDF). USC Expert Systems Review: 1–20.
  7. 7,0 7,1 Vasarhelyi, Miklos (1990 թ․ հունիս). «The Continuous Audit of Online Systems» (PDF). Auditing: A Journal of Practice and Theory.
  8. 8,0 8,1 «A framework for continuous auditing: Why companies don't need to spend big money». Journal of Accountancy. 2017 թ․ մարտի 1. Վերցված է 2022 թ․ մարտի 22-ին.
  9. Mishra, Ranjan Kumar; Reddy, G. Y. Sandesh; Pathak, Himanshu (2021 թ․ ապրիլի 5). «The Understanding of Deep Learning: A Comprehensive Review». Mathematical Problems in Engineering (անգլերեն). 2021: e5548884. doi:10.1155/2021/5548884. ISSN 1024-123X.
  10. «Deep Learning and the Future of Auditing». The CPA Journal (ամերիկյան անգլերեն). 2017 թ․ հունիսի 19. Վերցված է 2022 թ․ մարտի 22-ին.
  11. 11,0 11,1 11,2 11,3 «Meeting the Challenge of Artificial Intelligence». The CPA Journal (ամերիկյան անգլերեն). 2019 թ․ հուլիսի 3. Վերցված է 2022 թ․ մարտի 23-ին.
  12. Shaffer, Kathie J.; Gaumer, Carol J.; Bradley, Kiersten P. (2020 թ․ հունվարի 1). «Artificial intelligence products reshape accounting: time to re-train». Development and Learning in Organizations. 34 (6): 41–43. doi:10.1108/DLO-10-2019-0242. ISSN 1477-7282. S2CID 213893379.
  13. 13,0 13,1 Zemankova, Aneta (2019). «Artificial Intelligence in Audit and Accounting: Development, Current Trends, Opportunities and Threats - Literature Review». 2019 International Conference on Control, Artificial Intelligence, Robotics & Optimization (ICCAIRO). էջեր 148–154. doi:10.1109/ICCAIRO47923.2019.00031. ISBN 978-1-7281-3572-4. S2CID 215721790.
  14. Lin, Tom C. W. (2015 թ․ մարտի 18). «Reasonable Investor(s)» (անգլերեն). Rochester, NY. SSRN 2579510. {{cite journal}}: Cite journal requires |journal= (օգնություն)
  15. Siegel, Eliot L. (2019 թ․ հոկտեմբերի 1). «Making AI Even Smarter Using Ensembles: A Challenge to Future Challenges and Implications for Clinical Care». Radiology: Artificial Intelligence. 1 (6): e190187. doi:10.1148/ryai.2019190187. ISSN 2638-6100. PMC 8017374. PMID 33937807.
  16. Johns, Albin (2022). Learning Outcomes of Classroom Research. VIT University. էջեր 56–64. ISBN 978-93-92995-15-6.