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

Փորձագիտական համակարգեր

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

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

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

«Մեծ 4» հաշվապահական ընկերություններ

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

Արդյունավետություն

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

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

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

Աշխատանքի տեղաշարժ

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

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

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

  1. ↑ PricewaterhouseCoopers. «PwC's Global Economic Crime and Fraud Survey 2022». PwC (անգլերեն). Վերցված է 2022-04-27-ին.
  2. ↑ «New Data Shows FTC Received 2.8 Million Fraud Reports from Consumers in 2021». Federal Trade Commission (անգլերեն). 22 February 2022. Վերցված է 2022-04-28-ին.
  3. ↑ Bandi, Ajay; Adapa, Pydi Venkata Satya Ramesh; Kuchi, Yudu Eswar Vinay Pratap Kumar (2023-07-31). «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 2022-03-22-ին.
  5. ↑ Leonard-Barton, Dorothy; Sviokla, John (1 March 1988). «Putting Expert Systems to Work». Harvard Business Review. ISSN 0017-8012. Վերցված է 2022-12-20-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 (June 1990). «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. 1 March 2017. Վերցված է 2022-03-22-ին.
  9. ↑ Mishra, Ranjan Kumar; Reddy, G. Y. Sandesh; Pathak, Himanshu (5 April 2021). «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). 19 June 2017. Վերցված է 2022-03-22-ին.
  11. ↑ 11,0 11,1 11,2 11,3 «Meeting the Challenge of Artificial Intelligence». The CPA Journal (ամերիկյան անգլերեն). 3 July 2019. Վերցված է 2022-03-23-ին.
  12. ↑ Shaffer, Kathie J.; Gaumer, Carol J.; Bradley, Kiersten P. (1 January 2020). «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 Քաղվածելու սխալ՝ Սխալ <ref> պիտակ՝ «Zemankova 2019 148–154» անվանումով ref-երը տեքստ չեն պարունակում:
  14. ↑ Lin, Tom C. W. (18 March 2015). «Reasonable Investor(s)» (անգլերեն). Rochester, NY. SSRN 2579510. {{cite journal}}: Cite journal requires |journal= (օգնություն)
  15. ↑ Siegel, Eliot L. (1 October 2019). «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.
Ստացված է «https://hy.wikipedia.org/w/index.php?title=Արհեստական_բանականությունը_խարդախության_հայտնաբերման_գործում&oldid=9967043» էջից