Sztuczna inteligencja w wykrywaniu oszustw

Sztuczna inteligencja jest wykorzystywana przez wiele różnych firm i organizacji. Jest szeroko stosowany w sektorze finansowym , zwłaszcza przez firmy księgowe, aby pomóc w wykrywaniu oszustw.

W 2022 roku firma PricewaterhouseCoopers podała, że ​​oszustwa dotknęły 46% wszystkich firm na świecie. Przejście od pracy osobistej do pracy z domu przyniosło większy dostęp do danych. Według FTC (Federalnej Komisji Handlu) z 2022 r. klienci zgłosili oszustwa na około 5,8 mld USD w 2021 r., co stanowi wzrost o 70% w porównaniu z rokiem poprzednim. Większość z tych oszustw to oszustwa i oszustwa związane z zakupami online.

Narzędzia

Systemy eksperckie

Systemy ekspertowe zostały po raz pierwszy zaprojektowane w latach 70. XX wieku jako rozszerzenie technologii sztucznej inteligencji. Ich projekt opiera się na założeniu zmniejszenia potencjalnego błędu użytkownika w podejmowaniu decyzji i naśladowaniu rozumowania myślowego stosowanego przez ekspertów w określonej dziedzinie. Odróżniają się od tradycyjnych modeli wnioskowania liniowego , oddzielając zidentyfikowane punkty danych i przetwarzając je indywidualnie w tym samym czasie. Jednak systemy te nie opierają się wyłącznie na inteligencji maszynowej.

Informacje dotyczące zasad, praktyk i procedur w postaci instrukcji „jeżeli to” są implementowane do programowania systemu. Użytkownicy wchodzą w interakcję z systemem, wprowadzając informacje do systemu poprzez bezpośrednie wprowadzanie lub import danych zewnętrznych. System wnioskowania porównuje informacje dostarczone przez użytkownika z odpowiednimi regułami, które mają zastosowanie do danej sytuacji. Korzystanie z tych informacji i odpowiednich reguł zostanie wykorzystane do stworzenia rozwiązania zapytania użytkownika. Systemy eksperckie na ogół nie będą działać prawidłowo, gdy wspólne procedury dla określonej sytuacji są niejednoznaczne ze względu na potrzebę dobrze zdefiniowanych reguł.

Implementacja systemów eksperckich w procedurach księgowych jest możliwa w obszarach wymagających profesjonalnego osądu. Sytuacje, w których zastosowanie mają systemy eksperckie, obejmują dochodzenia w sprawie transakcji, które obejmują potencjalne nieuczciwe wpisy, przypadki kontynuacji działalności oraz ocenę ryzyka na etapach planowania audytu .

Ciągłe audyty

Ciągły audyt to zestaw procesów, które oceniają różne aspekty informacji zebranych podczas audytu w celu sklasyfikowania obszarów ryzyka i potencjalnych słabych punktów w finansowych kontrolach wewnętrznych z większą częstotliwością niż w przypadku metod tradycyjnych. Zamiast okresowo analizować zarejestrowane transakcje i zapisy w dzienniku, ciągły audyt koncentruje się na częstszej interpretacji charakteru tych działań. Częstotliwość przeprowadzania tych procesów, a także wskazanie obszarów istotnych zależy od uznania ich realizatora, który zazwyczaj podejmuje takie decyzje w oparciu o poziom ryzyka w ocenianych rachunkach oraz cele wdrożenia systemu. Wykonywanie tych procesów może występować tak często, jak niemal natychmiast po opublikowaniu wpisu.

Procesy związane z analizą danych finansowych w ciągłym audycie mogą obejmować tworzenie arkuszy kalkulacyjnych umożliwiających interaktywne gromadzenie informacji, obliczanie wskaźników finansowych do porównania z wcześniej utworzonymi modelami oraz wykrywanie błędów we wprowadzanych danych. Podstawowym celem tej praktyki jest umożliwienie szybszego i łatwiejszego wykrywania przypadków wadliwych kontroli, błędów i przypadków oszustwa.

Uczenie maszynowe i uczenie głębokie

Zdolność uczenia maszynowego i uczenia głębokiego do szybkiego i efektywnego sortowania ogromnych ilości danych w postaci różnych dokumentów istotnych dla firm i dokumentów podlegających audytowi sprawia, że ​​mają one zastosowanie w domenach audytu i wykrywania oszustw. Przykłady tego obejmują rozpoznawanie kluczowego języka w umowach , identyfikowanie poziomów ryzyka oszustwa w transakcjach oraz ocenę zapisów księgowych pod kątem zniekształceń.

Aplikacje

Firmy księgowe „wielkiej czwórki”.

Firma Deloitte stworzyła w 2014 r. system przeglądania dokumentów z obsługą Al. System automatyzuje metodę przeglądania i wydobywania odpowiednich informacji z różnych dokumentów biznesowych. Deloitte twierdzi, że ta innowacja odmieniła sytuację, skracając czas poświęcany na przeglądanie zgodnych z prawem dokumentów kontraktowych , faktur , umów dotyczących pieniędzy i protokołów zarządu nawet o 50%. Współpracując z IBM's Watson , Deloitte opracowuje rozwiązania handlowe wspomagane technologią kognitywną dla swoich klientów. LeasePoint jest wspierany przez IBM Tririga i wykorzystuje informacje branżowe Deloitte do stworzenia kompleksowego portfela leasingowego. Zautomatyzowana ocena zasobów poznawczych wykorzystuje innowację IBM Maximo w celu zwiększenia biegłości w zasobów .

Ernst and Young ( EY ) połączył Al z dochodzeniem w sprawie umów najmu . Firma EY (Australia) otrzymała również technologię audytu z obsługą Al. Firma promuje wykorzystanie wizji komputerowej AI, aby umożliwić klientom monitorowanie zapasów w procesie audytu. EY wykorzystuje głębokie uczenie się do analizy nieustrukturyzowanych informacji, takich jak e-maile , posty w mediach społecznościowych i nagrania dźwiękowe z rozmów konferencyjnych .

We współpracy z H20.ai firma PwC opracowała platformę z obsługą Al (GL.ai), która umożliwia analizowanie i przygotowywanie raportów. Firma PwC twierdzi, że dokonała znacznych inwestycji w normalne przetwarzanie dialektów (NLP), innowację opartą na Al, która umożliwia wydajne przetwarzanie nieustrukturyzowanych informacji.

KPMG stworzyło portfolio instrumentów aluminiowych o nazwie KPMG Ignite, aby udoskonalić decyzje i formularze handlowe. Współpracując z Microsoftem i IBM Watson, KPMG tworzy instrumenty do skoordynowanej Al, analityki danych , technologii kognitywnych i RPA.

Zalety

Efektywność

Proces badania jednostki w celu wykrycia oszukańczej działalności wymaga powtarzania procesów dochodzeniowych do momentu zidentyfikowania błędu lub zniekształcenia. W tradycyjnych metodach procesy te przeprowadzałby człowiek. Zwolennicy sztucznej inteligencji w wykrywaniu oszustw stwierdzili, że te tradycyjne metody są nieefektywne i można je szybciej osiągnąć za pomocą inteligentnego systemu komputerowego. Ankieta przeprowadzona wśród 400 dyrektorów generalnych przeprowadzona przez KPMG w 2016 r. wykazała, że ​​około 58% uważa, że ​​sztuczna inteligencja odegra kluczową rolę w zwiększaniu wydajności audytu w przyszłości.

Interpretacja danych

Wyższe poziomy wykrywania nadużyć finansowych wymagają stosowania profesjonalnego osądu przy interpretacji danych. Zwolennicy sztucznej inteligencji wykorzystywanej w audytach finansowych twierdzą, że dzięki takim technologiom można zminimalizować zwiększone ryzyko wynikające z przypadków wyższej interpretacji danych. Niezbędnym elementem badania sprawozdania finansowego wymagającym profesjonalnego osądu jest zastosowanie progów istotności . Istotność obejmuje rozróżnienie między błędami a transakcjami w sprawozdaniach finansowych, które miałyby wpływ na decyzje podejmowane przez użytkowników tych sprawozdań finansowych. Próg istotności w badaniu jest ustalany przez biegłego rewidenta na podstawie różnych czynników. Wykorzystano sztuczną inteligencję do interpretacji danych i sugerowania progów istotności do wdrożenia za pomocą systemów eksperckich.

Zmniejszone koszty

Zwolennicy wykorzystania sztucznej inteligencji do prowadzenia dochodzeń w sprawie nadużyć finansowych stwierdzili, że takie technologie skracają czas potrzebny na wykonanie powtarzalnych zadań. Twierdzenie stwierdza ponadto, że taka wydajność pozwala na obniżenie zapotrzebowania na zasoby, które można następnie wydać na zadania, które nie zostały w pełni zautomatyzowane. Firma audytorska Ernst & Young przedstawiła te twierdzenia, oświadczając, że ich systemy głębokiego uczenia się zostały wykorzystane do skrócenia czasu poświęcanego na zadania administracyjne poprzez analizę odpowiednich dokumentów audytowych. Według firmy umożliwiło to pracownikom skupienie się bardziej na osądach i analizach.

Niedogodności

Brak doświadczenia we wczesnych stadiach

Sztuczna inteligencja jest bardzo nowa. Specyficznym problemem związanym ze sztuczną inteligencją w audytach jest potrzeba gromadzenia obszernych danych; potrzebny jest duży zbiór danych.

Wymóg inwestycji początkowej

Wraz ze znajomością kodowania i budowania systemów za pomocą programów komputerowych dostrzegamy zalety tych systemów, ale ponieważ są one tak nowe, wymagają dużej inwestycji, aby rozpocząć budowę systemu. Każda firma, która planuje wdrożyć system sztucznej inteligencji do wykrywania oszustw, musi zatrudnić zespół analityków danych, a także zaktualizować swój system chmurowy i przechowywanie danych . System musi być stale monitorowany i aktualizowany, aby był jak najbardziej wydajny, w przeciwnym razie zwiększa się prawdopodobieństwo oszustwa w tych transakcjach. Jeśli początkowo nie zainwestujesz w swój system i masz pewność, że wykryje on duży odsetek oszustw, odczujesz konsekwencje dużych transakcji oszustw wraz z opłatami za obciążenie zwrotne. Jest to bardzo duża inwestycja początkowa, ale kiedy inwestycja zostanie dokonana przez firmę, a analitycy danych zainwestują w swoją pracę, powinieneś zaoszczędzić dużo pieniędzy, ponieważ nigdy nie będziesz musiał płacić robotowi za wykrywanie oszustw . Możesz potrzebować ludzi do pomocy przy budowie robota, ale z czasem koszty zminimalizują się.

Ekspertyza techniczna

Analityka danych to nowa dziedzina nauki w wielu firmach, a firmy intensywnie ją badają, aby przeanalizować swoją działalność jako całość i znaleźć obszary, które można poprawić. Analiza danych opowiada historię firmy za pomocą liczb. Na świecie jest wielu ludzi, którzy mają doświadczenie w czytaniu danych, ale jest też więcej ludzi, którzy w ogóle nie mają takiego doświadczenia z danymi. Dyscyplina analizy danych szybko się rozwija. Często trudno jest zostać ekspertem w takim zawodzie.