Artificiell intelligens vid upptäckt av bedrägerier

Artificiell intelligens används av många olika företag och organisationer. Det används i stor utsträckning inom finanssektorn , särskilt av revisionsbyråer, för att hjälpa till att upptäcka bedrägerier.

2022 rapporterade PricewaterhouseCoopers att bedrägerier har påverkat 46 % av alla företag i världen. Övergången från att arbeta personligen till att arbeta hemifrån har medfört ökad tillgång till data. Enligt en FTC- studie (Federal Trade Commission) från 2022 rapporterade kunder om bedrägerier på cirka 5,8 miljarder dollar 2021, en ökning med 70 % från året innan. Majoriteten av dessa bedrägerier var bedragare och bedrägerier online.

Verktyg

Expert system

Expertsystem designades först på 1970-talet som en expansion till artificiell intelligensteknologi. Deras design är baserad på premissen att minska potentiella användarfel i beslutsfattande och efterlikna mentala resonemang som används av experter inom ett visst område. De skiljer sig från traditionella linjära resonemangsmodeller genom att separera identifierade punkter i data och samtidigt bearbeta dem individuellt. Dessa system förlitar sig dock inte enbart på maskininlärd intelligens.

Information om regler, praxis och procedurer i form av "om då"-påståenden implementeras i programmeringen av systemet. Användare interagerar med systemet genom att mata in information i systemet antingen genom direktinmatning eller import av extern data. Ett slutledningssystem jämför informationen som tillhandahålls av användaren med motsvarande regler som anses gälla specifikt för situationen. Att använda denna information och motsvarande regler kommer att användas för att skapa en lösning på användarens fråga. Expertsystem kommer i allmänhet inte att fungera korrekt när de gemensamma förfarandena för en specificerad situation är tvetydiga på grund av behovet av väldefinierade regler.

Implementering av expertsystem i redovisningsförfaranden är genomförbart inom områden där professionell bedömning krävs. Situationer där expertsystem är tillämpliga inkluderar undersökningar av transaktioner som involverar potentiella bedrägliga poster, fall av fortsatt drift och utvärdering av risk i planeringsstadiet av en revision .

Kontinuerlig revision

Kontinuerlig revision är en uppsättning processer som bedömer olika aspekter av information som samlas in i en revision för att klassificera riskområden och potentiella svagheter i finansiell intern kontroll i en mer frekvent takt än traditionella metoder. Istället för att analysera registrerade transaktioner och journalposter med jämna mellanrum, fokuserar kontinuerlig revision på att tolka karaktären av dessa åtgärder oftare. Frekvensen av dessa processer som genomförs samt att lyfta fram viktiga områden är upp till deras implementerare, som vanligtvis fattar sådana beslut baserat på risknivån i de konton som utvärderas och målen för att implementera systemet. Utförande av dessa processer kan inträffa så ofta som att det nästan sker omedelbart när en post läggs upp.

Processerna som är involverade i att analysera finansiell data vid kontinuerlig revision kan innefatta skapandet av kalkylblad för att möjliggöra interaktiv informationsinsamling, beräkning av ekonomiska nyckeltal för jämförelse med tidigare skapade modeller och upptäckt av fel i inmatade siffror. Ett primärt mål med denna praxis är att möjliggöra snabbare och enklare upptäckt av fall av felaktiga kontroller, fel och fall av bedrägeri.

Maskininlärning och djupinlärning

Förmågan hos maskininlärning och djupinlärning att snabbt och effektivt sortera igenom stora mängder data i form av olika dokument som är relevanta för företag och dokument som granskas gör dem tillämpliga på domänerna för revision och bedrägeriupptäckt. Exempel på detta inkluderar att känna igen nyckelspråk i kontrakt , identifiera risknivåer för bedrägerier i transaktioner och bedöma journalposter för felaktig information.

Ansökningar

"Big 4" redovisningsbyråer

Deloitte skapade ett Al-aktiverat dokumentgranskningssystem 2014. Systemet automatiserar metoden för granskning och extrahering av relevant information från olika affärsdokument. Deloitte hävdar att den här innovationen har gjort skillnad genom att minska den tid som ägnas åt att gå igenom lagliga kontraktsdokument , fakturor , pengarelaterade artikulationer och styrelseprotokoll med upp till 50 %. Tillsammans med IBMs Watson utvecklar Deloitte handelsarrangemang för sina kunder med förbättrad kognitiv teknik. LeasePoint drivs av IBM Tririga och använder Deloittes industriella information för att skapa en end-to-end-leasingportfölj. Automated Cognitive Resource Assessment använder IBMs Maximo-innovation för att förbättra kompetensen med tillgångsinspektion .

Ernst och Young ( EY ) kopplade Al till utredningen av hyreskontrakt . EY (Australien) har också fått Al-aktiverad revisionsteknik. Företaget har drivit på användningen av AI datorseende för att ge kunderna möjlighet att övervaka lager under revisionsprocessen. EY använder djupgående inlärning för att analysera ostrukturerad information som e-post , inlägg på sociala medier och ljudinspelningar från konferenssamtal .

I samarbete med H20.ai utvecklade PwC ett Al-aktiverat ramverk (GL.ai) som kan analysera rapporter och förbereda rapporter. PwC säger sig ha gjort en betydande investering i normal dialektbehandling (NLP), en Al-aktiverad innovation för att effektivt bearbeta ostrukturerad information.

KPMG byggde en portfölj av Al-instrument, kallad KPMG Ignite, för att uppgradera handelsbeslut och formulär. I samarbete med Microsoft och IBM Watson skapar KPMG instrument för att samordna Al, dataanalys , kognitiv teknologi och RPA.

Fördelar

Effektivitet

Processen att granska ett företag i ett försök att upptäcka bedräglig verksamhet kräver att utredningsprocesser upprepas tills ett fel eller felaktig information kan identifieras. Enligt traditionella metoder skulle dessa processer utföras av en människa. Förespråkare för artificiell intelligens i bedrägeriupptäckt har sagt att dessa traditionella metoder är ineffektiva och kan utföras snabbare med hjälp av ett intelligent datorsystem. En undersökning av 400 verkställande direktörer skapad av KPMG 2016 visade att cirka 58 % trodde att artificiell intelligens skulle spela en nyckelroll för att göra revisionen mer effektiv i framtiden.

Datatolkning

Högre nivåer av upptäckt av bedrägerier kräver att man använder professionellt omdöme för att tolka data. Anhängare av artificiell intelligens som används i finansiella revisioner har hävdat att ökade risker från fall av högre datatolkning kan minimeras genom sådan teknik. En nödvändig del av en revision av finansiella rapporter som kräver professionell bedömning är implementeringen av trösklar för väsentlighet . Väsentlighet innebär åtskillnad mellan fel och transaktioner i finansiella rapporter som skulle påverka beslut som fattas av användare av dessa finansiella rapporter. Tröskeln för väsentlighet i en revision sätts av revisorn utifrån olika faktorer. Artificiell intelligens har använts för att tolka data och föreslå väsentlighetströsklar som ska implementeras med hjälp av expertsystem.

Minskade kostnader

De som är för att använda artificiell intelligens för att slutföra utredningar av bedrägerier har sagt att sådan teknik minskar den tid som krävs för att utföra uppgifter som är repetitiva till sin natur. Påståendet anger vidare att sådana effektivitetsvinster möjliggör sänkta resurskrav, som sedan kan spenderas ytterligare på uppgifter som inte har varit helt automatiserade. Revisionsbyrån Ernst & Young har framfört dessa påståenden genom att deklarera att deras system för djupinlärning har använts för att minska tiden som spenderas på administrativa uppgifter genom att analysera relevanta revisionsdokument. Enligt byrån har detta gjort det möjligt för deras anställda att fokusera mer på bedömning och analys.

Nackdelar

Oerfarenhet i tidiga skeden

Artificiell intelligens är väldigt nytt. Ett specifikt problem med artificiell intelligens vid revision är behovet av omfattande insamling av data; en stor datamängd behövs.

Initialt investeringsbehov

Tillsammans med kunskap om kodning och att bygga system genom datorprogram ser vi fördelarna med dessa system, men eftersom de är så nya kräver de en stor investering för att börja bygga ditt system. Varje företag som planerar att implementera ett AI-system för att upptäcka bedrägerier måste anställa ett team av datavetare, tillsammans med att uppgradera deras molnsystem och datalagring också. Systemet måste konsekvent övervakas och uppdateras för att vara den mest effektiva formen av sig självt, annars ökar sannolikheten för bedrägerier i dessa transaktioner. Om du initialt inte investerar i ditt system och är säker på att det kommer att upptäcka en stor andel bedrägerier, kommer du att skörda konsekvenserna av stora bedrägeritransaktioner, tillsammans med återkravsavgifter. Det är en mycket stor initial investering, men när investeringen görs av företaget och datavetarna investerar i det arbete de gör bör du spara mycket pengar eftersom du aldrig kommer behöva betala en robot för att upptäcka bedrägerier . Du kan behöva folket för att hjälpa till att bygga roboten, men med tiden kommer kostnaderna att minimeras.

Teknisk expertis

Dataanalys är en ny vetenskap för många företag, och företag forskar hårt på det för att analysera sin verksamhet som helhet och hitta var de kan förbättras. Dataanalys berättar historien om ett företag genom siffror. Det finns många människor i den här världen som har erfarenhet av att läsa data, men det finns också fler som inte alls är lika erfarna av data. Disciplinen dataanalys expanderar snabbt. Det är ofta utmanande att bli expert på ett sådant yrke.