یکی از مهمترین زمینههای رشد هوش مصنوعی در امور مالی و حسابداری بوده است. در عصر حاضر هم سازمانهای دولتی و هم بخش خصوصی بودجههای زیادی را برای مدیریت مالی در نظر میگیرند. اتهامات ناشی از ناکارآمدی بودجه یا هزینههای بیهوده و بریز و بپاشها، اعتماد عمومی را کاهش میدهد و مهم است که نحوه مدیریت منابع را به شیوه عادلانهای انجام گیرد.
هوش مصنوعی در حال تسخیر بازارهای دنیا در هر صنعتی است و تشخیص و مقابله با تقلب در حسابداری هم از این روند، مستثنا نیست برای اینکه شناسایی و جلوگیری از تقلب در حسابداری همیشه و در همه دنیا یک نگرانی بزرگ برای قانونگذاران و ارائهدهندگان خدمات حسابداری و حسابرسی است.
در گزارشی که با همکاری انجمن بازرسان رسمی تقلب آمریکا و شرکت SAS تولیدکننده نرمافزارهای آنالتیکز تهیهشده، پیشبینیشده است که 25% شرکتها و سازمانها در دنیا در 1 تا 2 سال آینده از تکنولوژی هوش مصنوعی استفاده خواهند کرد تا با تقلب در حسابداری مبارزه کنند و به همین دلیل بودجه لازم در این بخش را افزایش خواهند داد. البته 13% از شرکتها در حال حاضر هم از تکنولوژی پیشرفته هوش مصنوعی و الگوریتم یادگیری ماشین استفاده میکنند که نشان میدهد استفاده از این تکنولوژی در دو سال آینده دو برابر خواهد شد. نواحی با ریسک بالا که نیاز به داده آنالتیکز برای تشخیص تقلب احتمالی دارند شامل «خرید» با 41% و «هزینه» با 38% سهم از کل تقلبها است.
البته پیشرفتهای تکنولوژی فرصت خوبی هم برای متقلبها و هم برای بازرسان فراهم میکند. قانونشکنان همیشه راهی برای سو استفاده از تکنولوژی پیدا میکنند تا به مقاصد خود برسند و قربانیهای جدید را هدف قرار دهند. درنتیجه افراد و شرکتهایی که با تقلب مبارزه میکنند باید مطمئن شوند که به استانداردهای حسابداری مسلط هستند و از تکنولوژی بهروز استفاده میکنند تا بهصورت موثرتری تهدیدهای جدید را شناسایی کنند. اما سوال این است که کدام تکنولوژی در شناسایی تقلب در حسابداری موثرتر است؟ پاسخ به این سوال در پیشگیری از تقلب کمک فراوانی میکند!
مزایای هوش مصنوعی برای تشخیص تقلب در حسابداری
گزارش نادرست اطلاعات مالی یا اشتباه عمدی در صورتهای مالی یک اتفاق جدی اقتصادی است که باید هم از دیدگاه عملی و هم از دیدگاه صدماتی که از رسوایی مالی به وجود میآید، جلوگیری شود. هوش مصنوعی میتواند ابزار خوبی برای این هدف باشد برای اینکه مزایای زیر را دارد:
تشخیص تقلب جاری در حسابداری
تحقیق و بررسی مکانیزمهای تقلب در حسابداری تابهحال در حد تئوری بوده و تا حدودی در شرکتهای خدمات مالی انجام شده است. این تئوری معمولا در مورد دلایل احتمالی سوءاستفاده در حسابداری صحبت میکند که بیشتر در مورد دریافت شرایط خرید بهتر در معاملات است. این تئوری معمولا گزینههای رفتاری یک شرکت را برای سوءاستفاده در شرایط خاص و در مواجه با سختیها و محدودیتها تشریح میکند.
گزارش ناصحیح اطلاعات مالی در مورد شرکتهای بورسی حساسیت بیشتری دارد برای اینکه روند تصمیمگیری سهامداران و بسیاری از سازمانهای اقتصادی مرتبط مانند بانکها را منحرف میکند که باعث تخصیص نادرست منابع مالی میشود. در دنیای واقعی کسبوکار، این گزارشهای ناصحیح ممکن است منجر به ریسکپذیری افراطی شود که سرمایهگذار از آن آگاه نیست! درنتیجه، هنگامیکه این ریسک برملا شود، ممکن است منجر به رکود غیرعمدی اقتصادی شود!
اگر گزارش دهی نادرست عمدی باشد که کلاهبرداری محسوب میشود و اگر بهصورت مستمر اتفاق بیفتد، عواقب جدیتری مانند فروپاشی بازار را در پی دارد.
همه این انگیزهها و متدها در الگوریتم یادگیری ماشین و نرمافزارهای هوش مصنوعی استفاده شدهاند تا تقلبهای جاری در صورتهای مالی شناسایی شوند.
پیشبینی تقلب احتمالی
در سالهای اخیر پیشرفت زیادی در تئوریهای تقلب در حسابداری اتفاق افتاده است که از مدلهای آماری استفاده میکنند تا تقلب را در صورتهای مالی شناسایی کنند و شرکتهایی که احتمال دارد اینگونه صورتها را گزارش کنند هم مشخص شوند.
این تئوری مواردی را شناسایی میکند که از لحاظ آمار تاریخی با وقوع تقلب در حسابداری ارتباط دارد؛ مثلا تعداد زیادی مطالعه موردی درباره برآوردهای اختیاری حسابداری انجام شده است که به اصلاحات سود سهام مدیریت مربوط است و معمولا با تقلب در حسابداری مرتبط است. با اینحال هنوز متغیرهای زیادی وجود دارند که باید در تئوریهای جدید شناسایی شوند تا قدرت پیشبینی بیشتری به بازرسان بدهند.
درنتیجه هدف دوم نرمافزارهای جدید، پیشبینی تقلب در حسابداری است که بیشتر مدلهای فعلی قادر به انجام این کار نیستند. تشخیص تقلبهای جاری برای اهداف حسابرسی لازم است اما تشخیص شرکتهایی که احتمال تقلب در آنها زیاد است هم بسیار به این هدف کمک میکند.
استفاده از الگوریتم یادگیری ماشین و دامنه گستردهتر متغیرها، عملکرد پیشبینی نرمافزار را افزایش میدهد به همین دلیل برای شناسایی و پیشگیری تقلب در حسابداری مناسب هستند.
در سالهای گذشته تعدادی فریم ورک هوش مصنوعی وجود داشته که بر اساس تئوریهای قدیمی ساختهشده بودند اما فریم ورک هوش مصنوعی جدید مانند Kondo و SAS با استفاده از مجموعه داده عظیمی از شرکتها طراحیشدهاند تا عملکرد تشخیصی بهتری داشته باشند و برخلاف فریم ورکهای قبلی پیشبینی هر نوع تقلب احتمالی را هم ارائه کنند. این مدلها از گستردهترین داده ممکن از اطلاعات شرکتها استفاده میکنند که روی سهامداران، کارکنان و تراکنشهای بانکی تمرکز میکند.
معایب هوش مصنوعی برای تشخیص تقلب در حسابداری
هوش مصنوعی با همه تواناییهایش فقط الگوریتمی است که توسط انسان نوشته شده است که میتواند حجم زیادی داده را در زمان کوتاهی پردازش کند به همین دلیل عاری از عیب نیست:
نیاز بهروزرسانی مستمر الگوریتم
نکته قابلتوجه اینکه مدل پیشبینی این الگوریتمها بر اساس شرایط اقتصادی و استانداردهای حسابداری طراحیشدهاند بنابراین اگر نوع جدیدی از تقلب اتفاق بیفتد یا استانداردهای حسابداری تغییر کنند، مدل فعلی شاید توانایی تشخیص یا پیشبینی را نداشته باشد؛ بنابراین مهم است که بازده فریم ورک هوش مصنوعی بهصورت مستمر کنترل شود و الگوریتم برنامه بهتناسب شرایط بازنویسی شود.
در دسترس قرار گرفتن الگوریتم برای قانونشکنان
از دیدگاه قانونگذاری همیشه این نگرانی وجود دارد که الگوریتم این فریم ورکها در دسترس سوءاستفادهکنندگان قرار بگیرد که در این صورت راه فراری برای دور زندن برنامه پیدا خواهند کرد! به همین دلیل تکنیکهای امنیتی قوی موردنیاز هستند.
کلام آخر
هوش مصنوعی قطعا توانایی زیادی در تشخیص و پیشگیری از تقلب در حسابداری دارد اما درنهایت الگوریتمی است که توسط انسان نوشته شده است که به استانداردهای حسابداری وابسته است اما میتواند حجم زیادی داده را در زمان کوتاهی پردازش کند به همین دلیل نیاز بهروزسانی مستمر و امنیت بالا دارد!