Cơ hội phát triển trí tuệ nhân tạo trong kiểm toán

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

20
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Cơ hội phát triển trí tuệ nhân tạo trong kiểm toán" giới thiệu các vấn đề kế toán và kiểm toán, nhu cầu ứng dụng công nghệ trí tuệ nhân tạo (Artificial intelligence, AI) vào ngành này. Bao gồm các vấn đề kế toán hiện tại, sự phát triển AI khi ứng dụng hệ chuyên gia vào kiểm toán và dịch vụ đảm bảo có hiệu quả. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Cơ hội phát triển trí tuệ nhân tạo trong kiểm toán

CƠ HỘI PHÁT TRIỂN TRÍ TUỆ NHÂN TẠO TRONG KIỂM TOÁN Huỳnh Ngọc Thành Trung Khoa Công nghệ Thông tin. Trường Đại học Tài chính – Marketing Email: hnttrung@ufm.edu.vn Tóm tắt: : Môi trường kiểm toán hiện nay có đặc điểm là có quá nhiều vụ kiện tụng và các xét đoán về trách nhiệm kiểm toán viên. Các công ty kiểm toán phải xem xét lại việc thiết kế các quy trình kiểm toán. Nhiệm vụ tương tác với khách hàng kiểm toán là một phần quan trọng của quá trình kiểm toán thường bị bỏ qua. Cải thiện nhiệm vụ này có thể là chìa khóa để kiểm soát rủi ro kiểm toán. Bài tham luận giới thiệu các vấn đề kế toán và kiểm toán, nhu cầu ứng dụng công nghệ trí tuệ nhân tạo (Artificial intelligence, AI) vào ngành này. Bao gồm các vấn đề kế toán hiện tại, sự phát triển AI khi ứng dụng hệ chuyên gia vào kiểm toán và dịch vụ đảm bảo có hiệu quả. Từ khóa: Trí tuệ nhân tạo, Trí tuệ nhân tạo trong kế toán và tài chính, Ứng dụng AI trong kiểm toán 1. GIỚI THIỆU Lĩnh vực kế toán đã có lịch sử ứng dụng trí tuệ nhân tạo (AI) từ năm 1987. Các nhà nghiên cứu kế toán đã áp dụng nhiều công nghệ AI và kỹ thuật công nghệ khác nhau với một số thành công cho các nhiệm vụ, cụ thể trong báo cáo và phân tích tài chính, cũng như trong kiểm toán và dịch vụ đảm bảo, trong các lĩnh vực khác. Lĩnh vực phát triển tốt nhất của AI trong lĩnh vực kế toán liên quan đến việc phát triển và sử dụng các hệ thống chuyên gia. Thật không may, những hệ thống chuyên gia này đã không phát huy hết tiềm năng của chúng. Việc mở rộng nghiên cứu hệ chuyên gia và các ứng dụng AI, cho các nhiệm vụ kế toán bắt đầu vào những năm 1980. Các ứng dụng này đã được đề xuất, nghiên cứu và phát triển trong kiểm toán, thuế, kế toán quản trị, kế toán và phân tích tài chính. 1.1. Nhiệm vụ kiểm toán và dịch vụ đảm bảo Các nhiệm vụ kế toán viên liên quan đến một loạt các quyết định có cấu trúc, bán cấu trúc và phi cấu trúc. Trọng tâm của kiểm toán và đảm bảo liên quan đến các quyết định và phân tích ít cấu trúc hơn, bao gồm các rủi ro và thiếu thông tin gây ra. Lý do mà kế toán là một nghề được công nhận do bản chất của nó là một lĩnh vực chuyên nghiệp, đòi hỏi trình 196
độ học vấn, kinh nghiệm và chuyên môn. Không có gì ngạc nhiên khi nghiên cứu về kế toán thường được các kế toán viên thực hiện thành công nhất. Hai lĩnh vực kế toán liên quan chính là (i) lĩnh vực kiểm toán và dịch vụ đảm bảo và (ii) lĩnh vực báo cáo và phân tích tài chính. Cả hai lĩnh vực kế toán rộng lớn này đều gặp phải những vấn đề giống nhau là rủi ro ngày càng tăng và sự không chắc chắn. Ngoài ra, hiện nay có những vụ bê bối và thất bại, mối đe dọa kiện tụng luôn hiện hữu. 1.2. Môi trường kiểm toán Môi trường của kiểm toán và dịch vụ đảm bảo, được cho là phần quan trọng và dễ thấy nhất của nghề kế toán, một trong những môi trường không chắc chắn và kiện tụng. Trong bối cảnh các thất bại kiểm toán cao cấp với những tác động lớn về tài chính, chính phủ và các cơ quan chuyên môn đã và đang thực hiện những thay đổi trong các quy định, quy tắc và đào tạo cho kế toán viên. Cả kiểm toán viên và người được kiểm toán hiện phải tuân theo vô số quy tắc và những cạm bẫy tiềm ẩn mà cách đây vài năm chưa rõ ràng. Tại Hoa Kỳ, một ban giám sát mới của chính phủ hiện giám sát nghề nghiệp và quốc hội đã thông qua một đạo luật, đạo luật Sarbanes – Oxley năm 2002, nêu bật những rủi ro của kiểm toán và tạo ra nhiều nhiệm vụ và vấn đề liên quan đến kiểm toán để điều tra. Những thay đổi của liên minh Châu Âu đối với chỉ thị số 8 nhằm cung cấp những thay đổi tương tự. Ở New Zealand, các dự thảo gần đây về kiểm soát chất lượng nhằm đạt được sự hội tụ quốc tế với các tiêu chuẩn kiểm toán quốc tế và tiêu chuẩn dịch vụ đảm bảo. Rõ ràng, áp lực cung cấp các dịch vụ kiểm toán và đảm bảo chất lượng là rất cao. 1.3. Nhu cầu nghiên cứu trí tuệ nhân tạo AI rất quan trọng đối với tương lai của nghề kế toán. Với tư cách là người cung cấp thông tin và người đánh giá rủi ro, kế toán viên cần các công cụ mới để tăng hiệu quả cho nhiệm vụ của họ, đặc biệt là trong bối cảnh kiểm toán và dịch vụ đảm bảo. Các nghiên cứu về AI trong kế toán hầu như chỉ được thực hiện bởi các nhà nghiên cứu kế toán. Phần lớn các tác giả này là chuyên gia về một hoặc nhiều lĩnh vực của kế toán, nhưng họ thiếu kiến thức nền tảng và kinh nghiệm về AI. Nhiều người đã đến với AI thông qua nền tảng chung về hệ thống thông tin. Những người khác chỉ đơn giản nhận ra sự cần thiết của các ứng dụng AI trong lĩnh vực nhiệm vụ mà họ nghiên cứu và đã tự đào tạo về lĩnh vực AI cho mục đích thực hiện nghiên cứu đó. 197
Các tài liệu về AI trong kế toán hầu như chỉ được viết bởi các nhà nghiên cứu kế toán này. Một số nhà nghiên cứu AI xác định cơ hội nghiên cứu trong các ứng dụng kinh doanh, thậm chí không đề cập đến các lĩnh vực kiểm toán và dịch đảm bảo. Với một vài trường hợp ngoại lệ có thể xảy ra, như sự tồn tại giữa miền ứng dụng của kiểm toán và dịch vụ đảm bảo và miền công nghệ của AI. Một cơ hội lớn tồn tại cho công việc liên ngành giữa các chuyên gia lĩnh vực kế toán và các chuyên gia ứng dụng AI. Sự hợp tác này có thể thúc đẩy sự phát triển của AI trong kế toán về phía trước một cách đáng kể. Bằng cách kết hợp những người hiểu biết về các lĩnh vực kế toán có thể được hưởng lợi tốt nhất từ việc phát triển AI với những người hiểu biết về các ứng dụng và công nghệ AI, có thể hoặc áp dụng cho các vấn đề cụ thể, ngành này có thể chứng kiến sự bùng nổ của nghiên cứu và phát triển hiệu quả, vượt xa lý thuyết và sự phát triển mẫu đặc trưng. 2. KIỂM TOÁN VÀ DỊCH VỤ ĐẢM BẢO Bản chất của kiểm toán cung cấp động lực cho việc sử dụng AI. Kiểm toán và dịch vụ đảm bảo liên quan đến việc đánh giá rủi ro, các quyết định phi cấu trúc và bán cấu trúc nhưng thường lặp lại, thông tin không đầy đủ và không chắc chắn. Abdolmohammadi (1991); Abdolmohammadi và Usoff (2001) đã nghiên cứu nhận thức của kiểm toán viên về các trợ giúp quyết định được sử dụng cho các nhiệm vụ kiểm toán. Điều thú vị là, các kết quả cho thấy rằng, bất kể độ phức tạp của nhiệm vụ, các kiểm toán viên thích xử lý của con người hơn các công cụ hỗ trợ quyết định hoặc hệ thống dựa trên kiến thức bởi một biên độ rất rộng. Tuy nhiên, ngày nay, ý tưởng cho rằng các chuyên gia có những giới hạn không còn là một lý thuyết chưa được kiểm chứng. Nhớ lại những vụ bê bối của Enron, WorldCom, Tyco, Parmalat, AIG, ... và sự sụp đổ của Arthur Andersen là bằng chứng. Về mặt tích cực, Thibodeau (2003) đã nghiên cứu khả năng chuyển giao của kiến thức nhiệm vụ kiểm toán. Ông kết luận rằng, kiến thức được phát triển trong một công ty kiểm toán có thể được chuyển giao theo nhiệm vụ và bối cảnh ngành. Rõ ràng, việc nắm bắt, chuyển giao và chia sẻ kiến thức kiểm toán trong toàn công ty có khả năng nâng cao hiệu quả hoạt động của công ty. Các biện pháp hỗ trợ quyết định được sử dụng trong kiểm toán có thể có những hậu quả sâu rộng và không chỉ để nâng cao hiệu lực và hiệu quả kiểm toán. Dillard và Yuthas (2001) đề xuất về đạo đức trách nhiệm đối với việc sử dụng hệ thống chuyên gia đánh giá. 198
Lowe và cộng sự (2002) đã nghiên cứu việc kiểm toán viên sử dụng các hỗ trợ ra quyết định ảnh hưởng như thế nào đến đánh giá của hội thẩm về trách nhiệm pháp lý của kiểm toán viên. Các bồi thẩm đoàn quy trách nhiệm thấp hơn cho các kiểm toán viên dựa vào các hỗ trợ quyết định có độ tin cậy cao, ngay cả khi trợ giúp không chính xác. Rõ ràng, việc xây dựng các biện pháp hỗ trợ đưa ra quyết định tốt có thể ảnh hưởng đến trách nhiệm pháp lý của kiểm toán viên theo nhiều cách. Thứ nhất, các biện pháp hỗ trợ quyết định tốt có thể giúp kiểm toán viên đưa ra quyết định tốt hơn và do đó tránh được trách nhiệm pháp lý do kết quả kiểm toán thất bại. Thứ hai, các biện pháp hỗ trợ quyết định tốt có thể giúp kiểm toán viên tránh được trách nhiệm pháp lý trong trường hợp kiểm toán thất bại. Ngược lại, việc tuân thủ quá mức các trợ giúp quyết định có thể dẫn đến khó khăn cho kiểm toán viên. Anderson và cộng sự (2003) đã nghiên cứu tiềm năng của các kiểm toán viên dựa vào các trợ giúp quyết định so với thông tin từ khách hàng. Kiểm toán viên có xu hướng đánh giá các giải trình được cung cấp bởi các trợ giúp quyết định là đầy đủ hơn so với các giải trình do khách hàng cung cấp. Cần có nhiều nghiên cứu hơn về sự phụ thuộc vào trợ giúp quyết định. Swinney (1999) đã phát hiện ra vấn đề tương tự của việc tuân thủ quá mức, đặc biệt là khi đầu ra phủ định. Trong một nghiên cứu hơi khác, Murphy và Yetmar (1996) đã nghiên cứu ảnh hưởng của việc sử dụng hệ chuyên gia của kiểm toán viên cấp dưới đối với các quyết định của cấp trên. Việc sử dụng hệ chuyên gia của cấp dưới đã ảnh hưởng đến niềm tin của cấp trên (khả năng xảy ra cao hơn), nhưng việc sử dụng của cấp trên không ảnh hưởng đến niềm tin của họ về kết luận của chính họ. Ye và Johnson (1995) nhận thấy kiểm toán viên có nhiều khả năng chấp nhận các khuyến nghị của hệ chuyên gia hơn nếu giải trình được cung cấp. 2.1. Ứng dụng trí tuệ nhân tạo Nhiều loại lý thuyết ra quyết định và công nghệ AI đã được áp dụng cho các vấn đề kiểm toán và dịch vụ đảm bảo. Tuy nhiên, ứng dụng đó phần lớn còn thưa thớt và hầu như chỉ dừng lại ở mức lý thuyết. Một số hệ chuyên gia đã được sử dụng tại các công ty kế toán công, chẳng hạn như ADAPT (Gillett, 1993), cố vấn lập kế hoạch kiểm toán của Deloitte Touche, Price Waterhouse's Planet, Arthur Andersen’s WinProcess và KPMG's KRisk. Hầu hết các hệ thống này đề cập đến việc đánh giá rủi ro. Không phải tất cả các ứng dụng của AI để vấn đề kiểm toán đã được chứng minh là thành công trong thời gian dài. Năm 1995, Arthur Andersen được cho là đã phát triển một 199
hệ thống giúp đánh giá rủi ro kiện tụng liên quan đến khách hàng kiểm toán (Berton, 1995). Lịch sử cho thấy rằng cuối cùng nó không có lợi. Ngược lại, AI hầu như chỉ được áp dụng thành công cho các nhiệm vụ nhiều hơn, có cấu trúc, có thể lập trình và lặp đi lặp lại, trong đó thu thập chuyên môn của con người không phải là một khó khăn quá lớn. Ví dụ, các tài liệu trên hệ chuyên gia cho các nhiệm vụ kiểm toán mà ngày từ những năm 1980 giữa (Abdolmohammadi, 1987; Gal và Steinbart, 1987; Hansen và Messier, 1987; Brown và Murphy, 1990; DENNA và cộng sự, 1991; Brown và Coakley, 2000). Đặc biệt, trong kiểm toán, vấn đề không chắc chắn đã thúc đẩy sự phát triển của các lĩnh vực nghiên cứu mới, chẳng hạn như lý thuyết Dempster-Shafer và các hàm. Tuy nhiên, sự tiến hành trong việc áp dụng các hệ thống thông minh vào các vấn đề kiểm toán vẫn chưa được ấn tượng. Do đó, phần này của bài tham luận sẽ xác định các nhiệm vụ kiểm toán mà các ứng dụng AI nên phát triển. Abdolmohammadi (1991) đã nghiên cứu 332 nhiệm vụ mà kiểm toán viên thực hiện. Mặc dù số lượng nhiệm vụ tiềm năng nhiều nhưng không phải tất cả đều phù hợp để ứng dụng AI. Một số rất có cấu trúc và khá thường xuyên, chẳng hạn như tính toán tỷ lệ hàng tồn kho. Mặt khác, có cấu trúc ít hơn nhiều và dựa vào thông tin không chắc chắn, không đầy đủ, chẳng hạn như xác định mối quan tâm liên tục. 2.2. Nhiệm vụ kiểm toán Các nhiệm vụ kiểm toán gợi ra một loạt các đặc điểm. Hơn 400 nhiệm vụ kiểm toán riêng lẻ đã được xác định. Mặc dù việc nghiên cứu các trợ giúp quyết định kiểm toán đã diễn ra trong nhiều năm, nhưng không có mô hình hệ thống nào xác định các nhiệm vụ kiểm toán để phát triển trợ giúp quyết định (Abdolmohammadi, 1991). Một số nhiệm vụ chính như sau: - Các thủ tục xem xét phân tích: các thủ tục soát xét phân tích do kiểm toán viên thực hiện nhằm mục đích thu thập bằng chứng kiểm toán. Họ có thể sử dụng nhiều kỹ thuật khác nhau. Koskivaara (2004) đánh giá việc sử dụng mạng nơ-ron cho những mục đích này. - Phân loại: một số nhiệm vụ kiểm toán, phần lớn là vấn đề phân loại: Đây là nợ phải thu hay nợ khó đòi? Đây là một giao dịch hợp pháp hay một giao dịch đáng nghi vấn? 200
Welch và cộng sự (1998) đã nghiên cứu hành vi ra quyết định của kiểm toán viên trong bối cảnh gian lận và đề xuất bằng các thuật toán di truyền là một cách tiếp cận thích hợp để giải quyết những vấn đề này. Viaene và cộng sự (2002) đã thử nghiệm một số kỹ thuật AI để phát hiện các yêu cầu gian lận bảo hiểm. Kết quả chỉ ra các kỹ thuật phi tuyến tính (ví dụ như mạng nơ-ron) không hoạt động tốt như các kỹ thuật tuyến tính. Hiệu suất kém của các kỹ thuật phi tuyến tính được cho là do thiếu dữ liệu cụ thể về miền trong kịch bản thử nghiệm, hạn chế và dẫn đến kết luận rằng, nếu người dùng có kiến thức và kỹ năng cụ thể trong lĩnh vực, các kỹ thuật phi tuyến tính cung cấp sự linh hoạt hơn trong việc phát triển phân loại gian lận. - Đánh giá mức độ trọng yếu: cũng là một kiểu phân loại. Comunale và Sexton (2005) đề xuất phương pháp tiếp cận hệ chuyên gia mờ nguyên mẫu sơ cấp để đánh giá tính trọng yếu như một biến liên tục. Steinbart (1987) đã mô tả hệ chuyên gia được phát triển để đưa ra các đánh giá trọng yếu trong giai đoạn lập kế hoạch. - Đánh giá kiểm soát nội bộ: Với sự ra đời của Sarbanes – Oxley, việc đánh giá các kiểm soát nội bộ càng trở nên quan trọng hơn đối với công tác kiểm toán. Meservey và cộng sự (1986) đã phát triển mô hình tính toán của quá trình xem xét kiểm soát nội bộ của một kiểm toán viên và thực hiện nó như hệ chuyên gia. Changchit và Holsapple (2001) đã phát triển hệ chuyên gia để hỗ trợ đánh giá kiểm soát nội bộ của các nhà quản lý và mô tả sự miễn cưỡng của các nhà quản lý khi sử dụng nó. Changchit và Holsapple (2004) nhận thấy rằng hệ chuyên gia về kiến thức kiểm soát nội bộ của kiểm toán viên là một phương tiện hữu hiệu và hiệu quả để chuyển giao kiến thức cho các nhà quản lý. Một mô hình mờ được phát triển bởi de Korvin và cộng sự (2004) để đánh giá rủi ro từ các mối đe dọa của kiểm soát nội bộ. - Đánh giá rủi ro: nhiều nhiệm vụ kiểm toán tổng hợp để đánh giá rủi ro. Đánh giá rủi ro liên quan đến việc đối sánh mô hình và xác định các sai lệch hoặc biến thể. Ramamoorti và cộng sự (1999), Chiu và Scott (1994) đề xuất việc sử dụng mạng nơ- ron để hỗ trợ đánh giá rủi ro. Lin và cộng sự (2003) đã đánh giá mạng nơ-ron mờ tích hợp để phát hiện gian lận tài chính và thấy rằng nó hoạt động tốt hơn hầu hết các mô hình thống kê và mạng nơ-ron nhân tạo trước đây. Davis và cộng sự (1997) mô tả hệ thống nguyên mẫu để đánh giá rủi ro kết hợp cả công nghệ mạng nơ-ron và hệ chuyên gia. Hwang và cộng sự (2004) áp dụng lý luận dựa trên tình huống để đánh giá rủi ro 201
kiểm soát nội bộ. Eining và Jones (1997) nhận thấy rằng việc dựa vào hệ thống chuyên gia đã nâng cao khả năng của kiểm toán viên để phân biệt giữa các mức độ rủi ro gian lận trong quản lý khác nhau và nhất quán hơn trong việc lựa chọn các hành động kiểm toán tiếp theo. Peters (1990) đã phát triển và triển khai hệ chuyên gia để đánh giá rủi ro vốn có trong quá trình lập kế hoạch kiểm toán. - Các quyết định liên quan: kiểm toán viên đưa ra quyết định về tính không chắc chắn của hoạt động liên tục, khi khách hàng có nguy cơ thất bại hoặc gặp mối đe dọa tính liên tục của khách hàng. Quyết định này là một nhiệm vụ kiểm toán phi cấu trúc có thể được hưởng lợi từ việc sử dụng các mô hình quyết định. Thông thường, quyết định bao gồm cả phán đoán định tính và phân tích định lượng. Biggs và cộng sự (1993) đã phát triển hệ chuyên gia để đánh giá liên tục. Mạng nơ- ron được đề xuất như một mô hình thay thế tiềm năng. Lenard và cộng sự (1995), Koh (2004), Etheridge và cộng sự (2000) đã so sánh ba kỹ thuật mạng nơ-ron cho các quyết định liên quan. Các hệ thống kết hợp, sử dụng cả mô hình thống kê và hệ chuyên gia, cũng đã được phát triển. Lenard và cộng sự (2001), Lenard và cộng sự (2000) mô tả một hệ thống kết hợp các hệ thống thống kê, chuyên gia và phân cụm mờ để hỗ trợ các quyết định liên tục. Phân cụm mờ và mô hình lai được sử dụng bởi Lenard và cộng sự (2000) để mô hình hóa các quá trình ra quyết định của kiểm toán viên liên quan đến phân tích hoạt động liên tục. - Dự đoán phá sản: một nhóm nghiên cứu lớn đang điều tra việc sử dụng AI trong dự đoán phá sản. Zhang và cộng sự (1999) phát triển một khuôn khổ cho việc sử dụng mạng nơr-on trong dự đoán phá sản và xem xét kỹ lưỡng các tài liệu còn tồn tại trước năm 1999. McKee và Lensberg (2002) kết hợp lập trình di truyền và lý thuyết tập hợp thô để phát triển hệ thống lai về dự đoán phá sản. Anandarajan và cộng sự (2001) sử dụng mạng nơ-ron để dự đoán sự phá sản ở các công ty gặp khó khăn về tài chính và nhận thấy rằng các mô hình phi tuyến tính chính xác hơn các mô hình tuyến tính truyền thống. Pendharkar (2005) sử dụng một số kỹ thuật AI (mạng nơ-ron, lập trình di truyền và cây phân lớp) để phát triển các mô hình dự đoán phá sản nhị phân. - Tổng hợp bằng chứng kiểm toán: Srivastava và các đồng nghiệp (Srivastava và Shafer, 1992; Dutta và Srivastava 1993; Gillett và Srivastava, 2000) đã điều tra việc sử dụng các hàm và xác suất để tổng hợp bằng chứng kiểm toán. 202
2.3. Công nghệ và kỹ thuật AI Với tất cả các nghiên cứu về chuyên gia kiểm toán, việc sử dụng chúng phải được phổ biến ngay bây giờ. Tuy nhiên, chúng đã không phát huy hết tiềm năng vì vấn đề thiếu tính trung lập của người dùng (O'Leary, 2003). Do đó, các phương pháp tiếp cận AI khác, phức tạp hơn cần được nghiên cứu cho các nhiệm vụ kiểm toán. Các thuật toán di truyền được đề xuất bởi Welch và cộng sự, như một ứng dụng hữu ích, tiềm năng để lập mô hình hành vi của kiểm toán viên trong các quyết định về gian lận. Lensberg và cộng sự, áp dụng lập trình di truyền để dự đoán phá sản. Điều này cũng có thể hữu ích trong các quyết định liên quan. Mạng nơ-ron đã được đề xuất như một ứng dụng tốt cho một loạt các nhiệm vụ kiểm toán. Do khả năng mô hình hóa các mối quan hệ phi tuyến tính và xử lý dữ liệu không đầy đủ, mạng nơ-ron có thể đặc biệt hữu ích cho các nhiệm vụ đánh giá rủi ro. Việc áp dụng chúng vào kiểm toán nội bộ sẽ làm tăng khả năng của kiểm toán viên nội bộ trong việc đưa ra các khuyến nghị về kiểm soát quá trình và tái thiết kinh doanh. Fanning và cộng sự, sử dụng mạng nơ-ron để đánh giá rủi ro gian lận trong quản lý. Chiu và Scott, cũng thúc đẩy việc sử dụng mạng nơ ron để đánh giá rủi ro. Koh (2004) đề xuất việc sử dụng mạng nơ-ron và khai thác dữ liệu cho các dự đoán về mối quan tâm liên tục. Koh phát hiện ra rằng mạng nơ-ron và cây quyết định là những công cụ mạnh mẽ trong việc phân tích các mối quan hệ phức tạp, phi tuyến tính và tương tác liên quan đến phân tích mối quan tâm. Koskivarra (2000) sử dụng mạng nơ-ron để lập mô hình số dư hàng tháng cho một công ty sản xuất. Ví dụ: Bảng Dữ liệu Document No. Doc. type Account type Username Saturday Sunday Finding 2000000131 KR K Ahansen 0 1 0 2000000132 KR K Kbridge 0 1 0 2000000133 KR K Khamad 1 0 1 2000000175 DZ D Lappiah 1 0 0 2000000176 DZ D Mlincoln 0 1 1 203
Hình: Áp dụng cây quyết định Chúng ta có thể thấy rất rõ ràng trong những trường hợp nào chúng ta cần xem xét kỹ hơn và phân loại dữ liệu tương lai cho phù hợp. Tất nhiên, các tiêu chí được hiển thị không nhất thiết phải là "Finding", nhưng các thuật toán tương ứng có thể tính đến các xác suất bổ sung của "Finding" nhất định nếu khả năng không rõ ràng. Là một kiểm toán viên, cần tập trung vào các hóa đơn của nhà cung cấp (KR) được đăng vào thứ bảy và các khoản thanh toán của khách hàng (DZ) được đăng bởi tên người dùng bắt đầu bằng “K”. Hệ thống mờ có thể đặc biệt hữu ích đối với một số nhiệm vụ kiểm toán vì sự cho phép các yếu tố định tính. Đối với các quyết định trọng yếu, điều này có thể tốt hơn nhiều so với các quy tắc ngón tay cái định lượng điển hình (Comunale và Sexton, 2005). Deshmukh và cộng sự, cung cấp một khuôn khổ để phát triển các hệ thống mờ để đánh giá rủi ro gian lận trong quản lý. Framework của họ xây dựng dựa trên nghiên cứu về cờ đỏ kiểm toán và lý thuyết tập mờ. Deshmukh và cộng sự nghiên cứu để xây dựng và thử nghiệm hệ thống mờ được phát triển từ framework. Hệ thống hybrid, vì một số nhiệm vụ kiểm toán liên quan đến việc sử dụng cả phân tích định lượng và định tính, các hệ thống kết hợp có thể phù hợp. Lenard và cộng sự, đã phát triển hệ thống kết hợp giữa mô hình thống kê với hệ chuyên gia để giả định các phán đoán liên quan. Các nhiệm vụ kiểm toán khác có thể được hưởng lợi từ cách tiếp cận này. May và cộng sự, đã áp dụng cách tiếp cận tương tự để kiểm toán yêu cầu bồi thường tại Blue Cross, trong một ứng dụng thương mại. Davis và cộng sự, đã xây dựng mạng lưới chuyên gia hỗn hợp nguyên mẫu, kết hợp hệ chuyên gia và mạng nơ-ron, để đánh giá rủi ro kiểm soát. Stefanowski và Wilk, sử dụng hệ thống kết hợp giữa các quy tắc quyết định và 204
học tập dựa trên tình huống để phân loại các đơn đăng ký tín dụng kinh doanh theo năm mức độ rủi ro. 3. KẾT LUẬN Các nhiệm vụ kiểm toán rất nhiều và phức tạp. Hầu hết các nghiên cứu AI trong kiểm toán và kế toán đã được thực hiện bởi các nhà nghiên cứu kế toán và không có sự tham gia của các chuyên gia AI. Nghiên cứu về AI cho các nhiệm vụ này sẽ được cải thiện nếu các nhà nghiên cứu kế toán và các nhà nghiên cứu AI vượt qua giới hạn kỷ luật và làm việc cùng nhau. Các nhà nghiên cứu kế toán phải thu hẹp khoảng cách giữa lĩnh vực kinh doanh và kế toán cũng như lĩnh vực khoa học máy tính và AI, hợp tác với các nhà nghiên cứu AI để cải thiện việc kiểm toán và dịch vụ đảm bảo. Các nghiên cứu AI trong kiểm toán và kế toán đều liên quan đến công nghệ hệ chuyên gia. Rõ ràng, các ứng dụng AI phức tạp hơn có thể được tạo ra để giải quyết một số vấn đề kiểm toán một cách đầy đủ hơn. Các nhà nghiên cứu AI nắm giữ chìa khóa để giải quyết một số vấn đề về nhiệm vụ kiểm toán và dịch vụ đảm bảo thông qua việc sử dụng các kỹ thuật AI như logic mờ, mạng nơ-ron và có lẽ các lĩnh vực khác của AI chưa từng được áp dụng trong bối cảnh kế toán. Các nhiệm vụ kiểm toán viên, chẳng hạn như thủ tục soát xét phân tích, đánh giá tính trọng yếu, quyết định liên tục và đánh giá rủi ro, rất phức tạp và quan trọng. Thực hiện những nhiệm vụ này kém sẽ gây ra hậu quả nghiêm trọng. Tiềm năng cải tiến thông qua việc phát triển và sử dụng các ứng dụng AI phức tạp, chẳng hạn như hệ chuyên gia, lập trình di truyền, mạng nơ-ron, hệ thống mờ và hệ thống lai, cần được nghiên cứu để hạn chế các rủi ro trên. TÀI LIỆU THAM KHẢO [1]. https://onlinelibrary.wiley.com/ [2]. https://www.zapliance.com [3]. https://zephyrnet.com [4]. https://www.slideshare.net/donewenlong/kim-ton-15895463 [5]. https://www.vcci.com.vn/ung-dung-cong-nghe-cao-tri-tue-nhan-tao-trong-kiem-toan http://raw.rutgers.edu/MiklosVasarhelyi/Resume%20Articles/BOOKS/B13.%20artificial %20intelligence.pdf 205