Financial Audit Assistance using Misinformation Detection and Explanation
Dieses Paper präsentiert ein unüberwachtes, KI-gestütztes System, das einen großen Korpus aus historischen Jahresabschlüssen und Prüfungsberichten nutzt, um Fehlinformationen in Finanzberichten automatisch zu erkennen und Erklärungen zu generieren, die die wahrscheinlichen Quellen solcher Unstimmigkeiten identifizieren, um Wirtschaftsprüfer zu unterstützen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Dilemma des Detektivs: Lügen in einem Meer aus Zahlen finden
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstelle von Fingerabdrücken oder Fußabdrücken sind Ihre Hinweise Zahlen. Dies ist die Welt der Finanzprüfung, ein Bereich, in dem Experten den „Zeugnisbericht“ eines Unternehmens (genannt Jahresabschlüsse) überprüfen, um sicherzustellen, dass die Zahlen die Wahrheit sagen. Diese Berichte, die die Bilanz, die Gewinn- und Verlustrechnung und die Kapitalflussrechnung umfassen, sind wie das Tagebuch eines Unternehmens darüber, wie viel Geld es verdient, ausgegeben und verschuldet hat. Jeder, vom Investor bis zum Steuerberater, verlässt sich auf diese Tagebücher, um wichtige Entscheidungen zu treffen. Aber hier ist der Haken: Manchmal haben Unternehmen einen starken Grund zu lügen. Sie wollen vielleicht reicher erscheinen, als sie sind, um Investoren zu begeistern, oder sie wollen ärmer erscheinen, um weniger Steuern zu zahlen. Dies wird als Fehlinformation bezeichnet.
Traditionell ist das Entlarven dieser Lügen ein langsamer, erschöpfender Job, der einen menschlichen Experten erfordert, der sich durch Berge von Quittungen, Bankbriefen und Lagerinspektionen wühlen muss. Es ist, als versuche man, ein einzelnes bestimmtes Sandkorn auf einem Strand zu finden, indem man jedes einzelne Korn mit einer Lupe betrachtet. Da dieser Job so schwer und zeitaufwendig ist, kommen Unternehmen manchmal damit durch, die Wahrheit zu verbergen. Dieses Paper untersucht eine neue Idee: Was wäre, wenn wir einen superintelligenten KI-Assistenten bauen könnten, um dem menschlichen Detektiv zu helfen? Anstatt nur die Lüge zu finden, würde diese KI auch erklären, warum sie denkt, dass eine Zahl verdächtig ist, und den Detektiv direkt auf das Sandkorn hinweisen, das nicht passt. Das Ziel ist nicht, den Menschen zu ersetzen, sondern ihm eine hochtechnologische Taschenlampe zu geben, um die Suche schneller und genauer zu machen.
Die Geschichte des Papers: KI lehren, Fälschungen zu erkennen
Dieses Paper präsentiert ein Team von Forschern, das ein KI-System entwickelt hat, das als „Co-Pilot“ für Wirtschaftsprüfer fungieren soll. Sie wollten nicht, dass die KI nur sagt: „Das sieht falsch aus“; sie wollten, dass sie sagt: „Das sieht falsch aus, und hier ist die spezifische Zahl, die das Problem ist.“ Um dies zu erreichen, mussten sie ein kniffliges Rätsel lösen: Sie hatten keine Liste von „bekannten Lügnern“, mit denen sie ihre KI trainieren konnten. In der realen Welt wissen wir oft erst Jahre später, oder gar nie, ob ein Unternehmen gelogen hat.
Also entwickelten die Forscher einen cleveren Umweg. Sie sammelten die Finanzberichte und die offiziellen Prüfvermerke von 11.460 Unternehmen über einen Zeitraum von 5 Jahren. Dann nutzten sie fortschrittliche Sprachmodelle (denken Sie an sie als Super-Leser), um den Text der Prüfberichte zu scannen. Diese Berichte enthalten oft „negative Anmerkungen“ (adverse remarks) – Sätze, in denen der Prüfer sagt: „Wir können dies nicht bestätigen“ oder „Es gibt hier ein Problem“. Die KI lernte, diese Sätze zu erkennen, und nutzte sie, um „Silber-Labels“ zu erstellen. Betrachten Sie ein Silber-Label als ein Etikett „Wahrscheinlicher Verdächtiger“. Wenn ein Prüfbericht mindestens zwei schwerwiegende „negative Anmerkungen“ enthielt, markierte die KI den Finanzbericht dieses Unternehmens als „wahrscheinlich mit Fehlinformationen behaftet“. Dies war keine perfekte „Gold“-Wahrheit, aber es war die beste Karte, die sie hatten, um durch die Daten zu navigieren.
Sobald sie ihre „Verdächtigen“ hatten, testete das Team verschiedene KI-Techniken, um zu sehen, welche die Fälschungen am besten erkennen kann. Sie probierten Methoden aus, die nach seltsamen Mustern suchten (wie das Finden eines quadratischen Stifts in einem runden Loch), und Methoden, die versuchten vorherzusagen, was eine Zahl basierend auf anderen Zahlen sein sollte. Die Ergebnisse waren vielversprechend. Eine Methode, namens Support Vector Regression (SVR), war besonders gut darin, die verdächtigen Berichte aufzuspüren. In Tests für das Jahr 2014 zeigte diese Methode je nach verwendetem Modell unterschiedliche Erfolgsgrade: Ein Modell (SVR M14) identifizierte verdächtige Berichte unter den Top-20-Kandidaten mit einer Präzision von 0,75, während ein anderes Modell (SVR M15) eine Präzision von 0,95 erreichte. Eine andere Methode, der Local Outlier Factor (LOF), war ebenfalls ein starker Kandidat und erreichte über die fünf Jahre hinweg eine durchschnittliche Präzision von 0,56.
Doch den Verdächtigen zu finden, ist nur die halbe Miete. Die wahre Magie dieses Papers liegt in der Erklärung. Wenn die KI nur sagt: „Unternehmen X lügt“, muss der menschliche Prüfer immer noch raten, wo er suchen soll. Die Forscher entwickelten eine Möglichkeit, automatisch ein „Warum“ für den Verdacht der KI zu generieren. Sie verwendeten eine Technik namens Explainable AI (XAI). Stellen Sie sich vor, die KI ist ein Detektiv, der auf eine Karte zeigt und sagt: „Das Problem liegt hier, in den Spalten ‚Kurzfristige Rückstellungen‘ und ‚Anlagevermögen‘.“ Die Forscher testeten verschiedene Wege, um diese Erklärungen zu generieren, und fanden heraus, dass während EiForest (das einen „Wald“ aus Entscheidungsbäumen nutzt) die höchste Durchschnittsleistung über alle Testfälle hinweg aufwies, andere Methoden wie EMI (Explanation using Maximal Isolation) tatsächlich eine höhere Präzision für spezifische Unternehmen zeigten und manchmal EiForest übertrafen. Dies deutet darauf hin, dass unterschiedliche Werkzeuge für unterschiedliche Arten von Finanzrätseln am besten geeignet sein könnten.
Das Team zeigte auch, wie man diese Erkenntnisse in hilfreiche Vorschläge umwandelt. Wenn die KI ein Problem mit „Steuerrückstellungen“ entdeckt, kann sie automatisch eine Frage für den Prüfer vorschlagen, wie etwa: „Prüfen, ob Rückstellungen für anstehende Steuern gebildet wurden.“ Dies verwandelt einen rohen Datenalarm in einen klaren Aktionsplan.
Das Paper weist vorsichtig darauf hin, dass es sich um eine Simulation auf Basis historischer Daten handelt, nicht um einen Live-Test in einem echten Gerichtssaal. Die „Wahrheit“, die sie verwendeten (die Silber-Labels), wurde von der KI selbst basierend auf Texthinweisen generiert, nicht durch ein Gerichtsurteil. Dennoch legen die Ergebnisse nahe, dass dieser Ansatz gut genug funktioniert, um nützlich zu sein. Die Forscher fanden heraus, dass sie durch die Verwendung dieser unüberwachten Techniken (die keine vorab gekennzeichneten „Lügner-Daten“ benötigen) effektiv Unternehmen markieren konnten, die einer genaueren Untersuchung bedurften. Sie merkten auch an, dass ihre Methode besser als frühere Versuche war, da sie einen viel größeren Datensatz (11.460 Berichte statt nur weniger hundert) verwendeten und mehr Arten von Finanzdaten einbezogen, wie etwa den Cashflow, nicht nur die Bilanz.
Am Ende behauptet dieses Paper nicht, das Problem des Finanzbetrugs für immer gelöst zu haben. Stattdessen bietet es ein leistungsstarkes neues Werkzeug an. Es legt nahe, dass wir durch die Kombination der Mustererkennungskapazität der KI mit der Fähigkeit zu erklären, warum ein Muster seltsam ist, menschlichen Prüfern helfen können, schneller und intelligenter zu arbeiten. Das System nimmt den Menschen die Notwendigkeit ab, tausende Dokumente manuell zu durchforsten, um den ersten Hinweis zu finden, und ermöglicht es ihnen, ihre Expertise auf die verdächtigsten Spuren zu konzentrieren. Obwohl die KI nicht perfekt ist und weiterhin menschliche Aufsicht benötigt, fungiert sie wie ein hochtrainierter Assistent, der niemals müde wird und sicherstellt, dass die „Nadel im Heuhaufen“ der Finanzlügen viel früher gefunden wird als zuvor.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.