Financial Audit Assistance using Misinformation Detection and Explanation
Cet article présente un système non supervisé assisté par l'IA qui exploite un vaste corpus d'états financiers historiques et de rapports d'audit pour détecter automatiquement la désinformation dans les états financiers et générer des explications identifiant les sources probables de ces divergences afin d'aider les auditeurs.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le dilemme du détective : Trouver les mensonges dans une mer de chiffres
Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu d'empreintes digitales ou de traces de pas, vos indices sont des chiffres. C'est le monde de l'audit financier, un domaine où des experts vérifient le « bulletin de notes » d'une entreprise (appelé états financiers) pour s'assurer que les chiffres disent la vérité. Ces rapports, qui incluent le bilan, le compte de résultat et le tableau des flux de trésorerie, sont comme le journal intime de l'entreprise sur la façon dont elle a gagné, dépensé et dû de l'argent. Tout le monde, des investisseurs aux collecteurs d'impôts, dépend de ces journaux pour prendre de grandes décisions. Mais voici le problème : parfois, les entreprises ont de bonnes raisons de mentir. Elles peuvent vouloir paraître plus riches qu'elles ne le sont pour exciter les investisseurs, ou paraître plus pauvres pour payer moins d'impôts. C'est ce qu'on appelle la désinformation.
Traditionnellement, débusquer ces mensonges est un travail lent et épuisant qui nécessite qu'un expert humain fouille des montagnes de reçus papier, de lettres bancaires et d'inspections d'entrepôts. C'est comme essayer de trouver un grain de sable spécifique sur une plage en examinant chaque grain avec une loupe. Parce que ce travail est si difficile et chronophage, les entreprises parviennent parfois à cacher la vérité. Ce document explore une nouvelle idée : et si nous pouvions construire un assistant IA super intelligent pour aider le détective humain ? Au lieu de simplement trouver le mensonge, cette IA expliquerait aussi pourquoi elle pense qu'un chiffre est suspect, pointant directement le détective vers le grain de sable qui ne correspond pas. L'objectif n'est pas de remplacer l'humain, mais de lui donner une lampe torche de haute technologie pour rendre la recherche plus rapide et plus précise.
L'histoire du document : Enseigner à l'IA à repérer les faux
Ce document présente une équipe de chercheurs qui a construit un système d'IA conçu pour agir comme un « copilote » pour les auditeurs financiers. Ils ne voulaient pas seulement que l'IA dise « Cela semble incorrect » ; ils voulaient qu'elle dise : « Cela semble incorrect, et voici le chiffre spécifique qui pose problème ». Pour ce faire, ils ont dû résoudre un puzzle complexe : ils ne disposaient pas d'une liste de « menteurs connus » pour entraîner leur IA. Dans le monde réel, nous ne savons souvent pas avec certitude si une entreprise a menti avant des années plus tard, si tant est que cela arrive.
Ainsi, les chercheurs ont trouvé une astuce ingénieuse. Ils ont rassemblé les rapports financiers et les notes d'audit officielles de 11 460 entreprises sur 5 ans. Ils ont ensuite utilisé des modèles de langage avancés (pensez à eux comme des super-lecteurs) pour scanner le texte des rapports d'audit. Ces rapports contiennent souvent des « remarques défavorables » — des phrases où l'auditeur dit : « Nous ne pouvons pas confirmer ceci » ou « Il y a un problème ici ». L'IA a appris à repérer ces phrases et les a utilisées pour créer des « étiquettes d'argent » (silver labels). Considérez une étiquette d'argent comme un marqueur de « suspect probable ». Si un rapport d'audit contenait au moins deux « remarques défavorables » sérieuses, l'IA marquait le rapport financier de cette entreprise comme « probablement contenant de la désinformation ». Ce n'était pas une vérité « d'or » parfaite, mais c'était la meilleure carte dont ils disposaient pour naviguer dans les données.
Une fois leurs « suspects » identifiés, l'équipe a testé plusieurs techniques d'IA différentes pour voir laquelle pouvait le mieux repérer les faux. Ils ont essayé des méthodes qui cherchaient des motifs étranges (comme trouver un pion carré dans un trou rond) et des méthodes qui tentaient de prédire ce qu'un chiffre devrait être en se basant sur d'autres chiffres. Les résultats étaient prometteurs. Une méthode, appelée Régression par Vecteurs de Support (SVR), était particulièrement efficace pour repérer les rapports suspects. Lors de tests sur l'année 2014, cette méthode a montré des niveaux de succès variables selon le modèle spécifique utilisé : un modèle (SVR M14) a correctement identifié les rapports suspects parmi les 20 meilleurs candidats avec une précision de 0,75, tandis qu'un autre modèle (SVR M15) a atteint une précision de 0,95. Une autre méthode, le Facteur d'Anomalie Locale (LOF), était également un sérieux concurrent, atteignant une précision moyenne de 0,56 sur les cinq ans.
Mais trouver le suspect n'est que la moitié de la bataille. La véritable magie de ce document réside dans l'explication. Si l'IA dit simplement « L'entreprise X ment », l'auditeur humain doit encore deviner où regarder. Les chercheurs ont développé un moyen de générer automatiquement un « pourquoi » pour la suspicion de l'IA. Ils ont utilisé une technique appelée IA explicable (XAI). Imaginez que l'IA est un détective pointant une carte et disant : « Le problème est ici, dans les colonnes "Provisions à court terme" et "Actifs immobilisés" ». Les chercheurs ont testé différentes façons de générer ces explications et ont constaté que, bien que l'EiForest (qui utilise une « forêt » d'arbres de décision) ait la meilleure performance moyenne sur tous les cas de test, d'autres méthodes comme l'EMI (Explication par Isolation Maximale) présentaient en fait une précision plus élevée pour des entreprises spécifiques, surpassant parfois l'EiForest. Cela suggère que différents outils peuvent être les meilleurs pour différents types de mystères financiers.
L'équipe a également montré comment transformer ces découvertes en suggestions utiles. Si l'IA repère un problème avec les « provisions pour impôts », elle peut automatiquement suggérer une question à poser à l'auditeur, telle que : « Vérifiez si les provisions pour impôts en attente ont été constituées ». Cela transforme une alerte de données brutes en un plan d'action clair.
Le document précise avec prudence qu'il s'agit d'une simulation basée sur des données historiques, et non d'un test en direct dans un tribunal réel. La « vérité » qu'ils ont utilisée (les étiquettes d'argent) a été générée par l'IA elle-même à partir d'indices textuels, et non par un verdict judiciaire. Cependant, les résultats suggèrent que cette approche fonctionne suffisamment bien pour être utile. Les chercheurs ont constaté qu'en utilisant ces techniques non supervisées (qui n'ont pas besoin de données pré-étiquetées de « menteurs »), ils pouvaient efficacement signaler les entreprises nécessitant une inspection plus étroite. Ils ont également noté que leur méthode était meilleure que les tentatives précédentes car ils utilisaient un ensemble de données beaucoup plus vaste (11 460 rapports au lieu de quelques centaines seulement) et incluaient plus de types de données financières, comme les flux de trésorerie, et pas seulement le bilan.
En fin de compte, ce document ne prétend pas avoir résolu le problème de la fraude financière pour toujours. Il propose plutôt un outil puissant. Il suggère qu'en combinant la puissance de détection de motifs de l'IA avec la capacité d'expliquer pourquoi un motif est étrange, nous pouvons aider les auditeurs humains à travailler plus vite et plus intelligemment. Le système élimine la nécessité pour les humains de parcourir manuellement des milliers de documents pour trouver le premier indice, leur permettant de concentrer leur expertise sur les pistes les plus suspectes. Bien que l'IA ne soit pas parfaite et nécessite toujours une supervision humaine, elle agit comme un assistant hautement qualifié qui ne se fatigue jamais, garantissant que l'« aiguille dans la botte de foin » des mensonges financiers soit trouvée bien plus tôt qu'auparavant.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.