Financial Audit Assistance using Misinformation Detection and Explanation
यह शोध पत्र एक अनसुपरवाइज्ड (unsupervised) एआई-सहायता प्राप्त प्रणाली प्रस्तुत करता है जो ऐतिहासिक वित्तीय विवरणों और ऑडिट रिपोर्टों के एक विशाल संग्रह का लाभ उठाकर वित्तीय विवरणों में गलत सूचनाओं का स्वतः पता लगाता है और ऑडिटरों की सहायता के लिए ऐसे विसंगतियों के संभावित स्रोतों की पहचान करने वाले स्पष्टीकरण उत्पन्न करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जासूसी की दुविधा: संख्याओं के सागर में झूठ खोजना
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान या पैरों के निशान के बजाय, आपके सुराग संख्याएं हैं। यह वित्तीय ऑडिटिंग (financial auditing) की दुनिया है, जहाँ विशेषज्ञ एक कंपनी के "रिपोर्ट कार्ड" (जिसे वित्तीय विवरण कहा जाता है) की जाँच करते हैं ताकि यह सुनिश्चित किया जा सके कि संख्याएँ सच बोल रही हैं। ये रिपोर्ट, जिनमें बैलेंस शीट, इनकम स्टेटमेंट और कैश-फ्लो स्टेटमेंट शामिल हैं, कंपनी की इस बात की डायरी की तरह हैं कि उसने कितना पैसा कमाया, खर्च किया और उस पर कितना कर्ज है। निवेशक से लेकर टैक्स कलेक्टर तक, हर कोई बड़े निर्णय लेने के लिए इन डायरियों पर भरोसा करता है। लेकिन यहाँ एक पेंच है: कभी-कभी कंपनियों के पास झूठ बोलने का एक मजबूत कारण होता है। वे खुद को जितना वे हैं उससे अधिक अमीर दिखाने के लिए निवेशकों को उत्साहित करना चाह सकते हैं, या कम टैक्स देने के लिए खुद को गरीब दिखाना चाह सकते हैं। इसे मिसइन्फॉर्मेशन (misinformation) कहा जाता है।
पारंपरिक रूप से, इन झूठों को पकड़ना एक धीमी, थकाऊ नौकरी है जिसके लिए एक मानव विशेषज्ञ को कागजी रसीदों, बैंक पत्रों और गोदामों के निरीक्षण के पहाड़ों को खोदकर देखना पड़ता है। यह एक आवर्धक लेंस (magnifying glass) से हर रेत के कण को देखकर समुद्र तट पर एक विशिष्ट रेत के कण को खोजने की कोशिश करने जैसा है। क्योंकि यह काम इतना कठिन और समय लेने वाला है, इसलिए कंपनियाँ कभी-कभी सच छिपाने में सफल हो जाती हैं। यह शोध पत्र एक नए विचार को प्रस्तुत करता है: क्या होगा यदि हम मानव जासूस की मदद करने के लिए एक सुपर-स्मार्ट AI सहायक बना सकें? केवल झूठ खोजने के बजाय, यह AI यह भी समझाएगा कि उसे क्यों लगता है कि कोई संख्या संदिग्ध है, और जासूस को सीधे उस रेत के कण की ओर इशारा करेगा जो मेल नहीं खा रहा है। लक्ष्य इंसान को बदलना नहीं है, बल्कि उन्हें एक हाई-टेक टॉर्च देना है ताकि उनकी खोज तेज़ और अधिक सटीक हो सके।
शोध पत्र की कहानी: AI को नकली पहचानने के लिए सिखाना
यह शोध पत्र एक टीम के शोधकर्ताओं को प्रस्तुत करता है जिन्होंने एक AI सिस्टम बनाया है जिसे वित्तीय ऑडिटरों के लिए एक "को-पायलट" के रूप में कार्य करने के लिए डिज़ाइन किया गया है। वे केवल यह नहीं चाहते थे कि AI कहे "यह गलत लग रहा है"; वे चाहते थे कि यह कहे, "यह गलत लग रहा है, और यहाँ वह विशिष्ट संख्या है जो समस्या है।" ऐसा करने के लिए, उन्हें एक पेचीदा पहेली को हल करना था: उनके पास अपने AI को प्रशिक्षित करने के लिए "ज्ञात झूठ बोलने वालों" की कोई सूची नहीं थी। वास्तविक दुनिया में, हमें अक्सर तब तक निश्चित रूप से पता नहीं चलता कि किसी कंपनी ने झूठ बोला है जब तक कि वर्षों बाद, या शायद कभी नहीं, पता न चल जाए।
इसलिए, शोधकर्ताओं ने एक चतुर समाधान निकाला। उन्होंने 11,460 कंपनियों की 5 वर्षों की वित्तीय रिपोर्ट और आधिकारिक ऑडिट नोट्स एकत्र किए। फिर उन्होंने उन्नत भाषा मॉडल (सोचिए कि वे सुपर-रीडर हैं) का उपयोग करके ऑडिट रिपोर्ट के टेक्स्ट को स्कैन किया। इन रिपोर्टों में अक्सर "प्रतिकूल टिप्पणियाँ" (adverse remarks) होती हैं—ऐसे वाक्य जहाँ ऑडिटर कहता है, "हम इसकी पुष्टि नहीं कर सकते," या "यहाँ एक समस्या है।" AI ने इन वाक्यों को पहचानना सीखा और इनका उपयोग "सिल्वर लेबल" (silver labels) बनाने के लिए किया। सिल्वर लेबल को एक "संभावित संदिग्ध" टैग के रूप में समझें। यदि किसी ऑडिट रिपोर्ट में कम से कम दो गंभीर "प्रतिकूल टिप्पणियाँ" थीं, तो AI ने उस कंपनी की वित्तीय रिपोर्ट को "संभावित मिसइन्फॉर्मेशन युक्त" के रूप में टैग किया। यह एक पूर्ण "गोल्ड" सत्य नहीं था, लेकिन डेटा में नेविगेट करने के लिए उनके पास सबसे अच्छा नक्शा था।
एक बार जब उनके पास उनके "संदिग्ध" आ गए, तो टीम ने कई अलग-अलग AI तकनीकों का परीक्षण किया यह देखने के लिए कि कौन सा नकली को सबसे अच्छी तरह पहचान सकता है। उन्होंने उन तरीकों को आजमाया जो अजीब पैटर्न देखते थे (जैसे गोल छेद में चौकोर कील ढूँढना) और उन तरीकों को भी आजमाया जो यह अनुमान लगाने की कोशिश करते थे कि अन्य संख्याओं के आधार पर एक संख्या को क्या होना चाहिए। परिणाम उत्साहजनक थे। एक विधि, जिसे सपोर्ट वेक्टर रिग्रेशन (SVR) कहा जाता है, संदिग्ध रिपोर्टों को पकड़ने में विशेष रूप रूप से अच्छी थी। 2014 के परीक्षणों में, इस विधि ने विशिष्ट मॉडल के आधार पर सफलता के विभिन्न स्तर दिखाए: एक मॉडल (SVR M14) ने शीर्ष 20 उम्मीदवारों में से संदिग्ध रिपोर्टों को 0.75 की शुद्धता (precision) के साथ सही ढंग से पहचाना, जबकि दूसरे मॉडल (SVR M15) ने 0.95 की शुद्धता प्राप्त की। एक अन्य विधि, लोकल आउटलियर फैक्टर (LOF), भी एक मजबूत दावेदार थी, जिसने पांच वर्षों में औसतन 0.56 की शुद्धता प्राप्त की।
लेकिन संदिग्ध को ढूंढना केवल आधी लड़ाई है। इस शोध पत्र का असली जादू व्याख्या (explanation) में है। यदि AI सिर्फ कहता है "कंपनी X झूठ बोल रही है," तो मानव ऑडिटर को अभी भी यह अनुमान लगाना होगा कि कहाँ देखना है। शोधकर्ताओं ने एक तरीका विकसित किया जिससे AI के संदेह के लिए एक "क्यों" स्वचालित रूप से उत्पन्न किया जा सके। उन्होंने एक्सप्लेनेबल AI (XAI) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि AI एक मानचित्र की ओर इशारा करते हुए कह रहा है, "समस्या यहाँ है, 'शॉर्ट टर्म प्रोविजन्स' और 'फिक्स्ड एसेट्स' कॉलम में।" शोधकर्ताओं ने इन स्पष्टीकरणों को उत्पन्न करने के विभिन्न तरीकों का परीक्षण किया और पाया कि हालांकि EiForest (जो निर्णय वृक्षों के एक "जंगल" का उपयोग करता है) का सभी परीक्षण मामलों में उच्चतम औसत प्रदर्शन था, अन्य विधियों जैसे EMI (मैक्सिमल आइसोलेशन का उपयोग करके स्पष्टीकरण) ने वास्तव में विशिष्ट कंपनियों के लिए उच्च शुद्धता दिखाई, जो कभी-कभी EiForest से भी बेहतर प्रदर्शन करती हैं। यह सुझाव देता है कि अलग-अलग प्रकार के वित्तीय रहस्यों के लिए अलग-अलग उपकरण सबसे अच्छे हो सकते हैं।
टीम ने यह भी दिखाया कि इन निष्कर्षों को सहायक सुझावों में कैसे बदला जाए। यदि AI "टैक्स के प्रावधानों" (provisions for taxes) के साथ समस्या पकड़ता है, तो यह स्वचालित रूप से ऑडिटर से पूछने के लिए एक प्रश्न सुझा सकता है, जैसे, "जाँचें कि लंबित करों के लिए प्रावधान किए गए हैं या नहीं।" यह एक कच्चे डेटा अलर्ट को एक स्पष्ट कार्य योजना में बदल देता है।
शोध पत्र सावधानीपूर्वक नोट करता है कि यह ऐतिहासिक डेटा पर आधारित एक सिमुलेशन (simulation) है, न कि वास्तविक अदालत में लाइव परीक्षण। जिस "सत्य" का उन्होंने उपयोग किया (सिल्वर लेबल), वह स्वयं AI द्वारा टेक्स्ट संकेतों के आधार पर उत्पन्न किया गया था, न कि किसी अदालती फैसले द्वारा। हालाँकि, परिणाम बताते हैं कि यह दृष्टिकोण उपयोग करने के लिए पर्याप्त रूप से प्रभावी है। शोधकर्ताओं ने पाया कि इन अनसुपरवाइज्ड तकनीकों (जिन्हें पूर्व-लेबल वाले "झूठ बोलने वाले" डेटा की आवश्यकता नहीं होती है) का उपयोग करके, वे प्रभावी रूप से उन कंपनियों को चिह्नित कर सकते थे जिन्हें गहन निरीक्षण की आवश्यकता थी। उन्होंने यह भी उल्लेख किया कि उनका तरीका पिछले प्रयासों से बेहतर था क्योंकि उन्होंने बहुत बड़ा डेटासेट (कुछ सौ के बजाय 11,460 रिपोर्ट) का उपयोग किया और इसमें बैलेंस शीट के अलावा कैश फ्लो जैसे अधिक प्रकार के वित्तीय डेटा को शामिल किया।
अंत में, यह शोध पत्र यह दावा नहीं करता है कि इसने वित्तीय धोखाधड़ी की समस्या को हमेशा के लिए हल कर दिया है। इसके बजाय, यह एक शक्तिशाली नया उपकरण प्रदान करता है। यह सुझाव देता है कि AI की पैटर्न-पहचानने की शक्ति को यह समझाने की क्षमता के साथ जोड़कर कि कोई पैटर्न अजीब क्यों है, हम मानव ऑडिटरों को तेज़ी से और स्मार्ट तरीके से काम करने में मदद कर सकते हैं। यह प्रणाली मनुष्यों को पहले सुराग खोजने के लिए हजारों दस्तावेजों को मैन्युअल रूप से छानने की आवश्यकता को समाप्त करती है, जिससे वे अपनी विशेषज्ञता को सबसे संदिग्ध लीड्स पर केंद्रित कर सकते हैं। हालाँकि AI पूर्ण नहीं है और इसे अभी भी मानवीय निगरानी की आवश्यकता है, यह एक अत्यधिक प्रशिक्षित सहायक की तरह कार्य करता है जो कभी थकता नहीं है, यह सुनिश्चित करता है कि वित्तीय झूठ के "भूसे के ढेर में सुई" को पहले की तुलना में बहुत जल्दी खोजा जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।