Adaptive Neural Threshold Networks for SEC Accounting Enforcement Triage
यह अध्ययन एक अनुकूलन योग्य न्यूरल थ्रेशोल्ड नेटवर्क का प्रस्ताव करता है जो संदर्भ-निर्भर थ्रेशोल्ड सीखकर लेखा प्रवर्तन समीक्षा के लिए SEC फाइलिंग को प्राथमिकता देने में लॉजिस्टिक रिग्रेशन से बेहतर प्रदर्शन करता है, जबकि साथ ही यह सुनिश्चित करने के लिए शासन आवश्यकताओं का एक ढांचा स्थापित करता है कि प्रणाली का उपयोग कानूनी साक्ष्य के बजाय एक गोपनीय ट्राइएज सहायता के रूप में किया जाए।
मूल पेपर CC BY 4.0 (https://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
हर साल, संयुक्त राज्य अमेरिका में हजारों सार्वजनिक कंपनियां अपने पैसे, अपने कर्ज और अपने मुनाफे के बारे में विस्तृत रिपोर्ट दाखिल करती हैं। ये दस्तावेज़ सार्वजनिक रिकॉर्ड हैं, जिनका उद्देश्य निवेशकों और नियामकों को अर्थव्यवस्था के स्वास्थ्य को समझने में मदद करना है। लेकिन इन फाइलिंग की निगरानी करने वाली एजेंसी, सिक्योरिटीज एंड एक्सचेंज कमीशन (SEC), के पास एक बड़ी समस्या है: इन सभी फाइलों को गहराई से पढ़ने के लिए बहुत अधिक संख्या में रिपोर्ट हैं। एजेंसी को यह तय करना होता है कि किन कुछ फाइलों की सबसे पहले जांच की जाए, इस उम्मीद में कि वे उन फाइलों को ढूंढ सकें जिनमें धोखाधड़ी या गंभीर लेखांकन त्रुटियां छिपी हुई हैं। यह एक छंटनी की चुनौती है, एक ऐसा 'ट्राइएज' जहाँ मानव ध्यान को किसी औपचारिक कानूनी निर्णय से पहले सबसे संदिग्ध मामलों की ओर निर्देशित किया जाना चाहिए।
द दशकों से, नियामक वित्तीय विवरणों में चेतावनी के संकेतों को पहचानने के लिए मानव विशेषज्ञों पर निर्भर रहे हैं। हालाँकि, हाल ही में शोधकर्ताओं ने यह सवाल उठाया है कि क्या कंप्यूटर इसमें मदद कर सकते हैं। विचार मानव जांचकर्ताओं को बदलने का नहीं है, बल्कि एक फिल्टर के रूप में कार्य करने का है जो डेटा में सबसे असामान्य पैटर्न को उजागर कर सके। चुनौती यह है कि धोखाधड़ी को पकड़ना बेहद कठिन है। अधिकांश कंपनियां ईमानदार होती हैं, और जो पकड़ी जाती हैं वे कुल संख्या का एक बहुत छोटा हिस्सा होती हैं। इसके अलावा, अपराध का "प्रमाण" अक्सर वर्षों बाद सामने आता है, जिसका अर्थ है कि पिछले डेटा पर प्रशिक्षित कंप्यूटर उन पैटर्न को देख सकता है जो अभी पूरी तरह से विकसित नहीं हुए हैं। प्रश्न यह है कि क्या एक मशीन लर्निंग सिस्टम सामान्य व्यावसायिक परिवर्तनों के शोर में खोए बिना परेशानी की शुरुआती आहटों को पहचानना सीख सकता है।
शोधकर्ताओं की एक टीम ने विशेष रूप से इस कार्य के लिए डिज़ाइन किया गया एक नया प्रकार का कंप्यूटर सिस्टम विकसित किया है। उन्होंने एक ऐसा टूल बनाया है जो यह घोषित करने की कोशिश नहीं करता कि कोई कंपनी दोषी है या निर्दोष। इसके बजाय, यह एक प्राथमिकता सहायता (prioritization aid) के रूप में कार्य करता है, जो हजारों फाइलिंग अवधियों को रैंक करता है ताकि यह सुझाव दिया जा सके कि किन पर मानव विशेषज्ञ द्वारा करीब से नज़र डाली जानी चाहिए। इस प्रणाली का परीक्षण 14,000 से अधिक विभिन्न कंपनियों की 330,000 से अधिक फाइलिंग अवधियों वाले एक विशाल डेटासेट पर किया गया था। शोधकर्ताओं ने सिस्टम को 2009 से 2018 के डेटा पर प्रशिक्षित किया, फिर 2021 और 2022 के नवीनतम, पूर्ण डेटा पर इसका परीक्षण किया। लक्ष्य यह देखना था कि क्या सिस्टम उन फाइलिंगों की सही पहचान कर सकता है जिन्हें बाद में आधिकारिक प्रवर्तन कार्रवाइयों (enforcement actions) से जोड़ा गया था, जिन्हें 'अकाउंटिंग एंड ऑडिटिंग एनफोर्समेंट रिलीज' के रूप में जाना जाता है।
शोधकर्ताओं ने पाया कि उनका नया सिस्टम, जिसे वे 'एडाप्टिव न्यूरल थ्रेशोल्ड नेटवर्क' कहते हैं, मानक सांख्यिकीय तरीकों से बेहतर प्रदर्शन करता है। जबकि एक पारंपरिक मॉडल शीर्ष 10% सूची की समीक्षा करते समय लगभग 23.6% समस्याग्रस्त फाइलिंग की पहचान कर सकता था, नया सिस्टम उनमें से 30.9% को खोज लेता है। यह सुधार छोटा लग सकता है, लेकिन एक ऐसी दुनिया में जहाँ केवल फाइलों का एक बहुत छोटा हिस्सा वास्तव में समस्याग्रस्त होता है, अधिक खराब फाइलों को खोजने का अर्थ है जांचकर्ताओं का कीमती समय बचाना। यह प्रणाली एक विशिष्ट कंपनी के लिए एक विशिष्ट समय पर "सामान्य" क्या दिखता है, इसे सीखकर काम करती है, न कि सभी के लिए एक एकल कठोर नियम का उपयोग करके। यह देखता है कि कंपनी कितनी तेजी से बढ़ रही है, उस पर कितना कर्ज है, और क्या उसका कैश फ्लो उसके रिपोर्ट किए गए मुनाफे से मेल खाता है। यदि किसी कंपनी के आंकड़े उसके आकार और उद्योग के हिसाब से बहुत अधिक भटकते हैं, तो सिस्टम उसे फ्लैग (चिह्नित) कर देता है।
महत्वपूर्ण रूप से, शोधकर्ताओं ने इस प्रणाली को पारदर्शी बनाया है। कई आधुनिक आर्टिफिशियल इंटेलिजेंस टूल्स के विपरीत जो एक "ब्लैक बॉक्स" की तरह काम करते हैं जहाँ तर्क छिपा होता है, यह सिस्टम स्पष्ट रूप से दिखाता है कि इसने अलर्ट क्यों जारी किया। यह एक विश्लेषक को बता सकता है कि किसी कंपनी को इसलिए फ्लैग किया गया क्योंकि उसकी इन्वेंट्री (माल) उसकी बिक्री की तुलना में बहुत तेजी से बढ़ी, या क्योंकि उसके नकदी भंडार में अप्रत्याशित रूप से गिरावट आई। यह मानव समीक्षक को उस विशिष्ट लेखांकन विचलन (accounting deviation) को देखने की अनुमति देता है जिसने चेतावनी को ट्रिगर किया था। शोधकर्ता इस बात पर जोर देते हैं कि यह स्कोर अपराध का प्रमाण नहीं है। यह केवल एक संकेत है जो कहता है, "यहाँ पहले देखें।" उच्च स्कोर धोखाधड़ी को सिद्ध नहीं करता है, और कम स्कोर यह सिद्ध नहीं करता कि कोई कंपनी सुरक्षित है। यह प्रणाली केवल छंटनी के लिए एक उपकरण है, निर्णय लेने के लिए नहीं।
यह अध्ययन पिछले डेटा का उपयोग करके भविष्य के प्रवर्तन की भविष्यवाणी करने की सीमाओं पर भी प्रकाश डालता है। शोधकर्ताओं ने पाया कि कानूनी कार्रवाइयों का समय अत्यंत महत्वपूर्ण है। यदि उन्होंने उसी वर्ष होने वाली प्रवर्तन कार्रवाइयों की भविष्यवाणी करने की कोशिश की, तो सिस्टम लगभग पूरी तरह से विफल रहा। हालाँकि, जब उन्होंने तीन साल की अवधि को देखा, तो सिस्टम बहुत अधिक प्रभावी हो गया। यह सुझाव देता है कि कानूनी प्रक्रिया धीमी है; वित्तीय रिपोर्ट में परेशानी के संकेत अक्सर वर्षों बाद आधिकारिक जांच का कारण बनते हैं। सिस्टम ने इन दीर्घकालिक पैटर्न को पहचानना सीख लिया, लेकिन शोधकर्ता चेतावनी देते हैं कि इसका मतलब यह भी है कि सिस्टम पिछले प्रवर्तन के इतिहास से सीख रहा है जो कि उन चीजों से पक्षपाती हो सकता है जिन्हें नियामकों ने अतीत में चुनने का निर्णय लिया था।
अंततः, पेपर यह निष्कर्ष निकालता है कि हालांकि यह तकनीक कागजी कार्रवाई के पहाड़ों के माध्यम से छंटनी करने के तरीके में वास्तविक सुधार प्रदान करती है, लेकिन यह मानवीय निर्णय का स्थान नहीं ले सकती। इस प्रणाली को इस तरह देखा जाना चाहिए कि यह सुनिश्चित करने का एक तरीका है कि समय या संसाधनों की कमी के कारण सबसे संदिग्ध मामलों को छोड़ा न जाए। शोधकर्ता ऐसे उपकरण के वास्तविक दुनिया में उपयोग के लिए सख्त नियमों का प्रस्ताव करते हैं। वे इस बात पर जोर देते हैं कि स्कोर गोपनीय रहने चाहिए, मानव विशेषज्ञों को किसी भी कार्रवाई से पहले निष्कर्षों को सत्यापित करना चाहिए, और सिस्टम की निरंतर निगरानी की जानी चाहिए ताकि यह सुनिश्चित हो सके कि यह कुछ प्रकार की कंपनियों को अनुचित रूप से लक्षित न करे। लक्ष्य कानून को स्वचालित करना नहीं है, बल्कि उन लोगों को एक बेहतर मानचित्र देना है जो इसे लागू करते हैं, ताकि वे अपनी यात्रा कहाँ से शुरू करें, यह जान सकें।
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।