Financial Audit Assistance using Misinformation Detection and Explanation
Questo articolo presenta un sistema non supervisionato assistito dall'IA che sfrutta un ampio corpus di bilanci storici e relazioni di revisione per rilevare automaticamente la disinformazione nei rendiconti finanziari e generare spiegazioni che identifichino le probabili fonti di tali discrepanze per assistere i revisori.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il dilemma del detective: trovare le bugie in un mare di numeri
Immaginate di essere un detective che cerca di risolvere un mistero, ma invece di impronte digitali o impronte di scarpe, i vostri indizi sono numeri. Questo è il mondo della revisione contabile (auditing), un campo in cui gli esperti controllano la "pagella" di un'azienda (chiamata Stati Finanziari) per assicurarsi che i numeri dicano la verità. Questi rapporti, che includono lo Stato Patrimoniale, il Conto Economico e il Rendiconto Finanziario, sono come il diario dell'azienda su quanto ha guadagnato, speso e quanto deve. Chiunque, dagli investitori ai collezionisti di tasse, si affida a questi diari per prendere grandi decisioni. Ma ecco il problema: a volte le aziende hanno un forte motivo per mentire. Potrebbero voler sembrare più ricche di quanto siano per entusiasmare gli investitori, o voler sembrare più povere per pagare meno tasse. Questo si chiama disinformazione.
Tradizionalmente, scovare queste bugie è un lavoro lento ed estenuante che richiede a un esperto umano di scavare tra montagne di ricevute cartacee, lettere bancarie e ispezioni in magazzino. È come cercare un singolo granello di sabbia specifico su una spiaggia guardando ogni granello con una lente d'ingrandimento. Poiché questo lavoro è così difficile e dispendioso in termini di tempo, le aziende a volte riescono a nascondere la verità. Questo articolo esplora una nuova idea: e se potessimo costruire un assistente IA super intelligente per aiutare il detective umano? Inveve di limitarsi a trovare la bugia, questa IA spiegherebbe anche perché pensa che un numero sia sospetto, indicando al detective direttamente il granello di sabbia che non si adatta. L'obiettivo non è sostituire l'umano, ma fornirgli una torcia ad alta tecnologia per rendere la ricerca più veloce e accurata.
La storia del documento: insegnare all'IA a riconoscere i falsi
Questo articolo presenta un team di ricercatori che ha costruito un sistema di IA progettato per agire come un "copilota" per i revisori contabili. Non volevano solo che l'IA dicesse "Questo sembra sbagliato"; volevano che dicesse: "Questo sembra sbagliato, ed ecco il numero specifico che è il problema". Per farlo, hanno dovuto risolvere un enigma complicato: non avevano una lista di "bugiardi noti" su cui addestrare la loro IA. Nel mondo reale, spesso non sappiamo con certezza se un'azienda abbia mentito finché non passano anni, se mai lo sapremo.
Così, i ricercatori hanno ideato un espediente ingegnoso. Hanno raccolto i rapporti finanziari e le note di revisione ufficiali di 11.460 aziende nell'arco di 5 anni. Hanno poi utilizzato modelli linguistici avanzati (pensate a loro come a dei super-lettori) per scansionare il testo dei rapporti di revisione. Questi rapporti contengono spesso "osservazioni avverse" — frasi in cui il revisore dice: "Non possiamo confermare questo" o "C'è un problema qui". L'IA ha imparato a individuare queste frasi e le ha utilizzate per creare delle "etichette d'argento" (silver labels). Pensate a un'etichetta d'argento come a un tag "probabile sospetto". Se un rapporto di revisione conteneva almeno due "osservazioni avverse" serie, l'IA etichettava il rapporto finanziario di quell'azienda come "probabile contenitore di disinformazione". Non era una verità perfetta "d'oro", ma era la migliore mappa che avessero a disposizione per navigare nei dati.
Una volta identificati i loro "sospetti", il team ha testato diverse tecniche di IA per vedere quale potesse individuare meglio i falsi. Hanno provato metodi che cercavano schemi strani (come trovare un incastro quadrato in un buco rotondo) e metodi che cercavano di prevedere quale dovrebbe essere un numero basandosi su altri numeri. I risultati sono stati promettenti. Un metodo, chiamato Support Vector Regression (SVR), è stato particolarmente bravo a individuare i rapporti sospetti. Nei test sull'anno 2014, questo metodo ha mostrato livelli variabili di successo a seconda del modello specifico utilizzato: un modello (SVR M14) ha identificato correttamente i rapporti sospetti tra i primi 20 candidati con una precisione di 0,75, mentre un altro modello (SVR M15) ha raggiunto una precisione di 0,95. Un altro metodo, il Local Outlier Factor (LOF), è stato un altro forte contendente, raggiungendo una precisione media di 0,56 nell'arco dei cinque anni.
Ma trovare il sospetto è solo metà della battaglia. La vera magia di questo articolo è nella spiegazione. Se l'IA dice solo "L'azienda X sta mentendo", il revisore umano deve comunque indovinare dove guardare. I ricercatori hanno sviluppato un modo per generare automaticamente un "perché" per il sospetto dell'IA. Hanno utilizzato una tecnica chiamata IA Spiegabile (XAI). Immaginate che l'IA sia un detective che indica una mappa e dice: "Il problema è qui, nelle colonne 'Accantonamenti a breve termine' e 'Attività fissi'". I ricercatori hanno testato diversi modi per generare queste spiegazioni e hanno scoperto che, sebbene EiForest (che utilizza una "foresta" di alberi decisionali) avesse la prestazione media più alta in tutti i casi di test, altri metodi come EMI (Spiegazione tramite Isolamento Massimale) mostravano in realtà una precisione più elevata per specifiche aziende, superando talvolta EiForest. Ciò suggerisce che strumenti diversi potrebbero essere migliori per diversi tipi di misteri finanziari.
Il team ha anche mostrato come trasformare queste scoperte in suggerimenti utili. Se l'IA rileva un problema con le "provision per le tasse", può suggerire automaticamente una domanda da porre al revisore, come: "Verificare se sono stati effettuati gli accantonamenti per le imposte pendenti". Questo trasforma un avviso di dati grezzi in un piano d'azione chiaro.
L'articolo nota con attenzione che questa è una simulazione basata su dati storici, non un test dal vivo in un vero tribunale. La "verità" che hanno usato (le etichette d'argento) è stata generata dall'IA stessa sulla base di indizi testuali, non da un verdetto giudiziario. Tuttavia, i risultati suggeriscono che questo approccio funziona abbastanza bene da essere utile. I ricercatori hanno scoperto che, utilizzando queste tecniche non supervisionate (che non necessitano di dati di "bugiardi" pre-etichettati), potevano segnalare efficacemente le aziende che necessitavano di un'ispezione più ravvicinata. Hanno anche notato che il loro metodo era migliore rispetto ai tentativi precedenti perché utilizzavano un dataset molto più grande (11.460 rapporti invece di poche centinaia) e includevano più tipi di dati finanziari, come il flusso di cassa, non solo il bilancio.
In definitiva, questo articolo non sostiene di aver risolto per sempre il problema della frode finanziaria. Al contrario, offre uno strumento potente. Suggerisce che, combinando la capacità di individuare schemi dell'IA con la capacità di spiegare perché un modello è strano, possiamo aiutare i revisori umani a lavorare più velocemente e in modo più intelligente. Il sistema elimina la necessità per gli umani di setacciare manualmente miglia di documenti per trovare il primo indizio, consentendo loro di concentrare la propria competenza sui casi sospetti più rilevanti. Sebbene l'IA non sia perfetta e richieda ancora la supervisione umana, agisce come un assistente altamente addestrato che non si stanca mai, assicurando che l' "ago nel pagliaio" delle bugie finanziarie venga trovato molto prima rispetto al passato.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.