Adaptive Neural Threshold Networks for SEC Accounting Enforcement Triage
Questo studio propone una rete neurale a soglia adattiva che supera la regressione logistica nel dare priorità ai documenti depositati presso la SEC per la revisione dell'applicazione delle norme contabili, apprendendo soglie dipendenti dal contesto, stabilendo simultaneamente un quadro di requisiti di governance per garantire l'uso del sistema come ausilio di triage riservato piuttosto che come prova legale.
Articolo originale sotto licenza CC BY 4.0 (https://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
Ogni anno, migliaia di società quotate negli Stati Uniti presentano rapporti dettagliati sui loro soldi, i loro debiti e i loro profitti. Questi documenti sono di pubblico dominio, pensati per aiutare gli investitori e i regolatori a comprendere la salute dell'economia. Ma l'agenzia responsabile della vigilanza su questi depositi, la Securities and Exchange Commission, ha un problema enorme: ci sono semplicemente troppi rapporti da leggere tutti nel dettaglio. L'agenzia deve decidere quali pochi file investigare per primi, sperando di trovare quelli che nascondono frodi o gravi errori contabili. Questo è un problema di smistamento, un triage dove l'attenzione umana limitata deve essere indirizzata verso i casi più sospetti prima che venga presa una decisione legale formale.
Per decenni, i regolatori si sono affidati a esperti umani per individuare i segnali di allarme nei bilanci. Recentemente, tuttavia, i ricercatori si sono chiesti se i computer potessero aiutare. L'idea non è quella di sostituire gli investigatori umani, ma di agire come un filtro che evidenzi i modelli più insoliti nei dati. La sfida è che trovare una frode è incredibilmente difficile. La maggior parte delle aziende è onesta, e quelle che vengono colte sono una minuscola frazione del totale. Inoltre, la "prova" di un crimine spesso impiega anni per emergere, il che significa che un computer addestrato su dati passati potrebbe cercare modelli che non si sono ancora formati completamente. La domanda è se un sistema di apprendimento automatico possa imparare a individuare i primi sussurri di problemi senza perdersi nel rumore dei normali cambiamenti aziendali.
Un team di ricercatori ha sviluppato un nuovo tipo di sistema informatico progettato specificamente per questo compito. Hanno costruito uno strumento che non cerca di dichiarare un'azienda colpevole o innocente. Inveve, agisce come un ausilio alla prioritizzazione, classificando migliaia di periodi di deposito per suggerire quali meritino un esame più approfondito da parte di un esperto umano. Il sistema è stato testato su un enorme dataset contenente oltre 330.000 periodi di deposito di più di 14.000 diverse società. I ricercatori hanno addestrato il sistema su dati dal 2009 al 2018, per poi testarlo sui dati più recenti e completi disponibili del 2021 e 2022. L'obiettivo era vedere se il sistema potesse identificare correttamente i depositi che sono stati successivamente collegati ad azioni ufficiali di esecuzione, note come Accounting and Auditing Enforcement Releases.
I ricercatori hanno scoperto che il loro nuovo sistema, che chiamano adaptive neural threshold network, ha ottenuto prestazioni migliori rispetto ai metodi statistici standard. Mentre un modello tradizionale poteva identificare circa il 23,6% dei depositi problematici esaminando il top 10% della lista, il nuovo sistema ne ha trovati il 30,9%. Questo miglioramento può sembrare piccolo, ma in un mondo in cui solo una minuscola frazione dei depositi è effettivamente problematica, trovare più elementi negativi significa risparmiare un tempo prezioso per gli investigatori. Il sistema funziona imparando cosa sia "normale" per una specifica azienda in un momento specifico, piuttosto che utilizzare una singola regola rigida per tutti. Esamina fattori come la velocità con cui un'azienda cresce, quanto debito contrae e se il suo flusso di cassa corrisponde ai profitti dichiarati. Se i numeri di un'azienda si discostano troppo da ciò che è previsto per le sue dimensioni e il suo settore, il sistema segnala l'anomalia.
Fondamentalmente, i ricercatori hanno progettato il sistema affinché fosse trasparente. A differenza di molti strumenti di intelligenza artificiale moderni che agiscono come una "scatola nera" dove il ragionamento è nascosto, questo sistema mostra esattamente perché ha sollevato un allerta. Può comunicare a un analista che un'azienda è stata segnalata perché le sue scorte sono cresciute molto più velocemente delle sue vendite, o perché le sue riserve di cassa sono diminuite inaspettatamente. Ciò consente al revisore umano di vedere la specifica deviazione contabile che ha innescato l'avvertimento. I ricercatori sottolineano che questo punteggio non è prova di un crimine. È semplicemente un segnale che dice: "Guarda qui per primo". Un punteggio alto non prova una frode, e un punteggio basso non prova che un'azienda sia sicura. Il sistema è strettamente uno strumento di smistamento, non di giudizio.
Lo studio evidenzia anche i limiti dell'uso di dati passati per prevedere le azioni di esecuzione future. I ricercatori hanno scoperto che la tempistica delle azioni legali conta immensamente. Se avessero cercato di prevedere le azioni di esecuzione avvenute nello stesso anno del deposito, il sistema sarebbe fallito quasi completamente. Tuttavia, quando hanno osservato una finestra di tre anni, il sistema è diventato molto più efficace. Ciò suggerisce che il processo legale è lento; i segni di problemi in un rapporto finanziario spesso non portano a un'indagine ufficiale fino a anni dopo. Il sistema ha imparato a riconoscere questi modelli a lungo termine, ma i ricercatori avvertono che questo significa anche che il sistema sta imparando da una storia di esecuzione che potrebbe essere influenzata da ciò che i regolatori hanno scelto di perseguire in passato.
In definitiva, l'articolo conclude che, sebbene questa tecnologia offra un reale miglioramento nel modo in cui i regolatori possono gestire montagne di documenti, non può sostituire il giudizio umano. Il sistema è meglio visto come un modo per garantire che i casi più sospetti non vengano persi a causa della mancanza di tempo o risorse. I ricercatori propongono un insieme rigoroso di regole su come tale strumento debba essere utilizzato nel mondo reale. Insistono sul fatto che i punteggi debbano rimanere riservati, che gli esperti umani debbano sempre verificare i risultati prima di intraprendere qualsiasi azione e che il sistema debba essere costantemente monitorato per garantire che non colpisca ingiustamente determinati tipi di aziende. L'obiettivo non è automatizzare la legge, ma dare a chi la applica una mappa migliore per iniziare il proprio viaggio.
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.