Financial Audit Assistance using Misinformation Detection and Explanation
Dit artikel presenteert een ongesuperviseerd AI-ondersteund systeem dat een omvangrijke corpus van historische financiële overzichten en auditrapporten benut om automatisch misinformatie in financiële overzichten te detecteren en verklaringen te genereren die de waarschijnlijke bronnen van dergelijke discrepanties identificeren om auditors te ondersteunen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het Dilemma van de Detective: Leugens Vinden in een Zee van Cijfers
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van vingerafdrukken of voetstappen, zijn je aanwijzingen cijfers. Dit is de wereld van de financiële audit, een vakgebied waar experts de "rapportcijfers" (de financiële overzichten) van een bedrijf controleren om er zeker van te zijn dat de cijfers de waarheid spreken. Deze rapporten, die de balans, de winst-en-verliesrekening en het kasstroomoverzicht omvatten, zijn als het dagboek van een bedrijf over hoeveel geld het heeft verdiend, uitgegeven en verschuldigd is. Iedereen, van investeerders tot belastinginspecteurs, vertrouwt op deze dagboeken om grote beslissingen te nemen. Maar hier komt de crux: soms hebben bedrijven een sterke reden om te liegen. Ze willen misschien rijker lijken dan ze zijn om investeerders enthousiast te maken, of ze willen armer lijken om minder belasting te betalen. Dit wordt misinformatie genoemd.
Traditioneel gezien is het ontmaskeren van deze leugens een traag, uitputtend werk dat een menselijke expert vereist om door bergen papieren bonnetjes, bankbrieven en magazijninspecties te graven. Het is alsof je probeert één specifiek zandkorreltje op een strand te vinden door elk korreltje met een vergrootglas te bekijken. Omdat dit werk zo moeilijk en tijdrovend is, komen bedrijven soms weg met het verbergen van de waarheid. Dit artikel onderzoekt een nieuw idee: wat als we een superintelligente AI-assistent kunnen bouwen om de menselijke detective te helpen? In plaats van alleen de leugen te vinden, zou deze AI ook moeten uitleggen waarom hij denkt dat een getal verdacht is, door de detective rechtstreeks naar het zandkorreltje te wijzen dat niet past. Het doel is niet om de mens te vervangen, maar om hem een hightech zaklamp te geven om de zoektocht sneller en nauwkeuriger te maken.
Het Verhaal van het Papier: AI Leren Om de Valsspelen te Herkennen
Dit artikel presenteert een team van onderzoekers die een AI-systeem hebben gebouwd dat ontworpen is om te fungeren als een "co-piloot" voor financiële auditors. Ze wilden niet alleen dat de AI zei: "Dit ziet er fout uit"; ze wilden dat de AI zei: "Dit ziet er fout uit, en hier is het specifieke getal dat het probleem is." Om dit te doen, moesten ze een lastige puzzel oplossen: ze hadden geen lijst met "bekende leugenaars" om hun AI op te trainen. In de echte wereld weten we vaak pas jaren later, of zelfs nooit, of een bedrijf heeft gelogen.
Daarom bedachten de onderzoekers een slimme workaround. Ze verzamelden de financiële rapporten en de officiële auditnotities van 11.460 bedrijven over een periode van 5 jaar. Vervolgens gebruikten ze geavanceerde taalmodellen (denk aan hen als superlezers) om de tekst van de auditrapporten te scannen. Deze rapporten bevatten vaak "negatieve opmerkingen" (adverse remarks)—zinnen waarin de auditor zegt: "We kunnen dit niet bevestigen," of "Er is hier een probleem." De AI leerde deze zinnen te herkennen en gebruikte ze om "zilveren labels" te creëren. Zie een zilveren label als een label "waarschijnlijke verdachte". Als een auditrapport ten minste twee ernstige "negatieve opmerkingen" bevatte, markeerde de AI het financiële rapport van dat bedrijf als "waarschijnlijk de informatie bevat die onjuist is". Dit was geen perfect "gouden" waarheid, maar het was de beste kaart die ze hadden om door de data te navigeren.
Zodra ze hun "verdachten" op een rij hadden, testte het team verschillende AI-technieken om te zien welke de vervalsingen het beste kon opsporen. Ze probeerden methoden die zochten naar vreemde patronen (zoals het vinden van een vierkant blokje in een rond gat) en methoden die probeerden te voorspellen wat een getal zou moeten zijn op basis van andere getallen. De resultaten waren veelbelovend. Eén methode, genaamd Support Vector Regression (SVR), was bijzonder goed in het opsporen van de verdachte rapporten. In tests op het jaar 2014 toonde deze methode wisselende niveaus van succes, afhankelijk van het specifieke model dat werd gebruikt: één model (SVR M14) identificeerde verdachte rapporten onder de top 20 kandidaten met een precisie van 0,75, terwijl een ander model (SVR M15) een precisie van 0,95 behaalde. Een andere methode, Local Outlier Factor (LOF), was ook een sterke kandidaat en behaalde een gemiddelde precisie van 0,56 over de vijf jaar.
Maar het vinden van de verdachte is slechts de helft van de strijd. De echte magie van dit artikel zit in de uitleg. Als de AI alleen zegt: "Bedrijf X liegt," moet de menselijke auditor nog steeds raden waar hij moet kijken. De onderzoekers ontwikkelden een manier om automatisch een "waarom" te generen voor de verdenking van de AI. Ze gebruikten een techniek genaamd Explainable AI (XAI). Stel je voor dat de AI naar een kaart wijst en zegt: "Het probleem zit hier, in de kolommen 'Kortlopende voorzieningen' en 'Vaste activa'." De onderzoekers testten verschillende manieren om deze verklaringen te generen en ontdekten dat hoewel EiForest (dat gebruikmaakt van een "bos" van beslissingsbomen) de hoogste gemiddelde prestatie leverde in alle testgevallen, andere methoden zoals EMI (Explanation using Maximal Isolation) daadwerkelijk een hogere precisie lieten zien voor specifieke bedrijven, waarbij ze soms zelfs EiForest overtroffen. Dit sugggekt dat verschillende instrumenten het beste kunnen zijn voor verschillende soorten financiële mysteries.
Het team liet ook zien hoe ze deze bevindingen kunnen omzetten in nuttige suggesties. Als de AI een probleem detecteert met "voorzieningen voor belastingen", kan het automatisch een vraag voorstellen aan de auditor, zoals: "Controleer of er voorzieningen voor openstaande belastingen zijn getroffen." Dit verandert een ruwe data-waarschuwing in een duidelijk actieplan.
Het artikel merkt er voorzichtig bij op dat dit een simulatie is gebaseerd op historische data, en geen live test in een echte rechtszaal. De "waarheid" die zij gebruikten (de zilveren labels) werd door de AI zelf gegenereerd op basis van tekstuele aanwijzingen, niet door een gerechtelijk vonnis. De resultaten suggereren echter dat deze aanpak goed genoeg werkt om nuttig te zijn. De onderzoekers ontdekten dat door deze ongecontroleerde (unsupervised) technieken te gebruiken (die geen vooraf gelabelde "leugenaar"-data nodig hebben), zij effectief bedrijven konden signaleren die een nadere inspectie vereisten. Ze merkten ook op dat hun methode beter was dan eerdere pogingen omdat ze een veel grotere dataset gebruikten (11.460 rapporten in plaats van slechts enkele honderden) en meer soorten financiële data bevatten, zoals kasstromen, en niet alleen de balans.
Uiteindelijk beweert dit artikel niet dat het het probleem van financiële fraude voor altijd heeft opgelost. In plaats daarvan biedt het een krachtig nieuw hulpmiddel. Het suggereert dat door de patroonherkennende kracht van AI te combineren met het vermogen om uit te leggen waarom een patroon vreemd is, we menselijke auditors kunnen helpen sneller en slimmer te werken. Het systeem neemt de noodzaak weg voor mensen om handmatig door duizenden documenten te ploeteren om de eerste aanwijzing te vinden, waardoor zij hun expertise kunnen richten op de meest verdachte sporen. Hoewel de AI niet perfect is en nog steeds menselijk toezicht nodig heeft, fungeert het als een hooggetrainde assistent die nooit moe wordt, waardoor de "naald in de hooiberg" van financiële leugens veel eerder wordt gevonden dan voorheen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.