пресс-центр

Аудиторы с искусственным интеллектом: Автоэнкодеры помогают обнаруживать мошеннические действия

Финансовые махинации с давних пор подрывают доходы некоторых компаний, однако аудиторы берут на вооружение новый инструмент защиты – искусственный интеллект.

Самая обычная компания может потерять до 5 процентов своего годового дохода в результате мошеннических действий, согласно оценке Ассоциации сертифицированных специалистов по расследованию хищений. Теперь компании могут использовать искусственный интеллект для обнаружения аномалий, чтобы предотвратить потери.

«Компании пытаются выяснить, что они могут предпринять в этой сфере с точки зрения судебной экспертизы», - рассказал на прошедшей конференции по GPU-технологиям Марко Шрейер (Marco Schreyer), специалист из Центра компетенции глубокого обучения при Немецком исследовательском центре искусственного интеллекта.

Исследование Шрейера фокусируется на обнаружении аномалий, финансовых махинаций с помощью самообучаемых глубоких нейронных сетей.

По его словам, помимо упущенной выгоды, финансовые махинации могут нанести вред репутации компании.

"Цифровой след"

По словам Шрейера, компании продолжают переводить свои бизнес-процессы в цифровое поле, что затрагивает программное обеспечение для управления предприятием и позволяет следить за его деятельностью.

Системы управления предприятием собирают большое количество детализированных данных из электронных бухгалтерских записей, фиксирующих коммерческие операции компании. Однако мошенники обычно уклоняются от использования системы или стандартных шаблонов бухгалтерской отчетности.

«Теперь с помощью обученных нейронных сетей мы можем отслеживать поток транзакций и то, как они фиксируются в системе», - рассказал Шрейер.

Центр компетенции глубокого обучения попытался выявить аномалии в данных бухгалтерского учета, натренировав несколько автоэнкодеров (нейронных сетей) с помощью системы NVIDIA DGX-1.

Затем готовая модель была протестирована на двух разных наборах реальных учетных данных. Результаты показали, что обученная сеть смогла отметить аномальные данные для аудиторской проверки.

«Чем больше мы научимся сравнивать нейросети, тем лучше сможем отслеживать данные, - заявил Шрейер. - Этот подход может быть использован для обнаружения аномалий не только в финансовой сфере».