Internal Audit Analytics & AI

AI wordt de belangrijkste bron van transformatie, verstoring en concurrentievoordeel in de snel veranderende economie van vandaag. We hebben een poging gedaan om te laten zien hoe snel de verandering komt, welke stappen Internal Auditors moeten nemen om op weg te gaan met Artificial Journey (AI), en waar jouw Internal Audits het grootste rendement kunnen verwachten door een investering in AI.

1.0 Kunstmatige intelligentie gedefinieerd

Hoewel er vele definities van Artificial Intelligence/Machine Intelligence bestaan, gaat de meest eenvoudig te begrijpen definitie over het creëren van machines om dingen te doen waar mensen van oudsher beter in zijn. Het is de automatisering van activiteiten die verband houden met het menselijk denken:

• Besluitvorming
• Problemen oplossen
• Leren

Een meer formele definitie is: "AI is de tak van de computerwetenschap die zich bezighoudt met de automatisering van intelligent gedrag. Intelligentie is het computationele vermogen om doelen in de wereld te bereiken."

1.1 Gemeenschappelijke AI-termen en -concepten

Machine Learning - subset van kunstmatige intelligentie. Machine learning (ML) algoritmen bouwen een wiskundig model op basis van voorbeeldgegevens, bekend als "training data", om voorspellingen te doen of beslissingen te nemen zonder expliciet geprogrammeerd te zijn om de taak uit te voeren.

• Unsupervised ML - Kan informatie verwerken zonder menselijke feedback en zonder voorafgaande blootstelling aan gegevens.
• Supervised ML - Maakt gebruik van ervaring met andere datasets en menselijke evaluaties om het leren te verfijnen.

Natural Language Processing (NLP) - een subgebied van de linguïstiek, de computerwetenschap, de informatica en de kunstmatige intelligentie dat zich bezighoudt met de interacties tussen computers en menselijke (natuurlijke) talen. Hier wordt gekeken hoe computers geprogrammeerd kunnen worden om grote hoeveelheden gegevens in natuurlijke taal te verwerken en te analyseren. NLP maakt gebruik van Machine Learning om talen te "leren" uit de bestudering van grote hoeveelheden geschreven tekst. De vaardigheden omvatten:

• Semantiek - Wat is de betekenis van woorden in een context.
• Machinevertaling - Vertalen van de ene taal naar de andere.
• Naam entiteit herkenning - Groepeer woorden naar namen, mensen, plaatsen, enz.
• Natuurlijke taalgeneratie - Creëren van leesbare menselijke taal uit computerdatabases.
• Natural Language Understanding - Tekst omzetten in de juiste betekenis op basis van ervaringen uit het verleden.
• Beantwoorden van vragen - Bepalen van het antwoord op een vraag in mensentaal.
• Sentimentanalyse - Bepalen van de mate van positiviteit, neutraliteit of negativiteit in een geschreven zin.
• Automatische samenvatting - Een beknopte, menselijk leesbare samenvatting maken van een groot stuk tekst.

Neuraal Netwerk (of Kunstmatig Neuraal Netwerk) - is een circuit van neuronen met toestanden tussen -1 en 1, die het leren in het verleden van wenselijke en ongewenste paden vertegenwoordigen, met enige gelijkenissen met menselijke biologische hersenen.

Deep Learning - maakt deel uit van een bredere familie van Machine Learning-methoden op basis van kunstmatige neurale netwerken met representatieleren. Leren kan plaatsvinden onder supervisie, semi-supervisie of niet-supervisie. Deep Learning is met succes toegepast in vele sectoren:

• Spraakherkenning;
• Beeldherkenning en –restauratie;
• Natuurlijke taalverwerking;
• Ontdekking van geneesmiddelen en medische beeldanalyse;
• Marketing/klantrelatiebeheer.

Leidende Deep Learning Frameworks zijn - PyTorch (Facebook), TensorFlow (Google), Apache MXNet, Chainer, Microsoft Cognitive Toolkit, Gluon, Horovod en Keras.

1.2 AI-concepten – contextniveau

1.3 Uitdagingen voor kunstmatige intelligentie

Er zijn nog heel wat uitdagingen voor AI, die doeltreffend moeten worden aangepakt:

• Wat als we geen goede trainingsgegevens hebben?
• De wereld is bevooroordeeld, dus onze gegevens zijn ook bevooroordeeld.
• OK bij diepe, smalle toepassingen, maar niet bij brede.
• De fysieke wereld blijft een uitdaging voor computers.
• Omgaan met onvoorspelbaar menselijk gedrag in “het wild”.

2.0 Mondiale ontwikkelingen

Er is altijd opwinding geweest rond AI. Een combinatie van snellere computers en slimmere technieken heeft van AI de onmisbare technologie van elk bedrijf gemaakt.

Op wereldniveau zijn de belangrijkste zakelijke drijfveren voor AI:

1. Hogere productiviteit, sneller werken;
2. Meer consistent werk van hogere kwaliteit;
3. Zien wat mensen niet kunnen zien;
4. Voorspellen wat mensen niet kunnen;
5. Arbeidsverruiming.

2.1 Wereldwijde vooruitgang op het gebied van AI - een paar voorbeelden

Algemeen

• Marketing en verkoop
• Fraude-opsporing

Financiën

• Kredietbeslissingen
• Risico Beheer
• Handelsplatforms
• Overname vs. Claims

Gezondheidszorg

• Diagnostiek en detectie
• AI microscopen
• Ontdekking van geneesmiddelen

Automobielindustrie

• Zelfrijdende voertuigen
• Assemblage en QA
• Voorspelling van onderhoud

Detailhandel

• Amazon GO

Luchtvaartmaatschappijen/Reizen

• Optimale vluchtboekingen
• Voorspelling van onderhoud

Beveiliging

• Cyberveiligheid en -detectie
• Gezichtsherkenning

Lifestyle

• Slimme assistent

Restaurants/Voedselvoorziening

• AI-bestelling geïntegreerd met POS
• Robotkoks
• Massa automatisering

2.2 Het perspectief van de interne auditfunctie

Robotic Process Automation (RPA) is een belangrijke zakelijke drijfveer voor AI in Audit, in de zin dat het de potentie heeft om aanzienlijke kostenbesparingen te realiseren bij de inzet.

Het doel van RPA is om computersoftware te gebruiken om taken van kenniswerkers die repetitief en tijdrovend zijn te automatiseren.

De belangrijkste kenmerken van RPA zijn:

• Gebruik van bestaande systemen;
• Automatisering van automatisering;
• Kan menselijk gedrag nabootsen;
• Niet-invasief.

De taken die geschikt zijn voor RPA zijn taken die definieerbaar, gestandaardiseerd, op regels gebaseerd en repetitief zijn, en taken met machine leesbare input.

Een voorbeeldlijst van taken voor RPA:

• E-mails openen, lezen en aanmaken;
• Aanmelden bij bedrijfsapplicaties;
• Verplaatsen van bestanden en mappen;
• Kopiëren en plakken;
• Formulieren invullen;
• Lezen en schrijven in databases;
• Beslissingsregels volgen;
• Statistieken verzamelen;
• Gegevens uit documenten halen;
• Berekeningen maken;
• Menselijke input verkrijgen via e-mails en workflow;
• Gegevens van het internet halen;
• Toetsaanslagen.

2.3 Praktijkvoorbeeld van toepassing van RPA voor crediteurenadministratie

2.4 AI Audit Framework for Data-Driven Audits

3.0 Interne audit AI in de praktijk – Praktijkvoorbeeld

RPA Case Studie uit India:

Een toonaangevende autofabrikant had de volgende omgeving en uitdagingen -

• Miljoenen facturen van leveranciers ontvangen als PDF-bestanden;
• Behoefte aan factuurautomatisering, centrale opslag van data, controle op dubbele sleutels;
• Handmatige inspanningen waren beladen met fouten;
• PDF naar gestructureerde data conversie was inconsistent;
• Conclusie: Een generieke RPA tool was nodig.

De voorgestelde oplossing hield in:

• Audit Analytics en RPA worden gepositioneerd als één oplossing;
• Live feed naar de PDF bestanden van verschillende leveranciers;
• Extract Transform Load jobs werden gepland voor de PDF bestanden;
• Duplicate Pre-Check methoden werden gebouwd en gepland;
• Potentiële uitzonderingen werden beheerd via een handig en collaboratief beveiligd e-mail notificatie management systeem, plus dashboards.
• Voordeel - 85% reductie in inspanningen en 10x verbetering in doorlooptijd.

4.0 Hoe u aan de slag kunt met AI in uw interne audits

Je kunt beginnen met jouw AI-reis in Internal Audit door jouw analytics direct in te brengen in het engagement. Met AI in Audit wordt de efficiëntie, kwaliteit en waarde van de besluitvorming aanzienlijk verbeterd door het analyseren van alle gegevens in de gehele onderneming als één geheel.

Enkele van de stappen die je kunt nemen om verder te komen in jouw Audit AI reis zijn de volgende

• Integreer jouw audit proces/lifecycle;
• Samenwerken met klanten op één platform;
• Maak van elke audit, een data-gedreven audit;
• Gebruik data analytics in alle fasen van projecten;
• Gebruik RPA waar handmatig werk een obstakel is;
• Gebruik Audit Apps waar het proces goed gedefinieerd is;
• Audit uitbreiden met statistische modellen en machine learning;
• Evolueer naar continue monitoring en deep learning.

(Aangepast van een lezing/presentatie door de heer Jeffery Sorensen, Industry Strategist, CaseWare IDEA Analytics)

OPMERKING: Dit artikel is oorspronkelijk gepubliceerd in het juni 2020-nummer van The Bombay Chartered Accountant Journal (BCAJ). Overgenomen met toestemming van de auteur.

Door CA Deepjee Singhal

CA Manish Pipalia

De Bombay Chartered Accountant Society (BCAS), een vrijwilligersorganisatie die op 6 juli 1949 werd opgericht, telt momenteel meer dan 9.000 leden uit het hele land. BCAS is een principieel georiënteerde en leergerichte organisatie die kwaliteitsdienstverlening en uitmuntendheid in het beroep van registeraccountant bevordert. De organisatie is een katalysator om beter en effectiever overheidsbeleid en wetten uit te brengen met het oog op een schone en efficiënte administratie en bestuur. Voor het meest recente en relevante accounting nieuws en best practices, kunt u hier lid worden van BCAS.