FinScan.vn

Kiểm toán · Đọc vị bút toán bất thường · Kỳ 6

AI khác gì phân tích dữ liệu thông thường, và có phát hiện được gian lận không?

FinScan.vn02/11/20263 phút đọc

Chia sẻFacebookLinkedInEmail
Hai tấm kính trong suốt đặt trên bàn gỗ ấm: bên trái là ba ô nhập nối bằng mũi tên tới ba ô đánh dấu kiểm, minh họa các bước kiểm tra theo quy tắc; bên phải là mạng lưới các nút sáng nối với nhau, một nút màu cam nổi bật, minh họa nhận diện mẫu dữ liệu. Có chậu cây, sổ tay, bút và tách cà phê bên cạnh. Ảnh minh họa do AI tạo, không dùng dữ liệu kiểm toán thực

Một chương trình kiểm tra 100.000 dòng sổ cái và chỉ ra các bút toán bất thường. Có gọi nó là AI được không? Chưa chắc.

Nếu chương trình chỉ tìm bút toán trùng lặp, số tiền sát ngưỡng phê duyệt hay tài khoản đối ứng hiếm gặp, nhiều khả năng nó chạy theo các quy tắc người ta viết sẵn. Cách này gọi là phân tích dữ liệu dựa trên quy tắc (rule-based analytics).

Machine Learning thì khác: nó học đặc điểm của các giao dịch phổ biến rồi tìm những giao dịch lệch đáng kể. Còn AI ngôn ngữ mạnh ở việc đọc diễn giải, tổng hợp thông tin và gợi ý những câu hỏi cần điều tra.

Dù theo cách nào, phát hiện bất thường và phát hiện gian lận vẫn là hai việc khác nhau.

Bất thường chưa phải gian lận

Giả sử hệ thống xếp một giao dịch 20 tỷ đồng, dùng tổ hợp tài khoản chưa từng xuất hiện, ở hạng bất thường cao nhất. Kiểm toán viên kiểm tra thì đó là một thương vụ mua lại doanh nghiệp, đã ghi nhận phù hợp. Ngược lại, một bút toán điều chỉnh doanh thu nhỏ, tài khoản quen thuộc, diễn giải rõ ràng, vẫn có thể chứa sai sót trọng yếu khi xét trong tổng thể các giao dịch liên quan.

AI học được quy luật của dữ liệu, nhưng nó không tự biết bản chất kinh tế của giao dịch.

Điều này khớp với VSA 240: kiểm toán viên vẫn phải tự thiết kế và thực hiện thủ tục để kiểm tra tính thích hợp của các bút toán ghi sổ (đoạn 32(a)). Công cụ giúp chọn ra điểm cần xem, còn việc đánh giá thuộc về kiểm toán viên.

Khi đánh giá một công cụ, nên hỏi ba điều: vì sao bút toán bị cảnh báo, dữ liệu nào được sử dụng, và kiểm toán viên có kiểm chứng lại được kết quả hay không. Việc đưa AI vào kiểm toán nên bắt đầu từ các câu hỏi này, thay vì chờ một chiếc hộp đen tự tìm ra mọi gian lận.

Kiểm tra một công cụ như thế nào

Năm việc sau có thể làm trước khi tin vào kết quả của bất kỳ công cụ nào.

01 · Thử lại trên quá khứ

Lấy dữ liệu năm trước, trong đó đã biết những bút toán bị điều chỉnh hoặc từng bị kiểm toán lưu ý, rồi xem công cụ có đánh dấu các bút toán thuộc nhóm rủi ro mà nó được thiết kế để nhận diện hay không. Nếu công cụ bỏ sót các tình huống thuộc nhóm đó, cần xem lại hiệu quả của quy tắc hoặc mô hình. Không phải mọi bút toán từng bị điều chỉnh đều phải được công cụ cảnh báo.

02 · Xem tỷ lệ cảnh báo

Ví dụ, 300 cảnh báo trên 79.760 dòng là khoảng 0,4%, một khối lượng nhóm kiểm toán soát được. 8.000 cảnh báo thì không, và khi đó công cụ phải có cách xếp thứ tự ưu tiên. Tỷ lệ cảnh báo giúp đánh giá khối lượng công việc, chứ không tự chứng minh khả năng phát hiện đúng của công cụ.

03 · Hỏi về dữ liệu học

Học có giám sát cần các ví dụ gian lận đã được xác nhận, mà loại dữ liệu này rất ít và khó đại diện. Phương pháp không giám sát chỉ tìm điểm lạ, nó không biết điểm lạ nào là sai.

04 · Đòi hỏi kết quả lặp lại được

Với công cụ dựa trên quy tắc, cùng dữ liệu và tham số phải cho cùng kết quả. Với AI có yếu tố ngẫu nhiên, cần kiểm soát phiên bản mô hình, cấu hình, lưu kết quả và đánh giá tính nhất quán; không nên mặc nhiên kỳ vọng đầu ra giống hệt từng chữ. Phiên bản dữ liệu, tham số và ngày chạy nên được lưu vào hồ sơ kiểm toán.

05 · Hỏi về bảo mật

Nhật ký chung là thông tin nhạy cảm của khách hàng. Trước khi đưa vào bất kỳ công cụ AI nào, cần biết dữ liệu được lưu ở đâu, ai truy cập được, có dùng để huấn luyện mô hình không, và cam kết bảo mật với khách hàng có cho phép không.

Kỳ sau: Đã có hàng trăm bút toán bị cảnh báo, kiểm toán viên làm gì tiếp?