ارسال ایمیل به
لینکدین
تلگرام
فیسبوک
گوگل پلاس
توئیتر
هوش مصنوعی وحسابرسی داخلی
ترجمه: دکترحسین کثیری ، مجید انصاری
مقدمه
كاربردهای هوش مصنوعی (AI) در تجارت و زندگی شخصی ما همه گیراست . از درخواست از تلفن هوشمند خود برای پیش بینی وضعیت هوا ،تا تعیین ارزش اعتبار مشتری، هوش مصنوعی کارایی در زندگی شخصی ما ایجاد می کند، اما ممکن است پیچیدگیها و ریسكهایی را برای حرفه حسابرسی داخلی ما ایجاد کند.
غالباً حضور آن به حدی ظریف است که بسیاری از ما حتی تأثیر هوش مصنوعی را در محل کار مراجعان خود و همچنین حسابرسی هایمان متوجه نمی شویم. در حالی که بسیاری از حسابرسان داخلی در مدیریت، ریسک، کنترل و فن آوری اطلاعات (IT) صلاحیت دارند، می توان مفاهیم و تکنیکهای حسابرسی فناوری اطلاعات را در مورد برنامه های هوش مصنوعی پوشش داد که در آن از هوش مصنوعی و ویژگی های منحصر به فرد آن معمولا استفاده وقدردانی نمی شود. هدف این گزارش با توضیح دو ویژگی از این دست آغاز شده است.
اولا، برخلاف اکثر سیستم های فناوری اطلاعات IT، هوش مصنوعی از احتمال به جای درست بودن برای به دست آوردن نتایج استفاده می کند. ثانیا برنامه های هوش مصنوعی از داده ها به عنوان ورودی سیستم و گرداننده نتایج استفاده می کنند، به این معنی که با تکامل داده ها، نتایج تغییر می کنند.
درک بلوک های ساختمان هوش مصنوعی
حسابرسان داخلی هر روز به طور مستقیم یا غیرمستقیم ریسك های IT را آدرس داده و نمایان می كنند. حسابرسی فرآیندی که تمام ان اتوماتیک یا جزئی از آن اتوماتیك نیست ، مشکل وغیر معمول است. حتی اگر حسابرسان داخلی در حال بررسی حسابرسی برنامه نباشند، آنها باید هماهنگی لازم با حسابرسان IT برای تکمیل اهداف حسابرسی خود را انجام دهند. بنابراین، برای حسابرسان داخلی منطقی است که تکنیک های حسابرسی و آزمایش شده IT را در برنامه های هوش مصنوعی به کار گیرند. با این وجود همواره خطری در استفاده از ذهنیت "یک اندازه متناسب با همه" برای این برنامه های پیشرفته تر وجود دارد.
به عبارت ساده، چهار مؤلفه اصلی، یک "سیستم خودکار" سنتی را تشکیل می دهند: ورودی، تبدیل فرایندها، خروجی و ذخیره سازی. کاربر داده ها را وارد سیستم می کند، سیستم داده ها را پردازش می کند، داده های پردازش شده به صورت خروجی آزاد می شوند و سپس داده ها ذخیره می شوند. اما داده منجر به نتیجه نمی شودو برنامه ریزی و برنامه نویسی نتیجه را هدایت می کند. در مقابل، در یک برنامه "هوش مصنوعی"، داده ها در فرآیند تصمیم گیری جدایی ناپذیر هستند.
برنامه های هوش مصنوعی بر مبنای خروجی آنها بر روی میلیون ها نقطه از داده ها است، ونه فقط بر مبنای یک ورودی.
ما به عنوان حسابرس داخلی، داده ها را در برابر نتیجه مورد انتظار آزمایش می کنیم. در حالیکه در بسیاری از برنامه های هوش مصنوعی نتیجه مورد انتظار وجود ندارد. غیرقابل پیش بینی بودن ، اساسا تولید ریسک می کند و چالشی را برای حسابرسان ایجاد می نماید. اولین قدم برای پرداختن به این ریسك جدید، فهم چگونگی کمک اطلاعات به خروجی برنامه های هوش مصنوعی است. در این گزارش، ما طراحی های اصلی داده های هوش مصنوعی را تعریف خواهیم کرد و سپس مجموعه ای از سوالات مربوط به مشتری را ارائه می دهیم که حسابرسان داخلی ممکن است برای جلب اعتماد به سیستم هاکنترل کننده برنامه های هوش مصنوعی، از ان پشتیبانی کنند.
رویکردهای فناوری
هوش مصنوعی ، بسیاری از فناوری های اطلاعاتی از جمله، سیستم های ایستا و سیستم های یادگیری ماشین را مورداستفاده قرارمیدهد. قابل آزمایش بودن سیستم های استاتیک (مانند درخت تصمیم گیری، طبقه بندی کننده ها و جداول قاعده)، مزیت اصلی استفاده از انها در هوش مصنوعی ست. حسابرسان داخلی می توانند ورودی ها، مجموعه داده ها و خروجی ها را با استفاده از هوش مصنوعی بررسی کنند تا اطمینان حاصل شود که در هر تکرار، نتایج مشابهی رخ می دهد. به این ترتیب، سیستم های ایستا در هوش مصنوعی ،قابل اصلاح با روش سنتی حسابرسی فناوری اطلاعات هستند.
از طرف دیگر، بکار گیری سیستم های یادگیری ماشینی در هوش مصنوعی ،کاملاً مبتنی بر یک رویکرد فناوری متفاوت است. در این برنامه ها (برای مثال،یادگیری مرتبط، شبکه های عصبی مصنوعی، یادگیری درخت تصمیم گیری ، یادگیری عمیق و تقویت یادگیری، درمیان دیگران)، سیستم "یاد می گیرد" بهترین پیش بینی چیست.
همانطور که در زیر مورد بحث قرار گرفته است، ضرر چنین سیستم هایی این است که تصدیق آنها از طریق روش های حسابرسی داخلی استاندارد بسیار دشوارتر است.
