A magas frekvenciás és folytonos audit népszerûvé válása és a számvitel általános digitalizációja által megnövekedett piaci várakozások az adatszolgáltatásra a fejlett analitikai módszerek alkalmazását anyagilag is kifizetõdõvé tették sok vállalat számára. Ezen túlmenõen az adatok iránti keresletnövekedés mellett a szorosabb piaci verseny is készteti az auditorokat valamint vállalatokat hogy új, hatékonyabb
eszközöket találjanak. Ez a kutatás a Mesterséges Intelligencia folytonos audit területen való térnyerésére, alkalmazhatóságára, valamint annak jövõbeli irányaira koncentrál. A kutatás alapján a szakértõi
rendszerek kiegészítõ és komplementer termékeként fogják hasznosítani az olyan technológiákat, mint a mesterséges neurális hálók.
CONTROLLER INFO VIII. ÉVF. 2020. 2. SZÁM 2-5.
DOI: 10.24387/CI.2020.2.1
Bevezetés
A Pénzügyi és Számviteli jelentések alapvetõ célja, hogy egy adott vállalat operációs stratégiájáról, eredményességérõl és annak erõforrásainak allokálásáról élethû és átfogó képet adjanak a vizsgált idõszakra. Felhasználójuk elsõsorban az adott cég menedzsmentje, egyéb érdekeltjei, valamint az állami felhasználók (FASB, 2006).
Ahhoz, hogy az ilyen információ a való életben is hasznos legyen és segítse a pénzügyi piac résztvevõit a megfelelõ döntéshozásban a pénzügyi és számviteli jelentésekbõl kinyert adatok segítségével, nélkülözhetetlen ezen adatok pontossága. Ahhoz, hogy ez megvalósuljon, az alábbi szempontoknak kivétel nélkül meg kell valósulniuk:
• idõszerûség
• hibamentesség
• mulasztás nélküliség
• csalásmentesség
A gyakorlati életben a rossz szándékúság nélkül is számos olyan faktor van, amik a fenti szempontok megvalósulását könnyen akadályozhatják. Annak érdekében, hogy ezek a faktorok a lehetõ legszorosabb kontroll alatt legyenek, Vasarhelyi és Halper (1991) egy akkoriban újszerû eszközt dolgoztak ki, mely tulajdonképpen inkább egy keretrendszer: a folytonos auditot(FA). Kutatásukban bizonyos, folyamat szempontból
kulcsfontosságú tényezõket úgy vontak ellenõrzés alá, hogy azokat gyakorlatilag folyamatosan, vagy való idõhöz nagyon közeli frekvencián vizsgáltak. Ehhez nagy kiterjedésû operációs rendszerekbe kellett beépíteni szoftveres szondákat, hogy az audit folyamat megvalósulhasson és érzékelhessen bármilyen eltérést a kívánt állapottól.
Ahhoz, hogy a fentebb sorolt célok megvalósulhassanak és a pénzügyi valamint számviteli riportolás ne csak az elõírásoknak megfelelõn menjen, hanem sok esetben valóidõben, vagy ahhoz nagyon közel, számos új kihívást kellett a vállalatoknak megoldani. Erre azért vállalkoztak minden nehézség ellenére mégis, mert a befektetõk kegyeit keresve az olcsóbb tõkeinjekció reményében még így is megérte a befektetés. Ezzel együtt elmondhatjuk, hogy az ilyen FA folyamatok kiépítése sok szempontból nehézkes, fõleg az ellenõrzés emberi munkaköltsége a nagy adathalmazoknak köszönhetõen. Ezeknek a költségeknek köszönhetõen a vállalatok folyamatosan keresik az új eszközöket a költségek optimalizálására és a beszámoló-készítés folyamatának hatékonyabbá tételére.
Tág értelemben véve az egyik legnépszerûbb eszköz a költségek és folyamatok optimalizálására, valamint az idõbeli korlátok feloldására, amihez a cégek ilyen esetben hajlamosak fordulni nem más, mint az automatizáció (Elliott, 1998).
A technológiai fejlõdés kihasználása a FA területen is lehetõvé teszi, hogy nagy frekvencián történjen audit az adatokon, ez pedig a Mesterséges Intelligenciának ad teret.
Felhasznált irodalom
Abdolmohammadi MJ. (1991): Factors affecting auditors’ perceptions of applicable decision aids for various audit tasks. Contemporary Accounting Research 7(2): 535–548.
Amelia A. Baldwin , Carol E. Brown, Brad S. Trinkle (2006): Published online in Wiley InterScience , DOI: 10.1002/isaf.277
Bekir Karlik és A. Vehbi Olgac (2011): Performance Analysis of Various Activation Functions in Generalized MLP Architectures of Neural Networks
Elliott , R. K. (1998): Assurance services and the audit heritage. CPA Journal
FASB. (2006): Financial Accounting Series, Conceptual Framework for Financial Reporting: Objective of Financial Reporting and Qualitafor Continuous Assurance
Issa , Sun, and Vasarhel yi, (2016): American Accounting Association: Research Ideas for Artificial Intelligence in Auditing: The Formalization of Audit and Workforce Supplementation, Journal of Emerging Technologies in Accounting, Vol 13.
Lombardi, D., and R. Dull. (2016): The development of AudEx: An audit data assessment system. Journal of Emerging Technologies in Accounting 13 (1): 37–52
Michael G. Alles, Alexander Kogan, and Miklos A. Vasarhel yi (2008): Putting Continuous Auditing Theory into Practice: Lessons from Two Pilot Implementations. Journal of Information Systems: Fall 2008, Vol. 22
Miklos A. Vasarhel yi , Fern B. Halper, (1991): The continuous audit of online systems, Auditing: A Journal of Practice and Theory
Rumelhart ,D.E., G.E. Hinton and R.J. Williams, (1986): Learning representations by back-propagation errors. Nature 323: 533-536 Rutgers, The State University of New Jersey
Smith, L. Murphy, (1994): Accounting expert systems, The CPA Journal Online
Vasarhel yi, M. A., Alles, M. G., & Kogan, A. (2004): Principles of Analytic Monitoring for Continuous Assurance. Journal of Emerging Technologies in Accounting
