Подобное определение дается и интеллектуальным технологиям (далее -- ИИ- технологиям). Они предназначены для реализации задач, которые традиционно выполняет человек на основе запоминания опыта, разработки алгоритма и понимания абстрактных концепций и адаптации в новых условиях [Карелин, 2011]. ИИ-технологии предназначены для разработки и эксплуатации информационных систем, способных накапливать, классифицировать и оценивать знания об окружающем мире; пополнять и обобщать знания с помощью логического вывода; взаимодействовать с человеком на языке, приближенном к естественному; оказывать ему помощь за счет хранящихся в памяти знаний и логических средств рассуждений [Остроух, 2015].
Сходство между когнитивными и ИИ-технологиями заключается в генерировании новой информации и новых идей, которые в явной форме не заложены в базу данных. Иными словами, и те и другие направлены на решение когнитивных задач, к числу которых можно отнести «обработку данных (интерпретацию, диагностику, мониторинг) и их формирование на основе базы знаний (прогнозирование, планирование, проектирование), обработку и формирование данных и знаний (обучение и управление), формирование знаний на основе метазнаний (оболочки)» [Абди- кеев, Аверкин, Ефремова, с. 4]. Именно ИИ-технологии базируются на моделях с нечеткой логикой, эволюционных вычислениях, нейронных сетях и используются для автоматизации и создания интеллектуальных систем.
Разработке прикладных ИИ-технологий применительно к аудиту предшествовали исследования в области когнитивного аудита и бихевиоризма как направлений когнитивной экономики. С 1980-х гг. зарубежная научная база аудита была переориентирована на исследования личностных и профессиональных компетенций, поведения специалистов, принимающих рациональные управленческие решения.
В рамках бихевиористского подхода на протяжении длительного времени объяснялись рациональность мышления, алгоритмы выработки мнения, мотивы деятельности аудитора, способы координации деятельности, экономическое самосознание и поведение аудитора как участника рыночных отношений. Большинство зарубежных научных публикаций было основано на анализе экспериментально имитируемой аудиторской практики, что позволило описать процедуру формирования профессионального суждения аудитора в реальной действительности.
В области когнитивного аудита получили развитие когнитивные процедуры и классификация задач по типу структурированности (формализации) с целью обоснования интеллектуального характера аудиторской деятельности. Большинство процедур в аудите являются неструктурированными, содержащими множество альтернативных вариантов и путей решения, что требует применения профессиональных суждений [Commerford, 2019]. Когнитивными процедурами аудита являются планирование, организация и управление, контроль качества, оценка и анализ, рассуждение, критическая оценка доказательств на основе применения принципа профессионального скептицизма, оценка рисков и системы внутреннего контроля.
М.Дж. Абдолмохаммади в своем исследовании предложил классификацию задач аудита на структурированные (рутинные, формализованные) и менее структурированные в условиях неопределенности и неполноты информации (например, оценка непрерывности деятельности) и пришел к выводу о том, что ни одна из статистических моделей не позволяет обосновывать принимаемые решения в аудите и способствовать реализации комплекса неструктурированных задач [Abdolmohammadi, 1987].
С.Е. Боннер и Н. Пеннингтон выделили 28 задач в аудите и описали когнитивные процессы применительно к решению каждой из них, а также определили соответствующую базу знаний [Bonner, Pennington, 1991]. Например, для понимания бизнеса аудируемой организации аудитор должен владеть информацией о состоянии экономической ситуации в той стране, где действует проверяемая организация, о внешних и внутренних факторах, которые оказывают воздействие на бизнес, а для выполнения аналитических процедур и выявления потенциальных проблем требуются сведения о частоте появления ошибок в бухгалтерской информации и понимание схожих типовых ситуаций клиентов и специфики деятельности компаний.
Формализованный подход не всегда приемлем в аудите, несмотря на то что исключает неоднозначность и субъективность, поскольку в результате его применения может увеличиваться вероятность пропуска противоречивых и ненадежных доказательств; кроме того, могут оказаться не выявленными схемы мошенничества у проверяемого субъекта [Griffith et al., 2015]. Большая часть аудиторских процедур выполняется в условиях неопределенности, причинами возникновения которой могут стать неизвестность, недостоверность (неполнота, неадекватность), неоднозначность знаний о проблемной области, противоречивость исходных данных и т. д.
Анализ и обобщение подходов зарубежных авторов к процессам и когнитивным задачам в аудите позволили структурировать их типы с учетом принимаемых решений (рис. 1). Следует отметить, что стандартность и структурированность задач в данном случае весьма относительны, поскольку алгоритм их реализации далеко не всегда известен и четко определен внутрифирменными стандартами организации.
Понимание неопределенности и неструктурированности задач в аудите привело к необходимости разработки когнитивных методов и технологий. А. А. Болдуин, С. Е. Браун и Б. С. Тринкл выделили в качестве когнитивных технологий, которые могут улучшить методологию и технологию деятельности, экспертные системы, генетическое программирование, нейронные сети, нечеткие и гибридные системы [Baldwin, Brown, Trinkle, 2006].
Рис. 1. Типы задач в аудите
Составлено по: [Abdolmohammadi, 1987; Bonner, Pennington, 1991; Issa, Sun, Vasarhelyi, 2016].
К числу первых технологий, которые нашли практическое применение и стали описываться в научных публикациях уже в начале 1980-х гг., следует отнести экспертные системы.
Экспертные системы -- это программы, которые на основе накопления, систематизации и апробации знаний и профессионального опыта в конкретной предметной области способствуют реализации поставленных задач (аналогичных решаемым в практической деятельности), а также применяются по запросу пользователя для объяснения хода рассуждений и полученных выводов. В основу разработки экспертных систем заложены методы, позволяющие интерпретировать факты и символы, диагностировать состояние объектов, прогнозировать последствия наблюдений, планировать действия, проводить сравнительный анализ и вырабатывать управленческие решения.
Данные системы используются для имитации интеллектуальных способностей человека в определенном прикладном аспекте апробации накопленных знаний и формализованных правил получения новых знаний. Основанные на поиске решения путем логического вывода с минимальным участием пользователя, они обеспечивают более полное понимание информационных процессов, их взаимосвязей, формируют базу знаний, накапливают, передают опыт и знания аудиторов [Omoteso, 2012]. Переход от статистических методов к экспертным был обусловлен, с одной стороны, многообразием рисковых факторов бизнес-среды, а с другой стороны, необходимостью оценки субъективного поведения руководства аудируемых компаний и действий, принимаемых в процессе управления и контроля.
Прикладные исследования и лабораторный анализ стали доступными благодаря расширению возможностей информационно-вычислительной техники и специализированных аудиторских программ. Р. Д. Месервей, Дж. А. Д. Байлей, и П. Е. Джонсон разработали экспертную модель оценки системы внутреннего контроля для целей аудита [Meservey, Bailey, Johnson, 1986]; Т. Дж. Калдерон и Дж. Дж. Чех -- для оценки рисков [Calderon, Cheh, 2002], X. К. Кох -- для решения неструктурированных задач, прогнозирования банкротства и оценки непрерывности деятельности аудируемого лица [Koh, 2004]. М. М. Эйнинг и Д. Р. Джонс установили, что применение экспертных методов позволяет аудиторам выявить риски мошенничества со стороны администрации и определили их важность для планирования приемлемого уровня риска необнаружения [Eining, Jones, 1997]. Дж. Е. Бориц и А. К. П. Венслей внедрили экспертную систему для оценки аудиторских доказательств по качественным критериям, что позволило заложить основу для решения неструктурированных задач [Boritz, Wensley, 1990].
Указанные исследования позволили создать базу для проведения качественных оценок и применения методов нечеткой логики для выражения профессионального суждения. В прикладных исследованиях получили развитие технологии поддержки принятия решений, которые дали возможность принимать решения на основе генерации возможных вариантов, выбора и предложения пользователю наилучшего варианта и анализа последствий предлагаемого решения. Практика применения экспертных систем показывает, что динамические модели используются в аудите для решения плохо структурированных задач, а статистические модели -- в целях поддержки принятия решений на основе теории выбора и субъективной функции полезности.
Для быстрого поиска информации в неограниченном и слабоструктурированном пространстве разработаны генетические алгоритмы, которые выступают разновидностью когнитивных технологий и имитируют процесс естественного отбора на основе инструментов оценки, отбора, кроссовера и мутации возможных решений. O. Дж. Уэлч, T. Е. Ревс, С. Т. Уэлч предложили применение генетических алгоритмов для моделирования поведения аудитора и принятия решения о фактах мошенничества [Welch, Reeves, Welch, 1998]. Принципом работы данной технологии является поиск лучшего варианта решений из возможных, но не оптимального.
На современном этапе развития когнитивных технологий наиболее перспективными являются ИИ-технологии с применением нейронных сетей, отличием которых от экспертных систем и генетических алгоритмов является способность к самоорганизации и самообучению. Нейросистемы имитируют работу человеческого мозга и состоят из взаимосвязанных блоков, обрабатывающих информацию путем реагирования на поступление внешних данных с передачей информации между блоками. Технологии нейронных сетей отличаются от экспертных систем тем, что для модели глубокого обучения база знаний (эмпирические данные) обучающего набора данных намного шире, имеет большую размерность и множество структур. Интеллектуальная система наделяется понятийным, наглядно-образным мышлением с помощью использования этой базы, а также технологии машинного и глубинного обучения.
Обучение машины производится с применением набора данных с метками, формируемыми по результатам предыдущих аудиторских проверок, типовых кейс- задач и алгоритмов их решения в различных ситуациях. Методика обнаружения знаний в базах данных заключается в последовательности отбора, очистки, трансформации, моделирования и интерпретации информации. Конфигурация и моделирование ИИ-системы производится до тех пор, пока не будут получены желаемые результаты, созданы шаблоны и успешно проведено тестирование на валидность. Областями применения машинного обучения «с учителем» являются задачи на классификацию, регрессию, ранжирование, прогнозирование, а «без учителя» -- кластеризация, поиск ассоциативных правил для установления закономерностей между связанными объектами.
Для обучения распознавания документов и изображений, работы с неструктурированной информацией и интеллектуального анализа больших данных используется методика глубинного обучения. Глубинное обучение -- это ИИ-технология с применением глубокой иерархической нейронной сети для анализа данных и извлечения сложных и абстрактных функций, лежащих в основе необработанных данных [Li, Vasarhelyi, 2018].
Использование нейронных сетей для аудиторской деятельности описывается в исследованиях методов обнаружения мошенничества [Fanning, Cogger, Srivastava, 1995; Perols, 2011; Brandas, Muntean, Didraga, 2018], оценки рисков [Chiu, Scott, 1994; Calderon, Cheh, 2002], непрерывности деятельности на основе анализа больших данных [Biggs, Selfridge, Krupka, 1993; Etheridge, Sriram, Hsu, 2000; Koh, 2004] и выполнения аналитических процедур [Koskivarra, 2017; Fanning, Cogger, Srivastava, 1995; Perols, 2011; Brandas, Muntean, Didraga, 2018; Chiu, 1994; Calderonand, Cheh, 2002; Biggs, Selfridge, Krupka, 1993; Etheridge, Sriram, Hsu, 2000; Koh, 2004; Koskivarra, 2017].
Большинство научных публикаций базируются на сравнительном анализе статистических моделей, экспертных систем с нейронными сетями и поиске новых областей применения технологий для повышения качества аудита. В своем исследовании Дж. Перолс сделал вывод о более достоверных результатах выявления фактов мошенничества при применении технологии машинного обучения, по сравнению со статистическими методами [Perols, 2011]. Для выявления мошенничества C. Брандас, М. Мунтин, О. Дидрага предложили технологию обнаружения аномалий на основе анализа основных компонентов как инструмент, идентифицирующий элементы, которые не соответствуют определенному шаблону (типу) [Brandas, Muntean, Didraga, 2018].
Наряду с описанием прикладных аспектов для конкретных областей аудиторской деятельности, в исследованиях рассматривается проблематика комплексных ИИ-технологий. На базе теории нечетких множеств и методов эволюционных вычислений, которые применимы для решения слабо- и неструктурированных задач в условиях неопределенности и направлены на поиск степени соответствия между элементом и набором элементов, были созданы гибридные модели. М. Дж. Ленард и его соавторы предложили прикладное генетическое программирование с применением теории нечетких множеств, экспертных оценок и статистических методов для составления прогнозных моделей и оценки непрерывности деятельности [Lenard et al., 2001], а исследователи [Davis, Massey, Lovell, 1997] разработали гибридную систему, интегрирующую нейронную сеть и элементы экспертных систем, для оценки рисков. В [Issa, Sun, Vasarhelyi, 2016] был сделан вывод о необходимости сочетания технологий машинного обучения для выявления фактов мошенничества и глубокой нейронной сети -- для анализа данных из социальных сетей, видеозаписей, пресс-релизов, новостей, обработки и распознавания текста, а также изображений документов на бумажных носителях.