Анализ зарубежных работ в области применения ИИ-технологий показал, что на современном этапе в связи с расширением потенциала цифровых технологий наиболее важными для аудита выступают технологии извлечения информации и анализа больших данных (Big data). Применительно к аудиту это -- «коллекции данных различных типов, которые могут включать в себя некоторое сочетание традиционных структурированных финансовых и нефинансовых данных, данных датчиков, электронных писем, телефонных звонков, социальных сетей, блогов, а также другие внутренние и внешние данные» [Gepp et al., 2018].
Необходимость внедрения новых технологий для обработки значительного объема информации связана с ростом неопределенности, неструктурированной природой больших данных, перегрузкой данных, что приводит к затруднению идентификации и поиска релевантных сведений и неверным выводам.
Для извлечения структурированных^ и неструктурированных данных из разных источников, представляющих собой аудиторские доказательства, используется технологии обработки естественного языка. В основу технологии Big data заложены принципы лингвистического анализа, который позволяет анализировать тестовые документы и веб-страницы, понимать контекст и содержание, в том числе эмоциональную окраску. Р. Фэй и Е. М. Негангард описывают применение анализа больших данных для исследования рисков и выявления фактов мошенничества [Fay, Negangard, 2017]. В работах [Sun, Vasarhelyi, 2018; Hashimzade, 2016] подробно раскрываются прикладные аспекты анализа текстовой информации (text mining) как типа больших данных для сбора и обработки качественной информации, а в исследовании [Hashimzade, Myles, Rablen, 2016] -- предиктивной аналитики для оценки рисков.
Область использования технологии визуального распознавания изображений и идентификации объектов, местоположений, отнесения их в задаваемый пользователем класс -- проведение инвентаризации и обнаружение фактов недобросовестных действий. X. Исса, Т. Сан и М. А. Васархелий обнаружили, что применение методов визуального распознавания позволяет аудиторам понимать содержимое изображения, полученного с помощью дронов, или видео, снятого камерами наблюдения, автоматически идентифицировать объект и предмет (в том числе человеческие лица) на изображении, а затем упорядочить и классифицировать каждое изображение в заранее определенный логический класс [Issa, Sun, Vasarhelyi, 2016].
ИИ-технологии действуют на основании ввода фактической информации аудируемого лица в единую информационную базу и ее сравнения с типовыми ситуациями в аналогичных компаниях, данные о проверках которых занесены в базу. В связи с этим одним из барьеров на пути к их внедрению в аудиторскую деятельность является проблема машинного обучения и построения выборки информации для формирования базы знаний и правил с целью повышения точности классификации и структурированности информации. Объем данных зависит от характера (текст или изображение), качества и репрезентативности информации, размерности и классификационных признаков данных, а также применяемых экспериментальных методов [Issa, Sun, Vasarhelyi, 2016].
Однако для обеспечения валидности обучаемой модели и исключения субъективности, которая может оказать влияние на мнение о достоверности финансовой отчетности, необходимы дополнительные исследования в области обеспечения качества ИИ-системы. При обучении может возникнуть риск ошибочности суждения и наличия некоторой степени субъективности в принятии решений, поскольку имеется зависимость от интеллекта и убеждений тех лиц, которые проводят машинное обучение. «Умная технология» может находить доказательства, которые будут соответствовать предпочтениям людей или выдавать противоречивую информацию. В результате специалисты могут сталкиваться на практике с проблемами интерпретации полученной информации в случае разрозненности данных, необходимости получения дополнительных сведений, выходящих за рамки модели. Разработка требований к машинному обучению для поддержания качества аудиторских услуг позволит повысить степень доверия общества и пользователей к мнению, формируемому с помощью ИИ-технологий.
Перспективным направлением исследований в области внедрения ИИ- технологий в деятельность аудиторских организаций становится рассмотрение вопросов создания роботизированных систем и интеллектуальных помощников, которые сочетают в себе комплекс технологий для решения различных задач в аудите. Ю. Кокина и Т. X. Давенпорт отмечают необходимость использования технологии искусственного интеллекта и нейронных сетей для создания робота-помощника в аудите [Kokina, Davenport, 2017]. Роботизация процесса аудиторской проверки означает внедрение комплекса технологии искусственного интеллекта, экспертных систем и технологий управления знаниями [Abhishek, Divyashree, 2019].
Интеллектуальный помощник для аудиторской организации (Intelligent Personal assistants -- IPA) -- это программный комплекс, выполняющий набор операций аудиторской проверки автономно и по заданию пользователя на основе принципов рассуждения и выполнения иных когнитивных функций [Brandas, Muntean,
Didraga, 2018]. Наиболее полное определение когнитивного помощника (cognitive assistants) для целей аудита дано в [Li, Vasarhelyi, 2018, р. 122] -- это «технологии с обработкой естественного языка и интерактивной поддержкой принятия решений для извлечения и поиска релевантной информации, планирования и оценки рисков, позволяющие понимать голосовые команды и отвечать на вопросы в наиболее удобной форме». Когнитивный помощник может изучать и запоминать запросы и действия разных пользователей и на этой основе представлять рекомендации следующим пользователям. Для создания когнитивных помощников с целью оказания аудиторских услуг необходимо исследование когнитивной экосистемы, позволяющей понять взаимосвязь между элементами и технологиями, определить их прикладное значение для аудиторских компаний.
Для раскрытия содержания понятия «интеллектуальный аудит» как вида деятельности в зарубежной литературе используется информационный подход. ИИ- аудит -- это гибридный набор технологий (интеллектуальный анализ данных, машинное обучение, распознавание речи, изображений и анализ эмоций), которые дополняют и модернизируют процессы аудиторской деятельности [Ukpong, Udoh, Essien, 2019]; платформа, которая анализирует и сортирует финансовые записи по категориям риска, устраняя необходимость случайных выборок финансовых записей и их проверки вручную [Rozen, 2018].
Таким образом, ИИ-аудит представляет собой проверку, организация и методика проведения которой основана на применении ИИ-технологии для выполнения когнитивных процессов и принятия решений на всех этапов, начиная с планирования и заканчивая формированием мнения в аудиторском заключении. Искусственный интеллект может генерировать гипотезы, основанные на суждениях, собирать данные из разрозненных, в том числе и неструктурированных источников информации, анализировать информацию большого объема и визуализировать результаты анализа, а также оценивать собранные доказательства.
Несмотря на представленность данной тематики в зарубежной научной литературе, ИИ-аудит и применение цифровых технологий для аудиторских проверок остаются неизученными областями в отечественной теории и методологии аудита. Российские исследователи затрагивают вопросы применения больших данных для оценки рисков недобросовестных действий [Соболева, 2017], открытых данных как источника информации для аудиторской проверки [Егорова, 2019], применения роботизированной технологии для решения задач на разных этапах аудита [Тихонов, Ворохобина, 2018]. Однако не уделяется достаточного внимания исследованиям в области цифровизации аудиторской деятельности и отдельным сферам применения когнитивных технологий, что обусловлено, с одной стороны, начальным этапом развития отечественной методологии аудиторской науки, а с другой стороны, недостаточной развитостью прикладных технологий искусственного интеллекта на отечественном рынке ИТ-продуктов, в том числе для организации аудиторской деятельности и проведения экспериментальных научных исследований. Исследования, осуществляемые зарубежными учеными, являются весьма важными для развития отечественной науки финансового контроля и ее соответствия современным реалиям и международным тенденциям.
Когнитивная экосистема аудиторской деятельности: структура цифровых технологий и их применение для выполнения когнитивных процессов
В настоящее время возникла необходимость формирования когнитивной экосистемы аудиторской деятельности. Это обусловлено наличием различных цифровых технологий, которые могут быть применимы в определенных областях аудиторской деятельности не только по отдельности, но и в совокупности с другими технологиями, что принесет наибольший интегральный эффект от применения.
Описывая важность создания когнитивной экосистемы для аудита, С. Козловский отмечает, что она должна быть направлена на формализацию и выбор способов хранения и обработки знаний, их интерпретацию, наполнение базы знаниями (прототип экспертной системы), подачу знаний в понятийной системе, а также на проверку компетентности системы и пригодности для пользователей [Kozlowski, 2016].
Когнитивная экосистема аудиторской деятельности -- это комплекс технологий роботизации автоматизированных процессов (Robotic process automation -- RPA), данных и аналитики, когнитивных технологий и надстройки -- прогностической аналитики Harnessing the power of cognitive technology to transform the audit. KPMG, 2016. URL: https:// assets.kpmg.com/.../be/.../us-audit-cognitivereport (дата обращения: 04.08.2019). [Пожарицкая, 2017]. Под когнитивной системой понимается автоматизированная система, основанная на знаниях, или комплекс программных, лингвистических и логико-математических средств для реализации основной задачи -- осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке [Остроух, 2015]. Большинство авторов, раскрывая понятия «когнитивная система», «интеллектуальная система» и «система интеллектуальных технологий», перечисляют состав входящих в данную систему когнитивных технологий. Определение понятия «когнитивная система» применительно к аудиторской деятельности требует уточнения, поскольку существующие трактовки не раскрывают содержания, цели использования, не учитывают особенности аудита и применяемых прикладных технологий.
Аудиторская деятельность представляет собой предпринимательскую деятельность по аудиту и оказанию сопутствующих услуг, причем в связи с ростом потребностей пользователей в консалтинговых услугах возникли новые виды аудита: стратегический аудит, аудит эффективности, социальный аудит, комплаенс-аудит, экологический аудит и т. д. О росте консалтинговых услуг свидетельствуют отчетные показатели компаний стран «Большой четверки» (рис. 2) и статистика Минфина России, согласно которой в 2018 г. 50,1 % доходов российских аудиторских компаний приходилось на аудит, 45,3 -- на прочие услуги и 5,1% -- на сопутствующие аудиту услуги Основные показатели рынка аудиторских услуг в Российской Федерации (Министерство финансов РФ. URL: https://www.minfin.ru/ru/perfomance/audit/audit_stat/MainIndex/ (дата обращения:
04.08.2019) )..
Аудитор, оказывая консалтинговые услуги, может предложить клиентам совершенствовавать систему внутреннего контроля, услуги по оценке налоговых рисков, проведению комплаенс-процедур или подтверждению обоснованности инвестиционных планов, а также по оценке перспектив развития и способности компании продолжать деятельность непрерывно, собирать, классифицировать и компилировать информацию для определенных целей/
Рис. 2. Структура доходов от операционной деятельности компаний стран «Большой четверки», 2018 г.
Составлено по: Годовой отчет PWC. URL: https://www.pwc.nl/nl/assets/documents/pwc- annual-report-2017-2018.pdf (дата обращения: 04.08.2019); Годовой отчет Deliitte. URL: https:// www2.deloitte.com/content/dam/Deloitte/nl/Documents/about-deloitte/deloitte-nl-integrated-annual- report-2017-2018.pdf (дата обращения: 04.08.2019); Годовой отчет EY. URL: https://www.ey.com/ Publication/vwLUAssets/EY-transparency-report-2017-2018-volume-2/$FILE/EY-transparancy-report- 2017-2018-volume-2.pdf (дата обращения: 04.08.2019); Годовой отчет KPMG. https://home.kpmg/ content/dam/kpmg/nl/pdf/over-ons/integrated-report-2017-2018.pdf (дата обращения: 04.08.2019).
Область углубленного исследования бизнеса является весьма перспективной для приложения интеллектуальных систем и когнитивных технологий в аудиторской деятельности.
Вместе с тем аудиторская деятельность -- это совокупность взаимосвязанных когнитивных процессов, направленных на формирование суждения о достоверности финансовой отчетности. В аудиторской деятельности когнитивными процессами выступают извлечение знаний из базы знаний, поиск информации из внешних источников, сравнение, генерация и оценка гипотез, сбор информации, оценка и выбор решений [Bonner, Pennington, 1991]. Однако данные процессы не в полной мере отвечают современным достижениям и возможностям ИИ-технологий. Система искусственного интеллекта автоматизирует процессы ввода и распознавания необходимой информации, общения, обучения, представления знаний, аналитической обработки информации, выработки целей и принятия решений, поддержки целостности системы и реализации принятых решений [Карелин, 2011]. Значит, перечень когнитивных процессов аудиторской деятельности необходимо уточнить и включить его в состав процессы: ввода информации; общения с пользователем и распознавания информации; обучения, представления и накопления знаний; аналитической обработки информации; управления; формирования умозаключений, выводов и суждений.
Учитывая особенности аудиторской деятельности и определение когнитивной системы, под когнитивной экосистемой аудиторской деятельности будем понимать совокупность интеллектуальных систем, методов создания базы знаний, управления знаниями и когнитивных технологий, которые находятся во взаимодействии и предназначены для выполнения когнитивных процессов в аудиторской деятельности, обеспечивающих формирование профессионального мнения при выполнении аудиторских услуг и оказании сопутствующих аудиту услуг.