Рассматривая структуру когнитивной экономической системы, Н. М. Абдике- ев, А. Н. Аверкин, Н. А. Ефремова отмечают, что она включает в себя: область применения интеллектуальных (когнитивных систем), основанных на методах и моделях искусственного интеллекта, систем поддержки принятия решений и интеллектуальной обработки данных; область управления знаниями (на основе методов нейрофизиологии, психологии и т. п.); область применения когнитивных технологий [Абдикеев, Аверкин, Ефремова, 2010]. Принимая во внимание данный подход, позволяющий определить взаимодействие применения ИИ-технологий для конкретной предметной области, предлагается структура когнитивной экосистемы аудиторской деятельности (рис. 3).
Рис. 3. Структура когнитивной экосистемы аудиторской деятельности
Когнитивная экосистема аудиторской деятельности состоит из трех подсистем: интеллектуальной подсистемы (базовый комплекс программно-аппаратных технологий, не учитывающий прикладной характер), подсистемы когнитивных технологий (например, экспертные системы и генетические алгоритмы) и подсистемы управления знаниями (направлены на формирование знаний о предметной области).
На пересечении области интеллектуальных систем и когнитивных технологий лежат гибридные интеллектуальные системы для аудита, которые достаточно широко исследованы в научных трудах зарубежных ученых (область 1). Прикладные технологии систем поддержки принятия решений для аудиторской деятельности находятся на пересечении системы управления знаниями и интеллектуальных систем (область 2). Она изучена в меньшей степени и нуждается в дальнейшей проработке в направлении конкретизации источников информации, их классификации и возможности расширения областей применения для аудита методов Data mining. Технология и методология когнитивного аудита расположены на пересечении системы управления знаниями и когнитивных технологий (область 3).
При объединении всех областей когнитивной экосистемы формируется прикладная область научных знаний, которая носит название «интеллектуальный аудит (ИИ-аудит)» и требует определения собственного теоретического обоснования и разработки методологической основы (область 4). Взаимосвязь областей и когнитивных процессов с задачами, решаемыми в аудиторской деятельности, показана на рис. 4.
Рис. 4. Применение ИИ-технологий экосистемы аудиторской деятельности для решения прикладных задач в аудите
Назначение когнитивной экосистемы аудиторской деятельности заключается в описании по запросу пользователя на основе ввода исходных данных некоторой задачи, состоящей из совокупности фактов и выводов из имеющихся фактов на основе базы знаний, правил и процедур. Для реализации процесса ввода, общения с пользователем и распознавания информации должен быть создан интеллектуальный интерфейс, обеспечивающий доступ к информационным базам аудируемых организаций, считыванию информации из бумажной документации, распознаванию образов для идентификации узнавания окружающих предметов, поиска и восприятия внешней информации.
Авторы работы [Brennan, Baccala, Flynn, 2017] справедливо отмечают, что с помощью ИИ-технологий можно извлекать и группировать необходимую информацию из разных источников, сравнивать данные и выполнять процедуры подтверждения. Естественный языковой интерфейс и технология машинного зрения реализуют функции сбора информации и ее группировки для выполнения аудиторских процедур и иных задач, голосового управления, получения и передачи большого количества визуальной информации (текстов документов или изображений), что позволяет ускорить процедуры инспектирования, сверки первичных документов на бумажных и электронных носителях с базой учетных данных.
В практике аудиторских компаний стран «Большой четверки» начиная с 2016 г. стали внедряться технологии для извлечения информации из документов, распознавания реквизитов и иных символов (например, Deloitte внедрило ИИ-продукт Argus на базе Kira Systems; KPMG применяет для глубокого обучения IBM Watson Natural Language Understanding, а для поиска из открытых источников данных -- Tensor Flow и Theano). ИИ-технологии позволяют увеличить эффективность проверки за счет многократного повышения объема обработанной информации в единицу времени. Аудиторские фирмы стран «Big 4» оценивают экономический эффект от внедрения когнитивных технологий в сокращении трудоемкости сбора и обработки информации в 50 %. Роботизированные технологии способны считывать 800 млн страниц в секунду, суммировать данные практически мгновенно. ИИ- аудит, с одной стороны, создает возможность ускорения процессов обработки информации, а с другой стороны, позволяет повысить качество и результативность проверки за счет применения методов анализа данных и распознавания текста документов.
Переход на ИИ-технологии решает проблему минимизации риска необнару- жения и, тем самым, повышает уровень уверенности аудитора в достаточности и уместности аудиторских доказательств, на которых основывается мнение о достоверности финансовой отчетности. В научной литературе и на сайтах компаний стран «Большой четверки» превалирующим мнением является позиция, что на смену выборочного аудита придет сплошной непрерывный и роботизированный аудит Ramlukan R. How Big Data and Analytics Are Transforming the Audit. URL: http://bit.ly/2pJJ8ju (дата обращения: 04.08.2019). [Brennan, Baccala, Flynn, 2017; Luo, Hu, Wang, 2018].
MCA 200 MCA 200 «Основные цели независимого аудитора и проведение аудита в соответствии с международными стандартами аудита». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)). рассматривают аудиторскую выборку в качестве «неотъемлемых ограничений», которые приводят к возникновению риска необнаружения. В традиционном подходе практикующий аудитор должен обладать достаточными знаниями статистической теории, прогнозного моделирования, уметь правильно интерпретировать результаты статистики и на этой основе формировать обоснованную аудиторскую выборку. Широкое использование разнообразного инструментария в области аудиторской выборки, достоверность которого опровергалась и уточнялась в научной литературе на протяжении ряда лет на основании совершенствования математической статистики и теории вероятностей, так и не привело к созданию универсальной методики выборочного исследования. Внедрение ИИ-технологий в аудиторскую деятельность будет способствовать повышению эффективности информационного процесса, но потребует пересмотра концептуальных положений и методологии выборочного аудита.
Технология распознавания образов может быть использована в аудите для выполнения процедур наблюдения производственных помещений (MCA 315, п.A18) MCA 315 «Выявление и оценка рисков существенного искажения посредством изучения организации и ее окружения». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)). MCA 501 «Особенности получения аудиторских доказательств в конкретных случаях». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant. ru/ (дата обращения: 04.08.2019))., проведения инвентаризации запасов и распознавания лиц, участвующих в этом процессе, а также выполнения контрольных пересчетов запасов в труднодоступных местах (CA 501, п. A7)11. Директор Deloitte К. Энгельберт справедливо указывает на возможность применения дронов, разработанных на основе машинного зрения, для наблюдения за проведением инвентаризации и для оценки фактического наличия активов в местах их нахождения, что позволит проводить такую процедуру в любое время и по мере необходимости.
Экосистема аудиторской деятельности, на основе применения ИИ-технологий, базируется на обработке информации с помощью когнитивных процессов.
Процесс обучения, представления и накопления знаний, предназначенный для обработки собранной информации и извлечения новой информации внутри когнитивной системы аудиторской деятельности, предполагает использование технологии машинного обучения и базы знаний. В когнитивной экосистеме база знаний включает в себя набор фактов, описывающих предметную область проверки, правила и процедуры их логической обработки, базу закономерностей, позволяющих делать выводы, а также генерировать новые знания. Для создания базы знаний должны быть использованы нормативно-правовая система, данные информационных систем аудируемых лиц и их бизнес- и внешнего окружения, собранные доказательства и сделанные выводы по результатам предыдущих проверок. Накопленные знания в единой базе знаний позволяют синтезировать информацию о проверках клиентов за предшествующий период, что при повторном аудите упрощает процедуры понимания бизнеса клиента, планирования, оценки рисков и существенности. При извлечении знаний из базы требуется соблюдение принципа конфиденциальности информации. База знаний и облачные хранилища освобождают аудитора-человека от хранения в памяти и анализа, сопоставления большого количества информации.
Технология машинного обучения позволяет создать набор типовых ситуаций и образцов, чтобы научиться определять, выбирать и классифицировать информацию. Для создания базы правил и процедур применяются когнитивные методы. Важно, чтобы система была обучена анализу и сопоставлению данных, оценке взаимосвязи между ними, генерации выводов и выбору оптимального варианта из множества альтернативных. Для формирования готовых профессиональных суждений, умозаключений и решений в ИИ-системе аудиторской деятельности используются методы технической (конвертирование, форматирование, трансформирование), семантической и логической обработки исходной информации.
Процесс аналитической обработки информации основан на технологиях извлечения и анализа информации небольшой размерности (ограничивается информационной базой аудируемого лица) и Big data. В аудите и при оказании сопутствующих аудиту услуг аналитические процедуры получили распространение для планирования, оценки бизнес-рисков, подтверждения условий непрерывности деятельности, выявления ошибок и искажений, фактов мошенничества и высказывания мнения в аудиторском заключении.
Согласно MCA 315, аудитор должен учитывать влияние на аудируемую организацию отраслевых, регуляторных и прочих внешних факторов и выявлять события и условия, которые могут выступать побудительными мотивами, обстоятельствами давления или создавать возможности для недобросовестных действий. Контент-анализ публикаций в социальных сетях и новостных статьях может информировать аудиторов о потенциальном судебном риске, риске потери деловой репутации или мошенничестве со стороны руководства аудируемого лица. Такая информация необходима для выполнения предварительного планирования, оценки честности руководства клиента и соблюдения принципа независимости (MCA 220) MCA 220 «Контроль качества при проведении аудита финансовой отчетности». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)).. Watson Analytics уже сейчас задействует технологии, позволяющие предоставлять аудитору информацию о положительных и негативных отзывах в сети Интернет о деятельности аудируемого лица, его администрации и выпускаемой продукции. Для оценки настроения, полярности суждений применяется технология сентиментального анализа и распознавания естественного языка.
Интеллектуальный анализ больших данных и предиктивная аналитика являются важными технологиями для идентификации рисковых областей и оценки уровня риска как в рамках аудиторской проверки, так и при оказании сопутствующих аудиту услуг (например, в процессе выполнения комплаенс-процедур, проведения инвестиционного аудита, оценке эффективности СВК и т. п.). В практике для анализа больших данных и выявления рисковых элементов аудиторские компании стран «Большой четверки» применяют аналитические платформы Halo (PWC), Optix (Deloitte), KRisk (KPMG). Согласно MCA 315, п. A15, аналитические процедуры на основе финансовой и нефинансовой информации могут выявить необычные операции или события, а также определить суммы, коэффициенты и тенденции, которые будут свидетельствовать о наличии вопросов, ответы на которые способны оказать влияние на проводимый аудит.
При оценке рисков информация об операционной деятельности является внутренней и структурированной, а к неструктурированным большим данным можно отнести сведения о рынке и конкуренции, правовой, отраслевой и политической среде, колебания процентных ставок, курсов валют и уровень инфляции. В соответствии с MCA 315, п. A5, A47 MCA 315 «Выявление и оценка рисков существенного искажения посредством изучения организации и ее окружения». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))., в качестве внешних источников информации для анализа рисков существенного искажения и финансовых результатов выступают отраслевые и экономические журналы, аналитические отчеты, данные исследований банков и рейтинговых агентств, издания регулирующих органов и финансовые публикации. Открытые данные (полуструктурированного типа) являются важным источником для понимания деятельности клиента, оценки и наличия признаков несоблюдения нормативно-правовых актов и непрерывности деятельности (информация о наличии кредитов и займов, признаков финансовой поддержки, несоблюдения условий, намерений руководства о ликвидации организации, рынка сбыта продукции и наличие незавершенных судебных разбирательств) [Егорова, 2019].
С помощью методов анализа могут быть обнаружены нетипичные тенденции, неожиданные колебания показателей, выявлены аномальные отклонения на основании сравнения с данными предшествующих периодов, показателями отрасли, предприятий аналогичных видов деятельности и прогнозных показателей. Процедуры интеллектуального анализа позволяют выявить то, что большая часть продаж приходится на конец месяца, сомнительно высокий процент операций производится с задержкой оплаты либо один работник совершает и контролирует большое количество сделок. Е. Коскиваара отмечает возможность применения нейронных сетей для аналитических процедур и обнаружения необоснованных экономических выгод и подозрительно высоких сумм расходов [Koskivaara, 2017]. Технологии анализа больших данных (информация сайтов компаний и открытых интернет- источников) могут быть полезны для поиска аффилированных лиц (MCA 550) MCA 550 Связанные стороны». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))., а анализ информации активного и открытого рынка, предоставляющей общедоступные и достоверные сведения о ценах по сделкам -- для проверки оценочных значений (MCA 540) MCA 540 «^удит оценочных значений, включая оценку справедливой стоимости, и соответствующего раскрытия информации». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))..