کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

https://startupforum.ir/images/cdn/2018/04/4595.jpg

پدیدآورندگان: دکتر محمد مرفوع، دکتر مسعود طاهری‌نیا، نواب کونانی


مقدمه
حسابداری تقریباً اولین حوزه از تجارت است که ابزار و روشهای فناوری اطلاعات و ارتباطات1 در آن به‌کار گرفته شده‌اند. اگر چه فناوری اطلاعات و ارتباطات در ابتدا در سیستمهای حسابداری پایه به‌کار گرفته شدند، طولی نکشید که ثابت شد که بسته‌های الگو‌سازی مالی در جنبه‌های تحلیلی حسابداری بسیار سودمند می‌باشند. پژوهشگران بر این عقیده بودند که سرعت وارد شدن فناوری اطلاعات و ارتباطات در حسابداری به‌صورت یک حرفه، به‌علت رویکرد محافظه‌کارانه شاغلان در این زمینه پایین تلقی می‌شود؛ اگر چه تا اواخر دهه 90 میلادی، شاغلان این حرفه مجبور شده بودند تا فعالیتهای خود را به‌منظور ارتقای بهره‌وری، ایستادگی در برابر رقابت و کاهش هزینه‌ها، کامپیوتری کنند (Manson et al., 1997; 2001).

ابزار فناوری اطلاعات و ارتباطات به‌طور معمول در طیف وسیعی از وظایف ساده مثل محاسبات ریاضی تا وظایف پیچیده‌ای مثل تجزیه‌وتحلیل آماری و نمودار، استفاده می‌شوند. این ابزار شامل مجموعه برنامه‌های حسابرسی (متشکل از بسته‌های نرم‌افزاری استاندارد و نرم‌افزارهای خاص)، فهرست وارسی، الگوهای لاجیت (Logit)، برنامه‌های پرس‌وجو حسابرسی (با قابلیت تحلیل و بررسی کامل داده)، مولفه‌های یکپارچه نظارت بر حسابرسی (روشهای برنامه‌ریزی‌شده که داده حقیقی و شرایط انجام کار را دائما بررسی می‌کنند)، سیستمهای خبره و الگوهای کنترل داخلی که معمولاً برای شناسایی نقاط قوت و ضعف یک سیستم به‌کار می‌روند، می‌باشند.

به‌علت پیشرفت مداوم در زمینه فناوری کامپیوتری، اغلب موسسه‌های بزرگ حسابرسی استفاده از هوش مصنوعی2 را در زمینه قضاوتهای3 حسابرسی به‌عنوان بخشی از سیستمهای یکپارچه اتوماسیون حسابرسی خود در نظر گرفته‌اند. تمهیدات فناوری اطلاعات و ارتباطات مثل تبادل الکترونیکی داده‌ها4، انتقال فایلهای الکترونیکی5 و پردازش تصویر به‌تدریج در حال جایگزینی روشهای سنتی حسابرسی و در نتیجه تغییر کامل کل فرایند حسابرسی می‌باشد. به‌رغم تغییر شکلی که حرفه حسابرسی در یک‌قرن‌ونیم اخیر تجربه کرده، هدف اصلی حسابرسی همچنان به‌صورت ارائه نظری مستقل برای اشخاص ثالث در مورد حقیقت و درستی اطلاعات صورتهای مالی ارائه‌شده توسط مدیریت و تطبیق این اطلاعات با معیارهای قابل اجرای حسابداری و مقررات مربوط، باقی‌ مانده است. بنابراین، حسابرسی متشکل از مجموعه اطلاعات فشرده‌ای درباره فعالیتهایی مثل جمع‌آوری، سازماندهی، پردازش، و ارزیابی داده به مقصود ارائه‌نظر (اظهارنظر)6 قابل اعتماد در مورد حسابها می‌باشد. این اظهارنظر نهایی حسابرسی معمولاً ترکیبی از قضاوتهای حسابرسی (بر پایه شواهد مرتبط، مقتضی، کافی و متقاعدکننده حسابرسی) در زمینه‌های گوناگون گزارشهای مالی می‌باشد.

از آنجایی که سیستمهای کمک به تصمیم‌گیری مبتنی بر فناوری اطلاعات و ارتباطات هم‌زمان با فشار افزایش‌یافته بر حسابرسان برای ایفای نقشی موثرتر در کنترل و نظارت بر شرکتها، همچنان در دنیای کسب‌وکار مدرن مورد توجه می‌باشند، هدف از نوشتن این مقاله، بررسی تلاشهای پژوهشی عمده و بحثهای فعلی در مورد استفاده حسابرسی از طبقه‌ای از سیستمهای کمک به تصمیم‌گیری کامپیوتری و سیستمهای هوش مصنوعی می‌باشد. این بررسی با دیدگاهی برای پیامدهای آتی توسعه نرم‌افزاری و پژوهشی در این زمینه همراه است.
این بررسی به‌علت پیشرفتهای اخیر در زمینه سیستمهای هوش مصنوعی در آغاز دهه جدیدی از این هزاره نو، ضروری می‌باشد. همچنین، اغلب مطالعات موجود در زمینه حسابرسی فناوری اطلاعات، عموماً یا سیستمهای کمک به تصمیم‌گیری و یا جنبه‌ای از هوش مصنوعی را در نظر گرفته‌اند. در حالی‌که این تحقیق بر استفاده از دو نوع هوش مصنوعی عمده در حسابرسی، سیستمهای خبره7 و شبکه‌های عصبی8 تاکید دارد. قسمت بعد، استفاده از سیستمهای گوناگون بر پایه هوش مصنوعی را مشخص خواهد کرد.

حسابرسی و سیستمهای مبتنی بر هوش مصنوعی

یک فرایند عادی تصمیم‌گیری، لزوماً باید دربرگیرنده سه مرحله اصلی تکراری باشد (Abdolmohammadi, 1987). این مراحل عبارتند از هوش (که شامل جمع‌آوری داده، شناسایی هدفها، تشخیص مشکلات، اعتبار داده‌ها و سازماندهی مشکلات می‌باشد)، طراحی (که شامل دستکاری داده، تعیین کمی هدفها، تولید جایگزینها و ارجاع ریسکها یا ارزشها به جایگزینها) و انتخاب (که شامل ایجاد آمار و ارقام در زمینه جایگزینها، شبیه‌سازی نتیجه‌های جایگزینها، تفسیر جایگزینها، انتخاب بین جایگزینها و تفسیر انتخاب). بنابراین هوش مصنوعی، بخش مهمی از خانواده سیستمهای کمک به تصمیم‌گیری می‌باشد که همچنان در حال توسعه و وارد شدن در فعالیتهای فنی و مدیریتی تجارت نوین و حرفه‌هایی از قبیل حسابرسی است.

دالال (Dalal, 1999) پیش از این اظهار کرده است:
“با افزایش چشمگیر جمعیت جهان و به‌علت پیچیدگی ماهیت معاملات، به‌کارگیری روشهای حسابرسی به‌صورت قابل توجهی به نرم‌افزار بستگی خواهد داشت. بنابراین، هوش مصنوعی و سیستمهای خبره مفید بوده و شاید در مدیریت حسابرسی امروزه اجتناب‌ناپذیر باشند.”

برای تایید اظهارات دالال طی دو دهه اخیر، تلاش بی‌وقفه‌ای در زمینه توسعه سیستمهای بسیار پیچیده مبتنی بر هوش مصنوعی (به شکل سیستمهای خبره و شبکه‌های عصبی) برای کمک به حسابرسان در قضاوتهایشان صورت گرفته است (Abdolmohammadi & Usoff, 2001). هدف این سیستمها، کمک‌رسانی به حسابرسان برای تصمیم‌گیری بهتر از طریق توجه به تعصبها و غفلتهای احتمالی می‌باشد که معمولاً در فرایندهای تصمیم‌گیری انجام‌شده به روش دستی اتفاق می‌افتند. در شرایطی که عموم بر این باورند که به‌علت میزان تطبیق‌پذیری و حساسیت مورد نیاز برای این قضاوتها، این سیستمها را باید به‌صورت عوامل یا کمکهای صرف در اظهارنظر نهایی حسابرس درباره نتیجه‌های حسابرسی به‌کار گرفت. برخی از نتیجه‌های تجربی نشان می‌دهند که گاهی اوقات حسابرسان بیش از حد بر خروجی این سیستمها تکیه می‌کنند؛ اگر چه صرف‌نظر از ماهیت ابزار و روشهای مورد استفاده حسابرس قبل از رسیدن به تصمیمی (اظهارنظر) خاص، حسابرس در نهایت مسئول آن قضاوت می‌باشد. از آنجایی که این موردی است که در آن حسابرسان به سایر کارشناسان (کارشناسانی مثل قیمتگذاران املاک و مشاورین حقوقی) برای ایجاد شواهد حسابرسی به‌صورت پایه‌ای برای نظرهای حسابرسی تکیه می‌کنند، ابزار هوش مصنوعی مورد پذیرش حسابرسان صرفاً به‌صورت عوامل به‌کار گرفته‌شده برای انجام یک وظیفه مشخص در نظر گرفته می‌شوند. مسئولیت تضمین ارتباط، اعتبار، و کارایی این ابزار در زمینه هدف تعیین‌شده، بر عهده خود حسابرس می‌باشد. همچنین، استفاده از سیستمهای مبتنی بر هوش مصنوعی در رسیدن به یک نظر، مانند شمشیری دو لبه می‌باشد. حسابرس می‌تواند مسئول استفاده نامناسب از سیستم نوین کمک به تصمیم‌گیری در ارائه قضاوتی باشد که مشخص می‌شود نادرست است؛ همان‌طور که او می‌تواند مسئول ارائه قضاوت نادرستی شود که از مبنا قرار دادن نظرش تنها بر اساس یک سیستم خبره، به‌دست آمده است (Ashton, 1990؛Sutton et al., 1994).

مزایای گوناگون قابل حصولی در زمینه استفاده حسابرسان از سیستمهای مبتنی بر هوش مصنوعی برای حسابرسی شناسایی شده است. این مزایا شامل بازدهی و کارایی، ثبات ساختاری برای فعالیتهای حسابرسی، تصمیم‌گیری و ارتباطهای بهبودیافته، آموزش ارتقایافته به کارکنان، توسعه مهارت برای تازه‌کارها و تصمیم‌گیری در زمان کوتاهتر می‌باشند. با وجود این، موارد زیر به‌عنوان معایب احتمالی به‌کارگیری سیستمهای مبتنی بر هوش مصنوعی شناسایی شده‌اند؛ فرایندهای تصمیم‌گیری طولانی‌مدت به‌علت کشف جایگزینهای بیشتر، هزینه کلان زیربنایی، به‌روزرسانی و حفظ سیستمها، جلوگیری از ایجاد پایگاه دانش تازه‌کارها، جلوگیری از گسترش مهارتهای تخصصی قضاوت، ریسک انتقال ابزار به رقبا و احتمال استفاده از این ابزار در حسابرسی در برابر یک مرجع قانونی به جهت اتکای بیش از حد بر شواهد سیستمهای کمک به تصمیم‌گیری.

با نگاهی به توسعه و تاثیر هوش مصنوعی در حسابرسی و با در نظر گرفتن نوشته‌های کنونی، با دیدگاهی کلی، بررسی مفصل مولفه‌های مشخص (سیستمهای خبره و شبکه‌های عصبی) مورد پذیرش حسابرسان، ضروری می‌باشد.

سیستمهای خبره

یکی از تلاشهای اولیه در جهت تفسیر معنای سیستمهای خبره، توسط گروه انجمن تخصصی کامپیوتر بریتانیا صورت گرفت. این گروه، یک سیستم خبره را به این صورت تعریف کرده است (Connell, 1987):

“سیستم خبره تجسمی است از مهارت یک کارشناس در درون کامپیوتری با اجزای مبتنی بر دانش، به‌شکلی که این سیستم قادر باشد تا پیشنهادی هوشمندانه ارائه بدهد یا تصمیمی هوشمندانه در مورد پردازش یک عملکرد بگیرد. یکی دیگر از ویژگیهای مطلوب که ممکن است بسیاری آن ‌را بنیادی تلقی کنند، قابلیت سیستم بر حسب تقاضا برای توجیه محدوده استدلال خود به روشی است که برای جستجوگر به‌وضوح قابل درک باشد. سبک مورد اتخاذ برای دست یافتن به این ویژگیها، برنامه‌نویسی بر اساس قوانین می‌باشد.”

آرنولد و همکاران (Arnold et al., 2004)، سیستمهای خبره را به‌صورت سیستمهای نرم‌افزاری تعریف کردند که تخصص یک یا چند نفر از کارشناسان را در حوزه تصمیم‌گیری خاص برای ارائه پیشنهادی خاص در مورد مجموعه‌ای از مسائل، ترکیب می‌کنند و کاربر را در تصمیم‌گیری بهتر نسبت به حالتی که بدون کمک باشد، یاری می‌رسانند. سیستم خبره، ترکیبی از سیستم و فرایندی است که برای نسخه‌برداری از قضاوتهای کارشناسان طراحی شده است. این سیستم نسبت به سایر سیستمهای کامپیوتری متمایز می‌باشد زیرا از ویژگیهای خاصی مانند دقت و قابلیت کاربردی بهره‌مند است (Baldwin-Morgan & Stone, 1995).

در نوشته‌های اینینگ و همکاران (Eining et al., 1997): “سیستمهای خبره نسبت به سیستمهای سنتی کمک به تصمیم‌گیری از دو جنبه اساسی متفاوتند. اول اینکه این سیستمها بر دانش متکی‌اند و عموماً به‌جای راه‌حلهای الگوریتمی، براساس قوانین به‌وجود می‌آیند. دوم اینکه این سیستمها دستیابی به پایگاه علمی برای استفاده کاربر از سیستم کمک به تصمیم‌گیری را میسر می‌سازند. همچنین، نرم‌افزار سیستم خبره پیشرفته قابلیتهای فراوانی جهت افزایش ارتباط بین کاربر و سیستم ارائه می‌دهد.” استفاده‌های اولیه از هوش مصنوعی در دهه 1930 میلادی، بر دستکاری اشیای فیزیکی از طریق دستگاههایی که تحت کنترل برنامه بود، تمرکز داشت، اما این برنامه‌ها از مزایای تجاری و عملی اندکی برخوردار بودند.

دولتهای کشورهای مختلف از طریق تلاشهای جمعی خاص از اساتید دانشگاهی و صنعتگران، به رسیدگی به این محدودیتها پرداختند. نمونه‌هایی از این تلاشها، تلاشهای هیئت ژاپنی در زمینه نسل جدید فناوری کامپیوتری و برنامه الوی9 انگلیسی بود که هر دو در سال 1982 صورت گرفتند. برنامه الوی بر چهار حوزه گسترده پژوهشی شامل مهندسی نرم‌افزار، یکپارچگی در مقیاس بسیار بزرگ، ارتباط انسان- ماشین و سیستمهای هوشمند بر پایه دانش می‌باشند (Connell, 1991). این پژوهش برجسته در زمینه سیستمهای خبره مبتنی بر دانش، از مشارکت بانکهای بزرگ و موسسه‌های حسابرسی در زمینه توسعه سیستمی هوشمند، الفکس10 (سیستم خبره مالی برنامه الوی)، بهره گرفت. اگرچه تلاشها در مورد برنامه الوی در نیمه راه قطع شد، تجربه‌ و نتیجه‌های حاصل از مشارکت موسسه‌های حسابرسی برای جامعه پیشگامان اروپایی (مانند اسپریت11) مفید بود. همچنین، تجربه اولیه این شرکتها را به گسترش سیستمهای خبره داخلی برای جنبه‌های گوناگون روند کاری حرفه‌شان ترغیب نمود (Connell,1991).

انتظار می‌رود که سیستم خبره موثر، مزایای متعددی را برای حرفه حسابرسی فراهم سازد. این مزایا شامل درک فرایندهای کاری، دانش افزایش‌یافته و انتقال‌پذیری دانش می‌باشند. اینها دلایلی هستند که اغلب موسسه‌های حسابرسی، به‌خصوص موسسه‌ةای بزرگ، به گونه‌ای چشمگیر سیستم خبره را در حوزه‌های متعددی از فعالیتهایشان به‌کار می‌گیرند (Brown, 1991).

همچنین، در مورد استفاده از سیستمهای خبره توسط حسابداران بریتانیا، امریکا و کانادا تحقیقی صورت گرفته که نشان داده است بیشترین تعداد از سیستمهای خبره که توسط موسسه‌های حسابرسی توسعه‌یافته مربوط به حسابرسی است. سیستم خبره به‌کاررفته در حسابرسی به‌عنوان سیستم دربرگیرنده‌ای مشخص شده که برنامه‌ریزی حسابرسی12، آزمون رعایت13، آزمون محتوا14، اظهارنظر، گزارش‌دهی15 و تصمیمهای مربوط به تعامل مشتریان حسابرسی را مورد حمایت قرار می‌دهد. سایر مطالعات در زمینه استفاده حسابرسان از سیستمهای خبره در سه بخش فرعی بعدی مورد بررسی قرار می‌گیرند.
الگوهایی برای ارزیابی تاثیر استفاده حسابرسان از سیستمهای خبره

بالدوین- مورگان و استون (Baldwin-Morgan and Stone, 1995)، چارچوبی دو بعدی را (الگو ماتریسی16) با توجه به تاثیر به احتمال زیاد سیستمهای خبره بر موسسه‌های حسابرسی، پیشنهاد کردند. این ماتریس از یک طرف شامل سطوح تاثیر (صنعت، سازمان، فرد و فعالیت) و از طرف دیگر در برگیرنده رده‌های تاثیر (کارایی، بازدهی، تخصص، آموزش و محیط) بود. علت انتخاب سطوح گوناگونی از تاثیر، این واقعیت بود که تمامی انواع فعالیتها یا صنایع می‌توانند تحت تاثیر سیستمهای خبره واقع بشوند. بنابراین، پژوهش صورت‌گرفته توسط بالدوین- مورگان و استون (1995) با در نظر گرفتن عوامل احتمالی مشخص، چارچوبی موثر را برای بررسی تاثیر فناوری اطلاعات و ارتباطات بر روند حسابداری ارائه کرد (فعالیت، صنعت، وسعت و محیط).

تحقیق صورت‌گرفته توسط بالدوین- مورگان و استون (1995)، می‌توانست الگویی را برای ارزیابی تاثیر سیستمهای خبره بر سازمانها و افرادی که از این سیستمها استفاده می‌کنند، ارائه دهد. این الگو کاملاً برعکس موارد یافت‌شده در سایر تحقیقهای پیشین است که تنها در مورد چگونگی کارکرد این سیستمها و علت ساخت آنها یا در بهترین حالت آثار بالقوه این سیستمها بر حسابرسی به بحث می‌پرداختند. این الگو در مطالعات تجربی پیشین بر اساس تاثیر سیستمهای خبره حسابرسی و سیستمهای خبره حسابداری برای مدیران که مانند سابق در نوشته‌ها موجود می‌باشد، ایجاد شد. بنابراین، این پژوهش الگویی کاملاً نظری را با بینشهای تجربی ترکیب کرد.

دیلارد و یوتاس (Dillard and Yuthas, 2001) به‌تازگی دیدگاه کاملاً نوینی را در مورد تاثیر استفاده از سیستمهای خبره در حسابرسی با در نظر گرفتن موارد اخلاقی ذاتی در کاربرد این سیستمها در روند حسابرسی، مطرح کرده‌اند. این مطالعه، تئوری «خودمسئول» نیبور را برای پشتیبانی از محدوده تشکیل‌دهنده یک مورد اخلاقی و به‌عنوان چارچوبی برای شناسایی اقدام مسئولانه برای در نظر گرفتن همیشگی تعاملات مداوم در بین گروه سهامدارانی که تحت تاثیر پیاده‌سازی سیستمهای خبره می‌باشد، اتخاذ کرد. همچنین، در این تحقیق اشاره شده است که این ساختار باید برای ارزیابی اقدامهای سهامداران قبل از ایجاد سیستم همراه با پیامدهای بالقوه برای سیستم به‌کار برود.
مزایای استفاده از سیستمهای خبره در حسابرسی

آرنولد و همکاران، تاثیر کمکهای تصمیم‌گیری را بر ارزیابی تصمیم‌گیران تازه‌کار و متخصص مورد بررسی قرار دادند. این بررسی نشان می‌دهد که ترکیب مناسبی از کاربر و کمک می‌تواند کیفیت تصمیم تصمیم‌گیرندگان متخصص را ارتقا دهد؛ اما ممکن است تصمیم‌گیرندگان مبتدی در صورت تخصصیتر بودن کمکهای تصمیم‌گیری هوشمند نسبت به کاربر، در معرض تصمیم‌گیریهای ضعیفتر قرار بگیرند. در این پژوهش، رویکردی تجربی در مورد دو گروه از شاغلین ورشکسته متخصص و تازه‌کار که از یک نرم‌افزار کمک تصمیم‌گیری به نام (اینسالو17) استفاده می‌کردند، اتخاذ شد.

اینینگ و در (Eining & Dorr, 1991)، تحقیق یادگیری تجربی را با استفاده از 191 نفر از دانشجویان مقاطع تحصیلات تکمیلی حسابداری و با نگرشی به سمت بررسی تاثیر یک سیستم خبره بر کسب دانش تجربی برای انجام فعالیت به‌عنوان تصمیم‌گیران تازه‌کار حسابرسی در ارزیابی شایستگی یک سیستم کنترل داخلی، انجام دادند. این بررسی نشان داد که از میان چهار گروه که موضوعهای پژوهشی در مورد آنها برای این فعالیت طبقه‌بندی شدند (بدون کمک تصمیم‌گیری، پرسشنامه، سیستمهای خبره بدون قابلیت توضیحی، و سیستمهای خبره با قابلیت توضیحی)، شرکت‌کنندگان دو گروه از سیستمهای خبره را دارای عملکرد بهتری نسبت به دو گروه دیگر، تعیین کردند.

تحقیق اینینگ و در (1991) بر مبنای چارچوبی کاملاً نظری، یعنی تئوری یادگیری شناختی بود که در روانشناسی مشهور است. این چارچوب با اصولی مناسب ترکیب شده، تجربیات آزمایشگاهی را کنترل کرده و نتیجه‌های این پژوهش یکی از اولین بینشها را برای شرکتهایی که مبادرت به استفاده از سیستمهای خبره برای حسابرسان تازه‌کار نموده‌اند، ارائه داده است.

چنگچیت و هولساپل (Changchit and Holsapple, 2004)، سیستم خبره مشابهی را ایجاد و مورد ارزیابی قرار دادند که می‌توانست در ارزیابی اثربخشی کنترل داخلی، موثر واقع شود.
ارزیابی تاثیر سیستمهای خبره بر انواع گوناگون حسابرسی

اینینگ و همکاران (1997) به استفاده از کمکهای تصمیم‌گیری در فرایندهای پیچیده تصمیم‌گیری در مورد ارزیابی ریسک تقلب مدیریت پیامد کردند. در این تحقیق، رویکرد تجربه آزمایشگاهی را در مورد 96 حسابرس برای بررسی استفاده از یک سیستم خبره به جهت ارتقای تعامل کاربر اتخاذ شد. در مقایسه با استفاده از چک‌لیستها و الگوی آماری لوجیت که تنها ارزیابی ذکرشده را ارائه می‌دهند، نتیجه‌های این تحقیق نشان می‌دهند که استفاده از سیستمهای خبره، توانایی حسابرسان را برای وجه تمایز قائل شدن هر چه بهتر بین شرایط با سطوح متفاوت ریسک تقلب مدیریت، ارتقا می‌دهد. بنابراین، سیستمهای خبره در این پژوهش در ظاهر از لحاظ فناوری پیشرفته‌ترین سیستم بوده و ابزاری با میزان دقت بالاتر را برای ارزیابی این ریسک ارائه می‌دهد.

پژوهش صورت گرفته توسط اینینگ و همکاران (1997)، یکی از معدود پژوهشهایی است که تاثیر سه مورد از موارد کمک تصمیم‌گیری را (چک‌لیستها، الگوهای آماری و سیستمهای خبره) در قضاوت حسابرسان در مورد ریسک تقلب مدیریتی مورد مقایسه قرار داده است. همچنین، در شرایطی که در این مطالعه گنجانیدن سازوکار ارتباطی سازنده‌ای در استفاده از سیستمهای خبره، دانش را در این حوزه بیش از پیش ارتقا می‌دهد، شاید به‌کارگیری یک تجربه آزمایشگاهی در این تحقیق، نگرشی واقع‌گرایانه را در مورد پدیده تحت بررسی به‌خصوص از آنجایی‌که این پدیده یک اتفاق بود، ارائه نکرده باشد. همچنین، شاید استفاده یک شرکت کاملاً سازمان‌یافته از جایگاه شش موسسه بزرگ، پایه مناسبی را که از طریق آن بتوان نتیجه‌های مطالعه را تعمیم داد، تشکیل ندهد. پاتاک و همکاران (Pathak et al., 2005)، با استفاده از سازوکار مشابه در درون یک صنعت خاص، بیمه، ریاضیات فازی را با فناوری سیستمهای خبره ترکیب کردند تا سیستمی را طراحی کنند که قادر باشد عناصر تقلب را در زمینه پرداخت خسارت بیمه شناسایی کند.

سوینی (Swinney, 1999)، اتکا بر سیستمهای خبره را که برای کمک به حسابرسان در ارزیابی ذخایر وام توسط یکی از شش موسسه بزرگ حسابرسی آن زمان ایجاد شده بودند، مورد بررسی قرار داد. این تحقیق در مطالعات قبلی بنا نهاده شده بود، مطالعاتی که “مشخصاً به نتیجه‌گیری معکوسی رسیده بودند و اتکای بیش از حد و اتکای کمتر را بر سیستمهای خبره مورد تایید قرار می‌دادند.” بنابراین، تحقیق سوینی (1999) به دو مورد از پرسشهای پژوهشی در درون فضای اجتماعی موسسه حسابرسی، ختم شد. این پرسشها از این قرارند:

1. آیا حسابرسان در شکل‌گیری قضاوتشان در مورد ذخایر از دست‌رفته وام، به خروجی سیستمهای خبره بیش از حد اتکا می‌کنند؟
2. آیا حسابرسان بر خروجی منفی سیستم خبره بیشتر از خروجی مثبت آن در شکل‌گیری قضاوتشان در مورد ذخایر وام از دست‌رفته، تاکید دارند؟

سوینی از مباحث تجربی و نظری مربوط درباره زمینه‌های اجتماعی سازمانی و عواملی که می‌توانند منجر به اتکای بیش از حد یا کمتر از حد بر سیستمهای خبره توسط شرکتهای حسابداری شوند، نتیجه‌گیری کرد. از این مباحث، دو فرضیه شکل گرفتند. در فرضیه اول، سوینی سعی کرد تا به بررسی این مورد بپردازد که “ قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی منفی سیستم خبره توسط حسابرسان ارائه شده، با قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی مثبت سیستم خبره توسط حسابرسان ارائه شده، چه شباهتی دارد.” در فرضیه دوم، به بررسی شباهت بسیار زیاد تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی منفی سیستم خبره ارائه شده، تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی مثبت سیستم خبره داده شده و تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسهایی ارائه ‌شده که خروجی هیچ‌گونه سیستم خبره‌ای را در نظر نگرفته‌اند، پرداخته شد.

این تحقیق، از روش پژوهشی تجربه آزمایشگاهی برای جمع‌آوری شواهد تجربی به جهت آزمون فرضیه‌ها در نمونه کوچکی از بررسی موردی استفاده کرد؛ در شرایطی که داده جمع‌آوری‌شده با استفاده از آزمونهای آماری غیرپارامتری مورد تحلیل قرار گرفت. نتیجه‌های به‌دست‌آمده، اتکای بیش از حد بر نتیجه‌های سیستم خبره و تاثیر بیشتر خروجی منفی سیستم خبره را مورد تایید قرار داد.

این تحقیق، دانش کافی را در مورد موارد موجود در این تحقیق از طریق ایجاد تطابق بین مباحث نظری و تجربی و یافته‌های تحقیق، ارائه می‌دهد. اگرچه، همان‌طور که مولف تشخیص داده، حجم نمونه این تحقیق که فقط شامل 29 حسابرس است، به‌نظر برای تحقیقی با این میزان اهمیت محدود به‌نظر می‌آید. همچنین، از آن‌جایی که خروجی واقعی یک سیستم خبره که توسط یکی از شش موسسه حسابرسی مشغول به ‌کار وقت ایجاد شده، برای شرکت‌کنندگان حاضر در این تحقیق (از سه موسسه متفاوت) به‌کار رفته، این احتمال وجود دارد که تعدادی از شرکت‌کنندگان از قبل با سیستمهای خبره به‌کاررفته در این تحقیق آشنا بوده‌اند. این مسئله، احتمال پیش‌داوری را افزایش داده و ممکن است روی نتیجه‌های اثرگذار باشد. با این وجود، این تحقیق توانست روند کاری را با تئوری اجتماعی و فناوری مربوط برای رسیدن به هدف کوچکی که قصد رسیدن به آن را داشت، ترکیب کند. اگرچه، بررسی می‌توانست نسبت به استفاده از روشهای تجربی در جمع‌آوری داده‌های مربوط اتخاذ تصمیم در دنیای واقعی و با استفاده از نرم‌افزار، به واقعیت نزدیکتر باشد.

افزون بر تحقیقهای ذکرشده، تعدادی از مطالعات پیشین به بررسی کاربردهای سیستمهای خبره در سایر حوزه‌های حسابرسی پرداخته و نشان داده‌اند که یک سیستم خبره منطق فازی، چگونه ارزیابی ضرورت و در نظر گرفتن عوامل کیفی مربوط را برای حسابرسان میسر می‌سازد. زبدا و مک ایچام (Zebda and McEacham, 2008)، منطق فازی را به‌عنوان چاره‌سازی احتمالی برای کاستیهای معین منطق احتمالاتی به‌کاررفته در سیستمهای خبره برای رسیدگی به عدم قطعیت، مورد تایید قرار دادند؛ در حالی که مرفی (Murphy, 2008) بر مبنای مواردی از وضعیت شرکتهای امریکایی که از مشکلات مالی رنج می‌بردند، قوانین مربوط به تصمیم‌گیری را ارائه کرد که با سیستمی خبره برای ارزیابی حسابرسان از وضعیت موفقیت‌آمیز یک نهاد، مطابقت داشت. از آنجایی که حسابرسی مالی، در واقع مجموعه‌ای از تصمیمهای متصل به هم است که هر یک نیازمند قضاوت تخصصی می‌باشند، ایجاد یک سیستم خبره حسابرسی مالی با قابلیتهای فناوری موجود، فعالیتی پیچیده و مشکل خواهد بود. بنابراین، موسسه‌ةای حسابرسی و محققان، مجبور به ایجاد سیستمهای خبره برای فعالیتهای گوناگون با دقت تعیین‌شده در حوزه حسابرسی می‌باشند. با این وجود، گری و همکاران (Gray et al., 1991) با در نظر گرفتن پیشرفت تکاملی مداوم، سیستم خبره مرکب فراتر از سطحی را با کمک فناوریهای در حال ظهور مثل سیستم تخته‌سیاه برای تسهیم اطلاعات بین سیستمهای خبره فردی در زمینه فناوری، پیش‌بینی کردند. در بخش بعدی، به بحث پیرامون مطالعات مربوط به شکل دوم هوش مصنوعی (همانطور که در بخش مقدمه مشخص گردید)، یعنی شبکه‌های عصبی می‌پردازیم.

شبکه‌های عصبی

یک شبکه عصبی، شکلی از هوش مصنوعی است که سعی در پیروی از هوش انسان دارد. این شبکه متشکل از مجموعه‌ای از واحدهای به‌هم‌پیوسته (پردازش عناصر) می‌باشد که به‌صورتی مجزا در مقابل مجموعه‌ای از علامتهای ورودی که به سمت آنها ارسال شده‌اند، واکنش نشان می‌دهند. شبکه‌های عصبی در زمینه پیش‌بینی بر اساس پایگاه داده بزرگی مربوط به رویدادها و وقایع گذشته، موثر هستند. از آنجایی که قضاوتهای (اظهار نظر) حسابرس بر اساس شواهد به‌دست‌آمده از سوابق تاریخی حسابداری هستند، نمی‌توان بیش از حد بر کاربردپذیری شبکه‌های عصبی در زمینه ارزیابی روندها و الگوها با رویکردی به سمت ارائه قضاوت حسابرسی، تاکید کرد. در زیر، مروری بر مطالعات صورت‌گرفته در زمینه حسابرسی بر مبنای فناوری اطلاعات ارائه شده که مربوط به شبکه‌های عصبی است.

گرین و چوی (Green & Choi, 1997)، الگو طبقه‌بندی تقلب شبکه‌های عصبی را برای ارزیابی ریسک تقلب مدیریت با استفاده از داده‌های داخلی مالی و از طریق ارزیابی پیش‌بینی‌های روند تحلیلی، ارائه دادند. این الگو به جهت ترغیب حسابرس برای انجام آزمایشی مهم به محض مشاهده دسته‌بندی هر گونه گزارش مالی به شکل فریب‌آمیز، طراحی شد. اگرچه هیچ‌یک از نوشته‌های در دسترس، این الگو پیشنهادی را تایید نکردند. بل و کارسلو (Bell and carcello, 2000) با استفاده از نمونه 77 موردی از شرکت در تقلب و 305 موردی از عدم شرکت در تقلب، الگو رگرسیون استدلالی را ارائه کردند که احتمال گزارش مالی فریب‌آمیز را برای یک مشتری حسابرسی بر مبنای عوامل مشخص ریسک تقلب مثل محیط ضعیف کنترل داخلی، پیشرفت سریع شرکت، سوددهی نسبی نامناسب و دروغگویی مدیریت به حسابرسان یا طفره رفتن آشکار در بین سایرین، پیش‌بینی می‌کرد.

نتیجه‌های این تحقیق نشان می‌دهند که این الگو به‌گونه‌ای چشمگیر از قضاوت حسابرسان در مورد ریسک برای 77 مورد شرکت در تقلب دقیقتر بود؛ در حالیکه اختلاف زیادی در نمونه‌های بدون تقلب دیده نشد. هرچند احتمالاً این الگو با در نظر گرفتن تلفیق عوامل اصلی ریسک موثر می‌باشد، کاربرد آن در سازمانهای بزرگ نسبت به شرکتهای کوچک‌ومتوسط به‌علت پیچیدگیهایش، مناسبتر خواهد بود. لین و همکاران (Lin et al., 2003) به همین نحو، تاثیر یک شبکه عصبی فازی جامع را برای ارزیابی ریسک گزارش مالی فریب‌آمیز به‌صورت جایگزینی برای الگوهای آماری موجود و شبکه‌های عصبی مصنوعی، مورد بررسی قرار دادند. این تحقیق توانست به هدف مورد نظرش دست یابد که این هدف، بررسی اثربخشی فناوری‌های اطلاعات مثل سیستم جامعی از شبکه‌های عصبی و منطق فازی در تشخیص تقلب بود. جدا از اینکه این الگو از الگوهای آماری معمولی یا شبکه‌های عصبی مصنوعی پیچیده‌تر بود، استفاده از این الگو توسط موسسه‌ةای مشغول به کار، به‌صورت مبهم باقیمانده است.

کوه (Koh, 2004)، از طریق تحلیل روابط غیرخطی پیچیده، سودمندی روشهای داده‌کاوی مثل شبکه‌های عصبی، درختهای تصمیم و رگرسیون لجستیک را در پیش‌بینی وضعیت موفقیت‌آمیز یک شرکت، مورد بررسی قرار داد. در این تحقیق، این نتیجه حاصل شد که این روشها می‌توانند حسابرسان را از شرمساری ناشی از ارائه یک رای نامناسب در مورد شرکتهای در معرض فروپاشی، نجات دهند. از بررسیهای قبلی می‌توان پی برد که از میان تحقیقهای پیشینی که به کاربرد شبکه‌های عصبی در حسابرسی مربوط هستند، سه مورد بر طراحی و بررسی الگوهای شبکه‌های عصبی برای قضاوت حسابرسان در مورد ریسک تقلب مدیریت، تاکید دارند. پس می‌توان چنین نتیجه‌گیری کرد که شبکه‌های عصبی می‌توانند در کاهش کنترل و کشف خطرها مفید باشند؛ در حالی‌که توانایی حسابرسان را برای پیش‌بینی و کشف تقلبها در گزارشهای مالی، ارتقا می‌بخشند. پیامد این امر، نقش افزایش‌یافته حسابرسان در نظارت بر سازمان می‌باشد.

شکل 1 نمونه‌ای از یک شبکه عصبی را نشان می‌دهد. در این شبکه لايه ورودى، ارزشهاى ورودى را از محيط خارجی شبكه عصبی دريافت می‌كند. لايه خروجی، ارزشهاى خروجی را به محيط خارجی شبكه عصبی ارائه می‌كند. لايه پنهان، علامتهای ورودى را گرفته و با ارزشهاى موجود در حافظه داخلی خود مرتبط می‌سازد. شبكه‌هاى عصبی از مثالهایی كه توسط محيط به آن ارائه می‌شود، آموزش می‌بينند و ياد می‌گيرند؛ در ظاهر درست مشابه آنچه در مغز انسان رخ می‌دهد، اما در مقياسی متفاوت.

https://startupforum.ir/images/cdn/2018/04/4596.jpg

حوزه‌های پیشنهادی برای تحقیقهای آینده و توسعه نرم‌افزار

بررسیهای پیشین نشان داد که مجموعه نوشته‌های حاضر در زمینه استفاده از هوش مصنوعی در حسابرسی، از سه منظر مورد بررسی قرار گرفته است. برخی از این تحقیقها، روی عملی بودن تعدادی از الگوهای پیشنهادی مبتنی بر هوش مصنوعی در مورد انواع مشخصی از فعالیتهای حسابرسی تاکید داشته‌اند و برخی بر بررسی ساختارهای نظری تاکید داشته‌اند می‌توان آنها را برای درک تاثیر هوش مصنوعی بر حسابرسی مورد استفاده قرار داد؛ در شرایطی که سایر تحقیقها مزایا و معایب نسبی استفاده از این سیستمها را در حسابرسی مورد بررسی قرار داده‌اند. هرچند مجموعه نوشته‌های حاضر، هنوز باید چندین حوزه مهم را تحت پوشش قرار دهند. این حوزه‌ها شامل ارزیابی هزینه‌های مالی و مزایای سیستمهای هوش مصنوعی در حسابرسی به‌صورت خاص در این جو اقتصادی کنونی، پیامد دعاوی قضایی استفاده از این سیستمها در عمل بر مبنای تجربیات واقعی گذشته شرکتهای حسابرسی، پیامد استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی، می‌باشند.

بنابراین، این شکافها برای انجام تحقیقهای آینده در این حوزه مورد توجه قرار گرفته‌اند. تلاشهای بیشتر پژوهشی نیز برای کشف چگونگی تاثیر روند کنونی استفاده حسابرسان از هوش مصنوعی بر آموزش حسابرسان از منظر بررسیهای تخصصی و توسعه مداوم تخصصی مورد نیاز هستند. تاثیر این روند بر استانداردهای حسابرسی با تمرکزی ویژه به شواهد حسابرسی نیز در تحقیقهای آینده نشان داده خواهد شد. سایر حوزه‌های مورد نظر نیز می‌توانند شامل ارزیابی میزان کنونی استفاده حسابرسان داخلی از هوش مصنوعی در طراحی و نظارت بر سیستمهای کنترل داخلی در سیستمهای تجاری کامپیوتری باشند. در نهایت، تحقیقهای آینده می‌توانند به ارزیابی پیامدهای استفاده از هوش مصنوعی در اثربخشی انجمن حسابرسی بپردازند. آیا انجمن حسابرسی می‌تواند قضاوتهای حسابرسان را در زمانی که این قضاوتها تحت پشتیبانی سیستمهای هوش مصنوعی هستند، درک کرده و به چالش بکشد؟

از نظر حوزه‌های پیشنهادی برای تحقیقهای آینده، در حال حاضر پیش‌بینی شده که موسسه‌های حسابرسی، به‌ویژه موسسه‌های بزرگ، همچنان مشغول به سرمایه‌گذاری روی سیستمهای خبره و شبکه‌های عصبی که برای کاهش ریسک حسابرسی‌شان، خاص صنعت و خاص فعالیت حسابرسی باشند. همچنین، شرکتهای بزرگ چندملیتی می‌توانند عملکرد حسابرسی داخلی خود را تا سطح استفاده از این سیستمها برای تحکیم سیستمهای کنترل داخلی خود و کاهش ریسکهای تجاری، ارتقا بدهند.

همچنین، پیش‌بینی شده که سیستمهای هوشمند برای افزایش آموزش و تربیت آینده حسابرسان ایجاد شوند.

نتیجه‌گیری
این مقاله، فرایندهای تکاملی سیستمهای هوش مصنوعی را در حسابرسی از نظر مزایای فراوان این سیستمها و تعدادی از معایب شناسایی‌شده در مجموعه نوشته‌‌های حاضر را ترسیم کرد. همچنین، این مقاله به بحث پیرامون اهمیت استفاده حسابرسان از سیستمهای هوش مصنوعی در رسیدن به قضاوت حسابرس پرداخت. این مقاله به‌گونه‌ای خاص به بررسی تلاشهای پژوهشی در مورد استفاده از سیستمهای خبره و شبکه‌های عصبی در حسابرسی و پیامدهای وابسته به آن پرداخت. مطالعات پیشین به روشی مورد بررسی و تلفیق قرار گرفته که خلاء پژوهشی خاصی را مشخص ساخت. تحقیقهای آینده در این حوزه این خلاء را پر خواهند کرد.

این حوزه‌ها شامل انطباق مزایای اتخاذ این عوامل هوشمند با هزینه‌های آنها، ارزیابی تاثیر هوش مصنوعی بر طراحی و نظارت بر سیستمهای کنترل داخلی و همچنین کارایی انجمن حسابرسی، پیامدهای استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط حسابرسی و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی می‌باشند. همچنین این مقاله پیشنهادهایی برای توسعه نرم‌افزاری در آینده در این زمینه‌ها می‌دهد.




پی نوشت و منابع ...

پی نوشت:

1- Information and Communications Technology (ICT)
2- Artificial Intelligent (AI)
3- Judgement
4- Electronic Data Interchange (EDI)
5- Electronic File Transfer (EFT)
6- Opinion
7- Expert System (ES)
8- Neural Networks (NN)
9- Alvey
10- Alfex
11- Espirit
12- Audit Planning
13- Compliance
14- Substantie Testing
15- Reporting
16- Matrix Model
17- Insolve
منابع:

• البرزی محمود، آشنایی با شبکه عصبی، تهران: دانشگاه صنعتی شریف،‌انتشارات علمی، چاپ دوم، 1396
• Abdolmohammadi M., Decision Support and Expert Systems in Auditing: A Review and Research Directions, Accounting and Business Research, 173, 185 (Spring), 1987
• Abdolmohammadi M. & C. Usoff, A Longitudinal Study of Applicable Decision Aids for Detailed Tasks in a Financial Audit, International Journal of Intelligent Systems in Accounting, Finance and Management, 10, 2001, 139–154
• Arnold V., P.A. Collier, , S.A. Leech, & S.G. Sutton, Impact of Intelligent Decision Aids on Expert and Novice Decision-makers’ Judgements, Accounting and Finance, 44, 2004, 1–26
• Ashton R.H., Pressure and Performance in Accounting Decision Settings: Paradoxical Effects of Incentives, Feedback and Justification, Journal of Accounting Research, 28, 1990, 148–186
• Baldwin-Morgan A.A. & M.F. Stone, A Matrix Model of Expert Systems Impacts, Expert Systems with Applications, 9(4), 1995, 599–608
• Bell T.B. & J.V. Carcello, A Decision Aid for Assessing the Likelihood of Fraudulent Financial Reporting, Auditing: A Journal of Practice and Theory, 19(1), 2000, 169–182
• Brown C.E., Expert Systems in Public Accounting: Current Practice and Future Directions, Expert Systems with Applications, 3(1), 1991, 3–18
• Connell N.A.D., Expert Systems in Accountancy: A Review of Some Recent Applications, Accounting and Business Research, 17(67), 1987, 221–233
• Connell N.A.D., Artificial Intelligence and Accounting, in B.C. Williams & B., 1991
• ChangChit C. & C.W. Holsapple, The Development of Expert System for Managerial Evaluation of Internal Controls, Intelligent Systems in Accounting, Finance and Management, 1212, 2004, 103-120
• Dalal C., Using an Expert System in an Audit: A Case Study of Fraud Detection, IT AUDIT, 2(May 15), 1999
• Dillard J.F., & K. Yuthas, A Responsibility Ethic for Audit Expert Systems, Journal of Business Ethics, 30(4), 2001, 337
• Eining M.M., & P.B. Dorr, The Impact of Expert System Usage on Experiential Learning in an Auditing Setting, Journal of Information Systems, 1991, 1–16
• Eining M.M. D.R. Jones, & J.K. Loebbecke, Reliance on Decision Aids: An Examination of Auditors’ Assessment of Management Fraud, Auditing: A Journal of Practice and Theory, 16(2), 1997, 1–18
• Gray G.L., T.E. McKee, & T.J. Mock, The Future Impact of Expert Systems and Decision Support Systems in Auditing, Advances in Accounting, 9, 1991, 249–273
• Green B.P., & J.H. Choi, Assessing the Risk of Management Fraud Through Neural Network Technology, Auditing: A Journal of Practice and Theory, 16(1), 1997, 14–28
• Koh H.C., Going Concern Prediction Using Data Mining Techniques, Managerial Auditing Journal, 19(3), 2004, 462
• Lin J.W., M.I. Hwang, & J.D. Becker, A Fuzzy Neural Network for Assessing the Risk of Fraudulent Financial Reporting, Managerial Auditing Journal, 18(8), 2003, 657–665
• Manson S., S. McCartney, & M. Sherer, Audit Automation: The Use of Information Technology in the Planning, Controlling and Recording of Audit Work, Edinburgh: ICAS, 1997
• Manson S., S. McCartney, & M. Sherer, Audit Automation as Control within Audit Firms, Accounting, Auditing and Accountability Journal, 14(1), 2001, 109–130
• Murphy C.K., Discovering Auditing Criteria for the Going-concern Disclaimer, International Journal of Computer Applications in Technology, 33(2/3), 2008, 138
• Pathak J., N. Vidyarthi, & S.L. Summers, A Fuzzy-based Algorithm for Auditors to Detect Elements of Fraud in Settled Insurance Claims, Managerial Auditing Journal, 20(6), 2005, 632–644
• Sutton S.G., R. Young & P. McKenzie, An Analysis of Potential Legal Liability Incurred Through Audit Expert Systems, Intelligent Systems in Finance and Management, 4, 1994, 191–204
• Swinney L., Consideration of the Social Context of Auditors’ Reliance on Expert System Output During Evaluation of loan Loss Reserves, International Journal of Intelligent Systems in Accounting, Finance and Management, 8, 1999, 199–213
• Zebda A., & M. McEacham, Accounting Expert Systems and the Treatment of Uncertainty, The Business Review, 11(1), 2008, 1–13








منبع
دوماهنامه حسابرس



https://www.ihoosh.ir/article/71862/...86%D8%AF%D9%87

https://startupforum.ir/images/cdn/2018/04/4915.jpg
اما با همه این موارد ،تعداد اندک و محدودی از شرکت های تولید نرم افزار های مالی و اداری توانسته اند که از ابتدای طراحی و مهندسی نرم افزار در بانک های اطلاعاتی خود و بستر برنامه نویسی و همچنین به تصویر کشیدن مجموعه کلید ها و فرم ها ، از دیدگاه مدیران مالی و حسابداری و با توجه به شناخت کامل و منطقی از نیاز جامعه و کاربران خود از استانداردهای مالی بهره بگیرند .و تنها به این موضوع بسنده شده که یک سری اطلاعات پایه اخذ و یکسری گزارشات ابتدایی در اختیار کاربران قرار گیرد .در صورتی که باید توجه داشت جامعه مورد نظر و کاربران به طور صد درصد حسابدار حرفه ای نمی باشند و سطح اطلاعات و آگاهی هر یک بنا به نوع رشته تحصیلی و فعالیت تجاری محدود شده است .
در این مقوله جایگاه هوشمند سازی سیستم های نرم افزاری از پشت پرده مقتدرانه مدیران کارآمد بیرون خواهد آمد و نکات ظریف و ادراکات مالی در تک تک عملیات ثبت ، طبقه بندی و ارائه گزارشات به مدد تکنولوژی پیشرفته از طریق هوشمند سازی و در اختیار گذاشتن موارد مورد نیاز کاربران از قبیل نظامنامه کدینگ تعریف شده گروه حسابها به همراه ماهیت آنها ، نوع حسابهای موقت و دایمی و حساب های وابسته آنها ، ثبت آرتیکل های حسابداری در فرآیند صدور اسناد حسابداری ، محاسبه بهای تمام شده کالای فروش رفته و تولید شده بطور اتوماتیک و تهیه نسبت های مالی ، این نوع نسخه ها در جایگاه ویژه ای قرار گرفته اند . و همواره تلاش میشود هوش مصنوعی به کار گرفته شده در صنایع مختلف مورد مطالعه و به صورت روزانه بازنگری و بروزرسانی شود .
در صورتی که مشاهده میشود خیلی از نرم افزار های حسابداری موجود در بازار به این نکته توجه نکرده اند که همه کاربران به خودی خود حسابدار نیستند و کاربران و مدیران واحدهای تجاری آنقدر در مشغله حرفه ای خود غرق شده اند که دیگر توان یادگیری و حرفه مالی به طور کامل را نداشته و شاهد این موضوع می باشیم که با توجه به در اختیار داشتن نرم افزار حسابداری هنوز یک سری از گزارشات مالی پایه همچون سود و زیان دقیق ، رفع مغایرت اختلاف های بانکی ، استفاده از نمودار های مختلف و امکان سنجی میزان بهای تمام شده تولید در چرخه قیمت گذاری فروش در بازار رقابت خود در متن نسخه گیر کرده اند و نه راه پس و نه راه پیش برای خود باقی گذاشته اند .
معذالک توصیه میشود بدلیل عدم وجود زمان و منابع مالی کافی در انتخاب و بکارگیری نرم افزار حسابداری خود دقت کامل معطوف داشته و همواره از مشاورین مالی در این زمینه به کار گیرند .
چگونگی بکارگیری هوش مصنوعی در نرم افزار های مالی و حسابداری - نرم افزار حسابداری تارا

کاربرد سیستم های هوشمند در سیستم های اطلاعاتی حسابداری

امروزه توسعه و رشدسریع فناوری اطلاعات تمام جنبه های زندگی بشر را تحت تاثیر قرارداده و شاید بتوان گفت انقلابی بزرگ در زندگی بشر ایجاد شده است.
فناوری هوش مصنوعی به عنوان دستاوردی نو از فناوری بسیاری از علوم را تحت تاثیر خود قرارداده است. علم حسابداری نیز نه تنها از این امر مستثنی نیست بلکه یکی از مستعدترین قلمروها برای کاربرد رهاورد های سیستم های مبتنی بر هوش مصنوعی است. در ادامه این این سیستم های هوشمند را معرفی کرده و کاربرد آن ها را در حوزه حسابداری بیان می کنیم: 1- سیستم های خبره: زمانی که مدیر با مسئله ای روبرو می شود ، عموما برای دریافت توصیه ها به افراد خبره مراجعه می کند .خبرگان کسانی هستند که دانش و تجارب فراوانی در حیطه آن مسئله دارند . چون دسترسی به افراد خبره همیشه امکان پذیر نیست و گاهی بسیار گران است . سیستم های خبره برای شبیه سازی فرآیند های ذهنی افراد خبره طراحی می شوند . مفهوم سیستم خبره بر این فرض استوار است که می توان دانش افراد خبره را وارد سیستم رایانه ای نمود و در واقع سیستم خبره ، سیستمی است که می تواند از طریق فرآیند های رایانه ای که مشابه استدلال های منطقی است ، تصمیم هایی را پیشنهاد می کنند . سیستم خبره در زمینه هایی استفاده می شود که عبارتند از: داروسازی، مهندسی، علوم فیزیکی و کسب و کار و..... 2- شبکه های عصبی مصنوعی: مدل هایی از سیستم عصبی انسان هستند که می توانند روش ارتباط و تعامل بین نرون ها ( سلول های عصبی ) را در پردازش داده ها و یادگیری از تجارب قبلی ، شبیه سازی کنند . در واقع این شبکه ها به دنبال تقلید عملکرد مغز انسان هستند ، نتیجه چنین رویکردی پردازش و بازیابی موازی و همزمان حجم زیادی از اطلاعات و قابلیت تشخیص الگوها و رند ها بر اساس تجارب گذشته است . یکی از مهمترین ویژگی های شبکه های عصبی مصنوعی که عملکرد آن را به انسان نزدیک تر مس کند ، قدرت یادگیری آن است. قابلیت یادگیری بر اساس تجربه ، مهمترین تفاوت سیستم های خبره و شبکه های مصنوعی است. سیستم های خبره برنامه نویسی می شوند تا داده ها و دانش موجود در زمینه خاص را استدلال می کنند ولی سیستم عصبی مصنوعی با توجه به قابلیت یادگیری اش ، گاهی به عنوان جایگزین سیستم خبره استفاده می شود . از شبکه های مصنوعی در موارد زیر استفاده می شود: . پیش بینی فروش و بازار هدف . تحلیل گزینه های مختلف سرمایه گذاری . شناسایی الگوهای بازار سهام . مقایسه امضا با امضای جعلی . شناسایی کلاهبرداری از طریق تحلیل الگوهای خرید 3- منطق فازی: بیانگر یک کاربرد کوچک ولی بسیار مهم هوش مصنوعی در کسب و کار می باشد.منطق فازی از روشی برای استدلال استفاده می کنند که شبیه استدلال های انسان است . منطق فازی تکنولوژی جدیدی است که شیوه های مرسوم برای طراحی و مدل سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتا پیچیده است را با استفاده از مقادیر و شرایط زبانی و با هدف ساده سازی فرآیند طراحی سیستم ، تاحدودی تکمیل می کند . برای مثال اگر بخواهیم با استفاده از سیستمی که دارای منطق فازی است شرکتی را با ریسک قابل قبول انتخاب کنیم آنگاه سیستم از قوانین زیر استفاده می کند: اگر نسبت بدهی بسیار بالا باشد .............. آنگاه ریسک به شکل مثبتی افزایش می یابد اگر درآمد در حال افزایش باشد ............. آنگاه ریسک مقداری کاهش می یابد اگر ذخایر نقدی کم باشد .............. آنگاه ریسک افزایش می یابد از جمله کاربرد های منطق فازی تصمیم گیری در شرایطی است که مقادیر و شرایط زمان، داده های غیر قطعی ما هستند و ما قصد داریم با استفاده از این داده های غیر قطعی ، پاسخ های قطعی را به دست آوریم. از منطق فازی می توان در دو حوزه تصمیم گیری و حسابرسی استفاده نمود .در مواردی استفاده می شود که داده های غیر قطعی داریم و می خواهیم پاسخ های قطعی را به دست آوریم . 3- الگوریتم های ژنتیکی: یک کاربرد رو به رشد هوش مصنوعی است . مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس شده است . در موقعیت هایی مفید هستند که هزاران راه حل موجود است و باید تمام آن ها ارزیابی شوند تا راه حل بهینه ای ایجاد گردد . نرم افزار الگوریتم ژنتیک مجموعه ای از قوانین ریاضی پردارزش را به کار می گیردتا چگونگی شکل گیری اجزا یا مراحل فرآیند را مشخص کند. از الگوریتم زنتیکی می توان در مباحث مالی می توان برای تجزیه و تحلیل بازار سرمایه و تشکیل پرتفوی بهینه استفاده کرد . 4- عامل های هوشمند: قادر به شناسایی الگوها ، تصمیم گیری بر اساس قوانین فکر کردن خود هستند . قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش ، تعریف می شود . یک جانشین نرم افزاری برای کاربر نهایی یا فرآیندی است که یک نیاز یا فعالیت را تکمیل می کند . یکی از راه حل های بکارگیری عامل های نرم افزاری با قابلیت یادگیری تصمیم گیری هوشمندانه است . این نرم افزار های هوشمند قادر هستند در خرید و فروش ، ارائه پیشنهاد در مناقصه ها و حراج ها ، مذاکره و عقد قرارداد به کار گرفته شود. منابع: کتاب سیستم های اطلاعاتی حسابداری – دکتر مهدی بیات مقاله سیستم های هوشمند و حسابداری- دکتر محمد عرب مازار یزدی
کاربرد سیستم های هوشمند در سیستم های اطلاعاتی حسابداری

مقدمه ای بر هوش مصنوعی و کاربرد آن در حسابداری

هوش مصنوعی چیست؟ فکر کنم جواب دادن به این سوال یه مقدار سخت باشه. چون در حال حاضر ما حتی تعریف دقیقی برای هوش نداریم! واژه ی هوش مصنوعی (Artificial Intelligence) اولین بار توسط شخصی به نام John McCarthy استفاده شد با این تعریف: "علم و مهندسی ساخت ماشین های هوشمند". اینم یه تعریف دیگه از هوش مصنوعی که تو خیلی از منابع بکار رفته: " هوش مصنوعی عبارت است از مطالعه ی این که چگونه کامپیوترها را میی توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند " تاریخ هوش مصنوعی میشه گفت مبحث هوش مصنوعی و پیشرفتش از سال 1950 شروع شد! توی این سال شخصی بنام آلن تورینگ (Alen Turing) تستی بنام تورینگ تست رو معرفی کرد و گفت که هر ماشینی که بتونه از این تست سربلند بیرون بیاد رو میشه یه ماشین هوشمند شمرد. تا الان هیچ ماشینی نتونسته این تست رو با موفقیت پشت سر بگذاره، که خیلی هم عجیب نیست چون برای یه ماشین تست خیلی سختیه! جالب اینه که تقریبا هر انسان سالمی می تونه به راحتی تو این تست قبول بشه حتی یه بچه ی 5-6 ساله! خوب می ریم سراغ اینکه این تست موضوعش چی بوده. توی این تست جناب آقای تورینگ گفته بودند که بهترین معیار برای اینکه به یه ماشین بشه گفت هوشمند، اینه که از دو صفحه ی تایپ استفاده کنیم (یا در حال حاضر کیبورد کامپیوتر) و پشت یکیشون یک آدم بشینه و پشت اون یکی ماشین مد نظر! اگر ماشین بتونه طرفش رو متقاعد کنه (یا به عبارتی گول بزنه) که داره با یه آدم مکاتبه می کنه نه یه ماشین، تست رو با موفقیت رد کرده! همونطور که میبینید پشت سر گذاشتنش این تست برای یه ماشین خیلی سخته! نکته ی جالب دیگه اینه که این تست حالت فیزیکی دو طرف رو کنار گذاشته و فقط طرز فکر دو طرف مهمه! هر ساله یه مسابقه ی جهانی در این رابطه وجود داره که اولا به ماشینی که شبیه ترین رفتار رو به انسان داشته باشه ، ثانیا به ماشینی که بتونه تست تورینگ رو با موفقیت پشت سر بگذاره جایزه میدن! که البته جایزه ی دوم رو هنوز هیچ کی نتونسته بگیره! بعد از تستی که جناب آقای تورینگ (روحشون شاد) معرفی کردند هوش مصنوعی خیلی پیشرفتای دیگری داشت. مثلا اولین برنامه ی هوش مصنوعی توی دانشگاه منچستر نوشته شد که شطرنج بازی میکرد! تو سال 1958 آقای John McCarthy زبان برنامه نویسی Lisp رو اختراع کردند! که احتمال داره خیلی از شما اسمشو شنیده باشید! زبان برنامه نویسی Prolog هم تو همین دوره در سال 1972 بوجود اومد که الان هم یه زبون قوی در زمینه ی منطق حساب میشه! موارد استفاده ی هوش مصنوعی این روزا واقعا نمی شه رشته ای رو نام برد که نشه توش از هوش مصنوعی استفاده کرد! از پیش بینی وضعیت آب و هوا گرفته تا شناختن صورت آدم یا فهمیدن دست خط انسان ها! دیگه چه رشته هایی بگم که جالب باشه... آهان تو اقتصاد، رباتیک، تشخیص صدا، انواع نرم افزارای کامپیوتر و ... حتی تو بازی های کامپیوتری! آره همون جنرالز، کانتر یا وار کرفتی که بازی می کنین! تو همشون مقدار زیادی هوش مصنوعی بکار رفته! یا مثلا GPS! نگاه نکنید الان هر کسی می تونه یه GPS تهیه کنه! این سیستم در ابتدا توی ارتش آمریکای جهان خوار استفاده می شده برای پیدا کردن موقعیت و مختصات جغرافیایی سرباز ها! " چند مبحث از هوش مصنوعی هوش مصنوعی خیییلییییی وسیعه! خیلی بیشتر از اونی که فکر می کنید! از اینجا به بعد می رسیم به جاهایی که قولشو داده بودم که جالب باشن. من نمیتونم همه ی مباحث رو درباره ی هوش مصنوعی بگم! چون اولا خیلی بی سواد تر از اونیم که بخوام در باره ی اونا حرف بزنم دوما انقدر زیادن که اگه فرض کنیم یه آدم که خیییلییی در این رابطه می دونه، صبح تا شب هم دربارش حرف بزنه براتون نه سن شما قد می ده نه سن اون! البته انقدر جذاب هست که هم اون تا آخر عمرش حرف بزنه هم شما گوش بدین! من تو این نوشته فقط درباره سه تا از مباحثی که به نظرم خیلی جالب هستن صحبت می کنم! بازم می گم من زیاد با سواد نیستم، پس لطفا اگه جایی ایرادی دیدین یا بنظرتون اومد حرفی که زدم غلطه لطفا بگید! البته سعی کردم بدون منبع معتبر حرفی نزنم! سه مبحثی که در ادامه ی این نوشته میگم این ها هستند: شبکه ی عصبی (Neural Network)الگوریتم ژنتیک (Genetic Algorithm)منطق فازی (Fuzzy Logic) شبکه ی عصبی شبکه ی عصبی یا Neural Network یکی از مباحثیه که تو هوش مصنوعی این روزا خیلی خوب داره پیشرفت میکنه و خیلیم روش کار میشه! حالا اصلا چی هست؟ با چند تا سوال شروع می کنم. تا حالا به این فکر کردی که مثلا تو یه آدمیو 10 سال قبل دیدی، بعد اتفاقا امروز دوباره اونو بعد از 10 سال می بینی! همه چی کلی تغییر کرده، صورتش، مقدار موش، صداش، قدش و خیلی چیزای دیگه. اما تو باز میشناسیش! خیلی جالبه ها! آخه از کجا؟؟؟ چطوری؟؟؟ مغز آدم خیلی انعطاف پذیری داره توی تغییرات یا خطا ها، همین مغز آدم رو خیلی جالب و پیچیده می کنه! شما نوشتن و خوندن رو یاد گرفتین! تا حالا به این فکر کردید که دست خط هر کسی با اون یکی فرق داره اما شما همه ی اونا رو می تونید بخونید؟ این دوباره منعطف بودن مغز آدم رو می رسونه! یا یه نکته ی دیگه، شما هر چقدر بیشتر تمرین کنید دست خطتون بهتر میشه! اینم نشون میده مغز آدم خودشو در طی تمرین به یه معیاری که به نظرش بهتره نزدیک تر می کنه! اما چطوری؟ مغز آدم چجوری کار میکنه؟ تا حالا از خودتون پرسیدید چجوری یه چیز جدید یاد می گیرید یا چطوری فکر می کنید؟ هر آدمی باید اینو بدونه بنظر من! لا اقل باید یکم خودمونو بشناسیم. مغز آدم از یه سری سلول عصبی (Neuron) تشکیل شده که هر کدوم سیگنال هایی برای هم میفرستند! جالبه بدونید این سلول های عصبی کاری که می کنن خیلییی سادست مثلا مثل حمع دو تا عدده اما چیزی که باعث میشه بتونن این کارای پیچیدرو انجام بدن اینه که تعداد این سلول ها خیلییی زیاده! مغز آدم حدود 10 به توان 11 تا از این سلول ها داره! تصور این عدد خیلی آسون نیست! هر نورون تعدادی axom داره که مثل خروجی عمل می کنن و تعداد خیلی زیادی هم dendrite که به عنوان ورودی عمل می کنن. نورون ها یه مقدار مشخصی قدرت سیگنال نیاز دارن تا فعال شن، وقتی فعال شدن یه سیگنال الکتریکی برای سایر نورون ها میفرستن! هر چقدر نورون ها بیشتر استفاده بشن ارتباط بینشون (axonها و dendriteها) قوی تر میشه. حالا ما همین سیستم رو سعی می کنیم کوچیکترش رو توی کامپیوتر شبیه سازی کنیم. کامپیوتر هایی که الان به اونا دسترسی داریم حتی قدرت پردازش 20 بیلیون نورون رو هم ندارن، ولی با تعداد کمی نورون هم می شه پاسخ های مناسبی از شبکه ی عصبی گرفت. خوب حالا تو کامپیوتر چطوری نورون ها رو سازمان می دیم؟ نورون ها همونطوری که تو عکس می بینین توی لایه های مختلف قرار می گیرن، لایه ی اول رو لایه ی ورودی (Input Layer) می گن که ورودی ها رو میگیره و بر حسب قدرت ارتباطش با هر نورون توی لایه ی بعدی سیگنال ورودی رو به لایه ی بعد میفرسته! از این به بعد به قدرت ارتباط هر نورون با نورون دیگه وزن (Weight) اون نورون می گیم. مقدار هر نورون توی هر لایه به وزن و مقدار نورون های لایه ی قبلش بستگی داره. در نهایت ما یه لایه ی خروجی داریم که توی این شکل دو تا نورون توشه! لایه های میانی تعدادشون می تونه هر اندازه ای باشه، و تعداد نورون هاشم مثل بقیه ی لایه ها می تونه هر چقدر که بخوایم باشه. بعدا اشاره می کنیم که چطوری انتخاب کنیم تعداد لایه ها و نورون های هر لایه رو. حالا اینو ما درست کردیم، به چه دردی می خوره؟ یه شبکه ی عصبی مثل یه تابع عمل می کنه که به تعداد نورون های ورودی، ورودی می گیره و به تعداد نورون های خروجی هم خروجی میده! مثلا این شبکه عصبی که تو شکل می بینید به این صورته: 1. f(x1, x2, x3, x4, x5) = y1 , y2 حالا این تابع چه تابعیه؟ اینجاس که قدرت شبکه ی عصبی معلوم میشه! ما میایم و به این تابع 100 تا مثال که جوابشو می دونیم میگیم و هر بار عملیات بازپخشانی (Back propagating) رو انجام میدیم! بازپخشانی یه عملیاتیه که طی اون وزن نورون ها رو طوری تغییر میدیم که جواب های شبکه به جواب هایی که انتظار داشتیم نزدیک تر بشن! یعنی ما در اصل یه تابع می سازیم که خودمون نمیدونیم اون تابع چی هست و فقط چند تا مثال از اون رو داریم! بگذارید یه مثال بزنم. مثلا شما چطوری جمع کردن رو یاد گرفتین؟ بهتون گفتن 2+2 میشه 4، 2+3 میشه 5 و ... انقدر مثال دیدید تا فهمیدید آهان پس جمع یعنی این! دقیقا میتونیم همین رو به کامپیوتر یاد بدیم! یعنی یه شبکه عصبی با دو نورون ورودی طراحی می کنیم و یه لایه ی میانی با 3 تا نورون و در نهایت یه لایه ی خروجی با یه نورون (چون تابع جمع دو تا ورودی داره و یک خروجی) بعد برای کامپیوتر چند تا جواب معلوم رو میگیم! مثلا میگیم 2 و 2 باید بده 4، 2 و 3 باید بده 5 و براش 1000 تا مثال میزنیم! در نهایت ازش میپرسیم حالا بگو 100 و 23 چی میشه؟ (اعدادی که تا بحال برای شبکه عصبیمون مثال نزدیم). و جواب میگیریم مثلا 123.0223! تعجب نکنید شبکه عصبی همیشه قرار نیست جواب قطعی بده، در نهایت می تونیم به یه روشی اونو به جواب قطعی تبدیل کنیم، مثلا توی این مثال روند کردن جواب میده! تعداد نورون های لایه های میانی می تونه هر چیزی باشه به جای 3، اما باید توجه داشته باشین هر نورونی که اضافه می کنیم از یه طرف گپ خطا رو کمتر می کنی اما از طرف دیگه زمان بیشتری برای پردازش می گیره و چون تعداد نورون ها زیاد شده تعداد خطا های کوچک هم زیاد تر می شن و یه خطای بزرگ رو ایجاد می کنن! پس باید با روش های مختلف بهترین حالت رو انتخاب کنیم. توی این مثال با آزمایش و خطا به این نتیجه رسیدیم که 3 تا بهترین نتیجرو به ما میده! " به اون پروسه ای که طی اون مثال میزنیم و عملیات بازپخشانی رو انجام میدیم پروسه ی تعلیم یا Training می گن! پس بطور خلاصه ما اول یه شبکه ی عصبی طراحی می کنیم که در ابتدا می تونه هر نورونش وزن تصادفی داشته باشه، بعد شبکه ی عصبیمونو تعلیم میدیم با ورودی هایی که جوابشو داریم و بعد از تعلیم دادن به اون ورودی میدیم و ازش جواب می خوایم! مثلا توی مسابقات شبیه سازی فوتبال خیلی وقت ها تیم ها بازی های دوستانه با هم میگذارن! هدف چیه؟ اینه که Agent ها شبکه ی عصبیشون تعلیم ببینه! جالب نیس؟ این یعنی کامپیوتر میتونه یاد بگیره و طی یادگیریاش تصمیم بگیره! بدون اینکه مغز داشته باشه.! کاربرد شبکه ی عصبی پیش بینی روند قیمت سهام: پیش بینی قیمت یا بازده سهام کار ساد ه ای نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی )فقط داده های تاریخی مربوط به حرکت قیمت و حجم معاملات سهام را برای پیش بینی حرکت آتی قیمت مطالعه می کند( در نظر گرفت. بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبکه های عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاسخهای بهتری از روش های آماری به دست می دهند. حسابرسی: کاربرد ANN در حسابرسی می تواند به فرایند بررسی تحلیلی ، تصمیمات تداوم فعالیت ( و موارد دیگر کمک می کند. پیش بینی میزان اعتبار: سیستم عصبی مصنوعی رامی توان به گونه ای آموزش داد که اطلاعات ورودی آن داده های مربوط به مشتریان و داده های خروجی مطلوب آن تصمیمات واقعی تحلیلگران اعتباری باشد. هدف سیستم تقلید از تصمیم گیرنده ی انسانی در اعطا یا رد اعتبار و تعیین سقف های اعتباری است ، مزیت ANN بر دیگر مدل های پیش بینی خطی این است که می تواند مجموعه داد ههای مالی وسیع تری را به کار برد و نیاز به فرض هایی مثل خطی و نرمال بودن را الزام نمی کند. در تحقیقیاتی که انجام شده است مؤثر بودن مد لهای غیرخطی را در مقایسه با مد لهای خطی در پیش بینی توانایی پرداخت بدهی های مالی توضیح داده است. برآورد بهای تما م شده: در هنگام برآورد بهای تمام شده عوامل زیادی از جمله تغییر مداوم ماهیت تکنولوژی، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و ... باید در نظر گرفته شود. بنابراین با توجه به این که اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه ی عصبی می تواند گزینه ی مناسبی برای برآورد بهای تمام شده باشد . الگوریتم ژنتیک الگوریتم ژنتیک یا Genetic Algorithm (GA) در واقع شبیه سازی بقای انسان هست! تا حالا پیش خودتون فکر کردین این همه سال گذشته چطوری انسان ها از بین نرفتن و نسلشون پا برجاس؟ فکر می کنید رمز موفقیتشون چیه؟ انسان ها بقا دارن چون با یه قانون خاصی پیش میرن که واضحه که موفق بوده! حالا همین قانون رو توی کامپیوتر میشه شبیه سازی کرد! اما چجوری؟ فکر کنید میخوایم جواب این تابع رو بدست بیاریم: 1. X^2 + e^X + 3*sin(X) + int(-X^X) / X = 12 بنظر خیلی پیچیده میاد! شاید با روش های تحلیلی حل نشه و نیاز به محاسبات عددی باشه! یکی از راه ها الگوریتم ژنتیک هست که بعضی اوقات به شکل باور نکردنی سریع به جواب میرسه. خوب پس من با یه مقدمه ازش شروع می کنم: اولین مرحله اینه که ما یک سری کرومزوم به عنوان جمعیت اولیه بصورت تصادف انتخاب می کنیم. هر کرومزوم یه عدد هست در مبنای دو. مثلا این کرومزوم هارو به عنوان جمعیت اولیه در نظر می گیریم: 1. 00001011 2. 00100010 3. 01000000 4. 11100001 5. 01101100 6. 00000111 7. 11001010 8. 11110000 9. 00010101 10. 10000000 11. 11100100 بعد از اینکه جمعیت اولیه معلوم شد این کرومزوم ها توی تابع Fitness امتحان میشن و بر حسب اینکه به جواب مورد نظر نزدیکن یا نه یه عدد بین صفر تا یک بهشون اختصاص داده میشه که صفر یعنی اصلا بدرد نمی خوره و یک یعنی عالیه! بر حسب سلامتی کرومزوم ها چند تا از اون ها به عنوان والدین نسل بعدی انتخاب میشن! مرحله ی بعدی مرحله ی Breed هست که طبق فرایند Crossover کرومزوم ها با هم ازدواج می کنن و بچه دار میشن! خوب حالا فرآیند Crossover چطور انجام میشه؟ از کرومزوم های برگزیده دوتا دوتا انتخاب میشن و فرایند Crossover روی هر زوج بصورت زیر انجام میشه: 1. First pair: 2. 00001|011 3. 00100|010 4. 5. After crossover: 6. 00001010 7. 00100011 در بالا فرآیند Crossover رو برای زوج اول می بینید! همونطور که مشخصه اول هر کزومزوم از بیت 5ام به دو قسمت تقسیم شدن و 5 بیت اول کرومزوم اول با 3 بیت دوم کرومزوم دوم ترکیب شده و برعکس. به این ترتیب دو فرزند جدید بوجود اومد. همین کار برای بقیه ی کرومزوم ها هم انجام میشه، ممکنه یک کرومزوم دو یا چند بار در فرآیند Crossover بکار برده شه، احتمال شرکت کرومزوم هایی که سلامت بهتری دارند توی فرآیند Crossover بیشتره! بعد از فرآیند Crossover یک مرحله داریم که احتمال وقوعش خیلی کم هست به نام جهش یا Mutation. توی این فرآیند یک بیت تصادفی از یه کرومزوم تصادفی رو عوض می کنند. مثلا اگر بیت چهارم یک کرومزوم انتخاب بشه در صورتی که صفر باشه اونو یک می کنند یا بلعکس. 1. First chromosome: 2. 00001011 3. 4. After mutation: 5. 00011011 این فرایند تو واقعیت هم وجود داره مثلا در یک آدم جهشی به وجود میاد و نابغه میشه یا در یه آدم دیگه جهش بوجود میاد و ناقص میشه! در الگوریتم ژنتیک هم همینطوره، یک جهش ممکنه کاملا مفید یا کاملا مضر باشه. بعد از این مرحله دوباره کرومزوم های جدید به جمعیت اولیه برای نسل بعد بر می گردند و این فرآیند ها تکرار میشه تا با یک تلورانسی به جوابی که می خوایم نزدیک شیم! این روش در مقایسه با بقیه ی روش های آزمایش و خطا خیلی پیشرفته تره و خیلی وقت ها بسیار سریعتر به نتیجه ی مطلوب میرسه! کاربرد الگوریتم ژنتیک پیش بینی ورشکستگی: ورشکستگی یک مشکل جهانی بسیار با اهمیت با هزینه های اجتماعی بالا است. بنابراین پیش بینی آن از اهمیت زیادی برخوردار است. برای حل مشکل ورشکستگی، محققان یک مجموعه از قوانین یا شرایط را با استفاده از GA استخراج کرده اند. بر مبنای این شرایط، مدل پیش بینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه. برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پیش بینی ورشکستگی بااهمیت تشخیص داده شده اند به حداقل رساند. برای مثال لنسبرگ در پژوهشی که انجام داده است برای 28 متغیر بالقوه ی ورشکستگی که در تحقیقات پیشین بااهمیت تشخیص داده شده اند، از برنامه نویسی ژنتیک استفاده کرده است. در نتیجه شش متغیر مهم تشخیص داده شد. منطق فازی منطق فازی یا Fuzzy Logic در سال 1965 توسط دکتر لطفی زاده معرفی شد. منطق فازی در واقع میگه که یه گزاره لزومی نداری یا درست باشه یا غلط (صفر باشه یا یک) ممکنه مثلا یه گزاره 0.7 درست باشه! درکش یه مقدار در ابتدا سخته! بگذارید یه مثال بزنم، شما از دوستتون می پرسید بنظرت حسین بلنده یا نه؟ دوستتون جواب میده ایییی، بلند نیست اما کوتاه هم نمیشه بهش گفت! اما در منطق باینری (یا منطقی که اکثر ما باهاش تو کامپیوتر آشنا هستیم) هیچ وقت برای یه گزاره همچین جوابی نمیده. توی منطق باینری ما میگیم اگه قد مساوی یا بلند تر از 175 بود بگو بلند اگه کوتاه تر بود بگو کوتاه! اما آدم اینطوری نیست منطقش مثل مثال قبلی که زدم. حالا این سوال پیش میاد که ما در حال حاضر از همین منطق باینری جواب های خیلی خوبی میگیریم، فازی به چه دردی میخوره؟ برای جواب به این سوال یه مثال دیگه میزنم! مثلا یه شرکت می خواد یه کارخونه بزنه در فاصله ی ماکزیمم 200 کیلومتری تهران، که به تولید کننده ی یه مدل مواد اولیه نزدیک تر از 10 کیلومتر باشه و قیمت زمین هم اونجا هر چی کمتر باشه بهتر.اول یه بار با منطق باینری میریم پیش، اولین نمونه فاصلش با تهران 190 هست و با مواد اولیه هم 9 کیلومتر فاصله داره و قیمت زمین هم اونجا 2000 واحد هست، چندین تا نمونه دیگه هم برسی میشن که دو شرط اول رو ندارن، در آخر هم یه نمونه پیدا میشه که فاصلش تا تهران 201 کیلومتر هست و فاصلش با مواد اولیه 3 کیلومتره و قیمتش هم 1000 واحده! طبق منطق باینری این نمونه رد میشه چون فاصلش 201 هست و بیشتر از 200! اما حالا فرض کنید خود شما دارین تصمییم میگیرین، می یاین می بینید دو شرط آخر این مورد خیلی بهتر از اولین نمونس و تنها مشکل شرط اوله که 1 کیلومتر بیشتر از اون چیزیه که میخواین، با خودتون میگید خوب 1 کیلومتر در مقابل اون شرایط خوب که چیزی نیس و این مورد آخر رو انتخاب می کنید! منطق فازی دقیقا همینو میگه! یعنی مثل منطق باینری که کاملا سخت گیرانه شرایط رو چک میکنه عمل نمی کنه بلکه مثل مغز آدم انعطاف پذیره. این روزا تو خیلی چیزها از منطق فازی استفاده میشه، مثلا چند تاشون که شاید جالب باشن اینان: ترمز های ABS و سیستم کروز.دوربین هاماشین ظرف شوییآسانسور هاماشین لباس شوییبازی های رایانه ایشناخت الگو هاسیستم های تهویه فکر کنم تقریبا فایده ی منطق فازی جا افتاده باشه. برای شروع استفاده از منطق فازی باید یه سری مفاهیم اولیه رو یاد بگیریم. ببینید منطق فازی در واقع یه راه ساده برای رسیدن به یه نتیجه ی قطعی هستش بر اساس ورودی های ناقص، خطادار یا مبهم! از یه سری قانون خیلی ساده هم پیروی می کنه: 1. IF x AND y THEN z 2. IF a OR b THEN c همونطور که می دونید if در زبان برنامه نویسی چیز جدیدی نیست! اما با یه مثال ساده شاید بشه فرقش رو نشون داد. در نظر بگیرید دارید یه سیستم تهویه طراحی می کنید، توی سیستم های فازی بجای استفاده از شرط هایی مثل temprature>60C یا 30CtempratureC از اصطلاحات زیر استفاده می کنیم: 1. IF temperature IS very cold THEN stop fan 2. IF temperature IS cold THEN turn down fan 3. IF temperature IS normal THEN maintain level 4. IF temperature IS hot THEN speed up fan دقیقا مثل وقتی که شما توی ماشین نشستین، می بینید هوا خیلی گرمه بدون اینکه دمای دقیق توی ماشین رو بدونید کولر ماشین رو روشن می کنید و روی دمای کم میگذارید! اگر دقت کنید هیچ ELSEای وجود نداره، چون دما می تونه هم سرد باشه هم متوسط با درجه های مختلف! اپراتور های AND، OR و NOT که باهاشون توی منطق باینری آشنا هستیم توی منطق فازی هم وجود دارن. قبل از تعریف این عملگر ها باید بدونیم مجموعه های فازی یا Fuzzy sets به چه معنی هستند. همونطور که گفتیم توی منطق فازی درجه ی درستی لزوما نباید 0 یا 1 باشه و یه گزاره می تونه مثلا 0.3 درست باشه. بعد گفتیم که تو منطق فازی می تونیم از هوای گرم یا قد بلند صحبت کنیم، اما باید اول اونارو برای سیستم فازیمون تعریف کنیم! هر کدوم از این دسته ها یه مجموعه ی فازی رو تشکیل میدن. در واقع یه مجموعه ی فازی یه جفت (A, m) هست که A یه مجموعه هست و m یه تابع با دامنه ی A و برد [0,1]. به ازای هر x عضو A، m(x) درجه ی عضویت یا درستی x رو نشون میده! می دونم یه کلمه از چند تا جمله ی قبل نفهمیدین الان بصورت نمودار میبینیدشون و می فهمید که چیز خیلی پیچیده ای نیست! خوب حالا که تعریف فازی ست هارو فهمیدیم میریم که اونارو توی نمودار ببینیم و عملگر هارو هم از روی شکل و با توجه به تعریفشون بررسی کنیم: به عنوان مثال این شکل مجموعه ی فازی جوان رو نشون میده، شما وقتی از دوستتون می پرسین بنظرت علی جوونه؟ دوستتون اگه علی 17 سالش باشه میگه آره، اگه 25 سالش باشه میگه اییی، آره هنوز میشه بهش گفت جوونه، اگه 28 سالش باشه میگه خیلی جوون نیس و اگه 50 سالش باشه میگه نه! این مجموعه ی فازی هم در واقع همین رو میگه! همونطور که میبینید قبل از 20 سال m(B) یک هست، یعنی 0 تا 20 کاملا عضو مجموعه ی جوان هست، هر چی که میریم جلوتر عضویت توی مجموعه ی جوانی کمتر شده، توی 25 سالگی درجه ی عضویت یا درستی 0.5 هست و توی 28 سالگی 0.2 و بعد از 30 سالگی 0 که یعنی از این سن به بعد اصلا جوان نیست! بنظرم الان یکم بهتر مطلب جا افتاده باشه! حالا فرض کنید دو تا مجموعه ی فازی زیر رو داشته باشیم: مجموعه ی اول رو در ابتدا در نظر میگیریم. تعریف NOT توی شکل بصورت زیره: یا به عبارتی: 1. NOT A = (1 - m(A)) خوب حالا دو مجموعرو که بالاتر نمودارشون هست رو در نظر بگیرین، تعریف AND روی اون دو مجموعه بصورت زیره: یا به عبارتی: 1. A AND B = minimum(m(A), m(B)) OR هم قاعدتا تا الان حدس زدید به چه صورت خواهد بود: 1. A OR B = maximum(m(A), m(B)) خوووووب! اینم مقدماتی بود از منطق فازی. البته اینا مفاهیم خیلی اولیه ی منطق فازی بودن، اما توی کار از همین مفاهیم خیلی ساده و ترکیبشون میشه نتایج خیلی عاقلانه ای گرفت. ما تا اینجا فقط به پروسه ی Fuzzification پرداختیم! بعد از اینکه عملیات فازی روی سیستم انجام شد در نهایت یه جواب قطعی می خوایم. برای رسیدن به یه جواب قطعی از پروسه ی Defuzzification استفاده میشه. برای اینکه این فرایند ها رو قشنگ متوجه شید باید حتما یه مثال عملی ببینید! کاربرد منطق فازی تصمیم گیری: از جمله کاربردهای منطق فازی در تصمیم گیری است که می تواند با استفاده از مقادیر و شرایط زمانی، ورود یهای غیر قطعی را به پاسخ های قطعی برساند. در محیط بسیار نامطمئن و در حال تغییر امروز، تصمیمات استراتژیک دارای ماهیت فازی و بسیار پیچیده اند. در تحقیقیقاتی که انجام شده منطق فازی را برای شکل دادن به تصمیمات در خصوص تولید محصول جدید استفاده کرده اند. حسابرسی: منطق فازی و تئوری مجموعه های فازی می تواند به حسابرسان در زمینه ی اندازه گیری و مدیریت احتمال خطر حسابرسی و ابهام در محیط حسابرسی، کمک کند. برای مثال، زمانی که حسابرسان بیان می کنند که کنترل داخلی خاصی مؤثر است آن ها کنترل داخلی را در یک مجموعه ی فازی قرار می دهند. بنابراین با توجه به ماهیت کار حسابرسان به نظر می رسد این عامل بالقوه وجود دارد که روزی حسابرسی به استفاده از تئوری فازی ارتباط یابد . خلاصه ما توی این نوشته به تعریف هوش مصنوعی و مقدمات سه تا از اصلی ترین بخش های اون پرداختیم! باید توجه داشته باشین که اولا هوش مصنوعی خیییییلییی جالب تر از این چیزاییه که توی این متن دیدید! امید وارم کاری نکرده باشم که از هوش مصنوعی بدتون اومده باشه. بعدشم ما توی این قسمت به بررسی جدا جدای سه مبحث شبکه ی عصبی، الگوریتم ژنتیک و منطق فازی پرداختیم، خیلی جاها این سه مبحث به هم کمک می کنن و با هم ترکیب میشن! مثلا با استفاده از الگوریتم ژنتیک بهترین چینش نورون ها توی شبکه ی عصبی رو بدست میشه آورد.
حسابی حسابداری یاد بگیر - مقدمه ای بر هوش مصنوعی و کاربرد آن در حسابداری