کاربرد مهم هوش مصنوعی _ مبادلات مالی

هوش مصنوعی
هوش مصنوعی ترکیبی از علوم کامپیوتر، فیزیولوژی، فلسفه، ریاضیات، آمار و زبان شناسی است که سعی در شبیه سازی ویژگی های انسانی از طریق سیستم های کامپیوتری دارد (10). هوش مصنوعی ساخت تجهیزات و نر مافزا رهای کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مساله و شناخت را تقلید می کند )عرب مازار یزدی و سایرین، 1385). هوش مصنوعی در زمینه های مختلفی از جمله یادگیری، بازی شطرنج، اثبات قضایای ریاضی، نوشتن اشعار و تشخیص بیماری کاربرد دارد. برای توضیح کاربردهای هوش مصنوعی ابتدا باید مفاهیم و بحث هایی از آن مطرح شوند( کلاته رحمانی و چهارده چریکی،1389).
هوش مصنوعی علاوه بر علاوه بر کاربرد هایی که در زمینه های مختلف دارد مدت هاست که جایگاه خود را در حسابداری و امور مالی پیدا کرده است. محققان حسابداری تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیت هایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی (لم،2004) حسابرسی و اطمینان بخشی (کو و لو،2004) و در محدوده های دیگر به کار برده اند. با توجه به گسترده بودن این مباحث، چهار مورد از آن ها که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند، توضیح داده شده است: سیستم های خبره، شبکه ی عصبی، الگوریتم ژنتیک، و منطق فازی.

سیستم خبره
ريچارد باس عنوان مي دارد سيستم متخصص )خبره) يكي از شاخه هاي هوش مصنوعي است كه با گردآوري دانش تخصصي و اطلاعات كارشناسي دريك حوزه خاص واستفاده از منطق مي كوشد تا دركنار متخصصا ن و همپاي آنان به عرضه خدمات تخصص ي بپردازد .به عبارت ديگر اين سيستمها نرم افزارهاي كامپيوتري هوشمندي هستند كه درآنها نقش تخصصي كارشناسان به صورت مجموعه هاي اطلاعات علمي گرد آمده است) حبيبي پيركوهي و شائمي برزكي،1384).

اصطلاح سیستم خبره از سیستم هاي خبره دانش محور مشتق شده است. سیستم خبره، سیستمی است که دانش انسانی را بوسیله کامپیوتر، براي حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی براي گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بناي هوش مصنوعی . این سیستم ها می کوشند جنبه هایی از دانش و استدلال انسانی را در کامپیوتر بگنجانند تا به تحلیل مسائل غ امض پرداخته و به نتایجی مناسب برسند (27).



تعهدخرید : سیستم هاي خبره امکان بکارگیري استانداردهاي سازمانی منسجم تر را براي ارزیابی درجه امکان خطرات متفاوت (آتش سوزي ، سیل ، سرقت ، و غیره) افزایش داده است . پایگاه دانش لازم براي سیستم هاي تعهد خرید شامل اطلاعات خاص صنعت در مورد تجهیزات ایمنی و اقدامات انجام شده براي کاهش خطر و نیز تکنیک هاي ارزیابی سطح خطر است. شاید بهترین مقطع زمانی براي طراحی سیستم هاي کامپیوتري در این رشته، هنگام تجدید بیمه نامه ها باشد، چرا که در آن زمان اطلاعات بسیار زیادي در شکل قابل فهم براي ماشین ، وجود دارد (شوازی و ابزری،1387).
اندوختهسازي: چقدر از درآمدهاي جاري را باید براي مطالبات احتمالی آینده بابت جبران خسارات کنار گذاشت ، سوال مهمی است . سیستم هاي خبره در این مورد نیز می توانند به منزله ابزاري براي تخصیص همه جانبه و منسجم منابع براي پاسخ گویی به تقاضاهاي ناشناخته به کار روند(شوازی و ابزری،1387).
بانکداري: بانک ها نیز وام هاي مصرفی مختلف، وام هاي رهنی، و حداعتباري به مشتریان خود ارائه می دهند . به علاوه، براي خدمات حواله ها و انتقال وجوه، عملیات خرید و فروش ارز و سایر معاملات بانکی می توان از سیستم هاي خبره استفاده کرد. سیستم هاي مشاوره ارز خارجی توان آن را دارند که به طور کیفی در شرایط مختلف بازار ، استراتژي هاي مختلف اختیار معامله ارزي و روش هاي تامینی دیگر را ارزیابی و راه حل هایی توصیه کنند. چنین سیستم هایی معمولا ابزارهاي تحلیل پیچیده اي دارد که عملیات آربیتراژ ارزي را ارزیابی کرده و می تواند استراتژي هاي معاملاتی جایگزینی تحت شرایط متفاوت بازار عرضه کند(شوازی و ابزری،1387).
برنامهريزياستراتژيك : سيستمهاي خبره در انتخاب و اجراي يك برنامه ريزي استراتژيك اينك در خدمت مديران هستند . اگر نقطه شروع و عطف كار مديريت را برنامه ريزي استراتژيك بدانيم انگاه اهميت اين سيستمها بيشتر مشخص مي شود. همانطور كه سابرامانيام (2002) عنوان مي دارد سيستمهاي خبره جهت انتخاب يك تكنيك برنامه ريزي استراتژي ك با اين ديدگاه توسعه يافته اند كه مديران در انتخاب يك ابزار برنامه ريزي استراتژيك با محدوديتهاي زيادي مواجه اند .از جمله زمان ،مهارت، منابع مالي،مشاوران متخصص و مانند اينها) حبيبي پيركوهي و شائمي برزكي،1384).
مديريتتوليدوعمليات : در سالهاي اخير با افزايش پيچيدگي صنايع توليد و نياز به كارائي بيشتر ،چرخه عمر كوتاه تر محصول،انعطاف پزيري بالاتر ،كيفيت بيشتر محصول ،رضايت مشتري و بر اوردن انتظارات او و هزينه كمتر،چهره عمليات توليد را ت غيير داده است . چالش عمده سازمان ها در در اين زمان چگونگي انطباق با اين تغييرات محيط تجاري است بطوريكه دستيابي به كسب مزيت رقابتي از طريق مسير انتخابي نيز حاصل شود) حبيبي پيركوهي و شائمي برزكي،1384).
ارتباطاتمالي : سيستمهاي خبره دربنگاه هاي مالي براي نظارت بر اطلاعات مورد انتظار و يافتن كلاه برداريهااستفاده مي شود .سيستم خبره مي تواند جايي كه حجم اطلاعاتي كه بايد پرداز ش شود بسيار زياد است بسيار مفيد باشد .اين سيستم مي تواند همچون يك حسابرس پاسخگوي شم ار فراوان ارباب رجوعها باشد .با استفاده ااز اين سيستمها يك كمپاني مي تواند به حسابرسي يك دوره 18 ماهه درطول يك دوره يكماهه بپردازد .بنابراين شركت مي تواند عمليات آنرمال خود را سريعتر از قبل متوقف سازد .اين بهره وري سازماني رابعلاوه كارائي و اثر بخشي افزايش مي دهد) حبيبي پيركوهي و شائمي برزكي،1384).
مديريتبازاريابي:مزيت هاي بالقوه و كاربرد گسترده سيستم هاي خبره انها را قادر به ياري مديران در زمينه بازاريابي و مديريت بازار نيز ساخته است. در مورد كاربرد هاي سيستمهاي خبره در اين زمينه مي توان به كار مك دونالند (1989) اشاره كرد .اوخسامر و ديگران (1992) به برر سي روند بكار گيري سيستم هاي خبره در بازار يابي بين المللي پر داخته اند . ژوان و بارل (2002،1997،1995) در زمينه استفاده از سيستمهاي خبره در بازار يابي كوششهاي زيادي انجام داده اند .انها استفاده از يك سيستم مختلط براي بر نامه ريزي استراتژيك بازار يابي را معرفي كرده اند و در مقاله اي ديگر به بررسي مسايل كاستيهاي همراه با سيستم هاي خبره پر داخته اند) حبيبي پيركوهي و شائمي برزكي،1384).

شبکه عصبی مصنوعی
بسیاري از مسائل همچون شناسایی بصري و گفتاري که یا ناممکن است و یا به دشواري با کامپیوترهاي الگوریتمی انجام پذیر است، به راحتی توسط مغز حل و فصل می شود. چنین موضوعی بسیار شگفت آور است چرا که سرعت معمول محاسبات کامپیوتري چندین میلیون عملیات در ثانیه است، حال آن که سرعت عملیات واحدهاي مغزي از تقریبا 10 واکنش در ثانیه بیشتر نیست. دلیل این وضعیت غالباً به ماهیت طراحی مغز بر می گردد. در این طراحی، شبکه هاي مغزي به طور بسیار موازي شکل گرفته اند، و این قابل مقایسه با ساخت ردیفی کامپیوترها نیست. این وضعیت آن چنان از قوت برخوردار است که بسیار بر این باورند که اگر بشود فرآیند کارکرد مغز را تا حدي شبیه سازي کرد، در آن صورت امکان حل مسائلی پدید می آید که با روش هاي سنتی ریاضیات، قابل حل نیستند. شبکه هاي عصبی گامی ابتدائی در جهت دستیابی به این مهم است (14).
شبکه عصبی مصنوعی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد های پردازشی (نورون) مرتبط با شبکه ها تشکیل شده اند سلول عصبی بیولوژیکی یا نورون، واحد سازنده ی سلول عصبی در انسان است (جعفریه و همکاران، 1385).





سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها عبارتند از:
پیشبینیروندقیمتسهام: پیش بینی قیمت یا بازده سهام کار ساد های نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی )فقط داد ههای تاریخی مربوط به حرکت قیمت و حجم معاملات سهام را برای پیش بینی حرکت آتی قیمت مطالعه می کند( در نظر گرفت )تهرانی و عباسیون، 1387) بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبک ههای عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاس خهای بهتری از روش های آماری به دست می دهند )عرب مازار یزدی و دیگران،1385).
حسابرسی: کاربرد ANN در حسابرسی می تواند به فرایند بررسی تحلیلی )کاسکیوارا، 2004 (، تصمیمات تداوم فعالیت )اتریج، 2000 ؛ کو و لو 2004 ( و موارد دیگر کمک می کند (کلاته رحمانی و چهارده چریکی،1389).
ارزشیابی : به کمک مدل شبکه هاي عصبی و مدل هاي ترکیبی، می توان ارزش اوراق بهادار و دارایی هایی دیگري را که می خواهیم خریداري کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیه سازي کنیم که در شبکه عصبی مصنوعی این مهم ممکن است(شوازی و ابزری،1387).
پیشبینیمیزاناعتبار: سیستم عصبی مصنوعی را می توان به گون های آموزش داد که اطلاعات ورودی آن داد ههای مربوط به مشتریان و داد ههای 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 )عبده تبریزی و البرزی،1376).
تصویباعتبارات : سیستم عصبی مصنوعی را می توان به گونه اي آموزش داد که اطلاعات ورودي آن داده هاي مربوط به مشتریان و داده هاي خروجی مطلوب آن تصمیمات واقعی تحلیل گران اعتباري باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در اعتبار و تعیین سقف هاي اعتباري است. سیستم توان آن را دارد که بدون ضرورت این که اطلاعات را در قالب خاصی بریزیم، از داده هاي ورودي متنوع و پراکنده استفاده کند(شوازی و ابزری،1387).
برآوردبهایتمام شده: در هنگام برآورد بهای تما مشده 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 ای نکه اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه ی عصبی می تواند گزینه ی مناسبی برای برآورد بهای تمام شده باشد )ونگ،2007).
پیشبینیوبرآوردآتی: البته در پاره اي از حوزه هاي پیش بینی مالی، استفاده از کامپیوتر و نرم افزارهاي سنتی، مطلوب تر از مدل هاي شبکه عصبی و ابزار ترکیبی است. به ویژه اگر مدل هاي با روابط شناخته شده داشته باشیم که محاسبات بسیار بطلبند، در این موارد، استفاده از مدل هاي سنتی کامپیوتر به صرفه و منطقی است. اما تحلیل گر مالی در بشتر موارد نگران تأثیر اعمال خاص روي رفتار سرمایه گذاران است. و در این موارد، مدل با روابط تعریف شده اي ندارد. سرمایه گذاران براساس چند اطلاع پراکنده در مورد شرکت ها، از خود واکنش نشان نمی دهند. بلکه تحت تأثیر تمامی اطلاعاتی قرار می گیرند که از منابع مختلف در مورد شرکت به آنان می رسد. این امکان وجود دارد که سیستم عصبی مصنوعی را طوري آموزش دهیم که از رفتار سرمایه گذاران نسبت به تغییرات در شرایط کلی مالی یا تغییرات شرکت تقلید کنند(شوازی و ابزری،1387).
ارزیابیورشکستگی(ارزیابیخطروامدهی): آن چه در مورد رده بندي اعتبارات در بالا گفتیم، در مورد وام دهی مؤسسات تجاري و وام هاي مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به کمک سیستم هاي عصبی مصنوعی در مورد بررسی تقاضاي وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند. هر چند که این سیستم ها تصمیم نهایی را درمورد وام هاي بزرگ نمی گیرند، خروجی سیستم در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود(شوازی و ابزری،1387).
مدیریتپرتفويداراییهاواوراقبهاردار: مؤسسات مالی می باید گلچینی از سهام، اوراق قرضه، وام هاي رهنی، دارایی هاي فیزیکی همچون زمین و مستغلات را انتخاب کنند. در مورد تعدیل خطر، زمان عرضه در بازا، آثار مالیاتی، و ساختار سررسیدها، و متغیرهاي بسیار دیگري مداوما باید تصمیم اخذ شود. مدیران انواع صندوق هاي سرمایه گذاري و واحدهاي سرمایه گذاري بانک ها می باید این تصمیمات را اخذ نمایند. وظیفه باز هم مشکل تر می شود وقتی توجه کنیم که محیط اقتصادي و مالی دائماً نوسان می کند. با توجه به ماهیت سازمان نیافته فرایند تصمیمات مدیر پرتفوي و عدم اطمینان از اوضاع و احوال اقتصادي و مالی و پراکندگی اطلاعات مربوط، عرصه مناسبی براي به اجرا در آوردن مدل هاي شبکه هاي عصبی پدید می آید(شوازی و ابزری،1387).
قیمتگذرارياوراقبهادارجدید: در این جا دوباره می توان سیستم شبکه عصبی را به گونه اي تعلیم داد که تصمیمات کارشناسان انسانی را از طریق مشاهده داده ها و ستاده هاي تصمیمات واقعی اخذ شده در گذشته، تقلید کند. به علاوه، در این محیط، سیستم توان آن را دارد که بهتر از عملکرد کارشناس انسانی عمل کند، چرا که اطلاعات ورودي می تواند شامل نحوه تغییرات قیمت واقعی و فعالیت هاي فروش مؤخر بر انتشار اوراق بهادار باشد. سیستم توان آن را دارد که مستقیما از تصمیم گیرنده انسانی و نیز از نتایج واقعی حاصله از تصمیمات، فرا بگیرد. به علاوه ، چنین سیستمی می تواند حتی پس از ترك شرکت توسط کارشناس انسانی به کار ارائه خدمت ادامه دهد، و بدین ترتیب دانش کارشناسی و تجربه گرانقدر حاصله را جاودانه کند(شوازی و ابزری،1387).

منطق فازی:
در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد در نظر گرفتن حالات بصورت قطعی درست یا غلط بودیم. یعنی می توان وقایع طبیعی را بدرستی و با قطعیت تعریف و اندازه گیري نمود، در حالیکه در کسب و کار، اقتصاد، مباحث مالی و بسیاري از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین " آنچه هست" و " آنچه نیست" به درستی تعریف نشده است (18).
پروفسور لطفی زاده در سال 1965 برای مواجهه با ابهام موجود در جهان واقعی نظریه مجموعه های فازی را بنیان نهاد (شعبان الهی و آذر،1377). مفهوم مجموعه فازی، امکان بیان اطلاعات ذهنی و کیفی را به روش علمی فراهم می کند، از این رو ذهنیت ها و تعصب های فردی کاهش می یابد و تصمیم گیری ها منطقی تر صورت می گیرد. منطق فازی با انعطاف پذیری فوق العاده، برای تحلیل معانی زبان طبیعی است، و قادر است ابهامات برخواسته از ذهن انسان و محیط و همچنین درجه نادقیقی که در قضاوت انسانی وجود دارد را مدل سازی و تحلیل کند. بدین سان افق تازه ای برای سیاست گذاری، برنامه ریزی و تصمیم گیری گشوده شد(آذر،1374).




تصمیمگیری: 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(کلاته رحمانی و چهارده چریکی،1389).
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( کلاته رحمانی و چهارده چریکی،1389) و همچنین ارزیابی اهمیت در حسابرسی ( کردستانی و رحیمی، 1388) کمک کند.
تخصیص دارایی ها: برای تخصیص کل دارایی های یک فرد به سه بخش پس انداز، سرمایه گذاری درآمدی و سرمایه گذاری رشدی می توان بر اساس سن فرد و درجه ریسک پذیری وی مدل تخصیص دارایی های فازی را طراحی کرد (کردستانی و رحیمی،1388).
مشاوره سرمایه گذاری: سرمایه گذاری هر شخص به درآمد سالانه، سرمایه شخص و درجه ریسک پذیری وی بستگی دارد. برای ساختن یک مدل فازی از قواعد «اگر ... آنگاه» برای تصمیم گیری استفاده می شود (کردستانی و رحیمی،1388).
از کاربرد های دیگر سیستم فازی اندازه گیری عوامل سرمایه گذاری همانند جریان ورودی نقدی، جریان خروجی نقدی، نرخ بازده داخلی ارزش فعلی سرمایه گذاری می باشد.


الگوریتم ژنتیک:
الگوریتم هاي ژنتیک با توجه به نظریه داروین در مورد تکامل جان گرفت (19). الگوریتم های ژنتیک توسط جان هالند در دهه 1960 اختراع شد و در دهه های 1960 و 1975 توسط وی، دانشجویان و چند تن از همکارانش در دانشگاه میشیگان توسعه داده شد. با این وجود، امروزه واژه " الگوریتم ژنتیک " توسط اغلب متخصصین این زمینه در مفهومی تقریباً متفاوت از مفهوم اولیه مورد نظر جان هالند به کار می رود (میتجل،1996). این تکنیک یک روش بهینه سازی غیر کلاسیک و جستجوی مستقیم است که فقط با خود تابع و نه مشتقات آن سر و کار دارد و بر اساس مکانیزم بقای اصلح و علم ژنتیک طبیعی، الهام گرفته از نظریه تکامل چالز داروین، بنا شده است ( باوی و صالحی،1387). الگوریتم هاي ژنتیک ابزاري ساده و مفید هستندکه توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازي کند، این عمل با جستجو در فضاي مساله جهت یافتن جواب برتر و نه الزاما بهینه صورت می گیرد(شوازی و ابزری،1387).
کشف تقلب در صورت های مالی: هوگو و همکاران (2007) در پژوهشی با عنوان "استفاده از الگوریتم ژنتیک در کشف الگو هایی که نمایانگر تقلب در صورت های مالی می باشند" برای کشف تقلب در صورت های مالی از رویکرد الگوریتم ژنتیک استفاده شده است برای این منظور نمونه ای متشکل از 51 شرکت، که از سوی SEC متهم به شناسایی نا مناسب درآمد می باشند، به عنوان گروه هدف و نمونه ای متشکل از 339 شرکت که از نظر صنعت و اندازه (درآمد) با گروه قبلی متناسب بودند، به عنوان گروه گواه استفاده شده است. متغیر های تحقیق عبارتند از 79 معیار مقایسه ای که از صورت های مالی استخراج شده و نشانگر عملکرد تاریخی شرکت و عملکرد آن در صنعت می باشند و همچنین 9 متغیر دیگر که بیانگر ویژگی های "شرکت" می باشند. الگوی مبتنی بر زمان کشف شده توسط الگوریتم ژنتیک 63% از شرکت های هدف و 95% از شرکت های گواه را بدرستی طبقه بندی می کنند.
پیشبینیورشکستگی: ورشکستگی یک مشکل جهانی بسیار بااهمیت با هزینه های اجتماعی بالا است. بنابراین پی شبینی 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 پی شبینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه )عزیز و در،2004 ) برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پی شبینی ورشکستگی بااهمیت تشخیص داده شده اند به حداقل رساند(کلاته رحمانی و چهارده چریکی،1389).
انتخاب پرتفوی: سرمایه گذاران بازار خرید و فروش سهام صرفاً با مقاصد انتفاعی و اهداف سود آوری در این فعالیت اقتصادی شرکت می کنند. در این رابطه شناسایی عوامل موثر و تعیین کننده حجم و نوع انتخاب مجموعه متنوع اوراق بهادار سرمایه گذاری شده (پرتفوی) دارای اهمیت است (همت فر و همکاران،1381) مسئله انتخاب سهام، یکی از مسائل پیچیده در حوزه ی مالی و سرمایه گذاری است. در این مسئله، تعداد ی سهام وجود دارد و قرار است با خرید سهامی که بیشترین ارزش افزوده و کمترین میزان ریسک پذیری را داشته باشد سرمایه گذاری انجام شود(وفایی جهان،1386). بنابراین با توجه به عدم اطمینانی که بر بورس اوراق بهادار حاکم است و همچنین با در نظر داشتن تمایلات و ترجیهات مختلف سرمایه گذاران ، یافتن روشی برای انتخاب یک مجموعه مناسب از اوراق بهادار که از طریق آن بتوان بر عدم اطمینان و ترجیهات مختلف افراد غلبه کرد ضروری به نظر می رسد، از سوی دیگر با توجه به عملکرد موفق الگوریتم ژنتیک در مسائل بهینه سازی، این الگوریتم می تواند به روشی مناسب در اختیار سرمایه گذاران قرار دهد تا به انتخاب بهینه سبد سهام دست یابند.
علاوه بر کاربرد های شرح داده شده در بالا قطعاً حوزه های دیگری از حسابداری نیز و جود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از الگوریتم ژنتیک منتفع شوند. به عنوان مثال می توان به ارزیابی دارایی ها ( لنگ و همکاران،1997)، مدل بندی رفتار حسابرس در برخورد با تقلب ( ولچ و همکاران،1998)، پیش بینی تورم(آیکن،1999)، رتبه بندی اوراق قرضه (شین و هان،1999)، پیش بینی شاخص قیمت (کیم و همکاران،2004)، بودجه بندی سرمایه ای (بری و مانونگا،2006)، مدیریت تولید (لاورینوویز ،2006)، تولید انعطاف پذیر(تقوی فرد و موسوی،2009)، پیش بینی ریسک اعتباری(لین و کو،2009) و غیره اشاره کرد.


هوش مصنوعی ترکیبی:
در غالب مطالعات، تمرکز بیشتر بر روي روش هاي غیر خطی منفردي است که بصورت اکتشافی براي مسئله خاصی مورد استفاده قرار می گیرند. اگر چه این نگرش موثر بوده است اما در بسیاري از مسائل غیر خطی که محقق با محدودیت به کارگیري ترکیبی روش ها مواجه بوده است، فرصتهاي فراوان استفاده از هم افزایی آن ها را از دست داده است. براي مثال در حالیکه شبکه هاي عصبی مصنوعی، مشخصه هاي مناسبی در تقلید و یادگیري ( فرایندي مشابه با آنچه نرون هاي بیولوژیکی مغز انجام می دهند) دارند، عدم شفاف بودن فرایند کاري آن ها ، تحقیق را تحت الشاع قرار می دهد. مثال بعدي در مورد ابزار توانمند دیگر هوش مصنوعی، منطق فازي می باشد، مزیت منطق فازي در تخمین و به کارگیري استنباط است در حالی که به یادگیري توجهی ندارد(شوازی و ابزری،1387). بطور حتم تلفیق این تکنولوژي ها با توجه به همپوشانی آنها (20) فرصتی را براي بطور کامل بهره بردن از توانایی ها و جبران ضعف هاي آن ها، فراهم خواهد نمود(25).


پیش بینیورشکستگی: برابازون و کینان (2004) قابلیت یک مدل مدل شبکه ی عصبی را در پیش بینی ورشکستگی شرکت با استفاده از اطلاعاتی که از صور تهای مالی به دست آمده است مورد بررسی قرار دادند. ساختار شبکه و ورودی آن به وسیله ی الگوریتم ژنتیک انتخاب شدند. نتایج این مدل با مدل LDA مقایسه شد. نتایج تحقیق نشان داد که ورشکستگی قابل پیش بینی است و از طرفی مدل مختلط شبکه ی عصبی و الگوریتم ژنتیک بهتر از مدل ،LDA در این حوزه کار می کند )برابازون و کینان،2004 .(کومار و راوی (2007) در تحقیقی که انجام داده اند، بررسی جامعی از کارهایی که در طی سال های 2005-1968 در کاربرد تکنیک های هوشمند و آماری برای حل مشکل پیش بینی ورشکستگی که شرکت ها و بانک ها با آن مواجه هستند ارائه می کنند(کلاته رحمانی و چهارده چریکی،1389).
حسابرسی: لین و سایرین (2003) در پژوهشی که انجام داده به کارگیری شبکه ی عصبی فازی 22 برای کشف تقلب را بررسی کرده و به این نتیجه رسیده اند که FNN در این تحقیق بهتر از بی شتر روش های آماری و شبکه های عصبی مصنوعی گزارش شده در مطالعات پیشین عمل می کند. لنارد (2001) از یک سیستم ترکیبی برای قضاوت در خصوص تداوم فعالیت استفاده کرده است(کلاته رحمانی و چهارده چریکی،1389).
ABC: ABC سنتی به دلایلی ممکن است بهای تمام شده ی محصولات را تحریف کند. از جمل هی این دلایل عبارتند از: اول این که ABC یک معیار عمومی برای انتخاب محرک هزین هی مربوط ندارد. دوم، زمانی که رفتار هزینه رابطه ی غیر خطی را نشان می دهد، ABC یک رابطه ی خطی بین استفاده از فعالیت ها و مقدار تخصیص یافته ی هزینه ی غیر مستقیم در نظر م یگیرد. برای حل چنین مشکلاتی می توان از تکنیک های هوش مصنوعی ترکیبی استفاده کرد. برای مثال کیم و هان ) 2003 ( در تحقیقات شان از الگوریتم ژنتیک برای شناسایی محرک هزینه ی بهینه یا نزدیک به بهینه استفاده می کنند. به علاوه، شبکه ی عصبی مصنوعی برای تخصیص هزینه های غیرمستقیم با رفتار غیرخطی به محصولات به کاربرده می شود. آن ها نتیجه گیری م یکنند که مدل تجربی بهتر از مدل سنتی عمل می کند)کیم و هان، 2003 ؛ عرب مازار یزدی دیگران،1385).

دنیای حسابداری - کاربرد هوش مصنوعی در حسابداری و امور مالی

هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟
همشهری اقتصاد / در سال‌های اخیر می‌توان به راحتی رد پای هوش مصنوعی و به‌ویژه یادگیری ماشین را در همه زمینه‌ها از ارزیابی‌های اعتباری گرفته تا جلوگیری از اختلاس و پیش‌بینی بازارهای بورس به‌وضوح مشاهده کرد. امروزه به نظر می‌رسد یادگیری ماشین در حال دگرگون ساختن دنیای فاینانس است و به‌زودی شاهد یک خانه‌تکانی اساسی در این حوزه خواهیم بود، طوری که پیش‌بینی می‌شود در سال‌های آینده کلیه امور مربوط به الگوسازی‌های مالی و همچنین پیش‌بینی تحولات در بازارهای مالی توسط هوش مصنوعی انجام شود و در آنها نیازی به حضور و دخالت انسان‌ها نخواهد بود.


نشانه‌های صحت این ادعا را می‌توان در تصمیم‌گیری‌های اخیر بانک‌های مشهوری چون جی‌پی‌مورگان یا صندوق‌های سرمایه‌گذاری شناخته‌شده‌ای همچون من جی‌ال‌جی مشاهده کرد که بخش‌هایی به نام «مدیریت یادگیری ماشین» را در ساختار سازمانی خود تعریف کرده‌اند و در پی به‌کارگیری نیروهایی زبده و کارآمد در این بخش هستند. از سویی دیگر مقرر شده است که سال ۲۰۱۹ یکی از پیش شرط‌های انتخاب به‌عنوان یک «تحلیلگر مالی خبره» در آمریکا که از معتبرترین و کلیدی‌ترین منصب‌ها در حوزهٔ صنعت مالی در آمریکا به‌حساب می‌آید، این ویژگی باشد که داوطلبان حتماً باید دوره‌های هوش مصنوعی و یادگیری ماشین را گذرانده و نیز گواهینامه‌های لازم در این زمینه را در اختیار داشته باشند.


امروزه از یادگیری ماشین در بخش‌هایی مانند مدیریت ریسک و پیشگیری از اختلاس و کلاه‌برداری کمک گرفته می‌شود و همچنین روبات‌ها وظیفهٔ انجام برخی کارها مانند کنترل تماس‌های تلفنی مشتریان با بانک یا رسیدگی به شکایات را به جای انسان‌ها انجام می‌دهند. با این همه، در سال‌های آینده این نقش‌آفرینی به حوزه‌های هوشمندتری شامل تصمیم‌گیری‌ها و سیاست‌گذاری‌های مالی و اعتباری نیز تسری خواهد یافت و در آینده این روبات‌ها خواهند بود که الگوهای غیرعادی معاملات مالی را با هدف احتمال‌سنجی اختلاس و کلاه‌برداری کنترل خواهند کرد. به همین دلیل هم هست که امروزه شاهد آن هستیم که هم شرکت‌های مشهوری مانند آی‌بی‌ام و هم استارت‌آپ‌هایی مانند «Feedzai»(فعال در حوزهٔ پرداخت‌ها) یا «Shift technology»(فعال در حوزهٔ بیمه) و یا Monzo (یک استارت‌آپ‌بانکی فوق‌العاده موفق) یادگیری ماشین را وارد بخش‌های کلیدی فعالیت‌های خود کرده‌اند. به‌عنوان مثال، شرکت «Monzo» که از موفق‌ترین استارت‌آپ‌های بانکی در انگلستان به شمار می‌آید توانسته است با راه‌اندازی سیستم هوشمند شناسایی و کنترل معاملات و مبادلات بین کارت‌های اعتباری به‌وسیله هوش مصنوعی، میزان کلاه‌برداری‌ها از طریق کارت اعتباری را از ۸.۵ درصد در ژوئن سال ۲۰۱۶ به کمتر از ۰.۱ درصد در ژانویه ۲۰۱۷ کاهش دهد. بانک جی‌پی‌مورگان نیز موفق شده است با پیاده‌سازی نرم‌افزارهای کنترل و نظارت بر قراردادهای وام‌های تجاری توسط هوش مصنوعی در شعب خود، بیش از ۱۲ هزار برگهٔ قرارداد را در هر ثانیه کنترل و بازبینی کند، درحالی‌که تا پیش از این برای انجام این کار به ۳۶ هزار ساعت نیروی کار نیاز بود که دقت و کیفیت این فرآیند نیز بسیار پایین بود و درعین‌حال هزینهٔ بسیار زیادی را بر بانک تحمیل می‌کرد.


هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟


نقش‌آفرینی پررنگ‌تر یادگیری ماشین و هوش مصنوعی در بخش مالی و ورود ماشین‌های پیشرفته‌تر به عرصه‌های مختلف مرتبط با فاینانس موجب خواهد شد تا الگوریتم‌هایی که نه توسط انسان‌ها بلکه به‌وسیلهٔ ماشین‌های فوق پیشرفته طراحی شده‌اند، زمام امور را در دنیای سرمایه و سهام در دست بگیرند و کارهایی را که همیشه توسط انسان‌ها انجام می‌شده، به انجام رسانند.


یادگیری ماشین دارای کاربردهای فزاینده‌ای در خودکارسازی تصمیم‌گیری‌های مالی بوده و هست، طوری که هم‌اکنون از ماشین‌ها و روبات‌ها برای ارزیابی اعتبارپذیری مشتریان بانک‌ها یا اعتمادپذیری بیمه‌گذاران در صنعت بیمه استفاده می‌شود. در حال حاضر هوش مصنوعی این امکان را برای مؤسسات و سازمان‌ها فراهم آورده است تا با پردازش حجم عظیمی از اطلاعات و داده‌ها در کوتاه‌ترین زمان و بالاترین دقت ممکن بهترین و دقیق‌ترین تصویر ممکن از وضعیت مشتریان و شرکای بالقوه را تهیه و قدرت تصمیم‌گیری فوق‌العاده‌ای را به صاحبان صنایع یا مدیران شرکت‌ها اعطا کنند. به‌عنوان مثال، شرکت لیموناد که یک استارت‌آپ نوآور و مبتکر در زمینه بیمه است، توانسته است با استفاده از هوش مصنوعی و یادگیری ماشین به موفقیت‌های چشمگیری در زمینه فروش قراردادهای بیمه و همچنین مدیریت و رسیدگی به دعاوی بیمه‌ای موکلان خود دست یابد.


بانک مشهور گلدمن ساکس نیز از جمله مؤسسات پیشرو در زمینه بهره‌گیری از یادگیری ماشین در تصمیم‌گیری‌ها و عملیات جاری به شمار می‌آید. در حال حاضر بانک گلدمن ساکس از سیستم‌های پیشرفته پردازش زبانی برای کنترل هزاران گزارش تحلیلی ارائه‌شده به بانک در ارتباط با عملکردها و تصمیمات اتخاذشده استفاده می‌کند. علاوه‌بر این گلدمن ساکس در یک استارت‌آپ پیشرو به نام «کنشو» «Kensho» سرمایه‌گذاری کرده است که متخصص چگونگی تأثیرگذاری حوادث طبیعی بر ارزش سهام بر اساس داده‌های مربوط به حوادث گذشته است و اطلاعاتی که از این طریق در اختیار گلدمن ساکس قرار می‌گیرد، آن را به بازیگری قدرتمند در دنیای پیش‌بینی تحولات بورس تبدیل کرده است.


درمجموع، نقش‌آفرینی پررنگ‌تر یادگیری ماشین و هوش مصنوعی در بخش مالی و ورود ماشین‌های پیشرفته‌تر به عرصه‌های مختلف مرتبط با فاینانس موجب خواهد شد تا الگوریتم‌هایی که نه توسط انسان‌ها بلکه به‌وسیلهٔ ماشین‌های فوق پیشرفته طراحی شده‌اند، زمام امور را در دنیای سرمایه و سهام در دست بگیرند و کارهایی را که همیشه توسط انسان‌ها انجام می‌شده، به انجام رسانند و صنعت مالی را به افق‌هایی رهنمون سازند که تا پیش از این و به دلیل محدود بودن توان ذهنی و عملیاتی نیروی انسانی مؤسسات و سازمان‌های مالی، غیرقابل دسترس و دور از ذهن به نظر می‌رسید.

هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟

نقش هوش مصنوعی در نظام بانکی

https://startupforum.ir/images/cdn/2018/04/4821.jpg
“هوش مصنوعی”، گرچه در ادبیات ما چندان جا نیفتاده اما فرایندی است که دنیا را با خود همگام می کند. امروزه شاید نه در دنیای واقعی اما در دنیای ساخته ذهن بشر در فیلم ها و سینما، بهتر می توان این مفهوم را لمس کرد.
شاید بتوان دنیا را در آینده ای نه چندان دور، با اعداد و ارقامی تصور کرد که نیاز به کاربران را به حداقل رسانده باشد و این را شاید به تعبیری بتوان، هوش مصنوعی معنا کرد.
هوش مصنوعی می‌تواند در جایگاه هایی که استفاده می شود، تعاریف مختلفی داشته باشد؛ اما یک تعریف کلی می‌توان برای آن در نظر گرفت: مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را بهتر انجام می‌دهند.
در ساخت هوش مصنوعی علوم زیادی کاربرد دارد از جمله: فلسفه، ریاضیات، عصب شناسی، مهندسی کامپیوتر، علوم کامپیوتر، نظریه سیستم ها، روان شناسی، زیست شناسی، زبان شناسی، علوم اجتماعی، نظریه اطلاعات، علوم شناختی، نظریه پیچیدگی و ..
زبان‌های برنامه‌نویسی پرکاربرد در صنعت هوش مصنوعی
برنامه‌های هوش مصنوعی تقریبا به همه زبان‌های برنامه‌نویسی نوشته شده‌اند اما به نظر می‌رسد که محبوب‌ترین زبان‌ها در این زمینه Lisp ،Prolog ،Java و Python هستند.
هوش مصنوعی چهار نوع است:
۱) کاملا واکنشگرا : کامپیوتر Deep blue که کاسپاروف را شکست داد
۲) حافظه محدود: اتومبیل های خودرو ران
۳) نظریه ذهن : ربات sony در فیلم I,Robot
۴) خود آگاه : synths در سریال Humans که رباتی است در این فیلم که مثل انسان رفتار می کند.
هوش مصنوعی امروزه به شکلی پیش می رود که در کشورهای توسعه یافته با تجارت تلفیق یافته و می تواند در آینده نه چندان دور تمامیت کره ی خاکی را فرا بگیرد و انسانی که از این تکنواوژی بهرمند نشود از رده خارج می شود.
سخنان مدیر عامل شرکت بنز در این خصوص جالب است، مدیر عامل شرکت بنز(دیتر زیچه) در مورد هوش مصنوعی بیان می کند:
“دیتر در سخنرانی اخیری که داشت اعلام کرد ۸۰ درصد رفت و آمدهای شهری در آینده حذف خواهد شد، رقیبان ما شرکت‌های تولید خودرو نیستند بلکه شرکت هایی مثل اپل، گوگل و سیسکو هستند، شرکت خدماتی اوبر UBER که امروزه بزرگترین شرکت تاکسیرانی است و صاحب یک ماشین هم نیست و فقط یک نرم افزار است، به دو دلیل شرکت‌های بیمه به لبه ورشکستگی خواهند رسید، اول به دلیل کاهش فعالیت های فیزیکی به خصوص در حمل و نقل و دوم پیش بینی بسیار دقیق سیستم های هوش مصنوعی از آینده، نیاز ما به بیمه را کمتر خواهد کرد؛ در سال ۲۰۱۸ ماشین های بدون راننده در خدمت حمل و نقل خواهند بود و این مورد صنایع را در سال‌های آینده دچار مشکل خواهد کرد. همچنین صنایع خودروسازی ورشکسته خواهند شد؛ بررسی سلامت افراد ارزان و می تواند از طریق موبایل بررسی شود، هفتاد تا هشتاد درصد شغل ها تا بیست سال آینده دیگر وجود نخواهند داشت، در سال ۲۰۲۰ اپلیکیشن های دیگری قادر خواهند بود از طریق آنالیز حالت‌های صورت بگویند که کلام گفته شده دروغ یا راست است! تصور کنید چه اتفاقی برای سیاستمداران خواهد افتاد، بیت کوین یک پول دیجیتال است که می تواند نقش پشتوانه ارز را در جهان را بازی کند.
چند در صد از مشاغلی که با هوش مصنوعی جایگاه خود را از دست می دهند.
هوش مصنوعی در نظام بانکداری
ما در این بخش می خواهیم نقش AI یا هوش مصنوعی در بانکداری را مورد بررسی قرار دهیم :
یو بی اس (UBS) بزرگترین بانک سوئیس و یکی از بزرگترین مؤسسات خدمات مالی در جهان است که سازمان مرکزی آن در شهرهای بازل و زوریخ واقع است. یو بی اس از نظر سرمایه ی بازار، ششمین بانک ثروتمند جهان محسوب می شود. این بانک خدمات خود را در حوزه های سرمایه گذاری بانکی، مدیریت دارایی و مدیریت ثروت به مشتریان خصوصی، شرکتی، و دولتی در سرتاسر جهان ارائه می دهد. یو بی اس که مخفف کلمه ی Union Bank of Switzerland است، بانکی بسیار قدیمی است که سابقه ی آن به سال ۱۸۵۴ باز می گردد. البته شکل امروزی این بانک با آنچه در سال ۱۸۵۴ شروع به فعالیت کرد، بسیار متفاوت است.
UBSمی گوید هوش مصنوعی AI می تواند درآمد بانک را ۳٫۴ درصد افزایش دهد و هزینه های آن را در سه سال آینده ۳٫۹ درصد کاهش دهد.
سرمایه گذارها و بانک های خرده فروشی به دنبال استفاده از AI برای بالا بردن سطح مشاوران روبو، chatbots و ابزارهایی که در این مسیر باعث بزرگ شدن این نوع کسب و کار می شود.
اما چالش هایی برای اجرای این طرح وجود دارد وجود دارد، زیرا اکثر بانک ها باید مجموعه داده های خود را برای مدیریت AI در اختیار این سروی قرار بدهد ، اما با چالش بزرگی پیشرو هستند زیرا که جمع آوری این نوع داده ها که تمام آنها بصورت پراکنده است، کار بسیار دشوار و پرهزینه ای محسوب می شود و بانک های داخلی باید این موضوع را در نظر بگیرند و از تجربیات بانک های خارجی در راستای کم کردن هزینه جمع‌آوری داده ها استفاده کنند.
بانک ها در مورد پتانسیل هوش مصنوعی در امور مالی، در این باورند که AI با تلفیق در بانکداری می تواند هزینه ها را کاهش دهد و درآمدها را افزایش دهد.
هوش مصنوعی در سال های اخیر پیشرفت کرده است و شرکت های خدمات مالی اکنون به برنامه ریزی برروی هوش مصنوعی توانسته اند تا حدودی نیاز های این بانک هارا تاحدودی تامین کنند و پنجره ای نو در زمینه ی سرمایه گزاری بر روی نرم افزارهای بانکداری باز کنند، لازم به ذکر است، زمانی که الگوریتم های این نوع نرم افزارها پیاده سازی می شود باید در کنار این برنامه نویسان نیروهای متخصص مالی و بانکداری وجود داشته باشند تا برنامه نویسان بتوانند نیازهای این بخش را به صورت کامل رفع کنند.
UBS در یادداشت اخیر خود خاطر نشان کرد که ۱۱ میلیارد دلار از سال ۲۰۱۰ به هوش مصنوعی سرمایه گذاری شده است. این رقم تا سال ۲۰۲۰ به بیش از ۴۷ میلیارد دلار افزایش خواهد یافت.
پیشرفت در حوزه هایی مانند یادگیری ماشین و پردازش زبان طبیعی برای امور مالی خاصیت خاصی دارد، به الگوریتم های سرمایه گذاری برای بهینه سازی خود و برای ربات های خدمات مشتری برای برقراری ارتباط با مشتریان کمک می کند. به طور خلاصه، AI در حال حاضر توانایی مقابله با وظایف پیچیده ای را برای انسان ها دارد.
UBS با توانمندی های خود توانسته است مشاور روبو را راه اندازی کند، به اصطلاح “مشاور روبو” – یک ابزار دیجیتالی است که از یادگیری ماشین برای ارائه مشاوره سرمایه گذاری خودکار بر اساس شرایط مالی مردم استفاده می کند. برنامه های کاربردی دیگر عبارتند از chatbots خدمات مشتری، گزارش خودکار، ارزیابی ریسک و ابزارهایی برای کمک به بانکداران فروش در جهت هدفمند کردن آنها.

نقش هوش مصنوعی در نظام بانکی – اخبار مالی

کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

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.

http://hesabras.org/Portals/_Rainbow...telligence.jpg
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.

http://hesabras.org/Portals/_Rainbow...ence-curve.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.

: پانوشتها
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

مطالعات مالی Muhasebe - Finansman - کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

آینده بانکداری در اختیار هوش مصنوعی است

به گزارش گروه تحقیق و ترجمه عصر بانک؛جدیدترین نوآوری‌ها در حوزه هوش مصنوعی (AI) موانع بسیاری را از سر راه برداشته‌اند؛ هر روز که می‌گذرد بیشتر مشخص می‌شود که با کمک هوش مصنوعی چه کارهایی ممکن می‌شود، چه چیزی کاربردی است و اینکه مردم از بانکها چه انتظاراتی دارند.

مادامیکه برندهای معتبر در صنایع مختلف اولین سری بات‌ها، یادگیری ماشینی، اتوماسیون روبوتیک و زبان اصلی ماشینی را به خدمت می‌گیرند، مشتریان نیز قادر می‌شوند بخش وسیعتری از کارهای روتین خود را بر پایه این خدمات انجام دهند. این تجارب تاثیر عمیقی در خدمات مالی دارند؛ امروزه مشتریان به دنبال راههای سریع و بدون واسطه برای انجام دادن و مدیریت کردن کارهای مالی خود هستند.

تکنولوژی‌های مبتنی بر هوش مصنوعی می‌توانند به شیوه‌های متفاوتی تقاضای بازار برای ارائه خدمات آنی را جواب دهند. از پشتیبانی پرداخت‌های مبتنی بر صدا گرفته تا تراکنش‌ها و تصمیم‌گیری‌های پیچیده‌ی مبتنی بر سیستم اتوماسیون و پیشنهاد محصولات جدید به مشتری.

به عنوان مثال چت‌بات‌های پیغامرسان فیس بوک‌ به طرق مختلفی پرداخت‌ها و خدمات مشتری را پشتیبانی می‌کنند. بسیاری از توسعه‌های حوزه هوش مصنوعی برای کمک به توسعه کسب و کارها و ارائه خدمات بهتر به مشتریان صورت گرفته است؛ پیشرفت‌های هوش مصنوعی به صورتی است که انگار منابع انسانی نامحدودی برای کارهای مختف به کار گمارده شده‌اند. برندهای محبوب با بات‌های تعاملی همچون Flo Chatbot از شرکت progressive Insurance در این زمینه پیشگام و روشن کننده راه هستند؛ وظیفه این بات انتشار نرخ بیمه از طریق پیغامرسان فیس بوک است.

اما حوزه هوش مصنوعی بسیار فراتر از استفاده از بات‌های دیجیتال و جایگزین شدن با تعاملات انسانی است. هوش مصنوعی به معنی دقت بیشتر، تجارب شخصی‌تر و مقیاس‌پذیری بیشتر که ترکیبی از پتانسیل انسانی و مبتنی بر تکنولوژی است، معنی می گردد.

مادامیکه الگوریتم‌های بیشتر و بیشتری در خدمت انسانها قرار می‌گیرند، می‌توان از آنها در موسسات مالی برای ارائه خدمات شخصی سازی شده هوشمند استفاده کرد.

با توجه به تراکنش‌ها و داده‌های حساب، یک بات می‌تواند بصورت بالقوه‌ تعاملات را با فهم درستی از علاقمندی‌های مشتری، عادت‌ها، جنسیت و تاریخچه مالی او انجام دهد. این بات همچنین می‌تواند از کل بازار و داده‌های دسته‌بندی شده نیز استفاده کند. برای مثال شاید کسی بپرسد یک نفر در سال چقدر هزینه خورد و خوراکش شده است و با جوابی آنی روبرو شود.

بکارگیری داده‌ها در کار می‌تواند همچنین منجر به ارائه پیشنهادات شخصی و هوشمندانه‌ شود. با استفاده از هوش مصنوعی برای ارزیابی تک تک مشتریان به هنگام انجام تراکنش، یک موسسه مالی می‌تواند فهم بهتری از علاقمندی یک شخص داشته باشد و ازینرو پیشنهاداتی را ارائه کند که واقعا سودبخش باشند.


جدای از کمک به موسسات مالی در ارائه پیشنهادات شخصی‌ سازی‌ هوشمندانه‌تر به افراد حقیقی، راه حل‌های هوش مصنوعی می‌توانند به زودی با تقاضاهای بیشتری در حوزه‌های متفاوت‌تری روبرو شوند و به سیستمی برای کل پایگاه مشتری در بانکها تبدیل شوند. الگوریتم‌های پیش بینی کننده می‌توانند پیشنهادات کاربردی را برای توسعه محصولات بعدی ارائه دهند.

از آنجایی که شرکت های تکنولوژی به دنبال پیدا کردن راههای خلاقانه و جذاب برای کمک به مشتریان در فرآیندهای کنونی هستند، استفاده از تکنولوژی هوش مصنوعی می‌تواند به یک روند تبدیل شود. موسسات مالی به این فکر می‌کنند که چه فرآیندهایی برای اتوماسیون هوش مصنوعی بهتر هستند و سعی دارند بفهمند چگونه این فرآیندها امروزه باید بکار گرفته شوند.

در حالی که بانکها به دنبال برنامه ریزی برای آینده‌ای هستند که هوش مصنوعی نیز در آن قرار دارد، نیازهای مشتریان باید در محوریت تصمیمات آنها قرار گیرد. این استراتژی صحیح به فهم اینکه چگونه مردم می‌خواهند به آنها خدمات ارائه شود بر می‌گردد.

آینده بانکداری در اختیار هوش مصنوعی است

رمزنگاری تراکنش‌های مالی از نیمه بهمن

---

بانک مرکزی، انجام تمام تراکنش‌های مالی، به جز پرداخت قبوض عمومی، در تمام‌مسیرهایی که به جای فیزیک کارت از اطلاعات آن استفاده می‌شود را، منوط به رمزنگاری مبدأ تا مقصد تراکنش کرد.

• 

https://startupforum.ir/images/cdn/2...?itok=zhm66_85 به گزارش کارگروه امنیت سایبربان؛ منظور ارتقای سطح امنیت مبادلات کارتی مردم و پیشگیری از سوءاستفاده احتمالی از اطلاعات حساس کارت در مبادلات الکترونیکی بدون حضور کارت، بانک مرکزی جمهوری اسلامی ایران، طی بخشنامه‌ای از نیمه بهمن سال جاری، انجام تمام تراکنش های مالی را، به جز پرداخت قبوض عمومی، در تمام مسیرهایی که به جای فیزیک کارت از اطلاعات آن استفاده می شود، را منوط به رمزنگاری مبدأ تا مقصد تراکنش کرد.
مطابق این بخشنامه، اطلاعات حساس کارت مردم، نظیر رمز دوم آن‌ها، نباید از مسیرهایی که فاقد رمزنگاری مناسب بوده و امکان ذخیره‌سازی یا مشاهده آن توسط عواملی غیر از بانک یا ارائه ‌دهنده خدمات پرداخت وجود دارد، مبادله شوند.
این بخشنامه اولین گام برای ارتقای سطح امنیتی بسترهای موجود مبادلات پولی مردم بوده و بر این اساس حرکت به سمت استفاده از سایت ها و کاربردی بانک ها و ارائه دهندگان خدمات پرداخت، برای انجام مبادلات کارتی بدون حضور فیزیک کارت به عنوان راه حل ایمن توصیه می شود.
همچنین طی بخشنامه یاد شده و به منظور ارتقای سطح خدمات برنامه های کاربردی پرداخت همراه، امکان استعلام مانده حساب متصل به کارت برای تمام کارت های بانک ها در مرکز شتاب فراهم می شود.



منبع: مهر

https://www.cyberbannews.com/%D8%B1%...87%D9%85%D9%86

قدرت بانکداری الکترونیک در استفاده از هوش مصنوعی است

هوش مصنوعی به معنای شبیه سازی هوش انسانی در ماشین است. این کار با کمک الگوریتم‌های برنامه نویسی ، روش‌های یادگیری ماشین، پردازش زبان و محاسبات شناختی انجام می‌شود. دلیل اصلی انجام این کار، سرعت بخشیدن به انجام امور است. ماشین‌ها می‌توانند به طور دائم امور را با سرعتی که برای انسان دست یافتنی نیست،‌ انجام دهند. امروزه هوش ماشین‌ به راحتی انسان را در انجام اعمال ریاضی مغلوب می‌کند. در حال حاضر تمرکز هوش مصنوعی بر حوزه‌هایی است که همچنان انسان در آن بر ماشین پیشی می‌گیرد. حوزه‌هایی چون پردازش تصویر، تشخیص تصویر، تشخیص کنایه‌های گفتاری و پردازش صدا نمونه‌هایی از آنهاست. در این مقاله از مجله‌ی فناوری‌های پوشیدنی و توان افزا به تاثیر هوش مصنوعی در بانکداری اشاره خواهیم کرد.
https://startupforum.ir/images/cdn/2018/04/281.png

هوش مصنوعی و بانکداری

یکی از حوزه‌هایی که از خدمات هوش مصنوعی بهره می‌برد، بانکداری است. بسیاری از موسسه‌های مالی بدون بهره بردن از این فناوری از بازار رقابت حذف خواهند شد. هوش مصنوعی ایمنی و سهولت امور بانکی را افزایش می‌دهد. چندین حوزه از بانکداری تحت تاثیر هوش مصنوعی قرار دارند. در این جا از حوزه‌های مربوط به مبارزه‌ی هوشمند با جرائم مالی وخدمات هوشمند مشتریان یاد خواهیم کرد.

https://startupforum.ir/images/cdn/2018/04/282.png

مبارزه با پولشویی

مبارزه با پولشویی با کمک قوانین و مقررات وضع شده برای جلوگیری از مال اندوزی به روش‌های غیر قانونی انجام می‌شود. در بیشتر موارد افراد خطاکار با انجام روش‌هایی، وانمود می‌کنند که پول کثیف از راه مشروع بدست آمده است. امروزه بانکهای سراسر دنیا، به جای دنبال کردن قوانین و مقررات، به استفاده از هوش مصنوعی برای تشخیص حساب‌های فعال در پولشویی روی آورده‌اند. هوش مصنوعی با حساسیت و سرعت بالا می‌تواند الگوریتم‌های پولشویی را تشخیص دهد.

https://startupforum.ir/images/cdn/2018/04/4825.jpg

بات‌های سخنگو

یک بات سخنگو با تشخیص احساسات و معانی مطرح شده از سوی طرف مقابل با وی وارد گفت و گو می‌شود. بات‌های سخنگو الگوی سخنگویی فرد را با جمع آوری اطلاعات مکالمه بدست می‌آورند. این الگوها به بات‌ها امکان می‌دهد پاسخی مناسب با موقعیت فرد ارائه دهند. این امر می‌تواند کیفیت مکالمه را افزایش دهد. بات‌های سخنگو در قسمت امور مشتریان در بانک‌ها استفاده می‌شوند. بانک‌های ایالات متحده به زودی از بات سخنگوی Erica استفاده خواهند کرد. این بات به کمک یک برنامه‌ی کاربردی تلفن همراه، به مشتریان پیشنهادهایی را به منظور استفاده‌ی هرچه بهتر از امور بانکی عرضه می‌دارد.

https://startupforum.ir/images/cdn/2018/04/4826.jpg

معاملات بانکی

هوش مصنوعی با جمع‌آوری اطلاعات بازارهای مالی دنیا و مدلسازی، می‌تواند در تصمیم‌گیری‌های کوتاه مدت مالی مفید باشد. آمار نشان می‌دهد که حدود ۷۰٪ معاملات مالی توسط ماشین و به شکل خودکار انجام می‌شود. تعدادی از فعالان صندوق‌های پوششی (یا Hedge Funds) با هوش مصنوعی عبارتند از: Two Sigma، PDT Partners، DE Shaw، Winton Capital Management، Ketchum Trading، LLC، Citadel، ،Voleon، Vatic Labs، Cubist، Point72، Man AHL.

https://startupforum.ir/images/cdn/2018/04/283.png

مبارزه با تقلب

یکی از حوزه‌هایی که هوش مصنوعی در آن بسیار پیشرفت کرده، مبارزه با تقلب است. یکی از مثال‌های اولیه‌ در این زمنیه سامانه‌ی مبارزه با تقلب FICO Falcon است. این سامانه با تحلیل داده و به کارگیری الگوریتم‌های شبکه‌های عصبی کار می‌کند. در حقیقت مبارزه با تقلب به کمک هوش‌مصنوعی بسیار جدی تلقی شده و حوزه‌ای پویا و در حال پیشرفت است.
توصیه‌های مفید به مشتریان

الگوریتم‌های هوش مصنوعی با پیگیری تراکنش‌های حساب بانکی مشتریان می توانند بهترین برنامه‌ی مالی را به مشتریان توصیه ‌کنند. در حقیقت این سامانه‌ها اساس جذب مشتری در بانکداری الکترونیک هستند.

https://startupforum.ir/images/cdn/2018/04/284.png

یکی از اولین صنایعی که هوش مصنوعی را به شکل جدی به کار گرفت، بانکداری بود. توسعه هوش مصنوعی با سرعت نمایی رخ می‌دهد. بنابراین گزافه نیست اگر بگوییم شرکت‌ها و موسسه‌هایی که از این فناوری سود می‌برند، در چندین سال آینده رشد چشمگیری خواهند داشت و یکی از مهمترین ارکان صنعت خود خواهند بود.

قدرت بانکداری الکترونیک در استفاده از هوش مصنوعی است - مجلۀ فناوریهای توان‌افزا و پوشیدنی

کاربرد هوش مصنوعی در سرویس های مالی

هوش مصنوعی به تئوری و گسترش سیستم ­های کامپیوتری گفته می ­شود که قادر هستند کارهایی را که در حالت عادی نیاز به هوش انسانی دارند مانند ادراک بصری، تشخیص صدا و تئوی تصمیم­ گیری،انجام دهند. این روش ها از حدود 60 سال پیش مطرح شده اند. در مقاله “Computing Machinery and Intelligence” که در سال 1950 مطرح شده است، آلن تورینگ به این صورت شروع می­ کند که "من سوالی را مطرح کردم که می­ پرسد آیا ماشین می­تواند فکر کند؟ "او یک تست از توانایی ماشین در رفتارهای هوشمند، معادل یا به گونه ای غیرقابل تشخیص از یک انسان انجام داد که امروزه به نام تست " Turing" شناخته می­شود. هوش مصنوعی به عنوان یک رشته دانشگاهی

هوش مصنوعی به عنوان یک رشته دانشگاهی در سال 1955 در کنفرانس دارتموث توسط جان مک کارتی از دانشگاه استنفورد و ماروین مینسکی از MIT آغاز شد. این گوشه از CTO توانایی هوش مصنوعی در سرویس های مالی و صنعتی را ارائه می­کند. از زمان آغاز هوش مصنوعی، در دو دوره سرخوردگی را تجربه کرده است. در اوایل سال 1980 بانک سرمایه گذاری Citibank شروع به ساخت سیستم های خبره کرد. این سیستم ­ها یک شاخه از هوش مصنوعی است که از توانایی تصمیم ­گیری انسان تقلید می­ کند. بسیاری از شرکت های دیگر مانند وال استریت نیز پروژه های مشابه ای را راه­ اندازی کردند. اگرچه تعدادی پروژه موفق در آن زمان انجام شد، هوش مصنوعی در سال 1990 به دومین دوره سرخوردگی خود رفت چون ساخت این سیستم ها سخت­تر و هزینه برتر از چیزی بود که تصور می شد. به نظر می رسد هوش مصنوعی وارد فاز جدیدی شده است که علاقه به سمت آن افزایش یافته است. یک نمونه از این افزایش تمایل در استفاده تجاری از هوش مصنوعی است که به عنوان هوش ماشینی مانند IBM Watson می­توان اشاره کرد. به عنوان یک شاخص دیگر اکثر افرادی که به آینده مطالعات اینترنت امیدوارند انتظار دارند که رباتیک و هوش ماشینی تا سال 2025 در بخش های بزرگی از زندگی روزانه مردم نفوذ خواهد کرد و پیامدهای عظیمی در صنعت خواهد داشت. آیا اخرین موج از برنامه های هوش مصنوعی در سرویس­های مالی دوباره سقوط خواهد کرد یا اینبار به درستی سرویس­های مالی را متحول خواهد کرد؟ مواردی زیادی تابحال تغییر کرده است برای مثال هزینه­ های محاسبات به طور قابل ملاحظه ای کاهش پیدا کرده­ است و قدرت محاسبات نیز به میزان زیادی بهبود یافته است. این باعث می­شود هوش مصنوعی که از لحاظ محاسبات پیچیده است در حال حاضر عملی­ تر به نظر بیاید. شبکه­ های اجتماعی، تلفن­های موبایل باعث ایجاد انفجار اطلاعاتی شده­ است و این انفجار آنقدر وسیع و قاطع است که درک آن بدون استفاده از هوش خودکار غیرممکن است. پیشرفت در تجزیه و تحلیل، به ویژه پیشرفت در یادگیری ماشین با نیازی که به قدرت محاسبات وجود داشت، باعث شده­ است که سیستم های هوش مصنوعی انعطاف پذیرتر باشند و راحت تر قابل توسعه و پیاده­ سازی باشد. در نهایت برخلاف زمستانی که هوش مصنوعی با آن روبرو شد، درحال حاضر در حال پیشرفت نمایی است. شرکت های تکنولوژی در حال حاضر الگوریتم­ هایی را توسعه داده­ اند که عادت­های آنلاین یک کاربر را ردیابی می­کند و تجربه ­های آنلاین کاربر را می ­سازد. به عنوان مثال، وقتی در حال تحقیق اطلاعات هستید، چه برای پژوهش، علاقه یا ضرورت، گوگل نتایجی را براساس الگوریتم ­های خود ارائه می­دهد. موتورهای جست و جو در نهایت اطلاعاتی را تهیه می­کند که کاربر میخواهد بخواند. کاربران به طرز فزاینده ­ای در معرض اطلاعاتی قرار گرفته­ اند که با آنالیز فعالیت­ های قبلی فرد ایجاد شده ­است و کاربر از رخ دادن آن باخبر نیست. فایده این کار برای بخش­های مالی این است که با دنبال کردن رفتار و عادت­های شخصیت ها، خدمات و دیتاهای مالی برای هر شخص بخصوص بر اساس رفتارهای آن فرد منحصر به فرد است. این باعث می­شود که هر شخص دستیار مالی شخصی دیجیتال مربوط به خود را داشته باشد. وبلاگ شتاب دهنده فارابی

کاربرد هوش مصنوعی در سرویس های مالی

بکارگيري هوش مصنوعي در بانکداري/ شعب مجازي جايگزين سنتي مي شوند

به گزارش گروه اقتصادی ایسکانیوز؛ به نقل از پژوهشکده پولی و بانکی، اکبر کمیجانی درباره تاثیر ورود بازیگران جدید مانند فین تک ها به حوزه بازار پول بر کارایی نظام بانکی اظهارداشت: در یک تعریف ساده، فین تک کاربرد نوآورانه فناوری در ارائه خدمات مالی است و فین تک ها، استارت آپ ها و شرکت های نوآوری هستند که سعی در ارائه بهتر و آسان تر خدمات مالی به مشتریان دارند. او با بیان اینکه فین تک ها از منظر نحوه تعامل با بانک ها می توانند رقیب و یا همکار شبکه بانکی باشند، گفت: استراتژی های متفاوتی برای تعامل بانک ها با این شرکت های نوپا وجود دارد که از مخالفت تا شراکت در مالکیت و همکاری را شامل می شود. کمیجانی با اشاره به اینکه در ایران نیز فین تک های زیادی وجود دارند که در همکاری با بانک ها، خدمات قابل توجهی ارائه کرده اند، گفت: PSP ها نمونه فین تک هایی هستند که با کمک به بانک ها در ارائه خدمات پرداخت الکترونیکی، سعی در افزایش کارایی خدمات نظام بانکی کشور دارند، البته در این زمینه بانک ها باید به مقوله امنیت سایبری نیز توجه وافری داشته باشند تا اعتماد مشتریان خدشه دار نشود و با ریسک شهرت مواجه نشوند. قائم مقام بانک مرکزی ادامه داد: از سوی دیگر، فین تک ها می توانند خدمات دیگری همچون ارزهای رمزنگاری شده ارائه دهند. این خدمات با وجود برخورداری از مزیت هزینه مبادله اندک و انتقالات برون مرزی آسان، احتمال انجام برخی عملیات بانکی خارج از مقررات و ضوابط را دارند که در این صورت لازم است نظارت جدی و مستمر ازسوی بانک مرکزی بر اینگونه خدمات فناورانه صورت گیرد تا انحرافی در ارائه عملیات و خدمات بانکی از طریق ابزارهای فناورانه صورت نگیرد. او همچنین درباره وضعیت بانکداری اجتماعی و بانکداری شناختی در ایران گفت: بانکداری اجتماعی که ارائه خدمات بانکی از طریق شبکه های اجتماعی تعریف ملموس و ساده آن است، باعث ایجاد چابکی و انعطاف پذیری در فرایندهای عملیاتی بانک ها می شود و این امکان را در اختیار بانک ها قرار می دهد تا نه تنها فرایندهای بیرونی، بلکه کل کسب و کار خود را به طور کامل دیجیتالی کنند. کمیجانی تصریح کرد: در آینده، به تدریج شعب فیزیکی سنتی بانک ها با شعب مجازی جایگزین می شود که این امر باعث صرفه جویی در زمان و هزینه خواهد شد. از سوی دیگر، حرکت به سمت بانکداری شناختی که عمدتا مبتنی بر هوش مصنوعی است، بانک ها را از رقبایشان متمایز خواهد کرد. او ادامه داد: هوش مصنوعی و فناوری های شناختی بانک ها را قادر می سازد تا سرعت ابتکارات دیجیتالی خود را افزایش دهند و با ارائه محصولات و خدمات سفارشی به بهبود کسب و کار خود بپردازند. به این ترتیب که این نهادها با به کارگیری هوش مصنوعی و ازطریقِ تحلیل اطلاعات مالی، نیازهای مشتریان را شناسایی می کنند و به ارائه سبدی از محصولات هدفمند خواهند پرداخت که پیش بینی می شود که به کارگیری هوش مصنوعی توسط بانک ها، تاثیر قابل توجهی بر کسب و کار آنها داشته باشد. 402
لینک اصل خبر

مخبر - 1396/12/04 - بکارگيري هوش مصنوعي در بانکداري/ شعب مجازي جايگزين سنتي مي شوند

بررسی الگوهای هوشمند در خرید و فروش کالاهای اقتصادی

ارزهای رمزپایه، تنها دارایی های جدیدی محسوب نمی شوند که سرمایه گذاری در آن ها پر سود باشد. هرچند که کاربرد ارزهای رمزپایه، ظاهرا همانند دیگر ارزهای رایج در دنیاست، اما به دلیل عدم وجود ثبات در ارزش این نوع ارزها، الگوهایی را می توان در آن ها به کار برد، درست همانند الگوهایی که در خرید و فروش کالاهای اقتصادی به کار می رود. مطالعه در خصوص این نوع الگوها می تواند اطلاعات مفیدی ارائه دهد و در نتیجه به موفقیت منجر شود.
وجود نوسانات در ارزهای رمزپایه

در وضعیت کنونی، ارزهای رمزپایه در حالت بی ثباتی به سر می برند که دلیل آن می تواند هیجانات و عدم اطمینان از خرید و فروش این ارزها توسط کمپانی ها می باشد، اگرچه که این بی ثباتی تا ابد پایدار نخواهد ماند. اگر فرض کنیم که خرید و فروش ازرهای رمز پایه راکد نیست، باید انتظار داشته باشیم که این بازار به زودی با ثبات رو به رو خواهد شد و پیش بینی درباره ی آن آسان تر می شود. در صورت وقوع این رخداد، به کارگیری الگوریتم های تجاری هوشمند برای تحلیل پیش بینی ارزهای رمزپایه ، بسیار کاربردی خواهد بود.
گرایش کنونی در بازار

بسیاری از کمپانی ها و سرمایه گذاران، در زمینه ارزهای رمزپایه سرمایه گذاری کرده اند و همین امر باعث شده است که بیشتر مهندسان نرم افزار، الگوریتم و نرم افزارهایی هوشمند تولید کنند تا سودمندی در بازار ارزهای رمزپایه افزایش یابد. در حال حاضر، بیشتر مهندسان در حال طراحی این گونه الگوریتم ها هستند تا تجارت در زمینه ارزهای رمزپایه به سهولت انجام پذیرد.
محدودیت های و برخی تهدیدات از به کارگیری هوش مصنوعی در تحلیل پیش بینی ارزهای رمزپایه

کمبود داده ها

بیت کوین تنها چندین سال است که وارد بازار شده است و دیگر رقابیش نیز طی ماه های اخیر قدم در بازار گذاشته اند. برخلاف بازار سهام که به اندازه 100 سال داده های مختلف در مورد مطالعه بازار به انجام رسیده است، در مورد ارزهای رمزپایه چنین موردی تا کنون رخ نداده است. ارزهای رمزپایه نو پا و جدید هستند، پس طبیعی است که داده ها و اطلاعات کافی هنوز برای پیش بینی های طولانی مدت بازار ارزهای رمزپایه وجود ندارد.
وجود مهندسین

در حال حاضر، حتی بهترین تحلیل پیش بینی ارزهای رمزپایه نیز، ساخته ذهن انسان است و گونه ای از تصمیمات یکطرفه محسوب می شود، بدون در نظر گرفتن واقعیات. بر همین اساس، سوال اینجاست که اگر بازار سهام را به طور دقیق و مناسب بررسی نکنیم، چطور می توانیم یک الگوریتم خرید و فروش یا یک هوش مصنوعی برای تحلیل پیش بینی ارزهای رمزپایه ایجاد کنیم؟
محدودیت های تکنولوژی و پردازشی

با تخصصی تر شدن دستگاه های ایجاد الگوریتم هوشمند، احتیاج به سخت افزار و قدرت پردازشی بیشتر، افزایش می یابد. برای مثال، در یکی از پروژه های شرکت دیپ مایند، قدرت پردازشی سیستم هایشان 1،202 و قدرت گرافیکی نیز 176 بوده است که می توان گفت از یک الگوریتم ساده به کار رفته در کامپیوترهای معمولی 25 بار، قدرتمند تر است. برای کمپانی ها سطح بالا که سرمایه گذاری های کلانی در این زمینه کرده اند، مشکل فراهم کردن ماشین ها و سیستم هایی با این قدرت، وجود دارد. اما برای کارآفرینان و مهندسان تازه کار، وجود چنین سیستم هایی، ضرورتا نیازی نیست.
جلب اعتماد عمومی

باید در نظر داشت که یک کمپانی برای راه اندازی الگوریتم تجارت ارزهای رمزپایه، باید اعتماد مردم را به خود جلب کند. کمپانی نتنها باید ثابت کند که الگوریتم تولید شده از پیش بینی‌های انسانی قوی تر است، بلکه باید از طریق آن، اعتماد مردم را نسبت به سرمایه گذاری در ارزهای رمزپایه جلب کند. تا به کنون، برخلاف سرمایه گذاری های متعدد در زمینه ارزهای رمزپایه، شبهات زیادی در خصوص سودمندی درازمدت از این ارزها وجود دارد. این شبهات باعث شده است که تبادلات این گونه ارزها راکد بماند و یا اصلا هیچ مبادله ای صورت نگیرد.
آیا محتمل است که وجود هوش مصنوعی بتواند رشد و یا رکود ارزهای رمزپایه را موثرتر از انسان پیش بینی کند؟ در حال حاضر، جواب “خیر” می باشد. البته با اختصاص تلاش و زمان مناسب در این عرصه، می توان به یک جواب مثبت نیز امیدوار بود. تا این مهم صورت گیرد، بی ثباتی و غیرقابل پیش بینی بودن ارزهای رمزپایه، هم چنان ادامه خواهد داشت.

https://pay98.net/blog/%D8%AA%D8%AD%...7%DB%8C%D9%87/