Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

CÁC ỨNG DỤNG HỌC MÁY HIỆN NAY TRONG KẾ TOÁN KIỂM TOÁN

DOI: 10.17261/Pressacademia.2020.1337
PAP- V.12-2020(1)-p.1-7

Derya Ucoglu
Đại học Istanbul Bilgi, Khoa Quản trị Kinh doanh, Istanbul, Thổ Nhĩ Kỳ.

derya.ucoglu@bilgi.edu.tr, ORCID: 0000-0001-5510-3574

Để trích dẫn tài liệu này

Ucoglu, D. (2020). Các ứng dụng học máy hiện tại trong kế toán và kiểm toán. PressAcademia Procedia (PAP), V.12, p.1-7

Liên kết cố định tới tài liệu này: http://doi.org/10.17261/Pressacademia.2020.1337

Bản quyền: Được xuất bản bởi PressAcademia và chỉ có quyền sử dụng lại được cấp phép có giới hạn.

TRỪU TƯỢNG

Mục đích- Học máy là một lĩnh vực khoa học máy tính học từ lượng lớn dữ liệu, xác định các mẫu và đưa ra dự đoán về các sự kiện trong tương lai.
Trong ngành kế toán và kiểm toán, học máy ngày càng được sử dụng nhiều trong vài năm gần đây. Do đó, nghiên cứu này nhằm mục đích xem xét các ứng
dụng máy học hiện tại trong kế toán và kiểm toán, tập trung vào các công ty Big Four.
Phương pháp luận- Trong nghiên cứu này, các công cụ và nền tảng máy học do các công ty Big Four phát triển được kiểm tra bằng cách tiến hành phân
tích nội dung.
Kết quả- Người ta xác định rằng các công ty Big Four đã phát triển một số công cụ học máy được sử dụng để điều phối và quản lý kiểm toán nhất
quán, kiểm toán hoàn toàn tự động (chỉ trong một số lĩnh vực nhất định, chẳng hạn như kiểm toán tiền mặt), phân tích dữ liệu, đánh giá rủi ro và
trích xuất thông tin từ các tài liệu.
Kết luận- Để hưởng lợi từ những lợi thế, các công ty Big Four vẫn đang mở rộng danh mục các dự án học máy. Mặt khác, các vấn đề đạo đức và nguy
cơ tiềm ẩn về bảo mật, vi phạm các quy định về quyền riêng tư khi sử dụng ứng dụng machine learning trong kế toán, kiểm toán cũng cần được xem
xét. Sự chuyển đổi nhanh chóng trong nghề này cũng tạo ra nhu cầu về hướng dẫn và giám sát về mặt đạo đức và quy định đối với các công ty kế toán
và kiểm toán.

Từ khóa: Machine learning, kế toán, kiểm toán, bốn công ty lớn, trí tuệ nhân tạo
Mã JEL: M40, M41, M42

1. GIỚI THIỆU

Những phát triển công nghệ như học máy cho phép xử lý dữ liệu nhanh và không có bất kỳ sai sót hay sai lệch nào được sử dụng rộng rãi trong nhiều
lĩnh vực khác nhau. Do đó, tiềm năng của các thuật toán học máy để cung cấp cho kế toán viên và kiểm toán viên khả năng phân tích dữ liệu nâng cao
là rất cao.

Các công cụ học máy do con người thiết kế có thể thực hiện nhiều nhiệm vụ giúp ích cho kiểm toán viên và kế toán viên. Ví dụ: thay vì lấy mẫu dữ
liệu, toàn bộ sổ cái của đơn vị có thể được kiểm tra tự động hóa (Shimamoto, 2018).

Trong nghiên cứu này, những ưu điểm và nhược điểm của việc triển khai các kỹ thuật học máy đã được xác định thông qua việc xem xét tài liệu và bằng cách tích hợp những hiểu biết

sâu sắc từ các nghiên cứu trước đó. Các công nghệ máy học hiện tại do các công ty kế toán Big Four phát triển đã được kiểm tra và tóm tắt.

2. HỌC MÁY

2.1. Giới thiệu về học máy

Học máy là một lĩnh vực khoa học máy tính nghiên cứu các thuật toán máy tính sử dụng số liệu thống kê để xác định các mẫu trong lượng dữ liệu
khổng lồ và đưa ra dự đoán chính xác cho các sự kiện chưa biết trong tương lai. Kỹ thuật học máy đã được sử dụng trong nhiều lĩnh vực khác nhau,
chẳng hạn như giáo dục, y tế, sinh học và tài chính (Dogan & Birant, 2021, tr.1).

Vào những năm 1930, Thomas Ross đã nghiên cứu một chiếc máy mô phỏng hành vi của sinh vật sống, đây có thể coi là nghiên cứu đầu tiên trong khu
vực. Thomas Ross và giáo sư Stevenson Smith của ông đã phát triển một chú chuột Robot có thể tìm đường đi qua mê cung nhân tạo. Nghiên cứu của họ
đã chứng minh các phương pháp lập trình cho máy tính hoạt động giống như động vật hoặc con người trong quá trình học tập (Bhavsar và cộng sự,
2017, Chương 12, trang 283). Nhưng thuật ngữ “học máy” được Arthur Samuel giới thiệu vào năm 1959 và được định nghĩa là “một lĩnh vực nghiên cứu mang lại

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 1 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

máy tính có khả năng học hỏi mà không cần lập trình rõ ràng”. Năm 1997, Tom M. Mitchell đưa ra một định nghĩa rộng hơn về học máy là liên quan đến việc phát

triển các chương trình máy tính có thể tự động cải thiện theo kinh nghiệm. Cả hai định nghĩa đều bao gồm ý tưởng về việc máy tính có thể tìm hiểu các mô hình

và xu hướng từ dữ liệu lịch sử và dự đoán tương lai một cách chính xác bằng cách nâng cao khả năng của chúng.

hiệu suất học tập. Học máy nhằm mục đích xác định mô hình cung cấp dự đoán chính xác và lặp lại nhất về dữ liệu trong tương lai.

Với mục đích đó, các thuật toán được triển khai để xây dựng các mô hình toán học dựa trên dữ liệu mẫu (dữ liệu huấn luyện). Sau đó, độ chính xác về khả năng

dự đoán của các mô hình được đánh giá (dữ liệu thử nghiệm) (Cho và cộng sự, 2020, tr.1).

Học máy liên quan đến cả kiến thức chung và kiến thức miền. Kiến thức chung không phụ thuộc vào dữ liệu hoặc nhiệm vụ và liên quan đến nền tảng của học máy

như thống kê, khoa học máy tính hoặc khoa học thần kinh. Mặt khác, kiến thức miền là về lĩnh vực dữ liệu như kỹ thuật, tài chính, y tế hoặc hóa học. Kiến thức

về miền có vai trò thiết yếu trong học máy vì nó giúp thiết kế các bộ dữ liệu tốt hơn (Deng và cộng sự, 2020, tr.2).

Kể từ lần đầu tiên được giới thiệu, kỹ thuật machine learning đã trở nên rất phổ biến và hiện được nhiều doanh nghiệp sử dụng. Dựa trên những lần xem trước đó

trên một trang web, bạn có thể được đề xuất một cuốn sách hoặc một chương trình mà bạn có thể thích hoặc ngân hàng của bạn có thể thông báo cho bạn vì một

giao dịch đáng ngờ không phù hợp với kiểu chi tiêu thông thường của bạn (Ahmed, 2020, tr.2022- 2023). Đây là một số ví dụ về học máy

những ứng dụng mà chúng ta thường xuyên gặp phải trong cuộc sống hàng ngày. Học máy có thể phân tích nhiều điểm dữ liệu liên quan đến một tập hợp tình huống

nhất định để xác định tình huống nào có liên quan. Sau đó, nó có thể áp dụng kết quả cho một bộ dữ liệu tương tự khác để dự đoán kết quả (Shimamoto, 2018).

Trong những năm tiếp theo, tương tự như nhiều lĩnh vực khác, kế toán và kiểm toán sẽ trải qua những thay đổi đáng kể hơn do học máy, trí tuệ nhân tạo, sử dụng

dữ liệu lớn, chuỗi khối và các phát triển công nghệ khác và sẽ được hỗ trợ nhiều hơn bởi tự động hóa.

(Türegün, 2019, tr.91)

2.2. Phê bình văn học

Có nhiều nghiên cứu trong tài liệu về cách sử dụng kỹ thuật học máy trong kế toán và kiểm toán. Mục đích và kết quả của một số nghiên cứu được tóm tắt dưới đây.

Anandarajan & Anandarajan (1999) tập trung vào việc so sánh các kỹ thuật máy học để báo cáo hoạt động liên tục của kiểm toán viên. Kết quả nghiên cứu cho thấy

mô hình mạng nơ ron nhân tạo có khả năng dự đoán tốt hơn trong việc xác định loại báo cáo kiểm toán hoạt động liên tục so với các hệ thống chuyên gia và phân

tích phân biệt đa dạng.

Kotsiantis và cộng sự. (2006) đã khám phá tính hiệu quả của kỹ thuật học máy trong việc xác định các công ty trình bày báo cáo tài chính gian lận. Họ đã thực

hiện một số thử nghiệm bằng thuật toán học đại diện và xác định rằng phương pháp biến thể xếp chồng được đề xuất đạt kết quả tốt hơn các phương pháp khác.

Bài hát và cộng sự. (2014) đã nghiên cứu cách đánh giá rủi ro gian lận báo cáo tài chính bằng cách áp dụng phương pháp học máy. Các kết quả thử nghiệm thu

được từ việc triển khai mạng nơ-ron lan truyền ngược, cây quyết định C5.0, hồi quy logistic và máy vectơ hỗ trợ đã chứng minh rằng các yếu tố rủi ro phi tài

chính và hệ thống dựa trên quy tắc mang lại tỷ lệ lỗi thấp hơn. Vì vậy, họ kết luận rằng phương pháp đề xuất có thể làm giảm rủi ro tài chính của các bên liên

quan.

Trong nghiên cứu của Ding, Peng và Wang (2019), phân cụm K-medians, một phương pháp lựa chọn ngang hàng dựa trên máy học, đã được sử dụng cho các tỷ số tài

chính quan trọng của công ty liên quan đến các mục tiêu nghiên cứu cụ thể. Dựa trên mẫu, bao gồm 598 doanh nghiệp phá sản và 48.536 doanh nghiệp không phá sản

được quan sát trong năm, kỹ thuật phân cụm K-trung vị được kết hợp với các mô hình phát hiện sai sót trọng yếu và dự đoán phá sản. Nghiên cứu chỉ ra rằng việc

sử dụng kỹ thuật học máy đã góp phần nâng cao các mô hình bằng cách đưa thông tin về các công ty ngang hàng dựa trên cụm K-medians.

Lokanan và Tran (2019) đã sử dụng thuật toán học máy (phương pháp phát hiện bất thường động) để phát hiện bất thường trong báo cáo tài chính của các công ty

niêm yết Việt Nam bằng cách xếp hạng mức độ tin cậy trong báo cáo tài chính hàng quý của mỗi công ty. Kết quả cho thấy mô hình này có khả năng xếp hạng các

báo cáo tài chính hàng quý về mức độ tin cậy. Mô hình được triển khai cũng chỉ ra rằng mặc dù báo cáo tài chính của hầu hết các doanh nghiệp niêm yết ở Việt

Nam là đáng tin cậy nhưng khoảng 1/4 trong số đó có mức độ nghi vấn cao.

Lahann, Scheid & Fettke (2019) đã nghiên cứu các kỹ thuật máy học để chỉ ra cách sử dụng chúng nhằm giảm thiểu rủi ro và tăng cường tuân thủ VAT. Trong nghiên

cứu, bộ dữ liệu thực tế của một công ty hàng đầu trong ngành hóa chất đã được xuất từ hệ thống ERP của công ty.

Kết quả cho thấy các thuật toán học máy có thể xác định những điểm bất thường có thể dẫn đến vi phạm tuân thủ và đưa ra

cơ hội đầy hứa hẹn để tích hợp các yêu cầu tuân thủ thuế vào hệ thống CNTT.

Để dự đoán gian lận, Bao et al. (2020) đã đề xuất một mô hình sử dụng dữ liệu tài chính thô có sẵn được trích xuất từ báo cáo tài chính thay vì các tỷ số tài

chính được tính toán. Là một công cụ học máy mạnh mẽ, phương pháp học tập tổng hợp, kết hợp các dự đoán của một bộ công cụ ước tính cơ sở để cải thiện khả

năng khái quát hóa và độ tin cậy, đã được áp dụng. Kết quả chỉ ra rằng mô hình học tập tổng hợp dựa trên 28 mục dữ liệu tài chính thô vượt trội hơn Dechow et

al. và Cecchini và cộng sự. các mô hình được xác định là chuẩn.

3. ƯU ĐIỂM VÀ NHƯỢC ĐIỂM CỦA VIỆC ÁP DỤNG KỸ THUẬT HỌC TẬP MÁY

Dựa trên việc xem xét các tài liệu trước đây, những ưu điểm và nhược điểm của việc triển khai kỹ thuật học máy trong kế toán và kiểm toán được tóm tắt dưới

đây:

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 2 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

Thuận lợi:

• Sự nhất quán trong việc ra quyết định

• Khả năng xử lý lượng lớn dữ liệu có cấu trúc và không cấu trúc (ICAEW, tr.6)

• Rút ngắn chu trình xử lý dữ liệu (IAA, 2017, tr.3)

• Tăng hiệu quả và hiệu quả

• Giảm sai sót và tăng độ tin cậy của thông tin tài chính (Zemankova, 2019, tr.149)

• Các mô hình được cập nhật liên tục với ít nỗ lực hơn do các hình thức gian lận thay đổi liên tục (PwC, Machine learning: mọi rủi ro đều có thể xảy ra
và chuyên gia tuân thủ cần biết)

Nhược điểm:

• Vấn đề đạo đức

• Nguy cơ sai lệch và sai sót logic trong thiết kế mô hình (IAA, 2017, tr.3)

• Rủi ro tiềm ẩn về bảo mật và vi phạm các quy định về quyền riêng tư (Alarcon, Fine & Ng, 2019, tr.3-4)

• Cần một bộ dữ liệu lớn, cân bằng và đầy đủ để đảm bảo độ chính xác của dự đoán (Taniguchi, Sato & Shirakawa, 2018, tr.1)

• Chi phí phát triển cao

4. ỨNG DỤNG MÁY HỌC TRONG KẾ TOÁN, KIỂM TOÁN HIỆN NAY

Hầu hết các nhiệm vụ kế toán và kiểm toán đều có tính chất máy móc và lặp đi lặp lại, khiến chúng phù hợp với các ứng dụng học máy.
(Zemankova, 2019, p.149) Các quy trình kế toán thông thường như quản lý tài khoản phải thu và tài khoản phải trả, lập báo cáo chi phí và đánh
giá rủi ro có thể dễ dàng được tự động hóa bằng máy học. Ví dụ: thuật toán học máy có thể khớp hóa đơn nhận được với đơn đặt hàng liên quan,
xác định tài khoản chi phí chính xác để ghi nhận và đặt nó vào nhóm thanh toán nơi nhân viên có thể kiểm tra và gửi yêu cầu thanh toán đến hàng
đợi thanh toán (Haq, Abatemarco & Hoops, 2020, tr.8)

Nhờ những lợi thế của việc triển khai kỹ thuật học máy, các công ty kế toán Big Four đã đầu tư lớn vào đổi mới công nghệ và phát triển một số
nền tảng hoặc công cụ sử dụng thuật toán học máy và trí tuệ nhân tạo (Kokina & Davenport, 2017, tr.116). Ngoài các nền tảng và công cụ được
phát triển này, còn có các dự án nhỏ hơn về dịch vụ kế toán thuê ngoài, trong đó các công cụ máy học được sử dụng cho mục đích ghi sổ kế toán
hoặc khai thuế.

Khi các công ty Big Four theo đuổi những cải tiến mới nhất trong lĩnh vực kế toán và kiểm toán (Zemankova, 2019, tr.151), các ứng dụng hiện tại
học máy đã được xem xét bằng cách tập trung vào các công cụ và công nghệ do Big Four phát triển:

4.1. Nghiêm túc và trẻ trung (EY)

EY sử dụng kỹ thuật máy học để phân tích và trích xuất dữ liệu từ dữ liệu phi cấu trúc nhằm thu thập thêm bằng chứng kiểm toán và phân tích các
tập dữ liệu lớn nhằm đánh giá rủi ro sai sót trọng yếu do gian lận. Các ứng dụng học máy giúp tăng số lượng tài liệu được phân tích bên cạnh
việc tăng độ chính xác và tốc độ.

Canvas: là nền tảng trực tuyến đầu tiên kết nối các chuyên gia kiểm toán với khách hàng của họ và cho phép quản lý và điều phối kiểm toán nhất quán
bất kể quy mô, vị trí hay mức độ phức tạp. Canvas cung cấp khả năng giám sát theo thời gian thực về quá trình kiểm tra và các mốc quan trọng trong
quy trình kiểm toán, tùy chỉnh nhanh chóng phương pháp kiểm toán do những thay đổi trong môi trường pháp lý và báo cáo ngay lập tức các phát hiện
(EY, EY Canvas).

Helix: là một nền tảng phân tích toàn cầu có sẵn cho tất cả các nhóm kiểm toán và có thể xử lý dữ liệu ở mọi quy mô và áp dụng phương pháp kiểm toán phân tích

vào phương pháp của công ty. Nền tảng này phân tích các mục nhật ký, doanh thu và chi phí, các hoạt động phải thu và phải trả trong giao dịch, biến
động và hồ sơ hàng tồn kho, đánh giá mức độ rủi ro của danh mục thế chấp của khách hàng và xác định mọi mô hình, xu hướng và điểm bất thường tiềm
ẩn. Với Helix, thay vì dành thời gian cho việc thu thập dữ liệu, kiểm toán viên có thể tập trung vào việc thực hiện kiểm toán chất lượng cao (EY,
EY Helix).

Trình phân tích chuỗi khối: cung cấp tính minh bạch cao hơn trong các giao dịch chuỗi khối của khách hàng dưới dạng hỗ trợ cho các quy trình kiểm toán (EY, Đổi

mới kiểm toán).

4.2. PwC

GL.ai: là một bot mang tính cách mạng sử dụng thuật toán học máy để kiểm tra lượng dữ liệu khổng lồ như giao dịch được tải lên, người dùng, số tiền và
tài khoản trong mỗi giao dịch để xác định các lỗi tiềm ẩn hoặc gian lận mà không có bất kỳ sai lệch nào. GL.ai là mô-đun đầu tiên của Audit.ai của PwC,
và các mô-đun khác đang được phát triển để nâng cao chất lượng, hiệu quả kiểm toán và dịch vụ khách hàng (PwC, Khai thác sức mạnh của AI để
chuyển đổi việc phát hiện gian lận và sai sót).

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 3 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

Cash.ai: là một công cụ mới sử dụng trí tuệ nhân tạo và kỹ thuật máy học để thực hiện kiểm toán tiền mặt hoàn toàn tự động bằng cách phân tích số dư tiền mặt, đối chiếu ngân hàng

và thư xác nhận, ngoại hối và tình hình tài chính của ngân hàng (PwC, Khai thác AI để tiên phong trong lĩnh vực mới các phương pháp kiểm toán).

Halo: là công nghệ kiểm tra dữ liệu giúp phân tích khối lượng dữ liệu khổng lồ và cung cấp khả năng đánh giá rủi ro được cải thiện. Nó nêu bật các mô hình và mối quan hệ bất thường

cũng như chỉ định các giao dịch có rủi ro cao bằng cách trực quan hóa đồ họa (PwC, Kiểm toán PwC). Phát hiện “Halo cho chi phí nhân viên”

những điểm bất thường, điều chỉnh các chính sách để giảm chi phí và cung cấp phân loại chi phí chính xác cho mục đích thuế (PwC, Halo dành cho chi phí nhân viên).

4.3. công ty Deloitte

Argus: là ứng dụng kiểm toán nhận thức đầu tiên của Deloitte sử dụng các kỹ thuật máy học tiên tiến để xác định và trích xuất thông tin tài chính quan trọng từ các tài liệu điện

tử (Davenport, 2016, tr.6). Với con mắt ảo của Argus, thay vì lấy mẫu, dữ liệu được trích xuất từ toàn bộ tổng thể có thể được sử dụng để xác định các rủi ro, điểm bất thường và

xu hướng tiềm ẩn (Deloitte, Cung cấp các cuộc kiểm toán thông minh hơn - Thông tin chuyên sâu thông qua đổi mới, 2017, trang 6).

Cortex: là một ứng dụng phân tích dựa trên đám mây, ban đầu được thiết kế cho khách hàng kiểm toán và thuế nhưng hiện cũng đang được sử dụng cho các dịch vụ tư vấn, rủi ro và tư

vấn tài chính. Cortex cung cấp khả năng lưu trữ dữ liệu tập trung, quản lý dữ liệu lớn, phân tích nâng cao, thuật toán, mô hình và mẫu (Deloitte, CortexAI).

Omnia DNAV: là giải pháp kỹ thuật số cách mạng hóa hoạt động kiểm toán chứng khoán và đầu tư bằng cách kết hợp công nghệ kỹ thuật số, học máy, khoa học dữ liệu với phán đoán của

kiểm toán viên để cung cấp các cuộc kiểm toán chất lượng cao. Omnia DNAV chuyển đổi dữ liệu khách hàng và dữ liệu nhà cung cấp bên ngoài để thiết lập một cách mới để thực hiện

định giá bằng thuật toán thông minh (Deloitte, Thông cáo báo chí).

Optix: cung cấp khả năng phân tích dữ liệu nâng cao cho các tập dữ liệu nhật ký lớn nhằm xác định các giao dịch có thể thu hút sự quan tâm của kiểm toán viên (Deloitte, Cung cấp

các cuộc kiểm toán thông minh hơn - Hiểu biết sâu sắc thông qua đổi mới, 2017, trang 4).

Signal: là phần mềm phân tích rủi ro kiểm tra thông tin tài chính có sẵn công khai nhằm xác định các rủi ro tiềm ẩn để có thể cung cấp đánh giá rủi ro toàn diện cho khách hàng

(Deloitte, Cung cấp kiểm toán thông minh hơn - Hiểu biết sâu sắc thông qua đổi mới, 2017, trang 4). Bằng Signal, nhóm kiểm toán có thể xác định các rủi ro tiềm ẩn về sai sót, sai

sót trọng yếu và các yếu tố rủi ro khác (Deloitte Signal, Trao quyền đánh giá rủi ro sáng suốt hơn, 2018, trang 1).

Tiết lộ: là một công cụ để kiểm tra số dư tài khoản và xác định các mối quan hệ nhằm cung cấp mô hình dự đoán có thể giúp kiểm toán viên xác định cụ thể

lĩnh vực kiểm toán quan tâm (Deloitte, Thực hiện kiểm toán thông minh hơn - Hiểu biết sâu sắc thông qua đổi mới, 2017, trang 4).

Sonar: là công cụ giúp kiểm tra nhanh chóng và chính xác các thông tin do con người nhập vào như cơ sở dữ liệu khách hàng chứa mô tả sản phẩm, thuế suất VAT cho từng sản phẩm, mã

hàng, mã vạch và bất kỳ thông tin cần thiết nào khác và xác định các lỗi ghi nhãn trong cơ sở dữ liệu (Deloitte, 16 dự án Trí tuệ nhân tạo của Deloitte - Các trường hợp thực tế về

ứng dụng AI, 2018, tr.14-15).

GRAPA (Trợ lý cá nhân đánh giá rủi ro có hướng dẫn): hoạt động như một trợ lý để xác định chiến lược rủi ro dựa trên kiến thức chuyên môn tổng hợp của tất cả các kiểm toán viên.

Bằng GRAPA, có thể so sánh chiến lược rủi ro đã chọn của kiểm toán viên với tất cả các chiến lược khác đã được sử dụng trong các cuộc kiểm toán trước đó (Deloitte, 16 dự án Trí

tuệ nhân tạo của Deloitte - Các trường hợp thực tế về ứng dụng AI, 2018, tr.18-19 ).

HR Agent Edgy: là một chatbot nhận thức có thể tương tác với nhân viên và ứng viên tiềm năng. Ngoài ra, Edgy có thể giải quyết các thắc mắc của nhân viên, hỗ trợ nhân viên gửi yêu

cầu chi phí, ghi lại báo cáo ốm đau của nhân viên hoặc ghép ứng viên vào vị trí trống hiện tại (Deloitte, 16 dự án Trí tuệ nhân tạo từ Deloitte - Các trường hợp thực tế về AI ứng

dụng, 2018, tr. 24-25).

DocQMiner: là một ứng dụng học máy được phát triển đặc biệt để phân tích hợp đồng. Liên quan đến các quy định của IFRS 16, tất cả các hợp đồng thuê tài sản phải được liệt kê trên

bảng cân đối kế toán. DocQMiner có thể trích xuất thông tin liên quan (tức là ngày bắt đầu hợp đồng) từ các hợp đồng đó (Deloitte, 16 dự án Trí tuệ nhân tạo từ Deloitte - Các

trường hợp thực tế về AI ứng dụng, 2018, tr.31).

Eagle Eye: là một công cụ được thiết kế để tìm kiếm trên internet nhằm xác định liệu một công ty có khả năng sớm gặp phải khó khăn tài chính hay không. Hệ thống giám sát truyền

thống xem xét báo cáo tài chính, chuyển khoản tín dụng hoặc tài khoản ngân hàng. Mặt khác, Eagle Eye tìm kiếm các tín hiệu cảnh báo sớm bằng cách thu thập khối lượng dữ liệu khổng

lồ, phân tích và liên hệ chúng, đồng thời nhận ra các mẫu cụ thể trước khi quan sát các chỉ báo khó khăn dựa trên báo cáo tài chính (Deloitte, 16 dự án Trí tuệ nhân tạo từ

Deloitte - Các trường hợp thực tế của AI ứng dụng, 2018, tr.32).

BrainSpace: là công cụ tự học dùng để hỗ trợ trong các vụ việc pháp lý. BrainSpace sử dụng công nghệ học máy và phân tích cụm để tìm kiếm thông qua dữ liệu phi cấu trúc nhằm xác

định những gì có thể được sử dụng làm bằng chứng hỗ trợ cho việc bào chữa của khách hàng. Nó cũng cung cấp các định dạng trực quan hấp dẫn để trình bày dữ liệu liên quan (Deloitte,

16 dự án Trí tuệ nhân tạo từ Deloitte - Các trường hợp thực tế về AI ứng dụng, 2018, trang 38).

4.4. KPMG

Clara: là một nền tảng kiểm toán thông minh áp dụng các giải pháp trí tuệ nhân tạo và học máy mới nhất để phân tích dữ liệu, cung cấp các mẫu có ý nghĩa cũng như xác định các rủi

ro và bất thường (KPMG, KPMG Clara).

Bảng sau đây tóm tắt một số công cụ và nền tảng được các công ty Big Four phát triển dựa trên lĩnh vực ứng dụng ban đầu của họ.

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 4 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

Bảng 1: Nền tảng/Công cụ được phát triển bởi các công ty kế toán Big Four

EY PwC công ty Deloitte KPMG

Thuế & Pháp lý Sonar

Tranh sơn dầu GL.ai Argus Clara

đường xoắn ốc Cash.ai Optix

Trình phân tích chuỗi khối hào quang

Tín hiệu

Kiểm toán vỏ não

Tiết lộ

Omnia DNAV

GRAPA

Tư vấn Đặc vụ nhân sự Edgy

DocQMiner
Tư vấn rủi ro
mắt đại bàng

Tư vấn tài chính BrainSpace

Diễn đàn & Giải thưởng Kế toán Kỹ thuật số là sự kiện uy tín do International Accounting Bulletin tổ chức từ năm 2012. Deloitte và PwC đã giành được 6 giải thưởng

“Sáng tạo Kiểm toán của Năm” tại Diễn đàn & Giải thưởng Kế toán Kỹ thuật số, thể hiện sự quan tâm của Big Four. các công ty trong đổi mới công nghệ.

Bảng 2: Diễn đàn Kế toán Kỹ thuật số & Giải thưởng của Bản tin Kế toán Quốc tế - Đổi mới kiểm toán của Năm

Năm Người chiến thắng giải thưởng Sự đổi mới

2015 công ty Deloitte

Argus
2016 PwC hào quang

2017 PwC GL.ai

2018 công ty Deloitte vỏ não

2019 PwC Cash.ai

2020 công ty Deloitte Omnia DNAV

http://www.internationalaccountingbulletin.com/events-archive

Như đã kiểm tra, có vẻ như các công ty kế toán Big Four đã phát triển một số nền tảng hoặc công cụ liên quan đến thuật toán học máy và đã tích hợp chúng vào quy trình

kiểm toán và tư vấn của họ. Do sự cạnh tranh gay gắt và lợi thế của việc triển khai các công nghệ như vậy, có vẻ như các công ty này sẽ sử dụng nhiều tự động hóa hơn

trong những năm tiếp theo (Faggella, 2020).

5. KẾT LUẬN

Các công nghệ mới, chẳng hạn như học máy, đã tạo ra những cách hoàn thành nhiệm vụ khác nhau, điều này cũng ảnh hưởng đến nghề kế toán và kiểm toán. Bất chấp những

hạn chế, việc triển khai các công cụ học máy có nhiều ưu điểm, chẳng hạn như tăng hiệu suất và hiệu quả bằng cách phân tích dữ liệu nhanh hơn, kiểm toán chất lượng

cao, giảm lỗi, xác định sớm rủi ro và tạo lợi thế cạnh tranh.

Do đó, các công ty Big Four đã phát triển nhiều công cụ khác nhau và vẫn đang mở rộng danh mục dự án học máy của mình.

Có dự đoán rằng 30% cuộc kiểm toán doanh nghiệp sẽ được thực hiện bởi nền tảng máy học và trí tuệ nhân tạo vào năm 2025. Sự chuyển đổi nhanh chóng trong nghề này cũng

tạo ra nhu cầu quản trị có đạo đức trong việc thực hiện. Ngoài ra, cũng cần có hướng dẫn và giám sát theo quy định liên quan đến các công cụ học máy và trí tuệ nhân

tạo được các công ty kế toán và kiểm toán sử dụng trong quy trình (Munoko, Brown‑Liburd & Vasarhelyi, 2020, trang 2).

NGƯỜI GIỚI THIỆU

Ahmed, A. (2020). “Từ dữ liệu đến trí tuệ” Sử dụng khả năng học máy trong các chuyên gia tài chính và kế toán. Phát triển tài năng

& Xuất sắc, 12(3), 2019-2036.

Alarcon, JL, Fine, T. & Ng, C. (2019). AI kế toán và học máy: Ứng dụng và thách thức. Tạp chí CPA Pennsylvania, 2019

Số đặc biệt, 1-5.

Anandarajan, M. & Anandarajan, A. (1999). So sánh các kỹ thuật học máy với mô hình phản hồi định tính dành cho kiểm toán viên

đang đi báo cáo mối quan tâm. Hệ thống chuyên gia với các ứng dụng, (16), 385-392.

Bao, Y., Ke, B., Li, B., Yu, J. & Zhang, J. (2020). Phát hiện gian lận kế toán trong các công ty giao dịch công khai của Hoa Kỳ bằng cách sử dụng phương pháp học máy.

Tạp chí Nghiên cứu Kế toán, 58(1), 199-235.

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 5 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

Bhavsar, P., Safro, I., Bouaynaya, N., Polikar, R. & Dera, D. (2017). Học máy trong phân tích dữ liệu vận tải. Ở M. Chowdhury, A.
Apon, & K. Dey (Eds.), Phân tích dữ liệu cho hệ thống giao thông thông minh (trang 283–307). Công ty Elsevier

Cho, S., Vasarhelyi, MA, Sun, T., & Zhang, C. (2020). Học từ Machine Learning trong Kế toán và Đảm bảo. Tạp chí mới nổi
Công nghệ trong Kế toán, 17(1), 1-10.

T.
Davenport, (2016). H. công ty Deloitte
- Sức mạnh của sự tiến bộ kiểm toán phân tích. Được lấy từ https://

www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/us-da-advanced-audit-analytics.pdf (Truy cập: ngày 6 tháng 10 năm 2020).

Deloitte (2018). 16 dự án Trí tuệ nhân tạo của Deloitte - Những trường hợp ứng dụng AI thực tế. Được lấy từ https://www2.deloitte.com/content/dam/
Deloitte/nl/Documents/innovatie/deloitte-nl-innovatie-artificial-intelligence-16-practical-cases.pdf (Truy cập: ngày 7 tháng 10 năm 2020).

Deloitte, CortexAI. Được lấy từ https://www2.deloitte.com/us/en/pages/consulting/topics/cortex-ai-platform.html (Truy cập: ngày 10 tháng 10 năm 2020).

- Đã truy
Deloitte Mang lại sự
(2017). thông minh hơn kiểm toán bởi vì
đổi mới. từ https://www2.deloitte.com/content/dam/Deloitte/us/Documents/audit/us-audit-smarter-audits-dynamic-insights-through-innovation.pdf
Thông tin chi tiết (Truy cập:xuất
ngày 6 tháng 10

năm 2020).

Deloitte (2018). Tín hiệu Deloitte. Lấy từ https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/audit/deloitte-cn-audit-innovation-product-intro-

deloitte-signal-en-191119.pdf (Truy cập: ngày 10 tháng 10 . 2020).

Deloitte, Thông cáo báo chí - . Deloitte giành giải 'Sáng tạo kiểm toán của năm' năm 2020 tại Diễn đàn & Giải thưởng Kế toán Kỹ thuật số. Lấy từ

https://www2.deloitte.com/us/en/pages/about-deloitte/articles/press-releases/deloitte-wins-2020-audit-innovation-of-the-year-at-digital-
accountancy- forum-awards.html (Truy cập: ngày 24 tháng 10 năm 2020).

Đặng, C., Ji, X., Rainey, C., Zhang, J. & Lu, W. (2020). Tích hợp học máy với kiến thức của con người. iScience, 1-46 (Tạp chí chứng minh trước).
https://doi.org/10.1016/j.isci.2020.101656.

Đinh, K., Bành, X., & Wang, Y. (2019). Phương pháp lựa chọn ngang hàng dựa trên máy học với các tỷ lệ tài chính. Chân trời kế toán, 33(3), 75-
87.

Dogan, A. & Birant, D. (2021). Học máy và khai thác dữ liệu trong sản xuất. Hệ thống chuyên gia với các ứng dụng, (166), 1-22.

EY, Đổi mới kiểm toán. Được lấy từ https://www.ey.com/en_gl/audit/innovation (Truy cập: ngày 21 tháng 10 năm 2020).

EY Canvas. Được lấy từ https://www.ey.com/en_gl/audit/technology/canvas (Truy cập: ngày 21 tháng 10 năm 2020).

EY Helix. Được lấy từ https://www.ey.com/en_gl/audit/technology/helix (Truy cập: ngày 21 tháng 10 năm 2020).

Faggella, D. (2020). AI trong Bộ tứ kế toán lớn – So sánh Deloitte, PwC, KPMG và EY. Được lấy từ https://emerj.com/ai-sector-overviews/ai-in-the-
accounting-big-four-comparing-deloitte-pwc-kpmg-and-ey/ (Truy cập: ngày 8 tháng 10 năm 2020).

Haq, I., Abatemarco, M. & Hoops, J. (2020). Sự phát triển của học máy và ý nghĩa của nó đối với kế toán công. Tạp chí CPA,
90(6), 6-9.

ICAEW (2018). Trí tuệ nhân tạo và tương lai của kế toán Lấy từ https://www.icaew.com/-
/media/corporate/files/Technical/information-technology/thought-leadership/artificial-intelligence-report.ashx?la=en (Truy cập: ngày 22 tháng 10 năm
2020).

IIA. (2017). Küresel Bakış Açıları ve Anlayışlar: Yapay Zeka - İç Denetim Mesleğine İlişkin Dikkate Alınması Gerekenler, Kısım I. Lấy từ https://
www.tide.org.tr/file/documents/pdf/GPAI-Artificial-Intelligence-Part-I- Revised.pdf (Truy cập: ngày 2 tháng 9 năm 2020).

Bản tin Kế toán Quốc tế, Lưu trữ Sự kiện. Được lấy từ http://www.internationalaccountingbulletin.com/events-archive (Truy cập: ngày 20 tháng 10 năm
2020).

Kokina, J. & Davenport, TH (2017). Sự xuất hiện của trí tuệ nhân tạo: Tự động hóa đang thay đổi hoạt động kiểm toán như thế nào, Tạp chí các công
nghệ mới nổi trong kế toán, 14(1), 115-122.

Kotsiantis, S., Koumanakos, E., Tzelepis, D. & Tampakas, V. (2006). Dự báo báo cáo tài chính gian lận bằng cách sử dụng khai thác dữ liệu, Tạp chí
quốc tế về trí tuệ tính toán, 3(2), 104-110.

KPMG Clara. Được lấy từ https://home.kpmg/xx/en/home/services/audit/kpmg-clara.html (Truy cập: ngày 18 tháng 10 năm 2020).

Lahann, J., Scheid, M. & Fettke, P. (2019). Sử dụng kỹ thuật học máy để phát hiện các vi phạm tuân thủ thuế VAT trong dữ liệu kế toán.
Hội nghị IEEE lần thứ 21 về Tin học kinh doanh (CBI) lần thứ 21 năm 2019, 1-10.

Lokanan, M. & Trần, V. (2019). Phát hiện bất thường trong báo cáo tài chính bằng thuật toán machine learning
các công ty. Tạp chí Nghiên cứu Kế toán Châu Á, 4(2), 181-201.

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 6 Thủ tục báo chíAcademia
Machine Translated by Google

Đại hội Tài chính Istanbul lần thứ 9 (IFC - 2020), Tập 12-p.1-7 __________Ucoglu

Munoko, I., Brown‑Liburd, HL & Vasarhelyi, M. (2020). Ý nghĩa đạo đức của việc sử dụng trí tuệ nhân tạo trong kiểm toán. Tạp chí kinh doanh
Đạo đức, 1-26.

PwC, Halo về chi phí nhân viên. Được lấy từ https://www.pwc.com/us/en/services/tax/tax-innovation/halo-for-employee-expenses.html (Truy cập: ngày 15 tháng 10 năm

2020).

PwC, Khai thác AI để tiên phong trong các phương pháp kiểm toán mới Lấy từ https://www.pwc.com/gx/en/about/stories-from-across-the-world/harnessing-ai-to-pioneer-

new-approaches-to-the-audit.html (Đã truy cập: ngày 15 tháng 10 năm 2020).

PwC, Khai thác sức mạnh của AI để chuyển đổi việc phát hiện gian lận và sai sót. Lấy từ https://www.pwc.com/gx/en/about/stories-from-across-the-world/harnessing-

the-power-of-ai-to-transform-the- detection-of-fraud- and-error.html (Truy cập: ngày 15 tháng 10 năm 2020).

PwC, Học máy: điều mà mọi chuyên gia về rủi ro và tuân thủ cần biết. Được lấy từ https://www.pwc.com/us/en/services/forensics/library/machine-learning-risk-

compliance.html (Truy cập: ngày 15 tháng 10 năm 2020).

PwC, Kiểm toán PwC. Được lấy từ https://www.pwc.com/gx/en/services/audit-assurance/the-pwc-audit.html (Truy cập: ngày 15 tháng 10 năm 2020).

Shimamoto, DC (2018). Tại sao kế toán viên phải áp dụng Machine Learning Được lấy từ https://www.ifac.org/know-gateway/preparing-future-ready-professionals/

discussion/why-accountants-must-embrace-machine-learning (Truy cập: ngày 24 tháng 9 năm 2020).

Song, X., Hu, Z., Du, J.& Sheng, Z. (2014). Áp dụng phương pháp học máy để đánh giá rủi ro gian lận báo cáo tài chính: Bằng chứng

từ Trung Quốc. Tạp chí Dự báo, (33), 611-626.

Taniguchi, H., Sato, H. & Shirakawa, T. (2018). Một mô hình học máy với những thành kiến nhận thức của con người có khả năng học hỏi từ những điều nhỏ nhặt và

các tập dữ liệu thiên lệch. Báo cáo khoa học, (8), 1-13.

Türegün, N. (2019). Tác động của công nghệ trong báo cáo tài chính: Trường hợp của Amazon Go. Tạp chí Tài chính Kế toán Doanh nghiệp, 30(3),
90-95.

Zemankova, A. (2019). Trí tuệ nhân tạo trong kiểm toán và kế toán: Sự phát triển, xu hướng hiện tại, cơ hội và thách thức – Tạp chí tài liệu. Hội nghị quốc tế

2019 về Điều khiển, Trí tuệ nhân tạo, Robot & Tối ưu hóa (ICCAIRO), 148-154.

___________________________________________________________________________________________________
DOI: 10.17261/Pressacademia.2020.1337 7 Thủ tục báo chíAcademia