TFL Vsebine / TFLGlasnik

1. NAPREDNA INFORMACIJSKA TEHNOLOGIJA V REVIZIJI

Revizija je ključna za zagotavljanje transparentnosti in zaupanja v finančne informacije, kar je še posebej pomembno za vlagatelje, kreditorje in druge deležnike. Sodobna revizija temelji na uporabi informacijske tehnologije, ki je ključna za preizkušanje in ocenjevanje podatkov, uporabljenih za pripravo računovodskih izkazov. Pri tem se za preizkušanje in ocenjevanje podatkov lahko uporabljajo napredne informacijske tehnologije (Leung, Coram, Cooper, Redgen, Canestrari-Soh, 2024).

Razvoj informacijskih tehnologij je med ključnimi dejavniki za številne spremembe v poslovanju in načinu dela številnih podjetij in organizacij široma po svetu v 21. stoletju.

Evolucija informacijskih sistemov na področju računovodstva sega od klasičnih papirnih ročno vodenih računovodskih knjig, manjših računovodskih programčkov, centralnih računalnikov (tako imenovanih »mainframe«) do močno integriranih računalniških sistemov in oblačnih storitev. S spreminjanjem sistemov (npr. od informacijskih sistemov za podporo poslovanju celotnega podjetja do računovodskih storitev v oblaku, od prodaje na prostem trgu do splošne uporabe interneta za izvedbo in obdelavo transakcij) so se morale prilagoditi tudi metode v reviziji. Čeprav tehnologija ni spremenila osnovnega cilja revizije računovodskih izkazov, pa je v revizorju spodbudila potrebo po znanju in razumevanju naštetih sistemov (Imene, Imhanzenobe, 2020).

Nicholls, Kuppa in Le-Khac (2021) med drugim ugotavljajo, da že obstaja več tako imenovanih inteligentnih metod, kot so strojno učenje in metode globokega učenja, ki so se že široko uveljavile na gospodarskih in finančnih področjih za podporo potrošnikom pri trgovanju, bančništvu, plačilih in odločanju o kreditih. Tehnološke izboljšave, predvsem zmožnosti avtomatizacije nalog in procesov, prav zato zelo vplivajo tudi na vlogo in delo revizije (KPMG, 2016).

Na področju revidiranja so tako imenovana Big4 ali velika štiri revizijska podjetja veliko vlagala, in še vedno, v umetno inteligenco za revidiranje, svetovanje in dajanje zagotovil (Issa, Sun in Vasarhelyi, 2016).

Uvedba inovativnih informacijskih tehnologij, kot so umetna inteligenca, strojno učenje, pametni pomočniki in robotska avtomatizacija procesov, prav tako prinašajo korenite spremembe v sedanje paradigme revizijske stroke in zagotavljajo večjo zanesljivost in varnost pri analizi finančno-računovodskih izkazov. V nadaljevanju so na kratko predstavljeni.

1.1. Umetna inteligenca

Umetna inteligenca (angl. Artificial Intelligence – aI) je kognitivna sposobnost za povečanje ali simulacijo človeškega razmišljanja. Umetno inteligenco je mogoče opredeliti s primeri uporabe. Nekatere primere uporabe umetne inteligence lahko opredelimo kot »obdelavo naravnega jezika, samodejno programiranje, klepetalne robote, inteligentne sisteme za iskanje podatkov« (Russell, Norwig, 2016).

Umetna inteligenca vključuje strojno učenje in druge tehnike, na primer strojni vid in iskanje/pregledovanje. Pogosto deluje v ozadju računalniških programov, brez vednosti uporabnika; od prepoznavanja fotografij do priporočanja želenih oglasov prijateljem.

Nad spletnimi podatki se uporablja veliko različnih že znanih algoritmov (na primer nevronske mreže), ki posnemajo ali celo presegajo ljudi pri podobnih opravilih (Pušnik, 2018).

Za učenje potrebuje umetna inteligenca velike količine podatkov. Razvoj umetne inteligence zahteva tudi uporabo testnih podatkov. Razvoj algoritmov strojnega učenja poteka tako, da je treba najprej razumeti poslovni primer oziroma problem, ki ga bomo reševali s strojnim učenjem. Nadalje moramo razumeti podatke, ki jih bomo uporabili za razvoj, in na koncu produkcijske podatke. Zelo pomembno je, da podatke pripravimo za fazo učenja in fazo testiranja (Sarker, 2021). Nenapisano pravilo je, da se 70 odstotkov podatkov uporabi za učenje, 20 za testiranje in 10 odstotkov za končno uporabo. Naslednji korak je izdelava modela za modeliranje, v katerem izdelamo model, ki prepoznava uporabne vzorce in se samodejno izboljša/uči, če mu damo na voljo nove podatke, da jih model procesira. Ko model preverimo tudi z nepravilnimi podatki in različnimi omejitvami, s katerimi se bomo srečali v kočni uporabi, je prva stabilna verzija pripravljena za uporabo. Razviti algoritmi so pogosto uporabni tudi za druga področja, pred uporabo pa so po navadi potrebne prilagoditve modela.

V praksi dajanja zagotovil se umetna inteligenca uporablja za izvajanje revizijskih in računovodskih postopkov, kot so pregledovanje poslovnih knjig, izpolnjevanje davčnih obveznosti, priprava dokumentacije, analitični podatki, upoštevanje stroškov, odkrivanje prevar in odločanje. Umetna inteligenca obljublja sposobnost pregledovanja nestrukturiranih podatkov v realnem času in zagotavljanja jedrnatih analiz na podlagi številčnih, besedilnih, vizualnih in glasovnih podatkov. Pri obravnavi velikih količin podatkov (pomembnih in nepomembnih) lahko sistemi, ki uporabljajo rešitve umetne inteligence, učinkovito usmerjajo revizorje na področja z velikim tveganjem (Brown- liburd, Issa in lombardi, 2015).

1.2. Strojno učenje

Strojno učenje (angl. Machine Learning – Ml) je razmeroma novo področje v računalništvu, ki omogoča učenje modela na podlagi primerov (Clark, 2017). Strojno učenje je ena od oblik umetne inteligence in področje umetne inteligence, ki se ukvarja z iskanjem pravil in zakonitosti v podatkih. Na voljo imamo veliko količino podatkov, lahko pa tudi predznanje o tem, kakšna približno bodo pravila. Kot pravi Kononenko (2002): »osnovni princip strojnega učenja je avtomatsko opisovanje (modeliranje) pojavov iz podatkov. Rezultat učenja iz podatkov so lahko pravila, funkcije, relacije, sistemi enačb, verjetnostne porazdelitve ipd., ki so lahko predstavljene z različnimi formalizmi: odločitvenimi pravili, odločitvenimi drevesi, regresijskimi drevesi, Bayesovimi mrežami, nevronskimi mrežami itd. Naučeni modeli poskušajo razlagati podatke, iz katerih so bili modeli generirani, in se lahko uporabijo za odločanje pri opazovanju modeliranega procesa v prihodnosti (napovedovanje, diagnosticiranje, nadzor, preverjanje, simulacije itd.).«

Strojno učenje je danes ključen sestavni del številnih informacijskih sistemov na različnih področjih:

• zdravljenje in diagnostika v medicini (Callahan, Shah, 2017);
• preprečevanje prevar in pranja denarja (Paula, Ladeira, Carvalho, Marzagão, 2016);
• avtomatsko trgovanje z vrednostnimi papirji (Fister, Mun, Jagrič & Jagrič, 2019);
• samovozeča se vozila (Schwarting, Alonso-Mora, Rus, 2018);
• priporočila na družbenih omrežjih in v spletnih trgovinah (Zhang, Pennacchiotti, 2013).

V nadaljevanju so naštete možnosti uporabe strojnega učenja na posameznih poslovnih področjih procesov in sistemov (Pušnik, 2018):

• ocenjevanje cenovne prilagodljivosti izdelkov;
• spremljanje bonitete strank na podlagi verjetnosti za poplačilo kredita; spremljanje obnašanja kupcev;
• predvidevanje verjetnosti izpeljave prodaje za povečanje verjetnost prodaje; pomoč pri izbiri pri zaposlovanju novih kadrov;
• analiza palete produktov glede na pričakovanja trga;
• filtriranje neželene elektronske pošte;
• napovedovanje obravnav bolnikov v izbranem časovnem obdobju;
• napovedovanje trendov v klicnih centrih za ustrezen odziv ob povečanju;
• napovedovanje porabe elektrike v proizvodnji;
• razvrščanje slik oziroma fotografij;
• zagotavljanje ustreznih varnostnih zalog;
• predvidevanje cen produktov na podlagi njihovih lastnosti (starost, izraba, ipd.);
• segmentiranje uporabnikov v različne skupine glede na karakteristike (na primer glede na pooblastila, trajanje zaposlitve) za učinkovitejše izvajanje odkrivanja nezadovoljstva in preprečevanje odhajanja zaposlenih;
• priporočanje zaposlenim, katero izobraževanje naj opravijo ali si ogledajo na podlagi priljubljenosti pri drugih zaposlenih s podobnimi značilnostmi;
• priporočanje novic bralcem, ki želijo prebrati novice na podlagi priporočil znancev; optimizacija trgovalnih strategij pri opcijskih trgovalnih portfeljih;
• optimizacija logistike v skladiščih z uporabo robotov;
• optimizacija cen v realnem času pri spretnih avkcijah izdelkov z omejeno zalogo;
• uravnavanje obremenitev električnih omrežij na podlagi povpraševanja;
• optimizacija vožnje avtonomnih vozil (primer interna logistika v proizvodnji).
• algoritme strojnega učenja je možno uporabljati tudi za revizijo in v računovodstvu:
• priprava ključnih povzetkov iz daljših besedil, kot so različne pogodbe (prodajne, najemne, pogodbe za nakupe in prodajo finančnih instrumentov, ipd.);
• ekstrakcija ključnih besed oziroma besednih zvez iz besedil;
• prepoznava problematičnih transakcij ali knjižb; odkrivanje goljufij v transakcijah;
• avtomatska analiza dostopnih pravic in uporabniške delitve vlog;
• analiza podvojenih transakcij (npr. računov);
• analiza vzorcev kibernetskih napadov v velikih količinah revizijskih sledi.

1.3. Generativna ali pogovorna umetna inteligenca

Generativna ali pogovorna umetna inteligenca (tudi t. i. pametni pomočniki, angl. generative/conversational artificial intelligence) je področje umetne inteligence, ki se je začelo širše uporabljati šele pred kratkim. Združuje obdelavo naravnega jezika (angl. Natural Language Processing – NlP) in strojno učenje za analizo uporabniških vnosov, razlago njihovega pomena in namena ter ustvarjanje ustreznih odzivov oziroma generiranje odgovorov pri pogovornih robotih.

Tako uporaba pogovorne umetne inteligence v računalniških programih omogoča, da v naravnem jeziku interaktivno komunicira z ljudmi (Wang, Choi, Xu & Yang, 2021).

Pogovorno umetno inteligenco, ki temelji na umetni inteligenci, je možno opredeliti s primeri uporabe. Značilne primere uporabe pogovorne umetne inteligence lahko opredelimo kot »obdelavo naravnega jezika, samodejno programiranje, pogovorne oziroma klepetalne robote, inteligentne sisteme za iskanje podatkov« (Russell, Norwig, 2016).

Razvoj današnje pogovorne inteligence se je začel s prvimi pogovornimi roboti, ki so bili ustvarjeni sredi 20. stoletja. Prvi zabeleženi primer ELIZA je razvil Joseph Weizenbaum s sodelavci leta 1966 pod okriljem tehnološkega inštituta v Massachusettsu (MIT). ELIZA je bila zasnovana tako, da je odražala jezikovne vzorce psihoterapevta, sposobnega vzdrževati preproste interakcije s človeškimi uporabniki.

To je bilo izhodišče za poznejši razvoj več kompleksnejših pogovornih sistemov umetne inteligence (Thompson, 2024).

Pogovorni roboti (angl. chatbots)¹ ali napredni pogovorni roboti se danes uporabljajo za razumevanje netrivialnih vprašanj, reševanje raznih nalog (vključno z matematičnimi), pripravo predlogov besedil za različne namene (od pisanja elektronski poročil, marketinških besedil, odprave slovničnih napak, priprave kratkih povzetkov in analiz ter primerjav do odprave napak v programski kodi, priprave predlogov programske kode, prevajanja med različnimi jeziki v realnem času, kreiranja slik in drugih avdiovizualnih del), in to s storitvijo, kot sta ChatGPT² in Microsoft Copilot ipd.

Storitve obdelave oziroma procesiranja naravnega jezika nam med drugim omogočajo (Sekar, 2022):

• zaznavanje jezika – za določanje jezika besedila (angleščina, nemščina itd.);
• povzemanje – pripravo povzetkov besedil – za povzemanje ključnih delov besedila;
• analizo razpoloženja – za določitev splošnega tona (npr. optimističnega, pesimističnega itd.);
• prepoznavanje ključnih entitet – sklicevanje na osebe, kraje, datume in druge poimenovane entitete;
• povezovanje entitet – za gradnjo kontekstov izbranih entitet s sklici na vire (po navadi spletne).

Po avtorjevih izkušnjah iz prakse so nekateri primeri uporabe pogovorne umetne inteligence v reviziji in računovodstvu:

• Avtomatizirano zbiranje podatkov. Pogovorni roboti lahko komunicirajo s stranko in zbirajo potrebne podatke za revizijo. Stranko lahko vodijo skozi vprašalnike, pojasnjujejo dvoumne odgovore in zagotavljajo popolnost zbiranja podatkov. S tem poenostavimo postopek zbiranja informacij in dokumentov, zato je potrebno manj ročnega spremljanja.
• Odkrivanje nepravilnosti – analiza velike količine finančnih podatkov in prepoznava nenavadnih vzorcev ali anomalij, ki so lahko posledica napake ali morebitne goljufije. S stalnim spremljanjem transakcij, stanj na kontih in drugih finančnih kazalnikov lahko pogovorna umetna inteligenca označi sumljive aktivnosti, ki jih revizorji podrobneje raziščejo.
• Preverjanje skladnosti. Pogovorno umetno inteligenco je možno programirati tako, da upošteva zahteve skladnosti, ustvarja revizijske sledi in zagotavlja spremljanje v realnem času, kar finančnim ustanovam pomaga pri zagotavljanju skladnosti z zakonodajo in regulativo. Možno je samodejno preverjanje, ali so transakcije, pogodbe in drugi dokumenti skladni z zakonodajo in regulativo.
• Načrtovanje in obseg revizije. Na podlagi analize revizijskih podatkov iz preteklih let in informacij lahko pogovorna umetna inteligenca pomaga pri načrtovanju in določanju obsega prihodnjih revizij. Pomaga določiti ustrezen revizijski pristop, prepoznati področja z velikim tveganjem in učinkovito razporediti vire, kar vodi do učinkovitejše in ciljno usmerjene revizije.
• Zbiranje revizijskih dokazov. Avtomatizirano zbiranje in analiza revizijskih dokazov iz različnih virov, kot so računalniški sistemi strank, potrditve tretjih oseb in javne zbirke podatkov. Pogovorna umetna inteligenca lahko pridobi ustrezne dokumente, izvaja analitične postopke in kreira revizijske vzorce. tako revizorjem omogoči, da se osredotočijo na kompleksnejše naloge.
• Priprava revizijskih poročil. Na podlagi generiranja naravnega jezika je pogovorno umetno inteligenco možno uporabiti za pripravo revizijskih poročil, pisem poslovodstvu in drugih poročil. Tako se lahko na podlagi analize revizijskih ugotovitev in priporočil pripravijo jasna, jedrnata in dosledna poročila, ki upoštevajo strokovne standarde.
• Stalno revidiranje. Pogovorna umetna inteligenca omogoča neprekinjeno revizijo z zagotavljanjem spremljanja in analize finančnih podatkov v realnem času. Tako je mogoče prepoznati težave takoj, ko se pojavijo, in takoj tudi ukrepati ter pravočasno poročati. tak pristop povečuje ustreznost in zanesljivost revizijskih informacij.

1.4. Robotska avtomatizacija procesov

Robotska avtomatizacija (angl. Robotic Process Automation – RPA) je uporaba t. i. robotkov (avtonomnih računalniških programov) za avtomatizacijo ponovljivih rutinskih poslovnih procesov (Willcocks, Lacity & Craig, 2015). Lahko deluje na podlagi podatkov iz enega ali več virov v različnih formatih. RPA upravlja, obdeluje ali interpretira podatke po ustaljenih pravilih, ki jih opredeli človek. Med drugim lahko sporoči rezultate drugi digitalni rešitvi ali sistemu, sproži drugo nalogo na drugem sistemu ali pošlje opozorilo (Sekar, 2022).

RPA omogoča krajše čase ciklov izvajanja, izboljšan pretok podatkov; prilagodljivost, razširljivost, enostavno izvajanje in razvoj robotkov; izboljšano učinkovitost in zavzetost zaposlenih ter natančnost pi delu. Zato imamo lahko več časa za inovacije in osredotočenost na zadovoljstvo strank (kPMG, oktober 2022).

Pred vpeljavo RPA-ja je treba razmisliti, kateri procesi so ponovljivi in kolikokrat nastanejo napake (se zmotimo) pri ponovitvah procesov (Willcocks, Lacity in Craig, 2015).

Na področju računovodstva velika revizijska podjetja uporabljajo RPA za doseganje prihrankov stroškov in povečanje operativne učinkovitosti pri davčnih in svetovalnih storitvah (KPMG, 2018).

Po avtorjevih izkušnjah iz prakse so nekateri primeri uporabe RPA-ja v reviziji:

• avtomatizacija priprave podatkov za nadaljnje analize;
• avtomatizacija rednih pregledov kontrol (npr. periodičnih delitev vlog);
• avtomatizacija analiz podatkov;
• avtomatizacija priprave priporočil na podlagi delovnih papirjev;
• avtomatizacija priprave osnutkov poročil.

Umetna inteligenca je sposobna opravljati nekatere naloge, kot bi jih opravil človek. Strojno učenje je zasnovano tako, da ni posebej programirana, tako da naloge opravlja računalnik samostojno in se lahko algoritemsko »samostojno« uči.

Razlika med avtomatizacijo in umetno inteligenco je, da pri avtomatizaciji računalnik izvaja določena navodila, ki jih pred tem sprogramira oziroma napiše človek. Navodila se shranijo in potem v obliki opravil oziroma nalog brez prisotnosti človeka izvajajo po urniku ali na podlagi prej določenih dogodkov oziroma pogojev. Algoritmi umetne inteligence pa so sposobni samostojno iskati rešitve nalog ali pravila na podlagi podatkov oziroma učenja iz podatkov, ki jih uporablja človek ali računalnik (Acemoglu, Restrepo, 2018).

Celoten članek je dostopen za naročnike!