不正検知における人工知能とは、人工知能技術（機械学習、深層学習、エキスパートシステムを含む）を適用して、金融・業務運営における不正行為を特定し防止することを指す。これは金融分野、特に会計事務所で広く利用され、不正の検出と監査の精度向上に役立っている。対面勤務からリモート勤務への移行によりデータへのアクセスが増加し、大量の取引を分析して不審なパターンをフラグ付けできる自動化システムの必要性が高まっている。
2022年、PricewaterhouseCoopersは、不正が世界中の全企業の46%に影響を及ぼしていると報告した。2022年の連邦取引委員会の調査によると、2021年に顧客が報告した不正被害額は約58億ドルで、前年比70%増となり、その大半はなりすまし詐欺とオンラインショッピング詐欺であった。不正検知システムを強化する高度なアルゴリズムと機械学習モデルの開発において、人工知能は重要な役割を果たし、企業がますますデジタル化する環境で進化する不正手口に先んじることを可能にしている。
エキスパートシステム
エキスパートシステムは、1970年代に人工知能技術の拡張として初めて設計された。その設計は、意思決定における潜在的なユーザーエラーを減らし、特定分野の専門家が用いる精神的推論を模倣するという前提に基づいている。これらは、データ内の特定されたポイントを分離し、同時に個別に処理することで、従来の線形推論モデルとは区別される。ただし、これらのシステムは純粋に機械学習による知能に依存しているわけではない。
ルール、慣行、手順に関する情報は、「if-then」ステートメントの形でシステムのプログラミングに実装される。ユーザーは、直接入力または外部データのインポートを通じて情報を供給することでシステムと対話する。推論システムは、ユーザーが提供した情報を、状況に具体的に適用されると考えられる対応するルールと比較する。この情報と対応するルールを使用して、システムはユーザーのクエリに対する解決策を作成する。エキスパートシステムは、明確に定義されたルールが必要なため、指定された状況に対する一般的な手順が曖昧な場合には、一般に適切に動作しない。
会計手続きへのエキスパートシステムの実装は、専門的判断が必要とされる領域で実行可能である。エキスパートシステムが適用可能な状況には、潜在的な不正入力が関与する取引の調査、継続企業の事例、監査の計画段階におけるリスク評価などが含まれる。
継続監査
継続監査は、監査で収集された情報のさまざまな側面を評価して、財務内部統制におけるリスク領域と潜在的な弱点を従来の方法よりも高い頻度で分類する一連のプロセスである。記録された取引や仕訳を定期的に分析する代わりに、継続監査はこれらの行動の性質をより頻繁に解釈することに焦点を当てる。これらのプロセスの頻度と重要領域の強調は、実装者の裁量に委ねられており、実装者は通常、評価対象の勘定のリスクレベルとシステム実装の目標に基づいてそのような決定を行う。これらのプロセスの実行は、仕訳が転記されるとほぼ即時に行われるほど頻繁であり得る。
継続監査における財務データの分析に関連するプロセスには、対話型の情報収集を可能にするスプレッドシートの作成、以前に作成されたモデルと比較するための財務比率の計算、入力された数値のエラーの検出が含まれる。この実践の主な目標は、不適切な統制、エラー、不正の事例をより迅速かつ容易に検出できるようにすることである。
機械学習と深層学習
機械学習と深層学習が、企業に関連するさまざまな文書や監査対象の文書の形で膨大な量のデータを迅速かつ効果的に選別できる能力は、これらを監査と不正検知の領域に適用可能にしている。例としては、契約書の主要な文言の認識、取引における不正リスクのレベルの特定、仕訳の虚偽表示の評価などが挙げられる。
ニューラルネットワークなどの機械学習モデルは、不正を示すパターンを特定するために履歴データで訓練される。機械学習のサブセットである深層学習は、多層ニューラルネットワークを使用して生データから特徴を自動的に抽出し、検出精度を向上させる。これらの技術により、システムは更新されたデータで再訓練できるため、時間の経過とともに新しい不正手口に適応できる。
大手4大会計事務所での応用
Deloitteは2014年にAI対応の文書レビューシステムを開発した。このシステムは、さまざまな業務文書から関連情報をレビューおよび抽出する方法を自動化する。Deloitteは、この革新により、合法的な契約文書、請求書、財務諸表、取締役会議事録を処理する時間を最大50%削減したと主張している。IBMのWatsonと協力して、Deloitteはクライアント向けに認知技術を強化した商取引の取り決めを開発している。LeasePointはIBM TRIRIGA（IBM Maximo Real Estate and Facilitiesに進化）を利用し、Deloitteの産業情報を使用してエンドツーエンドのリースポートフォリオを作成する。Automated Cognitive Resource Assessmentは、IBMのMaximoイノベーションを活用して資産検査の効率を向上させる。
Ernst and Young（EY）は、リース契約の調査にAIを接続した。EY（オーストラリア）もAI対応の監査技術を導入している。H2O.aiと協力して、PwCはレポートを分析しレポートを作成できるAI対応フレームワーク（GL.ai）を開発した。PwCは、非構造化情報を効率的に処理するAI対応イノベーションである自然言語処理（NLP）に多額の投資を行ったと主張している。KPMGは、取引の意思決定とプロセスを向上させるために、KPMG Igniteと呼ばれるAIツールのポートフォリオを構築した。MicrosoftおよびIBM Watsonと協力して、KPMGはAI、データ分析、認知技術、ロボティックプロセスオートメーション（RPA）を統合するツールを開発している。
利点：効率性
不正行為を検出するために事業体を監査するプロセスでは、エラーや虚偽表示が特定されるまで調査プロセスを繰り返す必要がある。従来の方法では、これらのプロセスは人間によって実行される。不正検知における人工知能の支持者は、これらの従来の方法は非効率であり、インテリジェントなコンピューティングシステムの支援によりより迅速に完了できると述べている。2016年にKPMGが作成した400人の最高経営責任者を対象とした調査では、約58%が人工知能が将来監査をより効率的にする上で重要な役割を果たすと信じていることが判明した。
AIシステムは、人間が必要とする時間のほんの一部で大規模なデータセットを処理でき、監査の時間とコストを削減する。たとえば、大規模言語モデルは、契約書や電子メール内の非構造化テキストを分析して潜在的な不正指標を特定でき、自動化ツールはリアルタイムで異常をフラグ付けできる。
利点：データ解釈
より高いレベルの不正検知には、データを解釈するための専門的判断の使用が伴う。財務監査における人工知能の支持者は、より高いデータ解釈の事例から生じるリスクの増大は、そのような技術を通じて最小化できると主張している。財務諸表の監査で専門的判断を必要とする必要な要素の1つは、重要性の閾値の実装である。重要性とは、財務諸表の利用者が行う決定に影響を与えるであろう財務諸表内のエラーと取引の区別を伴う。
AIは、履歴データと業界ベンチマークを分析して重要性の閾値を設定するのに役立ち、人間のバイアスのリスクを軽減できる。さらに、機械学習モデルは、人間の監査人が見落とす可能性のあるデータ内の微妙なパターンを特定でき、不正検知の全体的な有効性を向上させる。
課題と限界
利点にもかかわらず、不正検知における人工知能の使用はいくつかの課題に直面している。エキスパートシステムは明確に定義されたルールを必要とするため、曖昧な状況では効果が低い。機械学習モデルは、トレーニングデータが代表的でない場合にバイアスの影響を受けやすく、偽陽性または偽陰性を生じる可能性がある。さらに、深層学習モデルの複雑さにより解釈が困難になる可能性があり、説明が求められる監査の文脈では問題となる。
データのプライバシーとセキュリティも懸念事項であり、AIシステムは機密の財務情報へのアクセスを必要とすることが多い。規制の枠組みは技術の進歩に追いつかない可能性があり、これらのツールを採用する組織に不確実性をもたらす。2020年代初頭の時点で、多くの企業はまだAIを監査プロセスに統合する初期段階にあり、不正検知への完全な影響はまだ実現されていない。
今後の方向性
不正検知における人工知能の未来は、生成AIとトランスフォーマーベースのモデルのより大きな統合を伴う可能性が高く、これらはトレーニング用の合成データを生成し、異常検知を改善できる。テクノロジー企業と会計事務所の間の協力は成長すると予想され、Amazon Web Services、Azure、Google CloudなどのクラウドプラットフォームがスケーラブルなAIサービスを提供している。MIT CSAILやスタンフォードAIラボなどの研究機関は不正検知のための新しいアルゴリズムを模索しており、OpenAIやGoogle DeepMindなどの業界リーダーはAIシステムの能力を進歩させている。
AIがより洗練されるにつれて、不正の検出と防止においてさらに大きな役割を果たす可能性が高く、ますますデジタル化する経済で企業が自らを保護するのに役立つだろう。