사기 탐지에서의 인공지능은 인공지능 기술, 특히 머신러닝, 딥러닝, 전문가 시스템을 적용하여 금융 및 비즈니스 운영에서 사기 활동을 식별하고 예방하는 것을 의미한다. 이는 금융 부문, 특히 회계 법인에서 널리 사용되며, 사기 탐지를 돕고 감사 정확성을 높이는 데 기여한다. 대면 근무에서 원격 근무로의 전환은 데이터 접근성을 높였으며, 대량의 거래를 분석하고 의심스러운 패턴을 표시할 수 있는 자동화 시스템의 필요성을 증가시켰다.
2022년, PricewaterhouseCoopers는 사기가 전 세계 모든 기업의 46%에 영향을 미쳤다고 보고했다. 2022년 연방거래위원회 연구에 따르면, 고객들은 2021년에 약 58억 달러의 사기 피해를 보고했으며, 이는 전년 대비 70% 증가한 수치로, 사칭 사기와 온라인 쇼핑 사기가 대부분을 차지했다. 인공지능은 사기 탐지 시스템을 강화하는 고급 알고리즘과 머신러닝 모델을 개발하는 데 중요한 역할을 하며, 기업이 점점 더 디지털화되는 환경에서 진화하는 사기 전술에 앞서 나갈 수 있도록 한다.
전문가 시스템
전문가 시스템은 1970년대에 인공지능 기술의 확장으로 처음 설계되었다. 그 설계는 의사 결정에서 잠재적인 사용자 오류를 줄이고 특정 분야의 전문가가 사용하는 정신적 추론을 모방하는 전제에 기반한다. 이들은 전통적인 선형 추론 모델과 달리 데이터에서 식별된 지점을 분리하고 동시에 개별적으로 처리한다. 그러나 이러한 시스템은 순수하게 기계 학습된 지능에만 의존하지 않는다.
규칙, 관행, 절차에 대한 정보는 "if-then" 문 형태로 시스템 프로그래밍에 구현된다. 사용자는 직접 입력 또는 외부 데이터 가져오기를 통해 정보를 제공함으로써 시스템과 상호 작용한다. 추론 시스템은 사용자가 제공한 정보를 상황에 특별히 적용된다고 믿어지는 해당 규칙과 비교한다. 이 정보와 해당 규칙을 사용하여 시스템은 사용자 질의에 대한 해결책을 생성한다. 전문가 시스템은 잘 정의된 규칙이 필요하기 때문에 특정 상황에 대한 일반적인 절차가 모호할 때 일반적으로 제대로 작동하지 않는다.
회계 절차에서 전문가 시스템의 구현은 전문적 판단이 요구되는 영역에서 실현 가능하다. 전문가 시스템이 적용될 수 있는 상황에는 잠재적 사기 항목이 포함된 거래 조사, 계속기업의 경우, 감사 계획 단계에서의 위험 평가가 포함된다.
지속적 감사
지속적 감사는 전통적인 방법보다 더 빈번한 빈도로 재무 내부 통제의 위험 영역과 잠재적 약점을 분류하기 위해 감사에서 수집된 정보의 다양한 측면을 평가하는 일련의 프로세스이다. 기록된 거래와 분개를 주기적으로 분석하는 대신, 지속적 감사는 이러한 행위의 특성을 더 자주 해석하는 데 초점을 맞춘다. 이러한 프로세스의 빈도와 중요 영역의 강조는 구현자의 재량에 달려 있으며, 구현자는 일반적으로 평가 중인 계정의 위험 수준과 시스템 구현 목표에 따라 그러한 결정을 내린다. 이러한 프로세스의 수행은 항목이 게시되는 것과 거의 동시에 발생할 만큼 빈번할 수 있다.
지속적 감사에서 재무 데이터를 분석하는 프로세스에는 대화형 정보 수집을 위한 스프레드시트 생성, 이전에 생성된 모델과 비교하기 위한 재무 비율 계산, 입력된 수치의 오류 감지가 포함될 수 있다. 이 관행의 주요 목표는 결함 있는 통제, 오류, 사기 사례를 더 빠르고 쉽게 감지할 수 있도록 하는 것이다.
머신러닝과 딥러닝
머신러닝과 딥러닝이 회사와 감사 대상 문서의 다양한 형태로 방대한 데이터 볼륨을 신속하고 효과적으로 분류할 수 있는 능력은 이를 감사 및 사기 탐지 영역에 적용 가능하게 만든다. 예로는 계약서의 핵심 언어 인식, 거래의 사기 위험 수준 식별, 분개의 오류 표시 평가가 있다.
신경망과 같은 머신러닝 모델은 사기를 나타내는 패턴을 식별하기 위해 과거 데이터로 훈련된다. 머신러닝의 하위 집합인 딥러닝은 다층 신경망을 사용하여 원시 데이터에서 특징을 자동으로 추출하여 탐지 정확성을 향상시킨다. 이러한 기술은 업데이트된 데이터로 재훈련될 수 있으므로 시스템이 시간이 지남에 따라 새로운 사기 전술에 적응할 수 있게 한다.
빅4 회계 법인의 응용
Deloitte는 2014년에 AI 기반 문서 검토 시스템을 만들었다. 이 시스템은 다양한 비즈니스 문서에서 관련 정보를 검토하고 추출하는 방법을 자동화한다. Deloitte는 이 혁신이 합법적 계약 문서, 송장, 재무 제표, 이사회 의사록을 검토하는 데 소요되는 시간을 최대 50% 줄였다고 주장한다. IBM의 Watson과 협력하여 Deloitte는 고객을 위한 인지 기술 강화 상거래 계약을 개발하고 있다. LeasePoint는 IBM TRIRIGA(현재 IBM Maximo Real Estate and Facilities로 진화)에 의해 구동되며 Deloitte의 산업 정보를 사용하여 종합적인 리스 포트폴리오를 만든다. 자동화된 인지 자산 평가는 IBM의 Maximo 혁신을 사용하여 자산 검사 효율성을 향상시킨다.
Ernst and Young(EY)은 리스 계약 조사에 AI를 연결했다. EY(호주)는 또한 AI 지원 감사 기술을 받았다. H2O.ai와 협력하여 PwC는 보고서를 분석하고 준비할 수 있는 AI 지원 프레임워크(GL.ai)를 개발했다. PwC는 비정형 정보를 효율적으로 처리하는 AI 지원 혁신인 자연어 처리(NLP)에 상당한 투자를 했다고 주장한다. KPMG는 거래 결정과 형태를 개선하기 위해 KPMG Ignite라는 AI 도구 포트폴리오를 구축했다. Microsoft 및 IBM Watson과 협력하여 KPMG는 AI, 데이터 분석, 인지 기술, 로보틱 프로세스 자동화(RPA)를 통합하는 도구를 만들고 있다.
장점: 효율성
사기 활동을 탐지하기 위해 실체를 감사하는 프로세스는 오류나 오표시가 식별될 때까지 조사 프로세스를 반복해야 한다. 전통적인 방법에서는 이러한 프로세스가 인간에 의해 수행된다. 사기 탐지에서 인공지능의 지지자들은 이러한 전통적인 방법이 비효율적이며 지능형 컴퓨팅 시스템의 도움으로 더 빠르게 완료될 수 있다고 주장한다. 2016년 KPMG가 만든 400명의 최고 경영자 설문 조사에 따르면 약 58%가 인공지능이 미래에 감사를 더 효율적으로 만드는 데 핵심 역할을 할 것이라고 믿었다.
AI 시스템은 인간이 필요로 하는 시간의 일부로 대규모 데이터 세트를 처리할 수 있어 감사 시간과 비용을 줄인다. 예를 들어, 대규모 언어 모델은 계약서와 이메일의 비정형 텍스트를 분석하여 잠재적 사기 지표를 식별할 수 있으며, 자동화된 도구는 실시간으로 이상 징후를 표시할 수 있다.
장점: 데이터 해석
더 높은 수준의 사기 탐지는 데이터를 해석하기 위한 전문적 판단의 사용을 수반한다. 재무 감사에서 인공지능의 지지자들은 더 높은 데이터 해석 사례로 인한 증가된 위험이 그러한 기술을 통해 최소화될 수 있다고 주장한다. 재무 제표 감사의 필수 요소 중 하나는 중요성 임계값의 구현으로, 전문적 판단이 필요하다. 중요성은 재무 제표 사용자의 결정에 영향을 미칠 오류와 거래를 구분하는 것을 의미한다.
AI는 과거 데이터와 업계 벤치마크를 분석하여 중요성 임계값 설정을 지원할 수 있으며, 인간 편향의 위험을 줄인다. 또한 머신러닝 모델은 인간 감사자가 간과할 수 있는 데이터의 미묘한 패턴을 식별하여 사기 탐지의 전반적인 효과를 향상시킬 수 있다.
과제와 한계
장점에도 불구하고, 사기 탐지에서 인공지능의 사용은 여러 과제에 직면한다. 전문가 시스템은 잘 정의된 규칙을 요구하므로 모호한 상황에서 덜 효과적이다. 머신러닝 모델은 훈련 데이터가 대표적이지 않으면 편향에 취약할 수 있으며, 오탐 또는 미탐을 생성할 수 있다. 또한 딥러닝 모델의 복잡성은 해석을 어렵게 만들 수 있으며, 이는 설명이 요구되는 감사 맥락에서 문제가 된다.
데이터 개인정보 보호와 보안도 우려 사항이며, AI 시스템은 종종 민감한 재무 정보에 대한 접근을 요구한다. 규제 프레임워크는 기술 발전을 따라잡지 못할 수 있어, 이러한 도구를 채택하는 조직에 불확실성을 만든다. 2020년대 초반 현재, 많은 기업이 감사 프로세스에 AI를 통합하는 초기 단계에 있으며, 사기 탐지에 대한 전체 영향은 아직 실현되지 않았다.
미래 방향
사기 탐지에서 인공지능의 미래는 생성형 AI와 트랜스포머 기반 모델의 더 큰 통합을 포함할 가능성이 높으며, 이는 훈련을 위한 합성 데이터를 생성하고 이상 탐지를 개선할 수 있다. 기술 기업과 회계 법인 간의 협력은 성장할 것으로 예상되며, 아마존 웹 서비스, 애저, 구글 클라우드와 같은 클라우드 플랫폼이 확장 가능한 AI 서비스를 제공한다. MIT CSAIL과 스탠포드 AI 랩과 같은 연구 기관은 사기 탐지를 위한 새로운 알고리즘을 탐구하고 있으며, 오픈AI와 구글 딥마인드와 같은 업계 선두 기업은 AI 시스템의 역량을 발전시키고 있다.
AI가 더 정교해짐에 따라, 사기 탐지와 예방에서 더 큰 역할을 할 가능성이 높으며, 기업이 점점 더 디지털화되는 경제에서 스스로를 보호하는 데 도움을 줄 것이다.