人工智能在欺诈检测中的应用是指将人工智能技术，包括机器学习、深度学习和专家系统，应用于识别和预防金融及商业运营中的欺诈活动。该技术广泛应用于金融领域，尤其是会计师事务所，以帮助检测欺诈并提高审计的准确性。从线下工作向远程工作的转变增加了数据的可及性，从而提升了对能够分析大量交易并标记可疑模式的自动化系统的需求。
2022年，普华永道报告称，欺诈已影响全球46%的企业。根据美国联邦贸易委员会2022年的一项研究，客户在2021年报告的欺诈金额约为58亿美元，较上年增长70%，其中冒充诈骗和在线购物欺诈占多数。人工智能在开发先进算法和机器学习模型方面发挥着关键作用，这些模型增强了欺诈检测系统，使企业能够在日益数字化的环境中领先于不断演变的欺诈手段。
专家系统
专家系统于20世纪70年代首次设计，作为人工智能技术的扩展。其设计基于减少决策中潜在用户错误并模拟特定领域专家使用的思维推理的前提。它们通过将数据中的已识别点分离并同时单独处理，与传统线性推理模型区分开来。然而，这些系统并不纯粹依赖机器学习的智能。
关于规则、实践和程序的信息以“如果-那么”语句的形式被纳入系统编程中。用户通过直接输入或导入外部数据向系统提供信息。推理系统将用户提供的信息与被认为具体适用于该情况的相应规则进行比较。利用这些信息和相应规则，系统为用户查询生成解决方案。当特定情况的常见程序模糊不清时，专家系统通常无法正常运行，因为需要明确定义的规则。
在会计程序中实施专家系统在需要专业判断的领域是可行的。专家系统适用的情形包括调查涉及潜在欺诈分录的交易、持续经营问题，以及审计规划阶段的风险评估。
持续审计
持续审计是一组流程，以比传统方法更频繁的频率评估审计中收集信息的各个方面，以分类财务内部控制中的风险领域和潜在弱点。持续审计不是定期分析记录的交易和日记账分录，而是更频繁地关注解释这些行为的特征。这些流程的频率和重点领域的标记由实施者自行决定，实施者通常根据所评估账户的风险水平和实施系统的目标做出此类决策。这些流程的执行频率可以接近实时，即在分录过账时几乎立即执行。
持续审计中涉及分析财务数据的流程可能包括创建电子表格以实现交互式信息收集、计算财务比率以与先前创建的模型进行比较，以及检测输入数字中的错误。该实践的主要目标是更快、更容易地检测控制缺陷、错误和欺诈实例。
机器学习与深度学习
机器学习和深度学习能够快速有效地筛选大量数据，这些数据以与公司相关的各种文档和被审计文档的形式存在，这使得它们适用于审计和欺诈检测领域。示例包括识别合同中的关键语言、识别交易中的欺诈风险水平，以及评估日记账分录中的错报。
机器学习模型，如神经网络，在历史数据上进行训练以识别指示欺诈的模式。深度学习作为机器学习的子集，使用多层神经网络从原始数据中自动提取特征，提高检测准确性。这些技术使系统能够随着时间的推移适应新的欺诈手段，因为它们可以使用更新后的数据进行重新训练。
在四大会计师事务所中的应用
德勤于2014年创建了一个AI驱动的文档审查系统。该系统自动化了审查和提取不同业务文档中相关信息的方法。德勤声称，这项创新已将审查合法合同文件、发票、财务报表和董事会会议记录的时间减少多达50%。德勤与IBM Watson合作，正在为其客户开发认知技术增强的商业安排。LeasePoint由IBM TRIRIGA（已演变为IBM Maximo房地产和设施）提供支持，并使用德勤的行业信息创建端到端的租赁组合。自动化认知资源评估采用IBM的Maximo创新来提高资产检查的效率。
安永（EY）将AI连接到租赁合同调查中。安永（澳大利亚）也已获得AI驱动的审计技术。普华永道与H2O.ai合作，开发了一个AI驱动的框架（GL.ai），能够分析报告并准备报告。普华永道声称已在自然语言处理（NLP）方面进行了重大投资，这是一种高效处理非结构化信息的AI驱动创新。毕马威建立了一个名为KPMG Ignite的AI工具组合，以升级商业决策和流程。毕马威与微软和IBM Watson合作，正在创建整合AI、数据分析、认知技术和机器人流程自动化（RPA）的工具。
优势：效率
审计实体以检测欺诈活动的过程需要重复调查流程，直到识别出错误或错报。在传统方法下，这些流程由人工执行。人工智能在欺诈检测中的支持者表示，这些传统方法效率低下，借助智能计算系统可以更快地完成。毕马威2016年对400名首席执行官进行的一项调查发现，约58%的人认为人工智能将在未来使审计更加高效方面发挥关键作用。
AI系统可以在人类所需时间的一小部分内处理大型数据集，从而减少审计的时间和成本。例如，大型语言模型可以分析合同和电子邮件中的非结构化文本以识别潜在欺诈指标，而自动化工具可以实时标记异常。
优势：数据解释
更高水平的欺诈检测需要使用专业判断来解释数据。支持在财务审计中使用人工智能的人声称，通过此类技术可以最小化因更高数据解释实例而增加的风险。财务报表审计中需要专业判断的一个必要元素是实施重要性阈值。重要性涉及财务报表中错误和交易之间的区分，这些错误和交易会影响财务报表使用者做出的决策。
AI可以通过分析历史数据和行业基准来协助设定重要性阈值，减少人为偏见的风险。此外，机器学习模型可以识别人类审计师可能忽略的数据中的微妙模式，从而提高欺诈检测的整体有效性。
挑战与局限性
尽管有优势，但在欺诈检测中使用人工智能面临若干挑战。专家系统需要明确定义的规则，使其在模糊情况下效果较差。机器学习模型如果训练数据不具有代表性，可能容易受到偏见的影响，并且可能产生误报或漏报。此外，深度学习模型的复杂性可能使其难以解释，这在需要解释的审计背景下是有问题的。
数据隐私和安全也是关注点，因为AI系统通常需要访问敏感的财务信息。监管框架可能无法跟上技术进步的步伐，为采用这些工具的组织带来不确定性。截至2020年代初，许多公司仍处于将AI整合到审计流程的早期阶段，对欺诈检测的全面影响尚未实现。
未来方向
人工智能在欺诈检测中的未来可能涉及生成式AI和基于Transformer的模型的更大整合，这些模型可以生成用于训练的合成数据并改进异常检测。科技公司与会计师事务所之间的合作预计将增长，亚马逊网络服务、Azure和谷歌云等云平台提供可扩展的AI服务。麻省理工学院计算机科学与人工智能实验室和斯坦福人工智能实验室等研究机构正在探索用于欺诈检测的新算法，而OpenAI和谷歌DeepMind等行业领导者正在推进AI系统的能力。
随着AI变得更加复杂，它很可能在检测和预防欺诈方面发挥更大的作用，帮助企业在日益数字化的经济中保护自己。