深层神经网络在未来审计中应用场景展望

□文/邓楚实

（中国矿业大学徐海学院 江苏·徐州）

［提要］ 现代科学技术日新月异，深刻地影响着社会和经济发展，改变着传统行业的运作模式。深层神经网络广泛运用于人工智能的各项领域，对未来审计工作带来全方位的挑战。本文在概述深层神经网络的内涵及其现阶段在审计工作中应用的基础上，介绍文本分析、语音识别、图像和视频解析、判决支持等深层神经网络的应用，重点分析建立被审计企业审计证据综合系统、政府监管部门和全社会监督平台、被审计企业审计研判综合系统和云审计平台等深层神经网络在未来审计工作中的应用场景。

一、引言

随着中国经济社会的快速发展，国民整体的商业行为也在快速地增加。中国社会科学院城市与竞争力研究中心与企查查大数据研究院联合发布的《2020中国企业发展数据年报》显示，截至2021年2月，我国现有在业/存续的市场主体1.44亿家，其中企业4，457.2万家，2020年我国新增注册市场主体2，735.4万家，同比增长12.8%。大量的在业/存续和新增市场主体对审计工作的需求量是巨大的。然而，这些市场主体还在大量的使用传统审计工作模式。这些传统的审计工作模式存在滞后性和定制化程度低的弊端。传统审计工作存在的滞后性主要体现在依靠传统的现场采样和核查，这种模式非常依赖于审计人员自身的专业能力和实践经验进行主观判断，并且这种模式很容易陷入“数据陷阱”。这种传统审计工作模式在面临审计资料巨大和较低水平的审计人员时极易增大审计的风险。传统的审计工作定制化程度较低主要体现在对于广泛的行业和大量的实际情况缺乏定制化的审计方案。传统的审计工作通常会将审计对象大致归类为不同的行业类型，但是针对同一行业而经营策略完全不同的企业就极易产生审计偏差，从而增加审计风险。这两点是制约传统审计工作模式发展的主要障碍。

未来新型审计工作模式中以深层神经网络为代表的人工智能技术将被更多地使用。未来新型审计工作模式能够有效地解决现有阶段传统审计工作模式的弊端。第一，新型审计工作模式能够进行实时的审计数据监控、有效的分类以及预警。以深层神经网络搭建起的审计中心数据库对被审计企业实时上传的财务数据进行有效的分类。并且，审计中心数据库根据以往的审计模型对可能存在的欺诈行为在上传的瞬间就能够进行预警，从而降低审计的风险留存时间。第二，新型审计工作模式能够依靠大数据的帮助建立起一套完整的被审计企业定制化审计方案。根据企业类型、主营收入、客户习惯以及多年财务数据等要素进行深度的审计方案定制，从而降低可能的审计风险。可见，深层神经网络能够在未来审计中发挥更为关键的作用。

二、深层神经网络的内涵和底层运行逻辑

深层神经网络是在输入和输出层之间具有多层的人工神经网络。神经网络的类型不同，但它们始终由相同的组件组成，包括神经元、突触、权重、偏见和功能。这些组件的功能类似于人脑，可以像其他任何ML算法一样进行训练。DNN可以对复杂的非线性关系建模。DNN架构生成合成模型，其中对象表示为基元的分层合成。

额外的层使得能够由较低层组成特征，与具有相似性能的浅层网络相比，可以用更少的单元来建模复杂数据。例如，事实证明，稀疏多元多项式在DNN上比在浅层网络上更容易按指数近似。DNN通常是前馈网络，其中数据从输入层流到输出层而不会环回。首先，DNN创建虚拟神经元图，并为它们之间的连接分配随机数值或“权重”。权重和输入相乘，并返回0到1之间的输出。如果网络无法准确识别特定模式，则算法将调整权重。这样，算法可以使某些参数更具影响力，直到确定正确的数学操作以完全处理数据为止。

数据可以在任何方向流动的递归神经网络被用于诸如语言建模之类的应用中。DNN必须考虑许多训练参数，例如大小（层数和每层单元数）、学习率和初始权重。由于时间和计算资源的原因，无法遍历参数空间以获得最佳参数。诸如批处理（一次在多个训练示例上而不是单个示例上计算梯度）之类的各种技巧，加快了计算速度。由于这种处理体系结构适用于矩阵和矢量计算，因此许多核体系结构（例如GPU或Intel Xeon Phi）的强大处理能力极大地提高了培训速度。自2010年以来，机器学习算法和计算机硬件的进步导致了用于训练深层神经网络的更有效方法，该深层神经网络包含许多层非线性隐藏单元和非常大的输出层。

OpenAI估计了从AlexNet（2012）到AlphaZero（2017）的最大深层神经网络项目中使用的硬件计算，发现所需的计算量增加了300，000倍，而时间趋势线为3.4个月。

到2019年，通常具有AI特定增强功能的图形处理单元已经取代了CPU，成为训练大规模商业云AI的主要方法。深层神经网络已成功应用于金融欺诈检测和反洗钱。“深层的反洗钱检测系统可以发现并识别数据之间的关系和相似性，并且在以后的工作中，学会检测异常或对特定事件进行分类和预测。”该解决方案既利用了监督学习技术（例如可疑交易的分类），又利用了无监督学习（例如异常检测）。

三、深层神经网络实际应用

深层神经网络已经被应用于诸如文本分析、语音识别、图像和视频解析以及判决支持等审计场景，该应用可以极大地提高工作效率和准确性。目前，深层神经网络的应用主要还集中于重复度高和机械性强的客观分析和分类领域，少部分开始应用于主观判断。

（一）文本分析。文本数据从多个角度提供有关经营业务的多方面信息。企业在运营过程中会生成并分发大量文本数据，例如监管文件、电话会议的笔录、董事会决议、收益公告、业务合同、新闻文章以及社交媒体消息等。文本分析可以通过深层神经网络实现自动化。具体而言，可以基于所需求的特征对文本数据进行分类。此外，可以使用多种手段来训练深层神经网络模型，以预测未来的需求。整个过程可以自动执行，并且结果是机器可读的。通过这种方式，深层神经网络模型将过去需要大量人力来进行分析的定性信息转换为可以进一步审计分析的与其他数据集成的定量数据。深层神经网络算法通过识别相关概念或主题，识别实体（例如人、地方、事件、企业），提取情感（例如愤怒、喜悦、悲伤、厌恶）进一步丰富了审计证据。此外，他们可以将概念链接到文档并进行相应标记。这将会大大提升文本识别和分类的能力。

（二）语音识别。语音数据是审计证据的重要组成部分之一。要获取有关客户的业务和行业环境的背景信息并收集审核证据，审核员需要大量的利益相关者，例如管理层、内部审核员、员工、前任审核员、银行方面、法律顾问、承销商、分析师等。审计师所使用的语言以及这些利益相关者在面对面访谈过程中如何回答问题的表现和答案本身同样重要，因为它们可能包含欺骗。例如，利益相关者使用暗示、不确定性的术语以及存在响应潜伏期可能是隐瞒或伪造的迹象。尽管会计师事务所提供了欺骗检测培训以帮助其审计人员识别口头危险信号，但是访谈的信息处理是一项艰巨的任务，因为受访者表现出无数的言语举止。对于审计师而言，分析所有口头答复或将其手动转录为文本是困难且效率低下的，甚至抄录文本文档仍然是审计师分析的繁琐工作。深层神经网络的语音识别功能现在可以实时转录和翻译语音，不管是否存在噪音或说话者的口音如何，都可以分析文本并直接提取情感、风险因素以及其他见解。现在，研究人员正在考虑使用体现型对话代理，即“能够进行类似人机交互的自主计算机接口”与深层神经网络整合后，ECA可能能够读取口头上的欺骗迹象，并根据受访者的回答提出后续问题。同样，其他音频文档，例如现场会议、电话会议以及视频会议，也可以由深层神经网络技术自动处理。这些经过高效处理的语音数据都可以为审计意见提供支持。

（三）图像和视频的解析与标注。图像和视频包含有大量审计过程中需要的证据。现在某些常规的手动审核程序可以通过深层神经网络的视觉识别功能实现自动化。例如，深层神经网络算法可以从无人机拍摄的企业仓库里的视频中识别图像的内容（例如型号、数量、库存状况等）。深层神经网络系统能够提取描述视频内容的一系列预定义数字属性，相应地附加可搜索的标签，并将属性和图像都保存到审计师的数据库中。此外，深层神经网络视频分析功能能够实时地识别人脸，检测物体并识别场景的概念和类型，并且视频处理速度快。图像和视频的解析与标注能够极大地提高审计师的工作效率和准确性。

（四）判决支持。审计意见是审计过程中最重要的组成部分之一。除了执行重复性和机械性任务外，深层神经网络还提供了一种支持审计判断和提高审计质量的新方法。深层神经网络可以扫描财务报表，并将财务报表项目自动链接到相关的支持证据，例如视频剪辑、图像、新闻稿、采访等所对应的数据属性。审计师可以选择数据属性以预测欺诈风险，然后将选定的属性与传统的金融或非金融数据字段进行组合，以开发新的深层神经网络预测模型。在这种情况下，深层神经网络可以作为一种合适的预测算法，由于通过引入提取的属性，预测变量的数量比传统的机器学习算法可以处理的数量大得多。对于每个结论，模型的输出可以是预测的风险级别或建议的后续测试，具体取决于训练数据的性质和标签。深层神经网络将会不断地进行提升和完善以适应基于客观证据的审计意见支持。

四、深层神经网络在未来审计中的应用场景

根据深层神经网络的理论和在审计中实际应用情况，现阶段的应用处于摸索阶段，还有更为广泛的应用场景有待开发。在此基础上，我们可以对深层神经网络在未来审计中的应用场景进行展望。

（一）建立企业审计证据综合系统。利用深层神经网络的实时性和整合能力将被审计企业的客观证据进行综合收集及分类。这其中主要涉及到的是文字证据、语音证据和图像视频证据。第一，文本数据将会被实时地上传至中央审计系统的数据库中并进行有效的归类。之后深层神经网络将会利用一部分数据进行对经过训练的标准程序进行二次针对性学习，以适应被审计企业的业务需求。第二，语音证据将会进行转录为文字证据并重复上述操作。除此之外，语音证据将会被单独归入语音数据库并进行识别，这个数据库同样会将一部分确定为正面的训练集用于训练标准程序以适应被审计企业。如果语音证据中存在可能的欺诈言论，数据库会进行自动甄别并上报至综合研判系统。第三，图像和视频证据将会进行完整的记录并且自动与数据库中的文本数据进行实时的交换，以确保能够相互证明。这一整套的审计证据综合系统的目的在于快速准确地对被审计企业的审计证据进行最大限度的真实性保证。在此基础上，这些被审核过的证据将会被发送至被审计企业综合研判审计系统。（图1）

图1 审计证据综合系统图

图2 审计研判综合系统图

（二）建立企业审计研判综合系统。利用深层神经网络和大数据的综合分析能力为审计师综合研判和最后的审计结论进行数据支持。深层神经网络会将经过审核的证据按照重要级别进行自动归类，大数据系统会将这些数据与云服务器中的大量相关企业的数据进行二次审核。在二次审核通过后，大数据系统会将其他同类型的审计数据进行对比并且将对比结果一部分保存于云服务器中，一部分重新传输回深层神经网络组成的审计系统，这个审计系统将会利用自身的专业审计研判程序进行研判并得出审计意见。这个意见将会发送至会计师事务所合伙人进行最后的确认。如果合伙人认为还有疏漏，可以将可能存在欺诈行为的账目进行人工的二次审核并重新确认审计意见。（图2）

（三）建立云审计平台。利用深层神经网络的学习模型和大数据的支持建立云审计平台。这个平台将会由专业的互联网云服务器提供商进行数据库搭建和支持服务。在搭建过程中，将会邀请业界和学术界的专业审计人士共同完成。这个云审计平台将会建立专门针对审计的深层神经网络模型，并且收集主流会计事务所近三十年的审计文件和意见。这个平台主要为所有需要审计数据支持的事务所进行针对不同数据和模型的服务支持。另外，针对上传数据或者为模型建设有贡献的企业和个人为自己或者所代表的企业获得相应的使用权限额度。未来，云审计平台将会为所有需要审计服务或者数据的企业提供支持并将主要的工作全部集中于线上完成，减少不必要的损耗。更多不同类型和审计模型也将会为更为细分的审计市场提供更多的可能。

（四）建立政府监管部门和全社会监督平台。利用深层神经网络的学习模型建立政府监管部门和全社会监督平台。无论是审计或者被审计企业都需要面对全社会的监督，让一切专业行为暴露在公众的关注之下是减少审计风险的重要手段之一。云审计平台除了面向专业的客户之外，还会将全部数据与政府主要的监管部门进行实时的数据上传，政府的主要监管部门能够进行及时的监管和服务。这些被审计的企业特别是上市企业的审计数据也将会受到全社会的监管。通过登陆平台的数据查询界面，社会公众可以查看被审计企业的财务和审计状况。这样有利于被审计企业受到国家监管部门和全社会公众实时高效的监督，以提高自身的专业性和合规性，也有利于减少审计风险和恶性欺诈行为的发生。建立政府监管部门和全社会监督平台将会帮助整个国家的经济发展更加良性和高效。

五、结论

审计师未来可以通过使用审计证据综合系统、审计研判综合系统以及云审计平台更加高效和准确地为被审计企业、国家监管部门以及全社会提供更有保障的审计服务。会计师事务所的组织结构也将发生改变：由以往的合伙人-项目组-审计师的垂直管理体系改变为合伙人-综合审计系统-审计师的扁平管理体系。深层神经网络与审计的深入融合将会改变审计行业的工作模式。审计行业也将会依托深层神经网络而更加透明并且肩负更多的社会责任。但是，在这一过程中，还需要国家监管部门的法律和隐私服务方面的支持，社会公众也需要给这些转变更多的时间和耐心，更多的中小型会计师事务所也需要根据自身的业务特征进行转型以适应时代的发展。未来人工智能技术必将参与到各行各业之中，审计行业更是需要调整心态，积攒技术基础，积极地投入这场未来的改变之中。