□文/鄧楚實

（中國礦業(yè)大學徐海學院 江蘇·徐州）

［提要］ 現代科學技術日新月異，深刻地影響著社會和經濟發(fā)展，改變著傳統行業(yè)的運作模式。深層神經網絡廣泛運用于人工智能的各項領域，對未來審計工作帶來全方位的挑戰(zhàn)。本文在概述深層神經網絡的內涵及其現階段在審計工作中應用的基礎上，介紹文本分析、語音識別、圖像和視頻解析、判決支持等深層神經網絡的應用，重點分析建立被審計企業(yè)審計證據綜合系統、政府監(jiān)管部門和全社會監(jiān)督平臺、被審計企業(yè)審計研判綜合系統和云審計平臺等深層神經網絡在未來審計工作中的應用場景。

一、引言

隨著中國經濟社會的快速發(fā)展，國民整體的商業(yè)行為也在快速地增加。中國社會科學院城市與競爭力研究中心與企查查大數據研究院聯合發(fā)布的《2020中國企業(yè)發(fā)展數據年報》顯示，截至2021年2月，我國現有在業(yè)/存續(xù)的市場主體1.44億家，其中企業(yè)4，457.2萬家，2020年我國新增注冊市場主體2，735.4萬家，同比增長12.8%。大量的在業(yè)/存續(xù)和新增市場主體對審計工作的需求量是巨大的。然而，這些市場主體還在大量的使用傳統審計工作模式。這些傳統的審計工作模式存在滯后性和定制化程度低的弊端。傳統審計工作存在的滯后性主要體現在依靠傳統的現場采樣和核查，這種模式非常依賴于審計人員自身的專業(yè)能力和實踐經驗進行主觀判斷，并且這種模式很容易陷入“數據陷阱”。這種傳統審計工作模式在面臨審計資料巨大和較低水平的審計人員時極易增大審計的風險。傳統的審計工作定制化程度較低主要體現在對于廣泛的行業(yè)和大量的實際情況缺乏定制化的審計方案。傳統的審計工作通常會將審計對象大致歸類為不同的行業(yè)類型，但是針對同一行業(yè)而經營策略完全不同的企業(yè)就極易產生審計偏差，從而增加審計風險。這兩點是制約傳統審計工作模式發(fā)展的主要障礙。

未來新型審計工作模式中以深層神經網絡為代表的人工智能技術將被更多地使用。未來新型審計工作模式能夠有效地解決現有階段傳統審計工作模式的弊端。第一，新型審計工作模式能夠進行實時的審計數據監(jiān)控、有效的分類以及預警。以深層神經網絡搭建起的審計中心數據庫對被審計企業(yè)實時上傳的財務數據進行有效的分類。并且，審計中心數據庫根據以往的審計模型對可能存在的欺詐行為在上傳的瞬間就能夠進行預警，從而降低審計的風險留存時間。第二，新型審計工作模式能夠依靠大數據的幫助建立起一套完整的被審計企業(yè)定制化審計方案。根據企業(yè)類型、主營收入、客戶習慣以及多年財務數據等要素進行深度的審計方案定制，從而降低可能的審計風險?？梢?，深層神經網絡能夠在未來審計中發(fā)揮更為關鍵的作用。

二、深層神經網絡的內涵和底層運行邏輯

深層神經網絡是在輸入和輸出層之間具有多層的人工神經網絡。神經網絡的類型不同，但它們始終由相同的組件組成，包括神經元、突觸、權重、偏見和功能。這些組件的功能類似于人腦，可以像其他任何ML算法一樣進行訓練。DNN可以對復雜的非線性關系建模。DNN架構生成合成模型，其中對象表示為基元的分層合成。

額外的層使得能夠由較低層組成特征，與具有相似性能的淺層網絡相比，可以用更少的單元來建模復雜數據。例如，事實證明，稀疏多元多項式在DNN上比在淺層網絡上更容易按指數近似。DNN通常是前饋網絡，其中數據從輸入層流到輸出層而不會環(huán)回。首先，DNN創(chuàng)建虛擬神經元圖，并為它們之間的連接分配隨機數值或“權重”。權重和輸入相乘，并返回0到1之間的輸出。如果網絡無法準確識別特定模式，則算法將調整權重。這樣，算法可以使某些參數更具影響力，直到確定正確的數學操作以完全處理數據為止。

數據可以在任何方向流動的遞歸神經網絡被用于諸如語言建模之類的應用中。DNN必須考慮許多訓練參數，例如大?。▽訑岛兔繉訂卧獢担W習率和初始權重。由于時間和計算資源的原因，無法遍歷參數空間以獲得最佳參數。諸如批處理（一次在多個訓練示例上而不是單個示例上計算梯度）之類的各種技巧，加快了計算速度。由于這種處理體系結構適用于矩陣和矢量計算，因此許多核體系結構（例如GPU或Intel Xeon Phi）的強大處理能力極大地提高了培訓速度。自2010年以來，機器學習算法和計算機硬件的進步導致了用于訓練深層神經網絡的更有效方法，該深層神經網絡包含許多層非線性隱藏單元和非常大的輸出層。

OpenAI估計了從AlexNet（2012）到AlphaZero（2017）的最大深層神經網絡項目中使用的硬件計算，發(fā)現所需的計算量增加了300，000倍，而時間趨勢線為3.4個月。

到2019年，通常具有AI特定增強功能的圖形處理單元已經取代了CPU，成為訓練大規(guī)模商業(yè)云AI的主要方法。深層神經網絡已成功應用于金融欺詐檢測和反洗錢?！吧顚拥姆聪村X檢測系統可以發(fā)現并識別數據之間的關系和相似性，并且在以后的工作中，學會檢測異?；驅μ囟ㄊ录M行分類和預測?！痹摻鉀Q方案既利用了監(jiān)督學習技術（例如可疑交易的分類），又利用了無監(jiān)督學習（例如異常檢測）。

三、深層神經網絡實際應用

深層神經網絡已經被應用于諸如文本分析、語音識別、圖像和視頻解析以及判決支持等審計場景，該應用可以極大地提高工作效率和準確性。目前，深層神經網絡的應用主要還集中于重復度高和機械性強的客觀分析和分類領域，少部分開始應用于主觀判斷。

（一）文本分析。文本數據從多個角度提供有關經營業(yè)務的多方面信息。企業(yè)在運營過程中會生成并分發(fā)大量文本數據，例如監(jiān)管文件、電話會議的筆錄、董事會決議、收益公告、業(yè)務合同、新聞文章以及社交媒體消息等。文本分析可以通過深層神經網絡實現自動化。具體而言，可以基于所需求的特征對文本數據進行分類。此外，可以使用多種手段來訓練深層神經網絡模型，以預測未來的需求。整個過程可以自動執(zhí)行，并且結果是機器可讀的。通過這種方式，深層神經網絡模型將過去需要大量人力來進行分析的定性信息轉換為可以進一步審計分析的與其他數據集成的定量數據。深層神經網絡算法通過識別相關概念或主題，識別實體（例如人、地方、事件、企業(yè)），提取情感（例如憤怒、喜悅、悲傷、厭惡）進一步豐富了審計證據。此外，他們可以將概念鏈接到文檔并進行相應標記。這將會大大提升文本識別和分類的能力。

（二）語音識別。語音數據是審計證據的重要組成部分之一。要獲取有關客戶的業(yè)務和行業(yè)環(huán)境的背景信息并收集審核證據，審核員需要大量的利益相關者，例如管理層、內部審核員、員工、前任審核員、銀行方面、法律顧問、承銷商、分析師等。審計師所使用的語言以及這些利益相關者在面對面訪談過程中如何回答問題的表現和答案本身同樣重要，因為它們可能包含欺騙。例如，利益相關者使用暗示、不確定性的術語以及存在響應潛伏期可能是隱瞞或偽造的跡象。盡管會計師事務所提供了欺騙檢測培訓以幫助其審計人員識別口頭危險信號，但是訪談的信息處理是一項艱巨的任務，因為受訪者表現出無數的言語舉止。對于審計師而言，分析所有口頭答復或將其手動轉錄為文本是困難且效率低下的，甚至抄錄文本文檔仍然是審計師分析的繁瑣工作。深層神經網絡的語音識別功能現在可以實時轉錄和翻譯語音，不管是否存在噪音或說話者的口音如何，都可以分析文本并直接提取情感、風險因素以及其他見解?，F在，研究人員正在考慮使用體現型對話代理，即“能夠進行類似人機交互的自主計算機接口”與深層神經網絡整合后，ECA可能能夠讀取口頭上的欺騙跡象，并根據受訪者的回答提出后續(xù)問題。同樣，其他音頻文檔，例如現場會議、電話會議以及視頻會議，也可以由深層神經網絡技術自動處理。這些經過高效處理的語音數據都可以為審計意見提供支持。

（三）圖像和視頻的解析與標注。圖像和視頻包含有大量審計過程中需要的證據?，F在某些常規(guī)的手動審核程序可以通過深層神經網絡的視覺識別功能實現自動化。例如，深層神經網絡算法可以從無人機拍攝的企業(yè)倉庫里的視頻中識別圖像的內容（例如型號、數量、庫存狀況等）。深層神經網絡系統能夠提取描述視頻內容的一系列預定義數字屬性，相應地附加可搜索的標簽，并將屬性和圖像都保存到審計師的數據庫中。此外，深層神經網絡視頻分析功能能夠實時地識別人臉，檢測物體并識別場景的概念和類型，并且視頻處理速度快。圖像和視頻的解析與標注能夠極大地提高審計師的工作效率和準確性。

（四）判決支持。審計意見是審計過程中最重要的組成部分之一。除了執(zhí)行重復性和機械性任務外，深層神經網絡還提供了一種支持審計判斷和提高審計質量的新方法。深層神經網絡可以掃描財務報表，并將財務報表項目自動鏈接到相關的支持證據，例如視頻剪輯、圖像、新聞稿、采訪等所對應的數據屬性。審計師可以選擇數據屬性以預測欺詐風險，然后將選定的屬性與傳統的金融或非金融數據字段進行組合，以開發(fā)新的深層神經網絡預測模型。在這種情況下，深層神經網絡可以作為一種合適的預測算法，由于通過引入提取的屬性，預測變量的數量比傳統的機器學習算法可以處理的數量大得多。對于每個結論，模型的輸出可以是預測的風險級別或建議的后續(xù)測試，具體取決于訓練數據的性質和標簽。深層神經網絡將會不斷地進行提升和完善以適應基于客觀證據的審計意見支持。

四、深層神經網絡在未來審計中的應用場景

根據深層神經網絡的理論和在審計中實際應用情況，現階段的應用處于摸索階段，還有更為廣泛的應用場景有待開發(fā)。在此基礎上，我們可以對深層神經網絡在未來審計中的應用場景進行展望。

（一）建立企業(yè)審計證據綜合系統。利用深層神經網絡的實時性和整合能力將被審計企業(yè)的客觀證據進行綜合收集及分類。這其中主要涉及到的是文字證據、語音證據和圖像視頻證據。第一，文本數據將會被實時地上傳至中央審計系統的數據庫中并進行有效的歸類。之后深層神經網絡將會利用一部分數據進行對經過訓練的標準程序進行二次針對性學習，以適應被審計企業(yè)的業(yè)務需求。第二，語音證據將會進行轉錄為文字證據并重復上述操作。除此之外，語音證據將會被單獨歸入語音數據庫并進行識別，這個數據庫同樣會將一部分確定為正面的訓練集用于訓練標準程序以適應被審計企業(yè)。如果語音證據中存在可能的欺詐言論，數據庫會進行自動甄別并上報至綜合研判系統。第三，圖像和視頻證據將會進行完整的記錄并且自動與數據庫中的文本數據進行實時的交換，以確保能夠相互證明。這一整套的審計證據綜合系統的目的在于快速準確地對被審計企業(yè)的審計證據進行最大限度的真實性保證。在此基礎上，這些被審核過的證據將會被發(fā)送至被審計企業(yè)綜合研判審計系統。（圖1）

圖1 審計證據綜合系統圖

圖2 審計研判綜合系統圖

（二）建立企業(yè)審計研判綜合系統。利用深層神經網絡和大數據的綜合分析能力為審計師綜合研判和最后的審計結論進行數據支持。深層神經網絡會將經過審核的證據按照重要級別進行自動歸類，大數據系統會將這些數據與云服務器中的大量相關企業(yè)的數據進行二次審核。在二次審核通過后，大數據系統會將其他同類型的審計數據進行對比并且將對比結果一部分保存于云服務器中，一部分重新傳輸回深層神經網絡組成的審計系統，這個審計系統將會利用自身的專業(yè)審計研判程序進行研判并得出審計意見。這個意見將會發(fā)送至會計師事務所合伙人進行最后的確認。如果合伙人認為還有疏漏，可以將可能存在欺詐行為的賬目進行人工的二次審核并重新確認審計意見。（圖2）

（三）建立云審計平臺。利用深層神經網絡的學習模型和大數據的支持建立云審計平臺。這個平臺將會由專業(yè)的互聯網云服務器提供商進行數據庫搭建和支持服務。在搭建過程中，將會邀請業(yè)界和學術界的專業(yè)審計人士共同完成。這個云審計平臺將會建立專門針對審計的深層神經網絡模型，并且收集主流會計事務所近三十年的審計文件和意見。這個平臺主要為所有需要審計數據支持的事務所進行針對不同數據和模型的服務支持。另外，針對上傳數據或者為模型建設有貢獻的企業(yè)和個人為自己或者所代表的企業(yè)獲得相應的使用權限額度。未來，云審計平臺將會為所有需要審計服務或者數據的企業(yè)提供支持并將主要的工作全部集中于線上完成，減少不必要的損耗。更多不同類型和審計模型也將會為更為細分的審計市場提供更多的可能。

（四）建立政府監(jiān)管部門和全社會監(jiān)督平臺。利用深層神經網絡的學習模型建立政府監(jiān)管部門和全社會監(jiān)督平臺。無論是審計或者被審計企業(yè)都需要面對全社會的監(jiān)督，讓一切專業(yè)行為暴露在公眾的關注之下是減少審計風險的重要手段之一。云審計平臺除了面向專業(yè)的客戶之外，還會將全部數據與政府主要的監(jiān)管部門進行實時的數據上傳，政府的主要監(jiān)管部門能夠進行及時的監(jiān)管和服務。這些被審計的企業(yè)特別是上市企業(yè)的審計數據也將會受到全社會的監(jiān)管。通過登陸平臺的數據查詢界面，社會公眾可以查看被審計企業(yè)的財務和審計狀況。這樣有利于被審計企業(yè)受到國家監(jiān)管部門和全社會公眾實時高效的監(jiān)督，以提高自身的專業(yè)性和合規(guī)性，也有利于減少審計風險和惡性欺詐行為的發(fā)生。建立政府監(jiān)管部門和全社會監(jiān)督平臺將會幫助整個國家的經濟發(fā)展更加良性和高效。

五、結論

審計師未來可以通過使用審計證據綜合系統、審計研判綜合系統以及云審計平臺更加高效和準確地為被審計企業(yè)、國家監(jiān)管部門以及全社會提供更有保障的審計服務。會計師事務所的組織結構也將發(fā)生改變：由以往的合伙人-項目組-審計師的垂直管理體系改變?yōu)楹匣锶?綜合審計系統-審計師的扁平管理體系。深層神經網絡與審計的深入融合將會改變審計行業(yè)的工作模式。審計行業(yè)也將會依托深層神經網絡而更加透明并且肩負更多的社會責任。但是，在這一過程中，還需要國家監(jiān)管部門的法律和隱私服務方面的支持，社會公眾也需要給這些轉變更多的時間和耐心，更多的中小型會計師事務所也需要根據自身的業(yè)務特征進行轉型以適應時代的發(fā)展。未來人工智能技術必將參與到各行各業(yè)之中，審計行業(yè)更是需要調整心態(tài)，積攢技術基礎，積極地投入這場未來的改變之中。