Автор: Корф Владимир Владимирович, внутренний аудитор, заместитель директора департамента внутреннего контроля, Агрохолдинг
Различные секторы экономики уже многие годы успешно интегрируют искусственный интеллект (ИИ) в свои процессы. Однако общественное внимание к этому направлению существенно возросло после стремительного роста популярности ChatGPT, который сделал ИИ доступным для повседневного использования. Ежедневное взаимодействие с ИИ стало для многих незаметной частью жизни. Пользователи, заказывая товары на маркетплейсах, пользуясь поисковыми системами, просматривая видео и рекламные материалы, а также читая тексты в интернете, часто не осознают, что они взаимодействуют с результатами работы нейронных сетей.
Применение ИИ в различных отраслях:
В здравоохранении ИИ играет значительную роль в обработке результатов рентгеновских снимков, компьютерной и магнитно-резонансной томографии, существенно улучшая диагностическую точность. Также ИИ помогает в разработке лекарств от серьезных заболеваний и анализе лабораторных исследований для раннего выявления и предупреждения хронических заболеваний.
Финансовые учреждения и страховые компании наиболее активно применяют нейронные сети для распознавания мошеннических схем, прогнозирования финансовых результатов и анализа документов. На основании ИИ создают банковских помощников, внедряя их в клиентские сервисы, значительно улучшая обслуживание.
На фондовых рынках искусственный интеллект используется для прогнозирования поведения инвесторов на основе исторических данных, построения торговых стратегий, обнаружения аномалий и создания прогнозов изменения цен и индексов.
В игровой индустрии алгоритмы ИИ улучшают качество графики и анимации, создают адаптивных игровых персонажей и интерактивные диалоги, что делает игры более реалистичными и интерактивными.
Современные смартфоны активно используют ИИ для стабилизации изображений, обработки видео, нормализации звука и подавления шумов.
В автомобильной индустрии ведущие компании применяют искусственный интеллект для развития и обучения автопилотов.
В промышленности ИИ помогает мониторить состояние оборудования и прогнозировать его отказ, а также способствует контролю качества продукции, выявляя дефекты и снижая количество брака.
В сельском хозяйстве беспилотные тракторы и комбайны с применением ИИ могут выполнять посев, обработку почвы, внесение удобрений и сбор урожая, освобождая людей от наиболее трудоемких операций. Роботизированные системы Агро анализа позволяют выявлять засоренность сорняками и очаги поражения культур на ранних стадиях, обеспечивая своевременное принятие агрономических мер.
Перечисленные примеры демонстрируют лишь малую часть применения искусственного интеллекта в различных отраслях экономики, подчеркивая его важность и актуальность в современном мире.
Изначально аудитор может задаться вопросом о практической пользе изучения ИИ, особенно если его основная деятельность связана с аудитом бизнес-процессов, а ИИ традиционно относится к сфере информационных технологий. Однако, как было отмечено ранее, ИИ активно интегрируется в различные аспекты нашей жизни, что конечном итоге сделает его непременной частью современного аудита. Стандарты внутреннего аудита требуют постоянного повышения квалификации и расширения компетенций, в том числе в области применения ИИ. Автором статьи в план повышения квалификации аудиторов уже включены специализированные курсы, семинары, обучающие видеоматериалы и информационные ресурсы по ИИ.
Профессиональная деятельность аудиторов в будущем будет трансформироваться: некоторые функции перейдут к машинам, другие потребуют более глубокой ручной проработки и анализа.
Важно уже сейчас начать изучение основ ИИ, машинного обучения, нейронных сетей, подобных технологий как Chat GPT, чтобы в дальнейшем аудиторы могли эффективно взаимодействовать с этими инструментами и использовать их в своей работе. Несмотря на то, что основная цель данной статьи — не обучение аудиторов полному спектру применения ИИ, она может показать, как эти технологии могут поддерживать и улучшать аудиторскую деятельность.
Азбука AI: искусственный интеллект, машинное обучение, нейросети
Для того чтобы лучше погрузиться в тему искусственного интеллекта, или по-современному AI (Artificial Intelligence), необходимо кратко погрузиться в теорию. Будет не сложно, только основы для понимания основных аббревиатур и их различий.
Что такое ИИ?
ИИ представляет собой разработанную систему, способную воспроизводить как интеллектуальные, так и творческие процессы человека. Под интеллектуальной активностью подразумевается не только выполнение вычислительных операций, но и деятельность, направленная на создание интеллектуальных продуктов в области науки, искусства, литературы, кинематографии и других сферах.
Специалисты, работающие с ИИ, условно подразделяют его на три вида:
Слабый ИИ
Термин «слабый ИИ» применяется к системам, способным выполнять лишь ограниченный набор узких специализированных задач, превосходя в этом человека. В основном это текущий уровень развития искусственного интеллекта, с которым мы регулярно взаимодействуем в повседневной жизни.
Общий ИИ
Общий искусственный интеллект представляет собой следующий этап в развитии технологий. Это стадия, на которой компьютер способен справляться с любыми интеллектуальными задачами наравне с человеком. Общий ИИ позволяет машине успешно имитировать человеческое мышление.
Среди самых известных разработок в этой области стоит выделить нейросеть Chat GPT-5. Ожидается, что этот продукт в некоторых аспектах будет превосходить возможности так называемого «слабого ИИ», однако до достижения уровня общего ИИ еще предстоит пройти определенный путь.
Сильный ИИ
Сильный искусственный интеллект является передовой технологией, способной превосходить человеческие способности в выполнении интеллектуальных и творческих задач, тем самым доминируя во всех сферах деятельности. Считается, что появление такого уровня искусственного интеллекта станет переломным моментом в истории человечества. Основная гипотеза состоит в том, что способность машин к выполнению значительного спектра задач на уровне, превышающем человеческие возможности, неизбежно приведет к разработке еще более продвинутых технологий. Однако на настоящий момент концепция сильного искусственного интеллекта остается предметом активных дискуссий в контексте предполагаемого будущего.
В связи с активным развитием технологий ученые, бизнесмены и политики по всему миру все чаще поднимают вопрос о необходимости контролировать прогресс в сфере искусственного интеллекта. В качестве параллельных мер, разрабатываются политики и правила, направленные на обеспечение безопасности, проводятся исследования в области влияния нейросетей на общество. Эти меры предусматривают введение ограничений на использование ИИ, а также создают возможности для идентификации объектов, созданных с помощью ИИ или человека.
Все это про искусственный интеллект, а где про машинное обучение и нейронные сети?
Распознавание образов, лиц и объектов, анализ речи, разработка робототехнических систем, создание беспилотных устройств, машинный перевод, функциональность чат-ботов, задачи планирования и прогнозирования, генерация текстов и изображений, а также машинное обучение и нейронные сети — все эти технологии являются проявлениями искусственного интеллекта. Искусственный интеллект описывает технологии, способные демонстрировать формы интеллекта, сходные с человеческим:
В арсенале ИИ представлено множество методик, одним из элементов является машинное обучение, которое позволяет программам самостоятельно учиться, анализируя большие данные.
Нейронные сети — это тип алгоритмов машинного обучения, которые разработаны по принципу функционирования биологических нейронов человеческого мозга.
NLP (Natural Language Processing, обработка естественного языка) — это область, которая занимается тем, как заставить компьютеры понимать и обрабатывать человеческий язык. Это необходимо для решения таких задач как: понимание и генерация естественного языка, генерация изображений по текстовому описанию, машинный перевод и др. Алгоритмы работы нейросети используются для решения задач в области NLP, т.ч. создание языковых моделей, чат — ботов.
Мультимодальные языковые модели (Multimodal Language Learning Models) представляют собой тип модели, который способен обрабатывать входные данные в виде текста, аудиозаписей и изображений в любых комбинациях, и генерировать ответы в разнообразных форматах.
Основное отличие между NLP и мультимодальными моделями заключается в типах данных, с которыми они работают, и в сложности задач, которые они решают: NLP сосредоточено на работе с текстовыми и речевыми данными, а мультимодальные модели интегрируют несколько типов данных, что позволяет создавать более сложные и многофункциональные системы.
В настоящее время компании по всему миру активно работают над разработкой нейросетей и созданием собственных чат-ботов. Этот технологический прогресс в значительной степени обусловлен ростом мощности вычислительных ресурсов, доступностью обширных объемов данных в интернете и развитием архитектур современных нейросетей. Улучшение алгоритмов машинного обучения и увеличение доступности обработки данных позволяют создавать все более сложные и функциональные системы, способные выполнять широкий спектр задач, от автоматизации клиентского обслуживания до сложных аналитических вычислений. Эти инновации не только способствуют оптимизации рабочих процессов, но и открывают новые возможности для индивидуального подхода к потребностям клиентов, повышая тем самым конкурентоспособность компаний на рынке.
На момент написания данной статьи широко обсуждаются как нейросети российской разработки — GigaChat, Kandinsky, YandexGPT, так и зарубежные проекты, включая ChatGPT4, ChatGPT 4 Omni, Sora, Gemini, Copilot, Midjourney и другие.
При создании данной статьи не ставится задача продвигать конкретные нейросети. Целью является демонстрация способов применения и возможностей для внутреннего аудитора, знакомство с базовыми понятиями и стимулирование к повышению квалификации. В тексте не будут упоминаться названия нейросетей, использованные в примерах, а также методы получения доступа к ним. Об этом уже много информации в интернете. Кроме того, каждая нейросеть имеет свои преимущества и недостатки, и каждый пользователь может выбрать для себя наиболее подходящий вариант.
Кейс-стади: нейросети на практике
Перед началом использования нейросетей важно внимательно ознакомиться с политикой информационной безопасности вашей компании. Рекомендуется провести консультацию с сотрудником, ответственным за информационную безопасность, чтобы уточнить существующие уровни доступа и возможные ограничения, касающиеся работы с нейросетями. Кроме того, рекомендуется ознакомиться с правилами нейросети, поскольку могут быть установлены ограничения на использование и распространение контента, созданного с помощью нейросетей.
Теория – это хорошо, а вот что в жизни?
1. Подготовка к интервью
В процессе подготовки к интервью аудитор проводит тщательный анализ необходимой информации, которая включает сведения о компании, подразделении, бизнес-процессах, а также изучает ИТ-системы, финансовые показатели, организационную структуру и потенциальные риски. Кроме того, рассматривается и другая информация, соответствующая целям интервью. Использование нейросетей может существенно облегчить этот процесс, помогая в формировании списка релевантных вопросов.
Prompt (запрос) для нейросети: «Сформируй перечень вопросов для проведения интервью с сотрудником ответственным за кормление коров на ферме. Ты как аудитор хочешь задать вопросы касающиеся процесса доставки, приемки, расхода, составления рационов, хранения, расхода кормов на ферме. Выведи ответ по пунктам, указав сначала возможный риск, а затем вопрос».
Ответ нейросети:
1. Риск: некачественные поставки кормов
— Как происходит процесс выбора поставщиков кормов?
— Какие критерии качества кормов вы используете при приемке?
2. Риск: несоответствие фактической и заявленной массы/объема поставок
— Как контролируется количественный учет кормов при поставке?
— Используются ли весы или другие измерительные инструменты для контроля объемов поставляемых кормов?
— Используются ли оборудование для проверки качества поставляемых кормов?
3. Риск: неправильное хранение кормов
— Какие условия хранения кормов предусмотрены на ферме?
— Какие меры предпринимаются для защиты кормов от воздействия влаги, плесени и вредителей?
4. Риск: неэффективное использование и расход кормов
— Как происходит планирование ежедневного расхода кормов?
— Используются ли автоматизированные системы для контроля расхода кормов?
5. Риск: несбалансированные рационы питания коров
— Кто и как разрабатывает рационы питания для коров?
— Как часто происходит анализ потребностей коров в питательных веществах?
6. Риск: ошибки в подготовке кормосмесей
— Как контролируется процесс подготовки кормов перед их подачей коровам?
— Используются ли специальные оборудования или технологии для подготовки корма?
7. Риск: задержки в поставках и возможное ухудшение качества кормов в следствие этого
— Как вы минимизируете влияние задержек поставок на качество и доступность кормов?
— Есть ли у вас система резервирования кормов на случай задержек поставок?
8. Риск: недостаточная квалификация персонала
— Какие программы обучения и повышения квалификации доступны для сотрудников, занятых в процессе кормления коров?
— Как часто проводятся тренинги и проверки знаний у сотрудников?
2. Программа аудита
В процессе создания программы аудита, аудитор консолидирует информацию, полученную на этапе предварительного планирования. Он также изучает дополнительные необходимые данные, объединяет выявленные риски и формирует аудиторскую программу, указывая области проверки, риски и необходимые аудиторские процедуры. Использование нейросетей может значительно облегчить этот этап проверки, при условии корректного задания исходных данных.
Prompt (запрос) для нейросети: «Сформируй программу производственного аудита в сельском хозяйстве с фокусом внимания на расход средств защиты растений и минеральных удобрений. Включи в программу аудита вопросы контроля за плановым и фактическим расходом, вопросы сроков проведения полевых операций. Выведи программу аудита по пунктам, сначала укажи область проверки, а затем риск и процедуру аудита, для каждой процедуры укажи примеры возможных документов».
Ответ нейросети:
#### 1. Область проверки: Плановый и фактический расход средств защиты растений.
— Риск: Перерасход или недостаточное использование средств защиты растений, что может привести к финансовым потерям или снижению урожайности.
— Процедура аудита: Сопоставление плановых и фактических данных о расходе средств защиты растений.
Примеры документов:
— План расхода средств защиты растений на сезон.
— Отчеты о фактическом расходе средств.
— Накладные на поставку и использование средств защиты.
— Записи о проведении обработок полей.
#### 2. Область проверки: Плановый и фактический расход минеральных удобрений.
— Риск: Избыточное или недостаточное использование удобрений, что может вести к экологическим рискам и экономическим потерям.
— Процедура аудита: Анализ соответствия плановых объемов применения удобрений их фактическому использованию.
Примеры документов:
— План использования минеральных удобрений.
— Фактические отчеты о расходе удобрений.
— Счета-фактуры и накладные от поставщиков удобрений.
— Журналы учета внесения удобрений в почву.
#### 3. Область проверки: Сроки проведения полевых операций в применении средств защиты и удобрений.
— Риск: Несоблюдение оптимальных сроков внесения может привести к уменьшению эффективности препаратов и удобрений, что, в свою очередь, снижает урожай и увеличивает расходы.
— Процедура аудита: Проверка соблюдения заранее утвержденных сроков полевых работ.
Примеры документов:
— График полевых работ.
— Отчеты о выполнении работ в установленные сроки.
— Документы подтверждающие визиты агрономов на поля.
— Приказы на проведение полевых работ.
Финальные слова о нейросетях в аудите
В статье была выделена лишь небольшая часть потенциала нейросетей. В современной практике аудита, ИИ может применяться в различных аспектах, включая составление отчетов, создание презентаций, проведение непрерывного аудита, анализ смет, обработку больших данных и др. На первый взгляд приведенные примеры могут показаться несовершенными, однако стоит учесть, что для демонстрации использовались общедоступные нейросети. В профессиональной практике могут быть задействованы специализированные языковые модели, которые проходят обучение, дополнительно используют созданные аудитором библиотеки, данные о рисках, отчеты внутреннего аудита, стандарты внутреннего аудита, концепции систем внутреннего контроля и управления рисками, методологии проверок различных областей, результаты исследований в области борьбы с мошенничеством и множество других материалов, способствующих проведению проверок. Такой подход обеспечивает более высокое качество работы нейросетей.
