مدل های هوش مصنوعی و درصد درستی آن در تشخیص فساد مالی شرکت ها

مدل های هوش مصنوعی مانند یادگیری ماشین و شبکه های عصبی عمیق برای تشخیص فساد مالی در شرکت ها استفاده می شوند و دقت آن ها بسته به نوع داده و الگوریتم مورد استفاده متفاوت است. به طور کلی، این مدل ها می توانند دقتی بین ۷۵ تا ۹۰ درصد در شناسایی رفتارهای مشکوک و فساد مالی داشته باشند. همچنین، با بهبود الگوریتم ها و افزایش حجم داده های آموزشی، این درصد دقت می تواند به تدریج افزایش یابد. پژوهش حاضر با موضوع بررسی مدل های هوش مصنوعی و درصد درستی آن در تشخیص فساد مالی شرکت ها پرداخته است. در پژوهش از رویکرد کمی و میدانی، با روش پژوهش توصیفی استفاده شده است، که با روش نمونه گیری هدفمند ملاک محور تعداد ۵۰ نفر از کارکنان و مدیران شرکت های خصوصی واقع در شهر کرج بودند، انتخاب و با مصاحبه نیمه ساختار یافته به بررسی تجارب درک، شناسایی ادراکات مدل های هوش مصنوعی و درصد درستی آن در تشخیص فساد مالی شرکت ها، پرداخته شد. و از روش تجریه و تحلیل (دسته بندی اطلاعات) توصیفی - میدانی استفاده شده است و همچنین از نرم افزار spss استفاده شده است نتایج بدست آمده نشان داده است: یافته های این پژوهش نشان می دهد که نوع الگوریتم های هوش مصنوعی با میانگین ۴. ۱۲ و انحراف معیار ۰. ۶۱۳، به عنوان موثرترین عامل در دقت تشخیص فساد مالی شناخته شده است. کیفیت و حجم داده های آموزشی با میانگین ۳. ۱۰ و انحراف معیار ۰. ۷۲۴ در رتبه دوم قرار دارد و تاکید بر استفاده از داده های باکیفیت دارد. تکنیک های یادگیری ترکیبی و عوامل فرهنگی و سازمانی نیز به ترتیب با میانگین های ۲. ۲۰ و ۲. ۰۵ به عنوان عوامل تاثیرگذار بعدی شناسایی شدند. بنابراین؛ بهینه سازی این عوامل می تواند به دستیابی به دقت های بالای ۹۰ درصد در تشخیص فساد مالی کمک کند.

کلیدواژه ها:

هوش مصنوعی ، درصد درستی ، تشخیص ، فساد مالی ، شرکت.