استفاده از AI در حسابرسی بلادرنگ (Real-time Auditing) برای شرکت های فناور محور

هدف این پژوهش، بررسی اثربخشی به کارگیری هوش مصنوعی در تشخیص تقلب مالی به صورت بلادرنگ در شرکت های فناورمحور ایرانی است. برای این منظور، مجموعه داده ای شامل ۱۰۰٬۰۰۰ تراکنش مالی واقعی تحلیل شد و الگوریتم های یادگیری ماشین و یادگیری عمیق شامل Random Forest، XGBoost، CNN، RNN و مدل ترکیبی CNN–LSTM بر آن پیاده سازی شدند. نتایج نشان داد که مدل CNN–LSTM با دقت ۹۷٪ و AUC برابر با ۰.۹۸، بالاترین کارایی را در تفکیک تراکنش های تقلبی از عادی داشت. همچنین تحلیل اهمیت ویژگی ها با استفاده از روش SHAP بیانگر نقش کلیدی عواملی چون مبلغ تراکنش، تعداد تلاش های ناموفق، و فاصله زمانی بین تراکنش ها در پیش بینی تقلب بود. یافته ها بیانگر آن است که استفاده از AI می تواند سرعت واکنش حسابرسان، دقت گزارش دهی و قابلیت شناسایی تقلب را به طور چشمگیری بهبود بخشد. با این حال، چالش هایی چون تفسیرپذیری مدل ها، امنیت داده ها، و فقدان چارچوب های قانونی شفاف در برابر سیستم های هوشمند باقی مانده اند. در نتیجه، پیاده سازی موفق حسابرسی بلادرنگ نیازمند تلفیق الگوریتم های هوش مصنوعی با زیرساخت های داده ای، استانداردهای حسابرسی و مکانیزم های نظارتی است. این پژوهش گامی کاربردی در جهت بومی سازی هوش مصنوعی در فرآیندهای نظارت مالی در ایران محسوب می شود.

کلیدواژه ها:

هوش مصنوعی ، حسابرسی بلادرنگ ، تشخیص تقلب مالی ، یادگیری عمیق ، SHAP ، شرکت های فناورمحور