Возможности и перспективы использования цифровых технологий в аудиторской деятельности

Изменение средств делового общения, обмена производственной и финансовой информацией, появление принципиально новых форм организации бизнеса, систем электронного управления для решения коммерческих и производственных задач привели к революции в менеджменте и маркетинге, управлении финансовыми и инвестиционными потоками. По мере трансформации экономических отношений и форм трансакций перестраивается содержание финансовой отчетности: возрастает число объектов, увеличивается количество оценок для формирования показателей (справедливые, рыночные оценки, оценочные и условные обязательства), для удовлетворения потребностей инвесторов включаются в отчетность ретроспективные оценки и вероятностные показатели. Современному аудиту подвергается не только информация из бухгалтерского учета, но и сведения, получаемые при исследовании хозяйственных, технологических и управленческих процессов, источниками которых являются как внутренние, так и внешние открытые данные и интернет-сайты.

В условиях большого объема информации и необходимости ее обработки в короткие сроки, интеграции структурированных и неструктурированных данных проведение аудита в традиционной форме не представляется возможным [Kokina, Davenport, 2017]. Постоянные потребности пользователей в различных консультационных услугах и нарастающее многообразие информации требуют применения цифровых технологий, с помощью которых можно хранить и обрабатывать объемы информации, не только анализировать финансовую, но и извлекать и структурировать нефинансовую информацию.

Отличительной особенностью цифровой экономики является применение в экономической деятельности более производительных цифровых технологий, которые способствуют ускорению информационных потоков посредством работы с дискретными уровнями информационных сигналов, что позволяет обеспечить высокое качество обработки и передачи информации, а также ее хранение в неограниченном объеме. На пути к формированию цифровой экономики происходят технологические взрывы, под которыми понимается «комбинация технологий, дающая возможность создавать новые продукты и сервисы, которые, с одной стороны, формируют новые сферы деятельности, а с другой -- радикально изменяют существующие отрасли экономики» [Сухарева, 2018, с. 457]. К перспективным цифровым технологиям относятся большие данные, нейротехнологии и искусственный интеллект, системы распределенного реестра, промышленный Интернет, компоненты робототехники и сенсорика и т. п. В основу разработки и развития современных цифровых технологий положены когнитивные методы и технологии.

Исследователи рассматривают понятия «когнитивные технологии» и «технологии искусственного интеллекта» (ИИ-технологии) в качестве синонимов [Kokina, Davenport, 2017]. Термин «когнитивный» означает «знать, познавать», а «когнитивная экономика» -- это экономика, основанная на знаниях.

В свою очередь, под когнитивными методами понимаются «методы воздействия на процессы получения и хранения знаний» для решения сложных задач и интеллектуальной обработки данных», а под когнитивными технологиями -- «способы и алгоритмы достижения целей субъектов, опирающиеся на данные о процессах познания, обучения, коммуникации, обработки информации человеком и животными, на нейронауку, на теорию самоорганизации, компьютерные информационные технологии, математическое моделирование элементов сознания и ряд других научных направлений» [Родзин, Титаренко, 2013, с. 65]. Когнитивные технологии включают широкий спектр технологий рационализации и формализации интеллектуальных систем для генерации и функционирования знаний, экспертизы, коммуникации и принятия решения [Абдикеев, Аверкин, Ефремова, 2010].

Подобное определение дается и интеллектуальным технологиям (далее -- ИИ- технологиям). Они предназначены для реализации задач, которые традиционно выполняет человек на основе запоминания опыта, разработки алгоритма и понимания абстрактных концепций и адаптации в новых условиях [Карелин, 2011]. ИИ-технологии предназначены для разработки и эксплуатации информационных систем, способных накапливать, классифицировать и оценивать знания об окружающем мире; пополнять и обобщать знания с помощью логического вывода; взаимодействовать с человеком на языке, приближенном к естественному; оказывать ему помощь за счет хранящихся в памяти знаний и логических средств рассуждений [Остроух, 2015].

Сходство между когнитивными и ИИ-технологиями заключается в генерировании новой информации и новых идей, которые в явной форме не заложены в базу данных. Иными словами, и те и другие направлены на решение когнитивных задач, к числу которых можно отнести «обработку данных (интерпретацию, диагностику, мониторинг) и их формирование на основе базы знаний (прогнозирование, планирование, проектирование), обработку и формирование данных и знаний (обучение и управление), формирование знаний на основе метазнаний (оболочки)» [Абди- кеев, Аверкин, Ефремова, с. 4]. Именно ИИ-технологии базируются на моделях с нечеткой логикой, эволюционных вычислениях, нейронных сетях и используются для автоматизации и создания интеллектуальных систем.

Разработке прикладных ИИ-технологий применительно к аудиту предшествовали исследования в области когнитивного аудита и бихевиоризма как направлений когнитивной экономики. С 1980-х гг. зарубежная научная база аудита была переориентирована на исследования личностных и профессиональных компетенций, поведения специалистов, принимающих рациональные управленческие решения.

В рамках бихевиористского подхода на протяжении длительного времени объяснялись рациональность мышления, алгоритмы выработки мнения, мотивы деятельности аудитора, способы координации деятельности, экономическое самосознание и поведение аудитора как участника рыночных отношений. Большинство зарубежных научных публикаций было основано на анализе экспериментально имитируемой аудиторской практики, что позволило описать процедуру формирования профессионального суждения аудитора в реальной действительности.

В области когнитивного аудита получили развитие когнитивные процедуры и классификация задач по типу структурированности (формализации) с целью обоснования интеллектуального характера аудиторской деятельности. Большинство процедур в аудите являются неструктурированными, содержащими множество альтернативных вариантов и путей решения, что требует применения профессиональных суждений [Commerford, 2019]. Когнитивными процедурами аудита являются планирование, организация и управление, контроль качества, оценка и анализ, рассуждение, критическая оценка доказательств на основе применения принципа профессионального скептицизма, оценка рисков и системы внутреннего контроля.

М.Дж. Абдолмохаммади в своем исследовании предложил классификацию задач аудита на структурированные (рутинные, формализованные) и менее структурированные в условиях неопределенности и неполноты информации (например, оценка непрерывности деятельности) и пришел к выводу о том, что ни одна из статистических моделей не позволяет обосновывать принимаемые решения в аудите и способствовать реализации комплекса неструктурированных задач [Abdolmohammadi, 1987].

С.Е. Боннер и Н. Пеннингтон выделили 28 задач в аудите и описали когнитивные процессы применительно к решению каждой из них, а также определили соответствующую базу знаний [Bonner, Pennington, 1991]. Например, для понимания бизнеса аудируемой организации аудитор должен владеть информацией о состоянии экономической ситуации в той стране, где действует проверяемая организация, о внешних и внутренних факторах, которые оказывают воздействие на бизнес, а для выполнения аналитических процедур и выявления потенциальных проблем требуются сведения о частоте появления ошибок в бухгалтерской информации и понимание схожих типовых ситуаций клиентов и специфики деятельности компаний.

Формализованный подход не всегда приемлем в аудите, несмотря на то что исключает неоднозначность и субъективность, поскольку в результате его применения может увеличиваться вероятность пропуска противоречивых и ненадежных доказательств; кроме того, могут оказаться не выявленными схемы мошенничества у проверяемого субъекта [Griffith et al., 2015]. Большая часть аудиторских процедур выполняется в условиях неопределенности, причинами возникновения которой могут стать неизвестность, недостоверность (неполнота, неадекватность), неоднозначность знаний о проблемной области, противоречивость исходных данных и т. д.

Анализ и обобщение подходов зарубежных авторов к процессам и когнитивным задачам в аудите позволили структурировать их типы с учетом принимаемых решений (рис. 1). Следует отметить, что стандартность и структурированность задач в данном случае весьма относительны, поскольку алгоритм их реализации далеко не всегда известен и четко определен внутрифирменными стандартами организации.

Понимание неопределенности и неструктурированности задач в аудите привело к необходимости разработки когнитивных методов и технологий. А. А. Болдуин, С. Е. Браун и Б. С. Тринкл выделили в качестве когнитивных технологий, которые могут улучшить методологию и технологию деятельности, экспертные системы, генетическое программирование, нейронные сети, нечеткие и гибридные системы [Baldwin, Brown, Trinkle, 2006].

Рис. 1. Типы задач в аудите

Составлено по: [Abdolmohammadi, 1987; Bonner, Pennington, 1991; Issa, Sun, Vasarhelyi, 2016].

К числу первых технологий, которые нашли практическое применение и стали описываться в научных публикациях уже в начале 1980-х гг., следует отнести экспертные системы.

Экспертные системы -- это программы, которые на основе накопления, систематизации и апробации знаний и профессионального опыта в конкретной предметной области способствуют реализации поставленных задач (аналогичных решаемым в практической деятельности), а также применяются по запросу пользователя для объяснения хода рассуждений и полученных выводов. В основу разработки экспертных систем заложены методы, позволяющие интерпретировать факты и символы, диагностировать состояние объектов, прогнозировать последствия наблюдений, планировать действия, проводить сравнительный анализ и вырабатывать управленческие решения.

Данные системы используются для имитации интеллектуальных способностей человека в определенном прикладном аспекте апробации накопленных знаний и формализованных правил получения новых знаний. Основанные на поиске решения путем логического вывода с минимальным участием пользователя, они обеспечивают более полное понимание информационных процессов, их взаимосвязей, формируют базу знаний, накапливают, передают опыт и знания аудиторов [Omoteso, 2012]. Переход от статистических методов к экспертным был обусловлен, с одной стороны, многообразием рисковых факторов бизнес-среды, а с другой стороны, необходимостью оценки субъективного поведения руководства аудируемых компаний и действий, принимаемых в процессе управления и контроля.

Прикладные исследования и лабораторный анализ стали доступными благодаря расширению возможностей информационно-вычислительной техники и специализированных аудиторских программ. Р. Д. Месервей, Дж. А. Д. Байлей, и П. Е. Джонсон разработали экспертную модель оценки системы внутреннего контроля для целей аудита [Meservey, Bailey, Johnson, 1986]; Т. Дж. Калдерон и Дж. Дж. Чех -- для оценки рисков [Calderon, Cheh, 2002], X. К. Кох -- для решения неструктурированных задач, прогнозирования банкротства и оценки непрерывности деятельности аудируемого лица [Koh, 2004]. М. М. Эйнинг и Д. Р. Джонс установили, что применение экспертных методов позволяет аудиторам выявить риски мошенничества со стороны администрации и определили их важность для планирования приемлемого уровня риска необнаружения [Eining, Jones, 1997]. Дж. Е. Бориц и А. К. П. Венслей внедрили экспертную систему для оценки аудиторских доказательств по качественным критериям, что позволило заложить основу для решения неструктурированных задач [Boritz, Wensley, 1990].

Указанные исследования позволили создать базу для проведения качественных оценок и применения методов нечеткой логики для выражения профессионального суждения. В прикладных исследованиях получили развитие технологии поддержки принятия решений, которые дали возможность принимать решения на основе генерации возможных вариантов, выбора и предложения пользователю наилучшего варианта и анализа последствий предлагаемого решения. Практика применения экспертных систем показывает, что динамические модели используются в аудите для решения плохо структурированных задач, а статистические модели -- в целях поддержки принятия решений на основе теории выбора и субъективной функции полезности.

Для быстрого поиска информации в неограниченном и слабоструктурированном пространстве разработаны генетические алгоритмы, которые выступают разновидностью когнитивных технологий и имитируют процесс естественного отбора на основе инструментов оценки, отбора, кроссовера и мутации возможных решений. O. Дж. Уэлч, T. Е. Ревс, С. Т. Уэлч предложили применение генетических алгоритмов для моделирования поведения аудитора и принятия решения о фактах мошенничества [Welch, Reeves, Welch, 1998]. Принципом работы данной технологии является поиск лучшего варианта решений из возможных, но не оптимального.

На современном этапе развития когнитивных технологий наиболее перспективными являются ИИ-технологии с применением нейронных сетей, отличием которых от экспертных систем и генетических алгоритмов является способность к самоорганизации и самообучению. Нейросистемы имитируют работу человеческого мозга и состоят из взаимосвязанных блоков, обрабатывающих информацию путем реагирования на поступление внешних данных с передачей информации между блоками. Технологии нейронных сетей отличаются от экспертных систем тем, что для модели глубокого обучения база знаний (эмпирические данные) обучающего набора данных намного шире, имеет большую размерность и множество структур. Интеллектуальная система наделяется понятийным, наглядно-образным мышлением с помощью использования этой базы, а также технологии машинного и глубинного обучения.

Обучение машины производится с применением набора данных с метками, формируемыми по результатам предыдущих аудиторских проверок, типовых кейс- задач и алгоритмов их решения в различных ситуациях. Методика обнаружения знаний в базах данных заключается в последовательности отбора, очистки, трансформации, моделирования и интерпретации информации. Конфигурация и моделирование ИИ-системы производится до тех пор, пока не будут получены желаемые результаты, созданы шаблоны и успешно проведено тестирование на валидность. Областями применения машинного обучения «с учителем» являются задачи на классификацию, регрессию, ранжирование, прогнозирование, а «без учителя» -- кластеризация, поиск ассоциативных правил для установления закономерностей между связанными объектами.

Для обучения распознавания документов и изображений, работы с неструктурированной информацией и интеллектуального анализа больших данных используется методика глубинного обучения. Глубинное обучение -- это ИИ-технология с применением глубокой иерархической нейронной сети для анализа данных и извлечения сложных и абстрактных функций, лежащих в основе необработанных данных [Li, Vasarhelyi, 2018].

Использование нейронных сетей для аудиторской деятельности описывается в исследованиях методов обнаружения мошенничества [Fanning, Cogger, Srivastava, 1995; Perols, 2011; Brandas, Muntean, Didraga, 2018], оценки рисков [Chiu, Scott, 1994; Calderon, Cheh, 2002], непрерывности деятельности на основе анализа больших данных [Biggs, Selfridge, Krupka, 1993; Etheridge, Sriram, Hsu, 2000; Koh, 2004] и выполнения аналитических процедур [Koskivarra, 2017; Fanning, Cogger, Srivastava, 1995; Perols, 2011; Brandas, Muntean, Didraga, 2018; Chiu, 1994; Calderonand, Cheh, 2002; Biggs, Selfridge, Krupka, 1993; Etheridge, Sriram, Hsu, 2000; Koh, 2004; Koskivarra, 2017].

Большинство научных публикаций базируются на сравнительном анализе статистических моделей, экспертных систем с нейронными сетями и поиске новых областей применения технологий для повышения качества аудита. В своем исследовании Дж. Перолс сделал вывод о более достоверных результатах выявления фактов мошенничества при применении технологии машинного обучения, по сравнению со статистическими методами [Perols, 2011]. Для выявления мошенничества C. Брандас, М. Мунтин, О. Дидрага предложили технологию обнаружения аномалий на основе анализа основных компонентов как инструмент, идентифицирующий элементы, которые не соответствуют определенному шаблону (типу) [Brandas, Muntean, Didraga, 2018].

Наряду с описанием прикладных аспектов для конкретных областей аудиторской деятельности, в исследованиях рассматривается проблематика комплексных ИИ-технологий. На базе теории нечетких множеств и методов эволюционных вычислений, которые применимы для решения слабо- и неструктурированных задач в условиях неопределенности и направлены на поиск степени соответствия между элементом и набором элементов, были созданы гибридные модели. М. Дж. Ленард и его соавторы предложили прикладное генетическое программирование с применением теории нечетких множеств, экспертных оценок и статистических методов для составления прогнозных моделей и оценки непрерывности деятельности [Lenard et al., 2001], а исследователи [Davis, Massey, Lovell, 1997] разработали гибридную систему, интегрирующую нейронную сеть и элементы экспертных систем, для оценки рисков. В [Issa, Sun, Vasarhelyi, 2016] был сделан вывод о необходимости сочетания технологий машинного обучения для выявления фактов мошенничества и глубокой нейронной сети -- для анализа данных из социальных сетей, видеозаписей, пресс-релизов, новостей, обработки и распознавания текста, а также изображений документов на бумажных носителях.

Анализ зарубежных работ в области применения ИИ-технологий показал, что на современном этапе в связи с расширением потенциала цифровых технологий наиболее важными для аудита выступают технологии извлечения информации и анализа больших данных (Big data). Применительно к аудиту это -- «коллекции данных различных типов, которые могут включать в себя некоторое сочетание традиционных структурированных финансовых и нефинансовых данных, данных датчиков, электронных писем, телефонных звонков, социальных сетей, блогов, а также другие внутренние и внешние данные» [Gepp et al., 2018].

Необходимость внедрения новых технологий для обработки значительного объема информации связана с ростом неопределенности, неструктурированной природой больших данных, перегрузкой данных, что приводит к затруднению идентификации и поиска релевантных сведений и неверным выводам.

Для извлечения структурированных^ и неструктурированных данных из разных источников, представляющих собой аудиторские доказательства, используется технологии обработки естественного языка. В основу технологии Big data заложены принципы лингвистического анализа, который позволяет анализировать тестовые документы и веб-страницы, понимать контекст и содержание, в том числе эмоциональную окраску. Р. Фэй и Е. М. Негангард описывают применение анализа больших данных для исследования рисков и выявления фактов мошенничества [Fay, Negangard, 2017]. В работах [Sun, Vasarhelyi, 2018; Hashimzade, 2016] подробно раскрываются прикладные аспекты анализа текстовой информации (text mining) как типа больших данных для сбора и обработки качественной информации, а в исследовании [Hashimzade, Myles, Rablen, 2016] -- предиктивной аналитики для оценки рисков.

Область использования технологии визуального распознавания изображений и идентификации объектов, местоположений, отнесения их в задаваемый пользователем класс -- проведение инвентаризации и обнаружение фактов недобросовестных действий. X. Исса, Т. Сан и М. А. Васархелий обнаружили, что применение методов визуального распознавания позволяет аудиторам понимать содержимое изображения, полученного с помощью дронов, или видео, снятого камерами наблюдения, автоматически идентифицировать объект и предмет (в том числе человеческие лица) на изображении, а затем упорядочить и классифицировать каждое изображение в заранее определенный логический класс [Issa, Sun, Vasarhelyi, 2016].

ИИ-технологии действуют на основании ввода фактической информации аудируемого лица в единую информационную базу и ее сравнения с типовыми ситуациями в аналогичных компаниях, данные о проверках которых занесены в базу. В связи с этим одним из барьеров на пути к их внедрению в аудиторскую деятельность является проблема машинного обучения и построения выборки информации для формирования базы знаний и правил с целью повышения точности классификации и структурированности информации. Объем данных зависит от характера (текст или изображение), качества и репрезентативности информации, размерности и классификационных признаков данных, а также применяемых экспериментальных методов [Issa, Sun, Vasarhelyi, 2016].

Однако для обеспечения валидности обучаемой модели и исключения субъективности, которая может оказать влияние на мнение о достоверности финансовой отчетности, необходимы дополнительные исследования в области обеспечения качества ИИ-системы. При обучении может возникнуть риск ошибочности суждения и наличия некоторой степени субъективности в принятии решений, поскольку имеется зависимость от интеллекта и убеждений тех лиц, которые проводят машинное обучение. «Умная технология» может находить доказательства, которые будут соответствовать предпочтениям людей или выдавать противоречивую информацию. В результате специалисты могут сталкиваться на практике с проблемами интерпретации полученной информации в случае разрозненности данных, необходимости получения дополнительных сведений, выходящих за рамки модели. Разработка требований к машинному обучению для поддержания качества аудиторских услуг позволит повысить степень доверия общества и пользователей к мнению, формируемому с помощью ИИ-технологий.

Перспективным направлением исследований в области внедрения ИИ- технологий в деятельность аудиторских организаций становится рассмотрение вопросов создания роботизированных систем и интеллектуальных помощников, которые сочетают в себе комплекс технологий для решения различных задач в аудите. Ю. Кокина и Т. X. Давенпорт отмечают необходимость использования технологии искусственного интеллекта и нейронных сетей для создания робота-помощника в аудите [Kokina, Davenport, 2017]. Роботизация процесса аудиторской проверки означает внедрение комплекса технологии искусственного интеллекта, экспертных систем и технологий управления знаниями [Abhishek, Divyashree, 2019].

Интеллектуальный помощник для аудиторской организации (Intelligent Personal assistants -- IPA) -- это программный комплекс, выполняющий набор операций аудиторской проверки автономно и по заданию пользователя на основе принципов рассуждения и выполнения иных когнитивных функций [Brandas, Muntean,

Didraga, 2018]. Наиболее полное определение когнитивного помощника (cognitive assistants) для целей аудита дано в [Li, Vasarhelyi, 2018, р. 122] -- это «технологии с обработкой естественного языка и интерактивной поддержкой принятия решений для извлечения и поиска релевантной информации, планирования и оценки рисков, позволяющие понимать голосовые команды и отвечать на вопросы в наиболее удобной форме». Когнитивный помощник может изучать и запоминать запросы и действия разных пользователей и на этой основе представлять рекомендации следующим пользователям. Для создания когнитивных помощников с целью оказания аудиторских услуг необходимо исследование когнитивной экосистемы, позволяющей понять взаимосвязь между элементами и технологиями, определить их прикладное значение для аудиторских компаний.

Для раскрытия содержания понятия «интеллектуальный аудит» как вида деятельности в зарубежной литературе используется информационный подход. ИИ- аудит -- это гибридный набор технологий (интеллектуальный анализ данных, машинное обучение, распознавание речи, изображений и анализ эмоций), которые дополняют и модернизируют процессы аудиторской деятельности [Ukpong, Udoh, Essien, 2019]; платформа, которая анализирует и сортирует финансовые записи по категориям риска, устраняя необходимость случайных выборок финансовых записей и их проверки вручную [Rozen, 2018].

Таким образом, ИИ-аудит представляет собой проверку, организация и методика проведения которой основана на применении ИИ-технологии для выполнения когнитивных процессов и принятия решений на всех этапов, начиная с планирования и заканчивая формированием мнения в аудиторском заключении. Искусственный интеллект может генерировать гипотезы, основанные на суждениях, собирать данные из разрозненных, в том числе и неструктурированных источников информации, анализировать информацию большого объема и визуализировать результаты анализа, а также оценивать собранные доказательства.

Несмотря на представленность данной тематики в зарубежной научной литературе, ИИ-аудит и применение цифровых технологий для аудиторских проверок остаются неизученными областями в отечественной теории и методологии аудита. Российские исследователи затрагивают вопросы применения больших данных для оценки рисков недобросовестных действий [Соболева, 2017], открытых данных как источника информации для аудиторской проверки [Егорова, 2019], применения роботизированной технологии для решения задач на разных этапах аудита [Тихонов, Ворохобина, 2018]. Однако не уделяется достаточного внимания исследованиям в области цифровизации аудиторской деятельности и отдельным сферам применения когнитивных технологий, что обусловлено, с одной стороны, начальным этапом развития отечественной методологии аудиторской науки, а с другой стороны, недостаточной развитостью прикладных технологий искусственного интеллекта на отечественном рынке ИТ-продуктов, в том числе для организации аудиторской деятельности и проведения экспериментальных научных исследований. Исследования, осуществляемые зарубежными учеными, являются весьма важными для развития отечественной науки финансового контроля и ее соответствия современным реалиям и международным тенденциям.

Когнитивная экосистема аудиторской деятельности: структура цифровых технологий и их применение для выполнения когнитивных процессов

В настоящее время возникла необходимость формирования когнитивной экосистемы аудиторской деятельности. Это обусловлено наличием различных цифровых технологий, которые могут быть применимы в определенных областях аудиторской деятельности не только по отдельности, но и в совокупности с другими технологиями, что принесет наибольший интегральный эффект от применения.

Описывая важность создания когнитивной экосистемы для аудита, С. Козловский отмечает, что она должна быть направлена на формализацию и выбор способов хранения и обработки знаний, их интерпретацию, наполнение базы знаниями (прототип экспертной системы), подачу знаний в понятийной системе, а также на проверку компетентности системы и пригодности для пользователей [Kozlowski, 2016].

Когнитивная экосистема аудиторской деятельности -- это комплекс технологий роботизации автоматизированных процессов (Robotic process automation -- RPA), данных и аналитики, когнитивных технологий и надстройки -- прогностической аналитики Harnessing the power of cognitive technology to transform the audit. KPMG, 2016. URL: https:// assets.kpmg.com/.../be/.../us-audit-cognitivereport (дата обращения: 04.08.2019). [Пожарицкая, 2017]. Под когнитивной системой понимается автоматизированная система, основанная на знаниях, или комплекс программных, лингвистических и логико-математических средств для реализации основной задачи -- осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке [Остроух, 2015]. Большинство авторов, раскрывая понятия «когнитивная система», «интеллектуальная система» и «система интеллектуальных технологий», перечисляют состав входящих в данную систему когнитивных технологий. Определение понятия «когнитивная система» применительно к аудиторской деятельности требует уточнения, поскольку существующие трактовки не раскрывают содержания, цели использования, не учитывают особенности аудита и применяемых прикладных технологий.

Аудиторская деятельность представляет собой предпринимательскую деятельность по аудиту и оказанию сопутствующих услуг, причем в связи с ростом потребностей пользователей в консалтинговых услугах возникли новые виды аудита: стратегический аудит, аудит эффективности, социальный аудит, комплаенс-аудит, экологический аудит и т. д. О росте консалтинговых услуг свидетельствуют отчетные показатели компаний стран «Большой четверки» (рис. 2) и статистика Минфина России, согласно которой в 2018 г. 50,1 % доходов российских аудиторских компаний приходилось на аудит, 45,3 -- на прочие услуги и 5,1% -- на сопутствующие аудиту услуги Основные показатели рынка аудиторских услуг в Российской Федерации (Министерство финансов РФ. URL: https://www.minfin.ru/ru/perfomance/audit/audit_stat/MainIndex/ (дата обращения:

04.08.2019) )..

Аудитор, оказывая консалтинговые услуги, может предложить клиентам совершенствовавать систему внутреннего контроля, услуги по оценке налоговых рисков, проведению комплаенс-процедур или подтверждению обоснованности инвестиционных планов, а также по оценке перспектив развития и способности компании продолжать деятельность непрерывно, собирать, классифицировать и компилировать информацию для определенных целей/

Рис. 2. Структура доходов от операционной деятельности компаний стран «Большой четверки», 2018 г.

Составлено по: Годовой отчет PWC. URL: https://www.pwc.nl/nl/assets/documents/pwc- annual-report-2017-2018.pdf (дата обращения: 04.08.2019); Годовой отчет Deliitte. URL: https:// www2.deloitte.com/content/dam/Deloitte/nl/Documents/about-deloitte/deloitte-nl-integrated-annual- report-2017-2018.pdf (дата обращения: 04.08.2019); Годовой отчет EY. URL: https://www.ey.com/ Publication/vwLUAssets/EY-transparency-report-2017-2018-volume-2/$FILE/EY-transparancy-report- 2017-2018-volume-2.pdf (дата обращения: 04.08.2019); Годовой отчет KPMG. https://home.kpmg/ content/dam/kpmg/nl/pdf/over-ons/integrated-report-2017-2018.pdf (дата обращения: 04.08.2019).

Область углубленного исследования бизнеса является весьма перспективной для приложения интеллектуальных систем и когнитивных технологий в аудиторской деятельности.

Вместе с тем аудиторская деятельность -- это совокупность взаимосвязанных когнитивных процессов, направленных на формирование суждения о достоверности финансовой отчетности. В аудиторской деятельности когнитивными процессами выступают извлечение знаний из базы знаний, поиск информации из внешних источников, сравнение, генерация и оценка гипотез, сбор информации, оценка и выбор решений [Bonner, Pennington, 1991]. Однако данные процессы не в полной мере отвечают современным достижениям и возможностям ИИ-технологий. Система искусственного интеллекта автоматизирует процессы ввода и распознавания необходимой информации, общения, обучения, представления знаний, аналитической обработки информации, выработки целей и принятия решений, поддержки целостности системы и реализации принятых решений [Карелин, 2011]. Значит, перечень когнитивных процессов аудиторской деятельности необходимо уточнить и включить его в состав процессы: ввода информации; общения с пользователем и распознавания информации; обучения, представления и накопления знаний; аналитической обработки информации; управления; формирования умозаключений, выводов и суждений.

Учитывая особенности аудиторской деятельности и определение когнитивной системы, под когнитивной экосистемой аудиторской деятельности будем понимать совокупность интеллектуальных систем, методов создания базы знаний, управления знаниями и когнитивных технологий, которые находятся во взаимодействии и предназначены для выполнения когнитивных процессов в аудиторской деятельности, обеспечивающих формирование профессионального мнения при выполнении аудиторских услуг и оказании сопутствующих аудиту услуг.

Рассматривая структуру когнитивной экономической системы, Н. М. Абдике- ев, А. Н. Аверкин, Н. А. Ефремова отмечают, что она включает в себя: область применения интеллектуальных (когнитивных систем), основанных на методах и моделях искусственного интеллекта, систем поддержки принятия решений и интеллектуальной обработки данных; область управления знаниями (на основе методов нейрофизиологии, психологии и т. п.); область применения когнитивных технологий [Абдикеев, Аверкин, Ефремова, 2010]. Принимая во внимание данный подход, позволяющий определить взаимодействие применения ИИ-технологий для конкретной предметной области, предлагается структура когнитивной экосистемы аудиторской деятельности (рис. 3).

Рис. 3. Структура когнитивной экосистемы аудиторской деятельности

Когнитивная экосистема аудиторской деятельности состоит из трех подсистем: интеллектуальной подсистемы (базовый комплекс программно-аппаратных технологий, не учитывающий прикладной характер), подсистемы когнитивных технологий (например, экспертные системы и генетические алгоритмы) и подсистемы управления знаниями (направлены на формирование знаний о предметной области).

На пересечении области интеллектуальных систем и когнитивных технологий лежат гибридные интеллектуальные системы для аудита, которые достаточно широко исследованы в научных трудах зарубежных ученых (область 1). Прикладные технологии систем поддержки принятия решений для аудиторской деятельности находятся на пересечении системы управления знаниями и интеллектуальных систем (область 2). Она изучена в меньшей степени и нуждается в дальнейшей проработке в направлении конкретизации источников информации, их классификации и возможности расширения областей применения для аудита методов Data mining. Технология и методология когнитивного аудита расположены на пересечении системы управления знаниями и когнитивных технологий (область 3).

При объединении всех областей когнитивной экосистемы формируется прикладная область научных знаний, которая носит название «интеллектуальный аудит (ИИ-аудит)» и требует определения собственного теоретического обоснования и разработки методологической основы (область 4). Взаимосвязь областей и когнитивных процессов с задачами, решаемыми в аудиторской деятельности, показана на рис. 4.

Рис. 4. Применение ИИ-технологий экосистемы аудиторской деятельности для решения прикладных задач в аудите

Назначение когнитивной экосистемы аудиторской деятельности заключается в описании по запросу пользователя на основе ввода исходных данных некоторой задачи, состоящей из совокупности фактов и выводов из имеющихся фактов на основе базы знаний, правил и процедур. Для реализации процесса ввода, общения с пользователем и распознавания информации должен быть создан интеллектуальный интерфейс, обеспечивающий доступ к информационным базам аудируемых организаций, считыванию информации из бумажной документации, распознаванию образов для идентификации узнавания окружающих предметов, поиска и восприятия внешней информации.

Авторы работы [Brennan, Baccala, Flynn, 2017] справедливо отмечают, что с помощью ИИ-технологий можно извлекать и группировать необходимую информацию из разных источников, сравнивать данные и выполнять процедуры подтверждения. Естественный языковой интерфейс и технология машинного зрения реализуют функции сбора информации и ее группировки для выполнения аудиторских процедур и иных задач, голосового управления, получения и передачи большого количества визуальной информации (текстов документов или изображений), что позволяет ускорить процедуры инспектирования, сверки первичных документов на бумажных и электронных носителях с базой учетных данных.

В практике аудиторских компаний стран «Большой четверки» начиная с 2016 г. стали внедряться технологии для извлечения информации из документов, распознавания реквизитов и иных символов (например, Deloitte внедрило ИИ-продукт Argus на базе Kira Systems; KPMG применяет для глубокого обучения IBM Watson Natural Language Understanding, а для поиска из открытых источников данных -- Tensor Flow и Theano). ИИ-технологии позволяют увеличить эффективность проверки за счет многократного повышения объема обработанной информации в единицу времени. Аудиторские фирмы стран «Big 4» оценивают экономический эффект от внедрения когнитивных технологий в сокращении трудоемкости сбора и обработки информации в 50 %. Роботизированные технологии способны считывать 800 млн страниц в секунду, суммировать данные практически мгновенно. ИИ- аудит, с одной стороны, создает возможность ускорения процессов обработки информации, а с другой стороны, позволяет повысить качество и результативность проверки за счет применения методов анализа данных и распознавания текста документов.

Переход на ИИ-технологии решает проблему минимизации риска необнару- жения и, тем самым, повышает уровень уверенности аудитора в достаточности и уместности аудиторских доказательств, на которых основывается мнение о достоверности финансовой отчетности. В научной литературе и на сайтах компаний стран «Большой четверки» превалирующим мнением является позиция, что на смену выборочного аудита придет сплошной непрерывный и роботизированный аудит Ramlukan R. How Big Data and Analytics Are Transforming the Audit. URL: http://bit.ly/2pJJ8ju (дата обращения: 04.08.2019). [Brennan, Baccala, Flynn, 2017; Luo, Hu, Wang, 2018].

MCA 200 MCA 200 «Основные цели независимого аудитора и проведение аудита в соответствии с международными стандартами аудита». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)). рассматривают аудиторскую выборку в качестве «неотъемлемых ограничений», которые приводят к возникновению риска необнаружения. В традиционном подходе практикующий аудитор должен обладать достаточными знаниями статистической теории, прогнозного моделирования, уметь правильно интерпретировать результаты статистики и на этой основе формировать обоснованную аудиторскую выборку. Широкое использование разнообразного инструментария в области аудиторской выборки, достоверность которого опровергалась и уточнялась в научной литературе на протяжении ряда лет на основании совершенствования математической статистики и теории вероятностей, так и не привело к созданию универсальной методики выборочного исследования. Внедрение ИИ-технологий в аудиторскую деятельность будет способствовать повышению эффективности информационного процесса, но потребует пересмотра концептуальных положений и методологии выборочного аудита.

Технология распознавания образов может быть использована в аудите для выполнения процедур наблюдения производственных помещений (MCA 315, п.A18) MCA 315 «Выявление и оценка рисков существенного искажения посредством изучения организации и ее окружения». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)). MCA 501 «Особенности получения аудиторских доказательств в конкретных случаях». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant. ru/ (дата обращения: 04.08.2019))., проведения инвентаризации запасов и распознавания лиц, участвующих в этом процессе, а также выполнения контрольных пересчетов запасов в труднодоступных местах (CA 501, п. A7)¹¹. Директор Deloitte К. Энгельберт справедливо указывает на возможность применения дронов, разработанных на основе машинного зрения, для наблюдения за проведением инвентаризации и для оценки фактического наличия активов в местах их нахождения, что позволит проводить такую процедуру в любое время и по мере необходимости.