审计利用AI的有效方式

本页目录：Tips 笔记解读笔记缺漏补充考点分析考察范围清单

📝 Tips 笔记解读▾

● 好处/优点原文"优点：异常检测、可以处理复杂情况、自动化处理、动态分析、不一致、预测分析、节约时间、减少错误、自然语言"——可命题考点定义：审计师在审计各阶段引入AI，其核心价值体现在异常识别、处理复杂场景、流程自动化、动态/实时分析、发现不一致、预测性洞察、节省工时、降低差错、以及用自然语言处理文本类任务。
● 关键词原文"基于规则的异常检测：结构化表数据"——可命题考点定义：对结构化事务表数据做异常检测，最恰当的方法是部署基于规则的分析引擎，而非依赖图像或生成类模型。
● 关键词原文"可解释性分析：偏见问题"——可命题考点定义：当怀疑模型存在不公平对待特定群体时，最有效的审计工具是模型可解释性分析，用以定位歧视性决策来源。
● 关键词原文"结构因果模型：调整预处理程序提高数据质量"——可命题考点定义：当被审计方调整了数据预处理以改进数据质量时，审计师应使用结构因果模型来检验该调整对结论的影响。
● 关键词原文"机器学习：复杂问题分析"——可命题考点定义：支持审计人员检测和分析数据中复杂模式（非简单统计可视）的最主要AI方法是机器学习。
● 关键词原文"自适应抽样：人工智能抽样"——可命题考点定义：在主流抽样策略中，自适应（judgment-adaptive）抽样是典型会借助AI能力、依据数据特征动态聚焦高风险项的策略。
● 关键词原文"黑盒测试：人工智能测试"——可命题考点定义：对由供应商提供、审计师无法取得内部构造的AI模型进行审计时，最恰当的方法是黑盒测试，仅以输入输出验证行为。

⚠ 笔记缺漏补充▾

计算机视觉用于实物/图像类识别（如盘点库存中自动判别产品类别），老板笔记未覆盖，但考点明确在考。
图分析用于识别关系网络中的利益冲突或串通行为，老板笔记未覆盖。
自然语言查询/处理用于从非结构化材料或敏感信息中收集证据与合规判定，笔记仅把"自然语言"列为优点，未点出证据收集用法。
审计师在AI系统实施前的恰当角色是"确保遵循行业最佳实践"，而非去确定具体技术、开发数据治理控制或评估项目计划设计——笔记未覆盖该角色边界。
智能合约等链上逻辑验证最有效的是在受控环境模拟其动态行为，笔记未覆盖。
生成式AI用于审计规划阶段，最有效作用是识别特定技术风险与注意事项，笔记未覆盖。
大型语言模型（LLM）用于识别控制缺陷，最大价值是总结多份过程叙述中的不一致之处，可归入笔记"不一致"优点但需明确到控制缺陷场景。

🎯 考点分析▾

考察主线：本批题聚焦"审计师应当如何正确地把AI用作审计工具"。既考各类AI技术（计算机视觉、NLP、预测分析、图分析、机器学习、规则引擎、可解释性、结构因果模型、自适应抽样、黑盒测试）各自的恰当适用场景，也考审计师在AI实施前、证据收集、抽样、控制测试、模型审计等环节中的角色与方法边界。
正确答案的共同知识方向：
- 技术选型要匹配数据类型与任务：图像类用计算机视觉，结构化表用规则异常检测，关系网络用图分析，复杂模式用机器学习，偏见定位用可解释性分析。
- AI的核心审计价值是识别复杂/异常模式、预测高风险项、提升效率与一致性，而非替代人工判断。
- 审计师对AI系统的职责是确保遵循最佳实践、验证输出、保持可解释性，不越界去开发或指定技术。
- 对供应商黑盒模型采用黑盒测试；对预处理改进采用结构因果模型检验。
- AI改进流程的体现是缩短数据收集时间并减少证据汇编错误（可量化收益）。
常见干扰方向：
- 把"完全消除人工干预""确保完全合规""完全消除偏差"等绝对化效果当作正确答案（夸大AI能力）。
- 让审计师越界去确定具体技术、开发治理控制、评估项目设计（混淆审计师与实施方角色）。
- 用静态/数学验证替代受控环境下的动态模拟来验证智能合约。
- 用生成式比对、重新生成等"看起来严谨"但偏离"评估准确性与完整性"主线的做法。
- 把"仅依赖非结构化数据""消除人为判断"当成优点。
场景分布：库存/实物盘点（计算机视觉）、新数据库审计规划（生成式AI）、会计分录总体异常检测（预测分析）、DLP合规中的敏感信息识别（自然语言查询）、智能合约执行验证、控制缺陷识别（LLM总结不一致）、高风险交易定向抽样（预测分析）、利益冲突/串通审查（图分析）、多数据源证据收集成效评估、信用评分公平性审计（可解释性）、预处理改进检验（结构因果模型）、审计现场工作（扫描大数据集找趋势）、抽样策略（自适应）、供应商AI模型审计（黑盒测试）。

📋 考察范围清单▾

审计师角色边界：在AI实施前审查中，审计师应确保遵循行业最佳实践，不得越界去指定具体技术、开发数据治理控制或评估项目计划设计。
计算机视觉：适用于从图像/实物中自动识别对象类别（如库存产品识别），无需人工逐项协助。
生成式AI用于审计规划：最有效用途是识别特定技术风险与注意事项，而非替代绘图、总结访谈或查职责分离冲突。
AI相对传统方法的根本优势：识别复杂数据模式（而非消除人工、确保合规或降低偏差）。
智能合约验证：最有效证据收集是在受控环境模拟合约动态行为，而非仅靠静态代码分析或数学验证。
预测分析：用于检测总体异常、以及对大样本进行高风险交易识别以实现定向抽样。
自然语言查询/处理：用于从文档与敏感信息中收集证据、识别合规问题（如DLP场景识别敏感信息）。
大型语言模型（LLM）识别控制缺陷：最大好处是总结多份过程叙述中的不一致之处。
图分析：用于审核关系网络中的利益冲突或串通行为。
AI改进审计流程的判定标准：缩短数据收集时间并减少证据汇编错误（可量化收益），而非延长周期或消除判断。
光学字符识别（OCR）收集证据：最大局限是可能遗漏扫描或手写文档中的信息（属工具能力边界，命题时应作为"有效方式的前提条件/注意事项"）。
规则异常检测：用于验证结构化事务表数据，是最匹配的AI概念（区别于NLP、图像分类、GAN）。
模型可解释性分析：用于识别模型对特定人群的公平性/偏见问题（如信用评分不公拒绝）。
结构因果模型：用于在被审计方调整预处理以提升数据质量时，检验该调整的影响。
机器学习：是支撑审计人员检测和分析复杂数据模式的核心方法。
审计现场工作优势：可扫描大型数据集识别趋势与异常。
自适应抽样：是典型借助AI、按数据特征动态聚焦高风险项的抽样策略（区别于统计、判断、系统抽样）。
供应商AI模型审计：对供应商提供且无法取得内部构造的模型，最恰当的测试方法是黑盒测试。
AI驱动审计工具最重要的属性：模型结论的可解释性（区别于资源优化、标签数据、多统计方法支持）。

📄 Tips.pdf 补充对照▾

优点：异常检测、处理复杂情况、自动化处理、动态分析、不一致、预测分析、节约时间、减少错误、自然语言
基于规则的异常检测：结构化表数据
可解释性分析：偏见问题
结构因果模型：调整预处理程序提高数据质量
机器学习：复杂问题分析
自适应抽样：人工智能抽样
黑盒测试：人工智能测试

→ 打开 PDF 补充页查看全部条目