能说会道的审计才是好审计,AI时代一个意外的审计技能要求

人工智能早已不是只出现在科幻电影中的奇怪声音,人工智能已经由阿里巴巴、腾讯、谷歌、百度等互联网巨头带头,融入了我们日常生活。
2015年时,一家英国媒体采用了美国媒体组织NPR的计算器,该计算器可以预测哪些工作容易受到计算机化的影响。该计算器基于牛津大学的研究结果表示,随着机器接管数字运算和数据分析,会计师有95%的机会失业。当然,这悲观的事情没有发生,但审计师们还需要明智的升级技能。
除了担心裁员外,员工抵制机器人流程自动化和其他新技术的另一个原因,就是员工可能认为其角色正在从完成(本已枯燥的)任务的员工,转为更为基础级别的机器管理员。洗碗机可以节省时间,但清空它们却比用手洗碗更为枯燥。在这种关系中,显然机器在增加价值,而人类只是简单地整理。被我们称作“工作乐观主义者”的人们经常声称,人类将完成人工智能无法从事的工作,并且简单地假设这些事情会很有趣,且具备附加价值。但是,还有许多任务都是机器难以做到的,人们最终可能会扮演的角色,将会是填补机器人流程自动化所留下“空白”的工作人员。
过去需要高端工作站才能处理的复杂任务,如今在火车上用一部设备就可以轻松完成。与云端相连和全球化ERP系统的强大功能触手可及。因此,技术在员工生命周期中具有更广泛的影响——包括工作与生活的良好平衡、远程工作和职业发展,等等。我们正在步入一个“永远在线”的环境。
即使人工智能等技术带来的影响不是裁员,而是让审计师重新关注涉及判断、直觉、经验和沟通技能的高价值任务,也还有一项问题等待解答:审计师将从何处获得这些技能?目前正在实现自动化的工作任务,通常均由位于企业组织结构的金字塔底部的初级员工完成。
在利用基本专业技能执行任务的过程中,员工可以同时获得其他更有价值的技能。对于早期审计职业生涯中接触不同企业和行业的机会,许多资深会计师都给予高度评价,因为这往往有助于他们后来的职业选择。审计师不仅能够全面接触到处于顺境或逆境的企业,而且常常在年轻时就可以同最高管理层交流。这些经历有助他们塑造自身的审计专业判断、直觉和看法,并磨练他们的分析和沟通技能。
专业能力和道德水平(TEQ):在保持诚信、独立性和怀疑精神的最高标准同时,始终按照既定标准开展活动的技能和能力。
《金融时报》(FT)指出,对这些技能的需求将导致“事务所不得不开发新的强化培训环境”(Murphy,2017年),但这是否足以带给学习者他们曾追求的那种“成就感”——例如在制造业中,利用无人机清点资产时迸发出的感觉。ACCA的研究对未来所需的各种技能、及其可能的变化提供了洞见,其中就包括了《专业会计师——成就未来:变革驱动因素与未来技能》报告(ACCA,2016年)中阐述的“数字商”。该报告确定了(在传统的专业能力和道德水平以外)未来财务职能所需的一系列职商。
智商(IQ):能够获取知识和运用知识,进行思考、推理并解决问题。
创造力(CQ):能够在新情况下运用现有知识,建立联系,探索潜在成果,并产生新的想法。
数字商(DQ):能够认识和应用现有及新兴的数字技术、能力、实践和战略。
情商(EQ):能够识别自己和他人的情绪,驾驭情绪并运用它们执行任务,同时能够调节和管理情绪。
远见(VQ):能够通过推断现有趋势和事实来准确预测未来的发展趋势,并通过创新思维来填补知识缺口。
经验(XQ):了解客户期望、实现预那么,审计师将从何处获得所需的叙述技能,以便清晰简洁地“讲述”他们所做的工作?
虽然专业能力和道德水平(TEQ)仍然是专业会计师技能的核心,所有专业会计师必须借助强大的沟通技能来巩固和提升专业能力与道德水平。沟通技能将成为横跨所有专业领域中最重要的能力之一,ACCA的研究已明确了审计师在沟通技能方面存在着巨大的缺口。
技术正在推动会计行业转型,并且可能彻底改变审计工作。无论是有志于从事审计工作的行业新人,亦或者是经验丰富的审计老将,了解最重要的驱动着审计变革的新技术,无疑能更有效升级你的技能包。如果你还不知道是哪些新种技术,不妨阅读https://cn.accaglobal.com/insights/c90/audit-and-tech.htmlACCA与CAANZ一同完成的这份前瞻性报告。针对机器人流程自动化

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值