机器学习驱动的人工智能搜集证据，揭穿商务欺诈、舞弊

进入数字化时代，技术创新当然推动了商业模式的改变、进步。很多时候，这些商业模式的改善，表现为消费者花钱更容易，企业发生交易的机会，也更加丰富。
人与江湖从不分离，技术也历来是一把双刃剑。数字技术便利了企业业务升级的同时，也带来了新的财务风险，给财务舞弊加入了“有力武器”。
机器学习还可以帮助进行风险评估，具体是指根据实证数据和专业判断，评估舞弊、不准确性、虚假陈述等问题的可能性。在风险评估中，可采用监督式机器学习算法来帮助识别特定风险的类型或特点，以保障更严格的风险审查；同时还有助于加强针对重点领域的审计。在此情况下，选择恰当的机器学习方法对审计测试可能也非常有用。
将机器学习纳入审计流程的做法尚处于相对早期阶段，不过在证明机器学习有助改进审计流程方面公开发布的可用实证数据目前正在稳步发展，例如由印度主计审计长公署（CAG）委托开展的一项研究（Yao等人，2018年）。
CAG是印度的独立宪法机构，负责审计所有印度政府注资企业的收支情况，其职责之一是揭发出于舞弊目的而设立的企业。为履行这一职责，CAG每年会选择一系列企业进行审计。其中部分企业是根据公众投诉或直接转移而被选中，有些则是通过监测信息源和商业结果被选定，但从过往历史记录来看，很大一部分被审计企业的挑选带有随机性地。
CAG希望考察是否可在审计规划期间采用机器学习方法预测出舞弊企业的普遍程度。这种类型的预测是审规划初级阶段的重要工作之一，因为在后续的实地审计期间可以针对高风险企业进行最大程度的审计调查。CAG目前已建立了完整的“审计实地工作决策支持”框架以帮助审计师决定特定企业所需的实地工作量并识别可以免于审计的低风险企业。
CAG对于何种机器学习算法能够最有效地预测特定企业的舞弊风险很感兴趣。调研中，CAG挑选了最近审计过的700