ДалееСледующее руководство
ИИ для отчетов о передаче смены SBAR
Приложения
РУКОВОДСТВО ПО ПРИМЕНЕНИЮ
Аудит отчетов о расходах с использованием искусственного интеллекта использует модели чтения документов, правила политики и обнаружение аномалий для проверки заявлений сотрудников о расходах: он считывает квитанции, сравнивает их с транзакциями по картам и политикой компании и помечает заявления, которые выглядят дублированными, противоречащими политике или сфабрикованными.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, поскольку традиционные аудиты проверяют только выборочные отчеты, а убедительные фальшивые квитанции теперь легко получить с помощью генераторов изображений.
Аудит расходов с использованием ИИ начинается с чтения каждой квитанции. Модели извлекают торговца, дату, сумму, налог, валюту и, для таких документов, как фолианты отелей, отдельные позиции. Затем система подтверждает утверждение: существует ли соответствующая транзакция по корпоративной карте, соответствует ли дата маршруту поездки сотрудника и соответствует ли сумма лимиту суточных для этого города? Правила политики проверяют такие элементы, как алкоголь, класс путешествия, расходы на выходные и отсутствующие имена участников. Машинное обучение добавляет оценку рисков, сравнивая расходы с расходами сотрудников, занимающих ту же должность и в том же месте, чтобы выявить необычные закономерности. Продукты в этой области включают AppZen, аудиторские услуги SAP Concur, Expensify, Ramp, Brex, Navan и Emburse. Большим отличием от традиционной практики является освещение. Группы ручного аудита обычно отбирали небольшую часть отчетов; программное обеспечение может просматривать каждый отчет и отправлять людям только помеченные. Поддельные квитанции — старая проблема, поскольку шаблоны квитанций уже давно доступны в Интернете, но генераторы изображений, отображающие реалистичный текст, упрощают их изготовление. Визуальный осмотр и детекторы AI-изображений ненадежны против хорошо сделанных подделок. Некоторые генераторы прикрепляют метаданные происхождения, такие как учетные данные контента C2PA, но эти метаданные легко удалить, сделав снимок экрана или повторно сохранив файл. Самая надежная защита — это подтверждение независимыми данными, прежде всего данными корпоративных карт, плюс проверки на соответствие: налоговая математика, существует ли торговец, соответствует ли макет реальным чекам этого торговца и соответствует ли время поездке. Распространенным заблуждением является то, что детектор может достоверно определить, создано ли изображение квитанции искусственным интеллектом. Во-вторых, флаг доказывает правонарушение. Флажки — это приглашения к проверке, и многие из них имеют невинные объяснения, например, утерянный чек или торговец с необычным платежным именем.
Два коллеги отправляют один и тот же чек на ужин на 186 долларов в разных отчетах. Обнаружение дубликатов между сотрудниками сопоставляет изображение и извлеченного продавца, дату и общую сумму и направляет обе претензии на рассмотрение.
В пакет проживания в отеле входят расходы на мини-бар и просмотр фильмов в номере, которые не возмещаются в соответствии с правилами. Извлечение отдельных позиций идентифицирует эти расходы, и система предлагает возместить только стоимость номера и налоги.
В квитанции за наличное такси нет соответствующей транзакции по карте, налог не соответствует местному тарифу, а адрес продавца не может быть найден. Претензия направляется рецензенту, который просит сотрудника предоставить подтверждающие доказательства.
В заявлении о пробеге указано 140 миль за посещение клиента, тогда как по оценкам картографирования поездка туда и обратно составляет около 90 миль, поэтому система отмечает разницу для утверждающего лица.
Поскольку все больше расходов переносится на корпоративные и виртуальные карты с детализированными торговыми данными, меньше претензий будет зависеть только от изображений квитанций, что сокращает пространство для сфабрикованных документов. Стандарты происхождения контента, такие как C2PA, могли бы помочь, если бы камеры, приложения и генераторы широко применяли их, а метаданные выдерживали обмен, но это пока не является нормой. Платформы учета расходов, вероятно, будут продолжать добавлять проверки, которые сравнивают заявления с независимыми записями, такими как бронирования и маршруты. Практический баланс сохранится между выявлением злоупотреблений и избежанием бремени проверки, которое расстраивает честных сотрудников.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Аудит отчетов о расходах с использованием искусственного интеллекта использует модели чтения документов, правила политики и обнаружение аномалий для проверки заявлений сотрудников о расходах: он считывает квитанции, сравнивает их с транзакциями по картам и политикой компании и помечает заявления, которые выглядят дублированными, противоречащими политике или сфабрикованными. Это важно, поскольку традиционные аудиты проверяют только выборочные отчеты, а убедительные фальшивые квитанции теперь легко получить с помощью генераторов изображений.
Детекторы и визуальный контроль ненадежны против хороших подделок, а независимая карточная транзакция либо существует, либо ее нет.
Метаданные передаются вместе с файлом, поэтому снимок экрана или повторное сохранение могут удалить его, и не все генераторы прикрепляют его.
Перцептивные хеши остаются одинаковыми для всех культур, поворотов и повторных фотографий и сочетаются с нечетким сопоставлением извлеченных полей у разных сотрудников.
Чтение отдельных строк в листе позволяет политическим правилам действовать в отношении конкретных обвинений, а не в целом.
Команды, работающие вручную, обычно отбирали небольшую часть отчетов; программное обеспечение может проверить их все.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ для отчетов о передаче смены SBAR
Приложения