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多家公司的历史数据，将其输入10种不同的机器学习算法以验证哪种算法最有效。在这个具体案例中，算法被要求优先考虑敏感性、而非特异性。也就是说，未能发现舞弊公司（II类错误）比错误识别未舞弊公司（I类错误）被认为带来的危害更大。

这种权衡的理由是，假阳性仅仅只会引发一次人类调查，结果会发现该公司没有问题，但假阴性则可能无法发现舞弊行为，从而导致舞弊继续发生。

研究发现，最准确算法累计识别可疑公司的正确率达到了93%。报告的结果非常详细，但总体来说，在研究试用的10种不同机器学习算法中，没有证据表明哪种算法对所有交易类型和行业群体都最为准确的（Yao等人，2018年）。由此可见，了解该使用何种算法以及使用该方法背后的原因非常重要。这些研究结果不仅体现了机器学习技术对审计过程的潜在附加价值，也体现了充分了解机器学习技术的重要性。只有这样，才能针对特定实例选择最恰当的算法。

虽然上述例子是近期发生且与政府有关的，但也有私营企业尝试机器学习的更早案例。例如，英特尔公司建立的“Intel Inside”合作营销活动。在这个活动中，技术制造商可以在其产品外部贴上包含英特尔组件的标签和品牌。该活动被认为是“要素品牌营销”最早的成功案例之一。

与之合作的制造商不仅可以从英特尔品牌的声誉中获益，还能从资助的联合营销活动中直接获益。但这也导致许多企业采用欺诈手段寻求这些好处，例如该产品中实际没有使用英特尔组件，却虚假地使用“Intel Inside”品牌。

英特尔试图通过对使用“Intel Inside”品牌的企业进行检查以监督合规情况。从过往的历史经验来看，英特尔通过人工和随机选择来挑选被检查的公司。2011年，英特尔开始开发其合规分析法与预测系统（CAPS），该系统结合使用多种监督式学习技术，以预测哪些补贴申请最有可能存在合规问题，并建议英特尔检查团队对这些申请开展进一步调查。

CAPS模型引人注目的特征之一，就是其不仅提高了舞弊检测的成功率，还提高了项目本身的投资回报率。换言之，将有关员工可用性和合规调查成本的信息输入训练集，其预测输出不仅包括舞弊可能性，还能生成潜在追回款项的预期值。

2017年，英特尔发布了白皮书总结了CAPS运行五年以来的各种发现。其中有一些发现值得引起高度重视。英特尔会继续把利用随机选择进行部分合规审计作为一个控制方面。五年间恢复追回的价值（以美元计）基本保持不变；也就是说，他们加大了审计团队能力的投入，但并未提高英特尔的收入增长。但另一方面，2012年——即研究开始的那一年，通过CAPS触发审计工作而追回的价值是随机选择审计追回价值的九倍。五年间，监督式学习算法不断自我完善，至2017年，通过CAPS触发审计工作而追回的价值已增长至随机选择审计追回价值的19倍。

喜欢的可以打开链接了解ACCA关于这方便的报告https://cn.accaglobal.com/insights/c90/machine-learning.html