Este artículo se publicó por primera vez en el número de junio de 2020 de la revista The Bombay Chartered Accountant Journal (BCAJ). Reeditado con permiso del autor.
Por Deepjee Singhal, CA
Manish Pipalia, CA
La inteligencia artificial (IA) está destinada a ser la fuente clave de transformación, disrupción y ventaja competitiva en el entorno económico de hoy en día, caracterizado por cambios rápidos. Hemos querido mostrar la rapidez con la que se avecinan los cambios, los pasos que los auditores internos deben seguir para comenzar su incursión en la inteligencia artificial (IA) y qué parte de su auditoría interna obtendrá el mayor rendimiento de una inversión en IA.
1.0 Definición de inteligencia artificial
Aunque hay muchas definiciones de inteligencia artificial, la más fácil de comprender gira en torno a crear máquinas que hagan cosas que las personas tradicionalmente han hecho mejor. Es la automatización de actividades asociadas al pensamiento humano:
- Toma de decisiones
- Resolución de problemas
- Aprendizaje
Una definición más formal es, “IA es la rama de la ciencia informática que se ocupa de la automatización y el comportamiento inteligente. Inteligencia es la habilidad informática de lograr objetivos en el mundo.»
1.1 Términos y conceptos de IA comunes
Aprendizaje automático: un subconjunto de la inteligencia artificial. Los algoritmos de aprendizaje automático desarrollan un modelo matemático basado en muestras de datos, conocidas como «datos de aprendizaje», para hacer predicciones o tomar decisiones sin que sean programadas de forma explícita para realizar la tarea.
- Aprendizaje automático sin supervisar: puede procesar información sin intervención humana no antes de la exposición a los datos.
- Aprendizaje automático supervisado: usa experiencia con otras series de datos y evaluaciones humanas para refinar el aprendizaje.
Procesamiento del lenguaje natural (NLP): un subcampo de la lingüística, las ciencias de la computación, la ingeniería de sistemas de información y la inteligencia artificial, que se ocupa de la comunicación entre las máquinas (equipos informáticos) y los lenguajes (naturales) humanos, en particular de cómo programar máquinas para que procesen y analicen grandes cantidades de datos de lenguajes naturales. NLP usa aprendizaje automático para «aprender» lenguas a partir del estudio de grandes cantidades de texto escrito. Sus habilidades incluyen:
- Semántica: cuál es el significado de las palabras en contexto.
- Aprendizaje automático: traduce de un lenguaje a otro.
- Reconocimiento de entidades con nombre: asigna palabras a nombres propios, personas, lugares, etc.
- Generación de lenguajes naturales: crea lenguaje humano legible a partir de bases de datos digitales.
- Comprensión de lenguajes naturales: convierte texto en significados correctos en función de experiencias pasadas.
- Respuestas a preguntas: dada una pregunta en lenguaje humano, determina su respuesta.
- Análisis de sentimientos: determina el nivel de positivismo, neutralidad o negatividad en una frase escrita.
- Resumen automático: produce un resumen conciso y legible por humanos a partir de un fragmento de texto grande.
Red neuronal (o red neuronal artificial): es una red de neuronas con estados entre -1 y 1, que representan aprendizaje pasado a partir de trayectorias deseadas y no deseadas, con algunas similitudes al cerebro biológico humano.
Aprendizaje profundo: es parte de la amplia familia de métodos de aprendizaje automático basados en redes neuronales artificiales con aprendizaje por representaciones. El aprendizaje puede ser supervisado, semi supervisado y sin supervisar. El aprendizaje profundo se puede aplicar con éxito a muchos sectores:
- Reconocimiento de voz
- Reconocimiento de imágenes y restauración
- Procesamiento de lenguajes naturales
- Descubrimiento de fármacos y análisis de exploraciones médicas
- Gestión del marketing relacional
Marcos de aprendizaje profundo más destacados: PyTorch (Facebook), TensorFlow (Google), Apache MXNet, Chainer, Microsoft Cognitive Toolkit, Gluon, Horovod y Keras.
1.2 Conceptos de IA: nivel de contexto
1.3 Retos de la inteligencia artificial
Quedan muchos retos para la inteligencia artificial que se tienen que superar de una manera efectiva:
- ¿Y si no tenemos «datos de aprendizaje» correctos?
- El mundo es parcial, así que nuestros datos son también parciales
- Funciona bien con aplicaciones profundas pero no con las amplias
- El mundo físico sigue siendo un reto para los sistemas de computación
- Analizar comportamiento humano impredecible sin refinar
2.0 Desarrollos globales
La inteligencia artificial siempre ha estado rodeada de entusiasmo. Una combinación de computación rápida y técnicas inteligentes ha convertido a la inteligencia artificial en la tecnología imprescindible de toda empresa.
A nivel global, los principales motores empresariales para la IA son:
- Niveles más altos de productividad y trabajo más rápido
- Trabajo más constante y de mayor calidad
- Ven lo que los humanos no pueden ver
- Predicen lo que los humanos no pueden predecir
- Aumento de las capacidades (de trabajo) humanas
2.1 Progreso de la IA a nivel global: algunos ejemplos
En general
Finanzas
Asistencia médica
Ingeniería automotriz
|
Comercio minorista
Aerolíneas y viajes
Seguridad
Estilo de vida
Restaurantes y servicios alimentarios
|
2.2 La perspectiva de la auditoría interna
La automatización de procesos de robótica (RPA) es un motor clave de negocio para la IA en la auditoría, en el sentido de que tiene el potencial de lograr ahorros significativos con su implementación.
El objetivo de la RPA es usar software para automatizar tareas de los profesionales expertos que son repetitivas y tediosas.
Las características principales de la RPA son:
- Uso de sistemas existentes
- Automatización de automatización
- Puede copiar el comportamiento humano
- No invasivo
Las tareas aptas para la RPA son tareas que se pueden definir, estandarizar, están basadas en reglas, son repetitivas e incluyen entrada de datos legibles por máquinas.
Lista de ejemplo de tareas para la RPA:
|
|
2.3 Caso práctico de aplicación de RPA al proceso de cuentas por pagar
2.4 Marco de auditoría con inteligencia artificial para auditorías basadas en datos
3.0 Inteligencia artificial de auditoría interna en la práctica: caso práctico
Caso práctico de RPA desde India:
Un fabricante de automóviles líder se encuentra en la siguiente situación, con los retos siguientes:
- Millones de facturas de proveedores en archivos PDF
- Necesita automatizar las facturas, crear repositorios y verificar que no existen duplicados
- El trabajo manual estaba plagado de errores
- La conversión de PDF a datos estructurados no producía información coherente
- Conclusión: necesitaba una herramienta de RPA genérica
La solución propuesta comprendía:
- Análisis de datos de auditoría y automatización
- Transmisión en tiempo real de archivos PDF procedentes de diversos proveedores
- Extracción, transformación y carga de los archivos PDF
- Creación y programación de un sistema de comprobación previa de duplicados
- Las excepciones potenciales se resolvieron mediante un sistema de gestión de notificaciones por correo electrónico seguro, práctico y colaborativo, además del uso de paneles de control
- Beneficio: reducción del 85% del trabajo y tiempo de respuesta diez veces mejor
4.0 Cómo empezar a usar inteligencia artificial en sus auditorías internas
Puede comenzar su incursión en la IA aplicada a la auditoría interna incorporando el análisis de datos directamente a la auditoría. Al usar inteligencia artificial en la auditoría mejora la eficacia, la calidad y el valor de los resultados con decisiones basadas en el análisis del conjunto completo de datos de una empresa.
Algunos pasos que puede tomar para progresar en la adopción de IA en la auditoría son:
- Integre su proceso de auditoría
- Colabore con clientes en una plataforma
- Que las auditorías estén impulsadas por el análisis de datos
- Use el análisis de datos en todas las fases de los proyectos
- Use la RPA cuando el trabajo manual sea un obstáculo
- Use aplicaciones de auditoría en las que el proceso está definido correctamente
- Aumente las capacidades de las auditorías con modelos estadísticos y aprendizaje automático
- Evolucione hacia la supervisión continua y el aprendizaje profundo
(Adaptado de la presentación de Jeffery Sorensen, Industry Strategist, CaseWare IDEA Analytics)
Organización voluntaria establecida el 6 de julio de 1949, la Bombay Chartered Accountant Society (BCAS) cuenta en la actualidad con más de 9 000 miembros en todo el país. La sociedad es una organización centrada en principios, orientada al aprendizaje y promueve la calidad de servicios de la profesión contable. Se dedica a estimular mejores políticas gubernamentales y leyes más efectivas para una administración y un gobierno limpios y eficaces. Si desea leer las novedades y noticias sobre contabilidad y mejores prácticas profesionales, únase a BCAS aquí.