تقليل الأخطاء في التقارير المالية المُولَّدة بالذكاء الاصطناعي من خلال الذكاء الاصطناعي القابل للتفسير: إطار مقترح للتحقق البشري–الذكاء الاصطناعي

الملخص

يمكن للذكاء الاصطناعي إعداد التقارير المالية بسرعة، إلا أن سلامة الصياغة اللغوية لا تثبت دقة الأرقام الواردة فيها. تبحث هذه الدراسة في مدى قدرة الذكاء الاصطناعي القابل للتفسير على الحد من الأخطاء في التقارير المالية المُولَّدة بالذكاء الاصطناعي. وتقترح الدراسة إطارًا للتحقق البشري–الذكاء الاصطناعي يتعامل مع كل بيان جوهري باعتباره ادعاءً ماليًا قابلًا للاختبار. ويحصل كل ادعاء على مرجع للمصدر، وإعادة احتساب، ودرجة للمخاطر، وتفسير قابل للقراءة، وقرار موثق من المراجع.
تعتمد الدراسة التجريبية على معاملات مجموعة بيانات Online Retail II المتاحة للعامة، إلى جانب بيانات التضخم الرسمية في المملكة المتحدة. وشكّلت المقاييس الشهرية والأسبوعية التي تم التحقق منها الأساس الصحيح لإعداد التقارير. وأُدرجت ثماني فئات محددة من الأخطاء بصورة متعمدة في هذه المقاييس. وتضمن معيار الاختبار النهائي 1,275 ادعاءً، منها 850 ادعاءً خاطئًا و425 ادعاءً صحيحًا. وأدى التقسيم الزمني للبيانات إلى تخصيص 897 ادعاءً للتدريب و378 ادعاءً للاختبار.
تمت مقارنة نماذج الغابة العشوائية (Random Forest)، والتعزيز التدريجي (Gradient Boosting)، والانحدار اللوجستي (Logistic Regression)، إلى جانب مجموعة من القواعد المحاسبية. وحققت النماذج القائمة على الأشجار درجات F1 تجاوزت 97% خلال فترة الاختبار اللاحقة. وتمكن نموذج الغابة العشوائية من اكتشاف 239 خطأ من أصل 252 خطأ في بيانات الاختبار، دون رفض أي ادعاء صحيح. وعند استخدام عتبة مخاطر قدرها 0.25، تمكنت المحاكاة التشغيلية من اكتشاف 96.0% من الأخطاء، مع إحالة 10.3% من الادعاءات إلى المراجعة البشرية.
وانخفض معدل الأخطاء المتبقية إلى أقل من 1% عندما قام المراجعون بتصحيح 95% من الأخطاء التي تم تحديدها. وتدعم النتائج اتباع نهج المراجعة البشرية الانتقائية، وتقديم تفسيرات مرتبطة بالأدلة، والاحتفاظ بمسارات تدقيق موثقة. ومع ذلك، تعتمد التجربة على أخطاء مُتحكم فيها ومُدرجة بصورة متعمدة، ولذلك تظل هناك حاجة إلى اختبار الإطار في بيئات مؤسسية حقيقية.