{"id":36935,"date":"2024-08-19T07:00:27","date_gmt":"2024-08-19T06:00:27","guid":{"rendered":"https:\/\/blog.frankfurt-school.de\/?p=36935"},"modified":"2024-09-26T14:43:32","modified_gmt":"2024-09-26T13:43:32","slug":"collective-artificial-intelligence-federated-learning-in-financial-auditing","status":"publish","type":"post","link":"https:\/\/blog.frankfurt-school.de\/de\/collective-artificial-intelligence-federated-learning-in-financial-auditing\/","title":{"rendered":"Kollektive K\u00fcnstliche Intelligenz: Federated-Learning in der modernen Pr\u00fcfung"},"content":{"rendered":"

Bedingt durch den Wunsch, tiefere Einblicke in komplexe pr\u00fcfungsrelevante Sachverhalte zu gewinnen, setzen Pr\u00fcfer:innen zunehmend auch Modelle der K\u00fcnstlichen Intelligenz (KI) ein. Diese Modelle speichern Wissen, welches aus den internen und externen Daten der gepr\u00fcften Organisationen gewonnen wird. Einmal erlernt, unterst\u00fctzen KI-Modelle in einer Vielzahl von Pr\u00fcfungshandlungen. [1]<\/a>,[2]<\/a><\/sup> Bereits heute werden KI-Modelle in der Pr\u00fcfung eingesetzt, wie beispielsweise f\u00fcr das Audit Sampling [3]<\/a>, das Journal Entry Testing [4]<\/a> und die Pr\u00fcfung von Anhangsangaben [<\/span>5]<\/a>.<\/p>\n

Motivation f\u00fcr Federated-Learning in der Pr\u00fcfung<\/h2>\n

Anhand verschiedenster Pr\u00fcfsituationen erwerben Pr\u00fcfer:innen im Rahmen ihrer beruflichen Laufbahn umfangreiche Expertise. Die Vielfalt an Erfahrungen erm\u00f6glicht es F\u00e4higkeiten zu vertiefen und zu spezialisieren. Ein solches Lernen wirft die Frage auf:\u00a0Wie k\u00f6nnen kumulativen Lernerfahrungen durch KI-Modelle realisiert werden?<\/strong><\/p>\n

Zugleich analysieren Pr\u00fcfgesellschaften oftmals vertrauliche und personenbezogene Informationen. Die Nutzung mandats\u00fcbergreifender KI-Modelle erfordert die Einhaltung von Datenschutz-, Datensicherheits- und Vertraulichkeitsbestimmungen. Im Zielbild steht ein Lernparadigma, das es erm\u00f6glicht Wissen zu akkumulieren ohne sensitive Daten zu teilen.<\/p>\n

Das Federated-Learning [6]<\/a> erm\u00f6glicht es mehreren Entit\u00e4ten, wie Pr\u00fcfmandanten oder Organisationseinheiten, ein gemeinsames KI-Modell zu erlernen. Die f\u00fcr das kollektive Modellernen erforderlichen Daten verbleiben bei den Entit\u00e4ten und werden nicht geteilt.<\/p>\n

Allgemeines Vorgehensmodell des Federated-Learning<\/h2>\n

Das Federated-Learning unterscheidet zwischen zentralen<\/strong> und dezentralen<\/strong> KI-Modellen. Ein zentrale KI-Modell entsteht hierbei durch die Kollaboration mehrerer dezentraler Entit\u00e4ten. Jede Einheit erlernt zun\u00e4chst ein lokales und zugleich dezentrales KI-Modell. Nach Abschluss der verschiedenen dezentralen Lernprozesse werden die einzelnen Modelle zu einem zentralen Modell zusammengef\u00fchrt. Im pr\u00fcferischen Kontext wird ein Federated-Learning-Prozess anhand der nachfolgenden sechs Schritte realisiert: [7]<\/a><\/p>\n

    \n
  1. Zentrale Initialisierung:<\/strong> Eine Pr\u00fcfungsgesellschaft initialisiert ein zentrales KI-Modell als Ausgangspunkt f\u00fcr das Federated-Learning.<\/li>\n
  2. Selektion:<\/strong> Die Pr\u00fcfungsgesellschaft w\u00e4hlt teilnehmende Entit\u00e4ten aus, um einen relevanten und vielf\u00e4ltigen Datenpool sicherzustellen.<\/li>\n
  3. \u00dcbertragung:<\/strong> Die teilnehmenden Entit\u00e4ten erhalten das aktuelle zentrale KI-Modell und das Trainingsprogramm f\u00fcr das Optimieren der Modellparameter.<\/li>\n
  4. Lokales Training:<\/strong> Die lokalen Entit\u00e4ten optimieren das zentrale KI-Modell anhand ihrer lokalen Daten und lernen hierdurch ein dezentrales KI-Modell.<\/li>\n
  5. \u00dcbertragung:<\/strong> Die teilnehmenden Entit\u00e4ten senden ihre jeweils erlernten dezentralen KI-Modelle an die zentrale Pr\u00fcfgesellschaft.<\/li>\n
  6. Zentrale Aggregation:<\/strong> Die Pr\u00fcfungsgesellschaft aggregiert das in den dezentralen KI-Modellen gespeicherte Wissen in einem gemeinsamen KI-Modell.<\/li>\n<\/ol>\n

    Die Schritte 2-5 des Prozesses werden iterativ wiederholt, um das zentrale KI-Modell kontinuierlich zu verbessern. Mit fortschreitendem Lernen umfasst das zentrale KI-Modell zunehmend die kollektive Intelligenz der teilnehmenden Entit\u00e4ten. Nach Abschluss des Lernvorgangs steht das zentrale KI-Modell allen Entit\u00e4ten nutzenstiftend zur Verf\u00fcgung.<\/p>\n

    \"\"<\/p>\n

    Abbildung:<\/strong> Federated-Learning eines zentralen KI-Modells in der Pr\u00fcfungspraxis aus propriet\u00e4ren Buchhaltungsdaten verschiedener Pr\u00fcfungsmandaten. [8]<\/a><\/p>\n

    Anwendungszenarien f\u00fcr Federated-Learning in der Pr\u00fcfung<\/h2>\n

    Federated-Learning unterst\u00fctzt das zunehmende Bestreben, KI-Modelle datenschutzkonform anhand vielf\u00e4ltiger Wissensquellen f\u00fcr zunehmend komplexere Pr\u00fcfungshandlungen zu optimieren [9]<\/a>. Im Rahmen einer Studie best\u00e4tigten Hoitash et al. [10]<\/a>, dass Modelle, die sogenannte Peer-Klienten-Daten ber\u00fccksichtigen, in verbesserte Prognosen resultieren.<\/p>\n

    Demzufolge k\u00f6nnen in der internen Pr\u00fcfung Revisionen Federated-Learning nutzen, um\u00a0 ganzheitliche KI-Modelle auf Ebene der Organisation zu erlernen, beispielsweise um Risiken zu mindern und die Qualit\u00e4t der Pr\u00fcfung zu verbessern. Weiterhin k\u00f6nnen in der externen Pr\u00fcfung Pr\u00fcfgesellschaften Federated-Learning nutzen, um KI-Modelle \u00fcber mehrere Sektoren hinweg zu lernen, beispielsweise um kollektive Intelligenz zu nutzen und Effizienz der Pr\u00fcfung zu steigern.<\/p>\n

    KI-Modelle, die kollektives Wissen nutzen, um ihre F\u00e4higkeiten zu verbessern, haben das Potenzial, das n\u00e4chste Kapitel von KI Co-Piloten<\/a> in der Pr\u00fcfung zu pr\u00e4gen. Der Zertifikatsstudiengang Certified Audit Data Scientist<\/a> nimmt diese innovativen Lernparadigmen auf und vermittelt Kenntnisse fortschrittlicher Pr\u00fcfverfahren.<\/p>\n

    ———————————————————————————————————————————–<\/p>\n

    Dieser Blogbeitrag stellt einen Auszug des nachfolgenden, durch den Autor gemeinsam mit Co-Autoren ver\u00f6ffentlichten Beitrags dar: \u201eA Sum Greater than its Parts: Collective Artificial Intelligence in Auditing – Advancing Audit Models through Federated Learning Without Sharing Proprietary Data\u201c<\/a>, Schreyer, M., Borth, D., Flemming, T. F., und Vasarhelyi, M. A. (EXPERTSuisse, Expert Focus, April 2024, S. 180-186).<\/p>\n

    ———————————————————————————————————————————–<\/p>\n

    [1]<\/a> Gu, H., Schreyer, M., Moffitt, K., & Vasarhelyi, M. A. (2023). Artificial Intelligence Co-Piloted Auditing. SSRN. https:\/\/doi.org\/10.2139\/ssrn.4444763<\/p>\n

    [2]<\/a> Eulerich, M., & Wood, D. A. (2023). A Demonstration of How ChatGPT Can be Used in the Internal Auditing Process. SSRN. https:\/\/doi.org\/10.2139\/ssrn.4519583<\/p>\n

    [3]<\/a> Schreyer, M., Gierbl, A. S., Ruud, F., & Borth, D. (2022). Stichprobenauswahl durch die Anwendung von K\u00fcnstlicher Intelligenz-Lernen repr\u00e4sentativer Stichproben aus Journalbuchungen in der Pr\u00fcfungspraxis. Expert Focus, (02), 10-18.<\/p>\n

    [4]<\/a> Schreyer, M., Baumgartner, M., Ruud, F., & Borth, D. (2022). K\u00fcnstliche Intelligenz im Internal Audit als Beitrag zur effektiven Governance-Deep-Learning-basierte Detektion von Buchungsanomalien in der Revisionspraxis. Expert Focus, (01), 39-44.<\/p>\n

    [5]<\/a> Ramamurthy, R., Pielka, M., Stenzel, R., Bauckhage, C., Sifa, R., Khameneh, T. D., Warning, U., Kliem, B., & Loitz, R. (2021, August). Alibert: Improved Automated List Inspection (ALI) with BERT. In Proceedings of the 21st ACM Symposium on Document Engineering (pp. 1-4).<\/p>\n

    [6]<\/a> Kone\u010dn\u00fd, J., McMahan, H. B., Yu, F. X., Richt\u00e1rik, P., Suresh, A. T., & Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. arXiv preprint arXiv:1610.05492.<\/p>\n

    [7]<\/a> Kairouz, P., McMahan, H. B., Avent, B., Bellet, A., Bennis, M., Bhagoji, A. N., \u2026 & Zhao, S. (2021). Advances and open problems in federated learning. Foundations and Trends in Machine Learning, 14(1\u20132), 1-210.<\/p>\n

    [8]<\/a> Schreyer, M., Sattarov, T., & Borth, D. (2022, November). Federated and privacy-preserving learning of accounting data in financial statement audits. In Proceedings of the Third ACM International Conference on AI in Finance (pp. 105-113).<\/p>\n

    [9]<\/a> Seidenstein, T., Marten, K. U., Donaldson, G., F\u00f6hr, T. L., Reichelt, V., & Jakoby, L. B. (2024). Innovation in audit and assurance: A global study of disruptive technologies. Journal of Emerging Technologies in Accounting, 21(1), 129-146.<\/p>\n

    [10]<\/a> Hoitash, R., Kogan, A., & Vasarhelyi, M. A. (2006). Peer-based approach for analytical procedures. Auditing: A Journal of Practice & Theory, 25(2), 53-84.<\/p>","protected":false},"excerpt":{"rendered":"

    Bedingt durch den Wunsch, tiefere Einblicke in komplexe pr\u00fcfungsrelevante Sachverhalte zu gewinnen, setzen Pr\u00fcfer:innen zunehmend auch Modelle der K\u00fcnstlichen Intelligenz (KI) ein. Diese Modelle speichern Wissen, welches aus den internen und externen Daten der gepr\u00fcften Organisationen gewonnen wird. Einmal erlernt, unterst\u00fctzen KI-Modelle in einer Vielzahl von Pr\u00fcfungshandlungen. [1],[2] Bereits heute werden KI-Modelle in der Pr\u00fcfung […]<\/p>\n","protected":false},"author":1113,"featured_media":36954,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[51],"tags":[193,2518,158],"class_list":["post-36935","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-executive-education","tag-audit","tag-federated_learning","tag-interne-revision"],"acf":[],"_links":{"self":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/36935","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/users\/1113"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/comments?post=36935"}],"version-history":[{"count":23,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/36935\/revisions"}],"predecessor-version":[{"id":37219,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/36935\/revisions\/37219"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/media\/36954"}],"wp:attachment":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/media?parent=36935"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/categories?post=36935"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/tags?post=36935"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}