Essayer IDEA

Analyse et IA en audit interne

REMARQUE : Cet article a été initialement publié dans le numéro de juin 2020 de The Bombay Chartered Accountant Journal (BCAJ). Repris avec l’autorisation de l’auteur.

 

Par Deepjee Singhal, CA
Manish Pipalia, CA

 

L’intelligence artificielle (IA) est appelée à devenir la principale source des transformations, des perturbations et des avantages concurrentiels dans l’économie actuelle qui évolue rapidement. Nous avons essayé de présenter la rapidité à laquelle arrivent les changements, les mesures que les auditeurs internes doivent prendre pour bien démarrer avec l’intelligence artificielle, et les domaines dans lesquels les audits internes peuvent espérer obtenir le meilleur rendement grâce à un investissement dans l’IA.

 

1.0 Définition de l’intelligence artificielle

 

Bien qu’on trouve de nombreuses définitions de l’intelligence artificielle ou de l’intelligence machine, la plus facile à comprendre est la création de machines pour accomplir des tâches que les êtres humains font généralement mieux. Il s’agit de l’automatisation de l’activité associée à la pensée humaine : 

 

  • Prise de décision 
  • Résolution des problèmes 
  • Apprentissage

 

Une définition officielle serait : « L’IA est la branche de l’informatique qui porte sur l’automatisation des comportements intelligents. L’intelligence est la puissance de calcul nécessaire pour atteindre des objectifs dans le monde ».

 

1.1 Termes et concepts courants de l’IA

 

Apprentissage machine – sous-ensemble de l’intelligence artificielle. Les algorithmes de l’apprentissage machine construisent un modèle mathématique fondé sur des données-échantillons, appelées « données d’apprentissage », afin de faire des prévisions ou de prendre des décisions sans être expressément programmés pour accomplir cette tâche.

 

  • Apprentissage machine sans surveillance – capacité à traiter l’information sans intervention humaine ni exposition antérieure aux données.
  • Apprentissage machine supervisé – expérience utilisateur avec d’autres ensembles de données et évaluations humaines afin de raffiner l’apprentissage.

 

Traitement du langage naturel (TLN) – sous-domaine de la linguistique, de la science informatique, de l’ingénierie informationnelle et de l’intelligence artificielle portant sur les interactions entre langages informatiques et humains (naturels), en particulier sur la manière de programmer les ordinateurs pour traiter et analyser de grandes quantités de données en langage naturel. Le TLN utilise l’apprentissage machine pour « apprendre » les langues à partir de l’étude d’une grande quantité de textes écrits. Les capacités sont les suivantes :

 

  • Sémantique – Quelle est la signification de termes dans un contexte donné.
  • Traduction automatique – Traduit d’une langue à une autre.
  • Reconnaissance de l’entité des noms – Faire correspondre des termes à des noms propres, à des personnes, à des endroits, etc.
  • Génération de langage naturel – Crée du langage humain lisible à partir de bases de données informatiques.
  • Compréhension du langage naturel – Convertit du texte avec la bonne signification grâce à l’expérience acquise.
  • Réponse aux questions – Détermine la réponse à une question posée en langage humain.
  • Analyse des sentiments – Détermine le degré de positivité, de neutralité ou de négativité dans une phrase rédigée.
  • Récapitulation automatique – Produit un résumé lisible par l’humain d’une grande quantité de textes.

 

Réseau neuronal (ou réseau de neurones artificiels) – Circuit de neurones dont l’état est compris entre -1 et 1, représentant l’apprentissage antérieur de chemins désirables et indésirables, présentant une certaine ressemblance avec le cerveau biologique humain.

 

Apprentissage profond – Fait partie de la famille élargie des méthodes d’apprentissage machine axées sur les réseaux de neurones artificiels avec apprentissage des représentations. L’apprentissage peut être supervisé, semi-supervisé ou non supervisé. L’apprentissage profond est utilisé avec succès dans de nombreux domaines :

 

  • Reconnaissance de la parole
  • Reconnaissance et restauration d’image
  • Traitement du langage naturel
  • Découverte de médicaments et analyse de l’imagerie médicale.
  • Marketing et gestion des relations avec la clientèle.

 

Les cadres d’application de l’apprentissage profond sont : PyTorch (Facebook), TensorFlow (Google), Apache MXNet, Chainer, Microsoft Cognitive Toolkit, Gluon, Horovod et Keras.

 

1.2 Concepts d’IA – Niveau de contexte

 

 

1.3 Défis de l’intelligence artificielle

 

L’IA a encore de nombreux défis à relever, qui doivent être gérés efficacement :

 

  • Que faire si nous n’avons pas les bonnes données de formation ?
  • Le monde est impartial, alors nos données le sont également.
  • Elle convient aux applications profondes et étroites, mais pas aux applications larges.
  • Le monde physique reste une difficulté pour les ordinateurs.
  • Faire face à l’imprévisibilité du comportement humain en liberté.

 

2.0 Évolution mondiale

 

L’IA a toujours été au centre des attentions. La combinaison des ordinateurs rapides et des techniques intelligentes a fait de l’IA la technologie à posséder dans les entreprises.

 

À l’échelle mondiale, les principaux incitatifs opérationnels de l’IA sont :

  1. Une meilleure productivité, la capacité à travailler plus rapidement
  2. Du travail de qualité homogène et supérieure
  3. La capacité à voir ce que les humains ne peuvent voir
  4. La capacité à prédire ce que les humains ne peuvent voir
  5. Augmentation de la main-d’œuvre

 

2.1 Progrès généraux liés à l’IA – quelques exemples

 

Général

  • Marketing et ventes
  • Détection de la fraude

Finance

  • Décisions de crédit
  • Gestion des risques
  • Plates-formes de négociation
  • Souscription vs réclamations

Soins de santé

  • Diagnostic et détection
  • Microscopes IA
  • Découverte de médicaments

Automobile

  • Véhicules autonomes
  • Assemblage et assurance de la qualité
  • Prévision de l’entretien

Vente au détail

  • Amazon GO

Transport aérien/Déplacements

  • Réservation optimale de vols
  • Prévision de l’entretien

Sécurité

  • Cybersécurité et détection
  • Reconnaissance faciale

Mode de vie

  • Assistants intelligents, reconnaissance faciale

Restaurants/Services alimentaires

  • Passage de commande au moyen de l’IA intégré au point de vente
  • Robots chefs
  • Automatisation de masse

 

2.2 Perspective de l’audit interne

L’automatisation robotisée des processus (ARP) est un facteur opérationnel essentiel pour l’IA en audit, dans le sens où elle peut permettre de réaliser des économies importantes sur le déploiement.

 

Le but de l’ARP est d’utiliser les logiciels pour automatiser les tâches répétitives et fastidieuses des travailleurs du savoir. 

 

Les principales caractéristiques de l’ARP sont les suivantes :

 

  • Utilisation de systèmes existants
  • Automatisation de l’automatisation
  • Capacité à mimer le comportement humain
  • Non invasive

 

Les tâches susceptibles d’être accomplies par l’ARP sont les tâches définissables, normalisées, axées sur des règles, répétitives et celles comportant des renseignements lisibles par l’ordinateur.

 

Exemple de liste de tâches pour l’ARP :

 

  • Ouvrir, lire et créer des courriels
  • Ouvrir une session sur les applications d’entreprise
  • Déplacer des fichiers et des dossiers
  • Copier et coller
  • Remplir des formulaires
  • Lire des bases de données et écrire dans celles-ci
  • Suivre les règles de décision
  • Recueillir les statistiques
  • Extraire des données de documents
  • Réaliser des calculs
  • Faire contribuer l’humain au moyen de courriels et de flux de travail
  • Extraire des données d’Internet
  • Frappes de touches

 

2.3 Étude de cas de l’application de l’ARP pour les comptes fournisseurs

 

 

2.4 Cadre de l’application de l’IA à l’audit pour des audits axés sur les données

 

 

3.0 Application de l’IA à l’audit en pratique – Étude de cas

 

Étude de cas d’ARP d’Inde :  

 

Un grand fabricant d’automobiles devait faire face à l’environnement et aux difficultés ci-dessous :

 

  • De millions de factures de fournisseurs reçues sous forme de fichiers PDF
  • Exigence en matière d’automatisation des factures, création de référentiels, contrôle préalable des doublons
  • Le travail manuel était truffé d’erreurs
  • La conversion de fichiers PDF en données structurées était incohérente
  • Conclusion : Un outil d’ARP générique était nécessaire

 

La solution proposée était la suivante :

 

  • Positionner l’analyse en audit et l’ARP comme une solution unique
  • Flux en direct vers les fichiers PDF de divers fournisseurs
  • Des travaux d’extraction et de transformation étaient planifiés pour les fichiers PDF
  • Les mesures du contrôle préalable des doublons étaient prêtes et prévues
  • Les exceptions potentielles étaient gérées au moyen d’un système de gestion des courriels pratique et commun et de tableaux de bord
  • Bénéfice : 85 % de réduction des efforts et amélioration par dix du délai de traitement.

 

4.0 Comment commencer à utiliser l’IA dans vos audits internes ?

 

Vous pouvez débuter avec l’IA dans l’audit interne en apportant vos analyses directement dans la mission. Avec l’IA en audit, l’efficacité, la qualité et la valeur de la prise de décision sont vraiment améliorées grâce à l’analyse de l’ensemble des données de l’entreprise comme un tout.

 

Voici certaines des mesures que vous pouvez prendre pour débuter avec l’IA dans l’audit :

 

  • Intégrez vos processus d’audit et le cycle de vie de l’audit
  • Collaborez avec les clients sur une plate-forme unique
  • Faites de chaque audit, un audit axé sur les données
  • Utilisez l’analyse de données dans toutes les phases des projets
  • Utilisez l’ARP lorsque le travail manuel constitue un obstacle
  • Utilisez les applications d’audit lorsque le processus est bien défini
  • Augmentez le nombre d’audits grâce aux modèles statistiques et à l’apprentissage machine
  • Passez à la surveillance continue et à l’apprentissage profond

 

(Adapté d’un exposé et d’une présentation de M. Jeffery Sorensen, stratège de l’industrie, CaseWare IDEA)

 

Organisation bénévole créée le 6 juillet 1949, la Bombay Chartered Accountant Society (BCAS) comprend actuellement plus de 9 000 membres de tout le pays. La BCAS est une organisation centrée sur les principes et l’apprentissage faisant la promotion de services de qualité et de l’excellence dans la profession des comptables agréés. L’organisation est un catalyseur qui permet d’adopter de meilleures politiques gouvernementales et des lois plus efficaces afin d’obtenir une administration et une gouvernance propres et efficaces. Pour prendre connaissance des nouvelles et des pratiques exemplaires pertinentes en matière de comptabilité, rejoignez la BCAS ici