基于大模型的生成式人工智能在审计实践中的应用研究|人工智能|大模型|审计实践|算法|自然语言处理

近年来，人工智能大模型和生成式人工智能引发了全球范围内的关注，其代表ChatGPT更是被应用于多个行业及领域。国内与ChatGPT功能相似的人工智能服务有百度的“文心一言”、阿里的“通义千问”、科大讯飞的“星火”等。以上应用服务均是企业基于各自已建立的通用语言类大模型，运用自然语言处理和机器学习等技术识别人类语言，并根据用户的输入进行智能响应，为用户提供自然流畅的语言交互体验的技术。这项技术以其强大的自然语言处理能力和深度学习能力，正在改变许多行业的运营方式，审计领域也不例外。本文将探讨生成式人工智能服务在审计领域的应用，并对构建审计行业大模型的可行性进行探讨。

本文采用基于百度文心大模型3.5版本的文心一言，展示了生成式人工智能服务在部分审计场景中的使用表现。表1中的“提问”是输入文心一言的问题，“文心一言反馈”是基于审计人员提供给文心一言的学习内容和问题作出的回答。

辅助制订审计方案

审计人员对某个业务领域知识储备不足时，可利用文心一言辅助进行审计方案制订，以提高方案制订的效率。

辅助撰写审计底稿

审计人员可以通过文心一言“阅览文档”插件上传相关文档供其学习，文心一言会自动对文档内容进行总结归纳，以提高审计人员总结文档材料的效率。

辅助查找审计线索

在完成对该机关食堂管理制度汇编的学习后，文心一言可对制度缺陷进行总结评价，辅助审计人员寻找线索，提高效率。对比现实审计结论，文心一言的反馈与实际审计发现问题高度吻合。

辅助生成确认书和审计报告

文心一言在学习审计底稿等资料后，可辅助审计人员撰写确认书和审计报告，最后交由审计人员审核确认。

以上应用实例并不全面，仅展示了审计人员利用生成式人工智能服务工作的部分审计场景，从而引导审计人员逐步接触及使用人工智能技术及服务。

数据隐私和安全

生成式人工智能服务需要大量的数据进行训练和改进，这些数据可能包含敏感和涉密信息，如果不能得到妥善处理和保护，就可能导致数据泄露和滥用。

算法偏见和错误

人工智能算法偏见是指在运用算法决策时存在的偏差或偏见。这些问题可能源于算法中的数据偏差或缺失、研发人员的偏见及算法本身设计和参数设置的缺陷等。这些偏见和错误可能会导致相关审计反馈不准确，进而影响审计质效。

大模型的幻觉

模型幻觉是指大模型的生成结果中包含无根据或错误的内容。由于大模型的参数数量和计算量非常庞大，审计人员作为用户很难完全理解和掌控其内部的工作机制，因此可能会出现一些无法预料的结果或者现象，从而影响审计顺利开展。

法律和合规风险

不同国家、地区、行业对于数据保护的法律法规和制度有所不同。在使用ChatGPT类生成式人工智能技术的服务时，审计人员不仅要遵循人工智能相关的行业法律制度，还需遵守审计领域的相关法律制度。

依赖性和风险集中

首先，过度依赖生成式人工智能服务可能会导致审计工作的风险集中。如果生成式人工智能服务出现故障或错误，就可能会影响整个审计工作的进程和质量。其次，生成式人工智能服务的决策过程通常缺乏透明度和可解释性，可能出现个别审计结果不被理解和确认的情况。

行业大模型的发展

在国家相关政策引导下，全国各地大模型建设进程加快，截至2023年10月，我国10亿参数以上的大模型设计厂商及高校院所共计254家。从大模型发展来看，通用大模型具有强大泛化能力，但缺乏行业深度，在专业及细分领域难以提供高价值服务；而行业大模型能更深入特定业务及场景，更精确地满足行业需要。截至2023年7月，国内行业大模型已完成招标超60个。

行业大模型的构建方式

审计工作专业性及准确性要求较高，在通用大模型基础上构建行业大模型，可以更加深入地利用审计领域的专业知识和数据，在处理特定审计任务时具有更高的准确性和可靠性。目前国内已形成“基础+行业+应用”三层架构的大模型商业模式，详见图1。

审计行业大模型的构建

根据上文所述的“基础+行业+应用”三层架构，审计机构可以利用审计信息化平台中积累的数据，在通用大模型AI服务为主的基础层上，建立以审计行业AI为主的行业层，进而在此基础上建立相应的大模型应用服务，详见图2。对于内部审计机构来说，建立审计行业大模型不仅能克服使用通用大模型可能存在的准确度不高、数据安全等风险，而且能将审计数字化工作带入人工智能时代，做到更全面地评估风险，更高效地实施审计，更准确地提供咨询建议，更好地发挥审计在完善内部治理中的作用。