Künstliche Intelligenz verbessert das Prüfungsniveau erheblich
Eine kürzlich in Accounting Research Review veröffentlichte Studie zeigt, dass der Einsatz künstlicher Intelligenz die Qualität und Effizienz der Prüfung von Finanzberichten erheblich verbessert und professionelle Wirtschaftsprüfer nach und nach ersetzt.
Die Prüfungsarbeit folgt ihren eigenen Ausführungsstandards und ist in hohem Maße von professionellen Fähigkeiten wie Vorhersage und Anomalieerkennung abhängig. Solche praktischen Anforderungen machen die Wirtschaftsprüfung auch zu einem idealen Szenario für maschinelles Lernen und künstliche Intelligenz (KI), um ihre Talente zu zeigen.
Im Artikel mit dem Titel „Verbessert künstliche Intelligenz den Prüfungsprozess?“ „In der Studie analysierten Forscher mehr als 310.000 Lebensläufe von Mitarbeitern, um die KI-Investitionen von 36 führenden Wirtschaftsprüfungsgesellschaften in den Vereinigten Staaten zu messen. Der Forschungszeitraum erstreckte sich von 2010 bis 2019. Die Autoren des Artikels sind Anastassia Fedyk von der University of California, Berkeley, der AI for Good Foundation, Natalia Khimich von der Drexel University und Tatiana Fedyk von der University of San Francisco.
Um die Analyse zu leiten, befragten die Forscher zunächst Prüfungspartner, um zu verstehen, wie ihre Unternehmen KI-Technologie bei ihrer Prüfungsarbeit einsetzen. Anschließend wurden in der Studie die Investitionen der Wirtschaftsprüfungsgesellschaften in KI anhand detaillierter Lebenslaufdaten gemessen. Konkret werden KI-Investitionen als Prozentsatz der von Wirtschaftsprüfungsgesellschaften beschäftigten KI-Experten an deren Gesamtbelegschaft gemessen. Nach Abschluss der Überprüfung verglichen die Forscher die Höhe der KI-Investitionen mit Indikatoren wie Prüfungsqualität, Prüfungskosten und dem Umfang der Entlassungen der Prüfungsgesellschaft.
Im Allgemeinen sind KI-Praktiker hauptsächlich männlich, relativ jung und die meisten von ihnen kommen nicht aus den Hauptfächern Rechnungswesen. Sie konzentrieren sich hauptsächlich auf die Bereiche Ingenieurwesen und Informatik. Darüber hinaus sind die meisten KI-Mitarbeiter in New York und Kalifornien konzentriert, wobei eine kleine Anzahl in Washington, D.C., Illinois und Texas lebt.
Forschungsautorin Anastassia Fedyk wies darauf hin: „Unsere wichtigste Erkenntnis ist, dass sich die Prüfungsqualität von Wirtschaftsprüfungsunternehmen, insbesondere von größeren Neudarstellungen, verringert.“ Die Securities and Exchange Commission führt auch weniger Prüfungsuntersuchungen bei Unternehmen durch, die in KI investieren.“ Interessanterweise ergab die Studie auch, dass sowohl Big-Four-Wirtschaftsprüfungsfirmen als auch Nicht-Big-Four-Firmen einen klaren Zusammenhang zwischen KI und Prüfungsqualität aufwiesen. Ich glaube natürlich, dass Sie sich auch vorstellen können, dass KI für etablierte Firmen und Handelsunternehmen, die über mehr verfügbare Daten verfügen, die Prüfungsfähigkeiten effektiver verbessern kann. Bei den Interviews stellten die Forscher fest, dass die meisten Prüfungspartner der Ansicht sind, dass der Einzelhandel die am besten geeignete Branche für die Einführung von KI-Tools ist.
Fedyk wies weiter darauf hin: „Wir haben auch festgestellt, dass sich neben der Verbesserung der Prüfungsqualität auch die Arbeitseffizienz der Prüfer verbessert hat, obwohl wir die Effizienz der Prüfer nicht direkt an den Prüfungsgebühren messen können.“ Schauen Sie, der Einsatz von KI macht Praktiker effizienter und senkt die Prüfungskosten, desto niedriger können die entsprechenden Prüfungsgebühren kontrolliert werden.“ gibt an, dass die Verbesserung der Prüfungsqualität, die Prüfungsmandanten durch KI-Investitionen erzielen, weitaus geringer ist als die KI-Investitionen, die von den Prüfungsgesellschaften selbst getätigt werden. Fedyk kommentierte: „Dies steht auch im Einklang mit intuitivem Urteilsvermögen. Kunden investieren in KI hauptsächlich für andere Ziele, beispielsweise für die Entwicklung neuer Produkte, während Wirtschaftsprüfungsunternehmen in KI investieren, um die Komplexität des Prüfungsprozesses zu analysieren und zu untersuchen, wie Technologie Prüfern helfen kann.“ Aber vor Beginn der Studie dachten wir, dass KI-Anwendungen auf Kundenseite eine größere Rolle bei der Prüfung spielen könnten, aber das war nicht der Fall Adoptionsrate Die Zahl der Mitarbeiter in Wirtschaftsprüfungsgesellschaften wurde reduziert. Dieser Einfluss ist bei professionellen Prüfungsgruppen auf niedrigeren Ebenen innerhalb eines Unternehmens am stärksten ausgeprägt. Der Artikel erklärt auch, dass die von den Mitarbeitern der Einheit generierten Audit-Einnahmen positiv mit den KI-Investitionen korrelieren.
Fedyk kam zu dem Schluss: „Insgesamt sind die Ergebnisse dieser Untersuchung sehr positiv. Investitionen in KI-Prüfungstechnologie können Unternehmen tatsächlich greifbare Vorteile bringen, was bei vielen anderen Technologien nicht der Fall ist.“ In einer früheren Studie haben ein Forscher und ich die tatsächlichen Auswirkungen der Einführung beliebter und überbewerteter Technologien, einschließlich IT in den frühen 2000er Jahren und Datenanalysen in den 2010er Jahren, dokumentiert. Dies wird die Unternehmensbewertung erhöhen, aber auf lange Sicht wird es nur dann schädlich sein Wenn die Umgebung geeignet und die Technologie effektiv ist, liegen die Vorteile der KI-Technologie in Prüfungsszenarien offensichtlich in dieser relativ positiven Situation.“
Das obige ist der detaillierte Inhalt vonKünstliche Intelligenz verbessert das Prüfungsniveau erheblich. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
