Auditoria assistida por inteligência artificial com ajustes personalizados e proteção de dados

Arthur Frederico Lerner; Leonardo Flach

doi:10.5585/iptec.v12i2.27075

Autores

Arthur Frederico Lerner Universidade Federal de Santa Catarina https://orcid.org/0000-0002-7027-0562
Leonardo Flach Universidade Federal de Santa Catarina https://orcid.org/0000-0002-4316-0704

DOI:

https://doi.org/10.5585/iptec.v12i2.27075

Palavras-chave:

Auditoria, Inteligência artificial, Modelos de linguagem grandes, Segurança de dados, Ajuste fino

Resumo

Este projeto apresenta uma solução de auditoria assistida por Inteligência Artificial (IA), utilizando o Modelo de Linguagem Grande (LLM) LLama 3, em ambiente offline, visando garantir a segurança de dados sensíveis e atender às exigências da Lei Geral de Proteção de Dados (LGPD). A ferramenta desenvolvida usa prompts personalizados para adaptar o modelo às demandas específicas dos auditores, proporcionando maior flexibilidade no processo. As ferramentas adotadas são de código aberto, garantindo acessibilidade e personalização para diferentes cenários de auditoria. O estudo explora aplicações práticas, como análise de dados em Excel e PDF, cálculo de indicadores financeiros e identificação de anomalias contábeis, áreas em que o modelo se mostrou eficaz para melhorar a precisão e a eficiência do processo. Além disso, o uso em ambiente offline oferece maior segurança no tratamento de dados financeiros e contábeis, protegendo as informações contra possíveis vazamentos. A viabilidade técnica, econômica, operacional e legal foi analisada cuidadosamente. Os resultados indicam que os riscos associados à implementação são baixos, com um retorno positivo em termos de eficiência e precisão nas auditorias. A ferramenta permite a adaptação contínua do modelo por meio de ajustes feitos diretamente pelos auditores, garantindo que a solução permaneça alinhada às necessidades específicas do contexto. Este projeto representa um avanço significativo no campo da auditoria, integrando IA de forma prática e segura, com potencial para transformar a execução de auditorias em empresas de diversos portes.

Downloads

Não há dados estatísticos.

Biografia do Autor

Arthur Frederico Lerner, Universidade Federal de Santa Catarina

Pesquisador e profissional na área de Contabilidade, com experiência em auditoria, controladoria e docência. Tenho um perfil altamente motivado para o aprendizado contínuo e a disseminação de conhecimento, especialmente nas áreas de Finanças, Tecnologia e Ciência de Dados. Atualmente, estou cursando doutorado em Contabilidade na Universidade Federal de Santa Catarina (UFSC), com foco em métodos quantitativos, com o objetivo de aprimorar ainda mais minha expertise e contribuir para o avanço da área. Possuo uma sólida formação acadêmica, com mestrado em Controladoria e Contabilidade pela Universidade Federal do Rio Grande do Sul (UFRGS), concluído em 2019, e bacharelado em Ciências Contábeis pela mesma instituição, concluído em 2016.

Leonardo Flach, Universidade Federal de Santa Catarina

Professor da Universidade Federal de Santa Catarina, no Departamento de Contabilidade. Bolsista de Produtividade Científica do CNPQ PQ2. Atuou como Senior Visiting Professor na Universidade de Lisboa (Portugal). Pós-doutor em Contabilidade e Finanças pelo Massachusetts Institute of Technology (MIT/EUA). Atua em três programas de Pós-Graduação: Programa de Pós-Graduação em Contabilidade (PPGC), Programa de Pós-Graduação em Propriedade Intelectual e Transferência de Tecnologia para a Inovação (PROFNIT), Programa de Pós-Graduação em Administração Universitária.

Referências

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., Donahue, C., Doumbouya, M., Durmus, E., Ermon, S., Etchemendy, J., Ethayarajh, K., Fei-Fei, L., Finn, C., Gale, T., Gillespie, L., Goel, K., Goodman, N., Grossman, S., Guha, N., Hashimoto, T., Henderson, P., Hewitt, J., Ho, D. E., Hong, J., Hsu, K., Huang, J., Icard, T., Jain, S., Jurafsky, D., Kalluri, P., Karamcheti, S., Keeling, G., Khani, F., Khattab, O., Koh, P. W., Krass, M., Krishna, R., Kuditipudi, R., Kumar, A., Ladhak, F., Lee, M., Lee, T., Leskovec, J., Levent, I., Li, X. L., Li, X., Ma, T., Malik, A., Manning, C. D., Mirchandani, S., Mitchell, E., Munyikwa, Z., Nair, S., Narayan, A., Narayanan, D., Newman, B., Nie, A., Niebles, J. C., Nilforoshan, H., Nyarko, J., Ogut, G., Orr, L., Papadimitriou, I., Park, J. S., Piech, C., Portelance, E., Potts, C., Raghunathan, A., Reich, R., Ren, H., Rong, F., Roohani, Y., Ruiz, C., Ryan, J., Ré, C., Sadigh, D., Sagawa, S., Santhanam, K., Shih, A., Srinivasan, K., Tamkin, A., Taori, R., Thomas, A. W., Tramèr, F., Wang, R. E., Wang, W., Wu, B., Wu, J., Wu, Y., Xie, S. M., Yasunaga, M., You, J., Zaharia, M., Zhang, M., Zhang, T., Zhang, X., Zhang, Y., Zheng, L., Zhou, K., & Liang, P. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258. https://doi.org/10.48550/arXiv.2108.07258.

Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. D. O., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H., Sastry, G., Mishkin, P., Chan, B., Gray, S., Ryder, N., Pavlov, M., Power, A., Kaiser, L., Bavarian, M., Winter, C., Tillet, P., Petroski Such, F., Cummings, D., Plappert, M., Chantzis, F., Barnes, E., Herbert-Voss, A., Hebgen Guss, W., Nichol, A., Paino, A., Tezak, N., Tang, J., Babuschkin, I., Balaji, S., Jain, S., Saunders, W., Hesse, C., Carr, A. N., Leike, J., Achiam, J., Misra, V., Morikawa, E., Radford, A., Knight, M., Brundage, M., Murati, M., Mayer, K., Welinder, P., McGrew, B., Amodei, D., McCandlish, S., Sutskever, I., & Zaremba, W. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374. https://doi.org/10.48550/arXiv.2107.03374.

Dong, M. M., Stratopoulos, T. C., & Wang, V. X. (2024). A scoping review of ChatGPT research in accounting and finance. International Journal of Accounting Information Systems, 55, 100715. https://doi.org/10.1016/j.accinf.2024.100715.

Freitas, M. M., Sallaberry, J. D., Silva, T. B. J., & Rosa, F. S. (2024). Application of Chatgpt 4.0 for solving accounting problems. GCG: revista de globalización, competitividad y gobernabilidad, 18(2), 49-64. DOI: https://doi.org/10.58416/GCG.2024.V18.N2.03

Hillebrand, L., Deußer, T., Dilmaghani, T., Kliem, B., Loitz, R., Bauckhage, C., & Sifa, R. (2022a, August). Kpi-bert: A joint named entity recognition and relation extraction model for financial reports. In 2022 26th International Conference on Pattern Recognition (ICPR) (pp. 606-612). IEEE. https://doi.org/10.1109/ICPR56361.2022.9956191.

Hillebrand, L., Deußer, T., Dilmaghani, T., Kliem, B., Loitz, R., Bauckhage, C., & Sifa, R. (2022b, December). Towards automating numerical consistency checks in financial reports. In 2022 IEEE International Conference on Big Data (Big Data) (pp. 5915-5924). IEEE. https://doi.org/10.1109/BigData55660.2022.10020308.

Kok, T. (2023). Generative LLMs and Textual Analysis in Accounting:(Chat) GPT as Research Assistant? Available at SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4429658.

Longpre, S., Hou, L., Vu, T., Webson, A., Chung, H. W., Tay, Y., Zhou, D., Le, Q. V., Zoph, B., Wei, J., & Roberts, A. (2023). The flan collection: Designing data and methods for effective instruction tuning. arXiv preprint arXiv:2301.13688. Retrieved from https://proceedings.mlr.press/v202/longpre23a.html.

Metaxa, D., Park, J. S., Robertson, R. E., Karahalios, K., Wilson, C., Hancock, J., & Sandvig, C. (2021). Auditing algorithms: Understanding algorithmic systems from the outside in. Foundations and Trends® in Human–Computer Interaction, 14(4), 272-344. http://dx.doi.org/10.1561/1100000083.

Mökander, J., Schuett, J., Kirk, H. R., & Floridi, L. (2023). Auditing large language models: a three-layered approach. AI and Ethics, 1-31. https://doi.org/10.1007/s43681-023-00289-2.

Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P. F., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730-27744. Retrieved from https://proceedings.neurips.cc/paper_files/paper/2022/hash/b1efde53be364a73914f58805a001731-Abstract-Conference.html.

Sarker, I. H. (2024). LLM potentiality and awareness: a position paper from the perspective of trustworthy and responsible AI modeling. Discover Artificial Intelligence, 4(1), 40. https://doi.org/10.1007/s44163-024-00129-0.

Schreyer, M., Sattarov, T., Gierbl, A., Reimer, B., & Borth, D. (2020, October). Learning sampling in financial statement audits using vector quantised variational autoencoder neural networks. Proceedings… First ACM International Conference on AI in Finance (pp. 1-8). https://doi.org/10.1145/3383455.3422546.

Schultz, M., & Tropmann-Frick, M. (2020). Autoencoder neural networks versus external auditors: Detecting unusual journal entries in financial statement audits. Access on 13th November, 2020. Retrieved from https://aisel.aisnet.org/hicss-53/os/risks/3/

Sebastian, G. (2023). Privacy and data protection in ChatGPT and other AI Chatbots: strategies for securing user information. International Journal of Security and Privacy in Pervasive Computing (IJSPPC), 15(1), 1-14. Retrieved from: https://www.igi-global.com/article/privacy-and-data-protection-in-chatgpt-and-other-ai-chatbots/325475

Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., & Sunderland, D. (2023). Large language models: An emerging technology in accounting. Journal of emerging technologies in accounting, 20(2), 1-10. https://doi.org/10.2308/JETA-2023-047.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824-24837. Retrieved from https://proceedings.neurips.cc/paper_files/paper/2022/hash/9d5609613524ecf4f15af0f7b31abca4-Abstract-Conference.html.