◎透過機器學習,事前審計成為可能,了解AI技術如何運用稽核領域。
ChatGPT引發了對AI人工智慧的熱烈討論。未來十年,AI將驅動產業發展,幾乎所有現代產業都將與AI緊密相關。機器學習使得事前審計成為可能,但撰寫或調整人工智慧演算法對大多數人而言仍很困難,因此需要簡單易用的工具來輔助。
本教材以實務案例演練為主,深入淺出,讓學員了解如何在稽核領域有效運用機器學習等AI技術。經由國際電腦稽核教育協會(ICAEA)認證,由專業稽核實務顧問群精心編寫,提供完整實例演練資料,並可申請取得AI稽核軟體JCAATs教育版。學員可透過簡單的指令,應用內建的機器學習演算法(如決策樹、K近鄰算法、邏輯斯回歸、隨機森林、支持向量機),輕鬆進行大數據資料分析,實現風險預測性稽核。
學員將學會評估機器學習訓練模型的有效性,並掌握多元評估指標的正確使用方法。同時,學習如何處理資料缺失或不對稱的情況,以實現稽核目標。歡迎會計師、內部稽核、各階管理者共同參與學習,成為AI人工智慧新稽核的專家,提前預警並避免各項風險。
作者簡介:
黃秀鳳 Sherry
現 任
傑克商業自動化股份有限公司 總經理
ICAEA國際電腦稽核教育協會 台灣分會 會長
台灣研發經理管理人協會 秘書長
專業認證
國際ERP電腦稽核師(CEAP)
國際鑑識會計稽核師(CFAP)
國際內部稽核師(CIA) 全國第三名
中華民國內部稽核師
國際內控自評師(CCSA)
ISO 14064:2018溫室氣體盤查標準主導稽核員
ISO 14067:2018碳足跡標準主導稽核員
ISO27001資訊安全主導稽核員
ICAEA國際電腦稽核教育協會認證講師
ACL Certified Trainer
ACL稽核分析師(ACDA)
學 歷
大同大學事業經營研究所碩士
主要經歷
超過500家企業電腦稽核或資訊專案導入經驗
中華民國內部稽核協會常務理事/專業發展委員會 主任委員
傑克公司 副總經理/專案經理
耐斯集團子公司 會計處長
光寶集團子公司 稽核副理
安侯建業會計師事務所 高等審計員
各界推薦
名人推薦:
ChatGPT引發了對AI人工智慧的熱烈討論。未來十年,AI將驅動產業發展,幾乎所有現代產業都將與AI緊密相關。機器學習使得事前審計成為可能,但撰寫或調整人工智慧演算法對大多數人而言仍很困難,因此需要簡單易用的工具來輔助。
本書提供一個機器學習實務演練的案例,透過簡單的指令,應用內建的機器學習演算法(如決策樹、K近鄰算法、邏輯斯回歸、隨機森林、支持向量機),輕鬆進行大數據資料分析,實現風險預測性稽核。透過Python語言開發的新一代稽核軟體「JCAATs」來進行實務演練,讓讀者可以實務上機操作而非只是理論的觀摩,是一套難得的實務應用書籍。
如何透過機器學習工具的有效運用,協助企業獲得攸關資訊取得競爭優勢,發揮專業人士的洞察力,是AI時代一項重要能力, 歡迎大家一起加入學習AI的行列。
名人推薦:ChatGPT引發了對AI人工智慧的熱烈討論。未來十年,AI將驅動產業發展,幾乎所有現代產業都將與AI緊密相關。機器學習使得事前審計成為可能,但撰寫或調整人工智慧演算法對大多數人而言仍很困難,因此需要簡單易用的工具來輔助。
本書提供一個機器學習實務演練的案例,透過簡單的指令,應用內建的機器學習演算法(如決策樹、K近鄰算法、邏輯斯回歸、隨機森林、支持向量機),輕鬆進行大數據資料分析,實現風險預測性稽核。透過Python語言開發的新一代稽核軟體「JCAATs」來進行實務演練,讓讀者可以實務上機操作而非只是理論的觀摩...
作者序
ChatGPT引發了大家對AI人工智慧的熱烈討論。AI將在未來十年帶動產業發展,幾乎所有現代產業都將與人工智慧密切相關。JACKSOFT於2020年成立AI稽核教育學院,旨在透過有效的學習方式,採用優良的稽核工具和正確的方法,並循序漸進地引導他們從傳統事後稽核發展至利用AI人工智慧進行機器學習(Machine Learning)、自然語言處理(NLP)等數位轉型資料分析,實現事前風險預測與預防,成為AI人工智慧新時代的稽核專家。
稽核人員通常不是資訊人員,因此很難有時間和能力學習許多新的資訊科技工具。基於這一點,國際電腦稽核教育協會(ICAEA)強調:「稽核人員應該熟練掌握一套CAATs工具,並熟悉查核方法,以應對新的電子化營運環境中的內稽內控挑戰,這才是正確的方向」。
對大多數人員而言,撰寫或調整人工智慧演算法非常困難,因此需要簡單易用的工具作輔助。本教材以實務案例演練為主,深入淺出,讓大家了解如何有效運用機器學習等AI人工智慧技術於稽核領域。透過AI語言Python所開發的新一代稽核軟體JCAATs,以簡單的指令,使用內建的機器學習演算法(如決策樹(Decision Tree)、K近鄰算法(K-Nearest Neighbors)、邏輯斯回歸(Logistic Regression)、隨機森林(Random Forest)、支持向量機(Support Vector Machine)),應用於大數據資料分析,進行風險預測性稽核。使用者著重學習如何評估機器學習訓練模型的有效性,並掌握各項多元評估指標使用正確方法。同時,當面臨資料缺失或不對稱時學會如何有效地設定學習歷程,以達到稽核目標。機器學習讓事前審計成為可能,歡迎會計師、內部稽核、各階管理者,共同加入學習的行列,成為AI人工智慧新稽核,提早預警與避免各項風險!
JACKSOFT傑克商業自動化股份有限公司
ICAEA國際電腦稽核教育協會台灣分會
黃秀鳳總經理/分會長
2023/08/03
ChatGPT引發了大家對AI人工智慧的熱烈討論。AI將在未來十年帶動產業發展,幾乎所有現代產業都將與人工智慧密切相關。JACKSOFT於2020年成立AI稽核教育學院,旨在透過有效的學習方式,採用優良的稽核工具和正確的方法,並循序漸進地引導他們從傳統事後稽核發展至利用AI人工智慧進行機器學習(Machine Learning)、自然語言處理(NLP)等數位轉型資料分析,實現事前風險預測與預防,成為AI人工智慧新時代的稽核專家。
稽核人員通常不是資訊人員,因此很難有時間和能力學習許多新的資訊科技工具。基於這一點,國際電腦稽核教育協會(ICAEA)強調:...
目錄
機器學習與AI人工智慧於稽核應用實例演練(附試用教育版軟體+教學演練資料)
1.機器學習
機器學習(Machine Learning)是人工智慧(AI)的一個重要領域,其主要目標是讓電腦系統能夠透過過去的經驗和資料,自主學習並改進自身,以從中發現模式並做出預測或決策,而無需明確編寫特定規則。機器學習的核心概念:
1. 資料:機器學習需要大量資料作為訓練材料,這些資料可以是結構化的例如表格數據,也可以是非結構化的例如圖像、音頻和文字等。
2.模型:模型是機器學習的核心算法,它根據訓練資料所學到的數學表示。這些模型能根據輸入資料進行預測或做出決策。
3.參數調整:在機器學習中,通常需要對模型進行參數調整,以使其能夠更好地擬合訓練資料並且能夠適用於新的資料
總結來說,機器學習是一門將電腦系統賦予自主學習和改進能力,從而實現智能化的科學和技術領域。應用廣泛,包括自然語言處理、圖像辨識、推薦系統、醫療診斷等,為我們解決複雜問題提供了全新的可能性。
2. 監督式學習VS.非監督式機器學習
機器學習分為:
-Supervised Learning (監督式學習)
要學習的資料內容已經包含有答案欄位,讓機器從中學習,找出來造成這些答案背後的可能知識。JCAATs在監督式學習模型提供有多元分類(Classification) 法,包含 Decision tree、KNN、Logistic Regression、Random Forest和SVM等方法。
-Unsupervised Learning (非監督式學習)
要學習的資料內容並無已知的答案,機器要自己去歸納整理,然後從中學習到這些資料間的相關規律。在非監督式學習模型方面,JCAATs提供集群(Cluster)與 離群(Outlier) 方法。
3.JCAATs 機器學習具有以下特色:
(1)不須外掛程式即可直接進行機器學習
(2)提供SMOTE功能來處理不平衡的數據問題,這類的問題在審計的資料分析常會發生。
(3)提供使用者在選擇機器學習算法時可自行依需求採用兩種不同選項:用戶決策模式(自行選擇預測模型)或系統決策模式(將預測模式全選),讓機器學習更有彈性。
(4)JCAATs使用戶能夠自行定義其機器學習歷程。
(5)提供有商業資料機器學習較常使用的方法,如決策樹(Decision Tree)與近鄰法(KNN)等。
(6)可進行二元分類和多元分類機器學習任務。
(7)提供混淆矩陣圖和表格,使他們能夠獲得有價值的機器學習算法,表現洞見。
(8)在執行訓練後提供三個性能報告,使用戶能夠更輕鬆地分析與解釋訓練結果。
(9)機器學習的速度更快速。
(10).在集群(CLUSTER)學習後,提供一個圖形,使用戶能夠可視化數據聚類。
4. 以決策數(Decision Tree)進行電信業客戶流失預測稽核實例上機演練
5. 以K近鄰算法(KNN)進行行員挪用客戶資金預測稽核實例上機演練
6. 如何評估一個監督式機器學習模型的好壞?
7. 機器學習模型評估基礎-混沌矩陣(confusion matrix)應用實例
8. 機器學習常犯隱形錯誤與解決對策
機器學習與AI人工智慧於稽核應用實例演練(附試用教育版軟體+教學演練資料)
1.機器學習
機器學習(Machine Learning)是人工智慧(AI)的一個重要領域,其主要目標是讓電腦系統能夠透過過去的經驗和資料,自主學習並改進自身,以從中發現模式並做出預測或決策,而無需明確編寫特定規則。機器學習的核心概念:
1. 資料:機器學習需要大量資料作為訓練材料,這些資料可以是結構化的例如表格數據,也可以是非結構化的例如圖像、音頻和文字等。
2.模型:模型是機器學習的核心算法,它根據訓練資料所學到的數學表示。這些模型能根據輸入資...