Zusammen mit PricewaterhouseCoopers GmbH<\/a> entwickelte das Fraunhofer IAIS eine L\u00f6sung, die den Auditing-Prozess automatisieren soll. Dabei kommen Methoden aus dem Machine Learning (ML), Natural Language Processing (NLP) in Kombination mit dem Fachwissen von Wirtschaftspr\u00fcfer*innen zum Einsatz.<\/p>\n\n\n\n \u201eAutomated List Inspection\u201c (kurz ALI) ist ein Vorschlagssystem, das Textpassagen aus unstrukturierten Dokumenten, wie zum Beispiel dem Anhang eines Jahresabschlusses, den passenden gesetzlichen Vorschriften zuordnet. Der Referenzpunkt f\u00fcr ALI sind Checklisten, die allen relevanten gesetzlichen Anforderungen beinhalten, die die zu \u00fcberpr\u00fcfenden Dokumente erf\u00fcllen m\u00fcssen. Das Vorschlagssystem funktioniert dabei in beide Richtungen: Man kann sich sowohl die relevanten Textpassagen pro gesetzliche Anforderung als auch die relevanten gesetzlichen Anforderungen pro Textpassage anzeigen lassen. Dar\u00fcber hinaus w\u00e4gt es selbstst\u00e4ndig ab, ob nicht gesetzlich geforderte Angaben ebenfalls relevant sind, und hebt diese hervor. Die finale Entscheidung, welcher Vorschlag letztendlich der richtige ist, wird den Auditor*innen \u00fcberlassen.<\/p>\n\n\n\n In der Praxis des Auditings ist es unerl\u00e4sslich immer up-to-date mit den aktuellen Gesetzes\u00e4nderungen zu bleiben. Damit ALI ohne Probleme bei \u00c4nderungen der Checklisten weiterfunktioniert, wurde das System unspezifisch konstruiert. So kann man es an \u00c4nderungen der Checklisten anpassen. Das Tool wird seit 2019 von PwC im Alltagsgesch\u00e4ft erfolgreich eingesetzt, wodurch der Pr\u00fcfungsprozess deutlich beschleunigt wird<\/a>.<\/p>\n\n\n\n Oftmals gibt es Herausforderungen bei der Integration von KI-L\u00f6sungen in das operative Tagesgesch\u00e4ft von Unternehmen. Die zu bearbeitenden Dokumente enthalten sensible Informationen, zum Beispiel Orte, Personen- oder Firmennamen, die eine Nutzung und Verarbeitung ausschlie\u00dflich f\u00fcr autorisierte Personen und Zwecke zul\u00e4sst. Davon ist \u00fcblicherweise die Verwendung der Daten zum Trainieren von Algorithmen nicht umfasst. Generell scheint die Regulatorik (insbesondere DSGVO) f\u00fcr Anwender*innen die gr\u00f6\u00dfte Herausforderung f\u00fcr eine erfolgreiche Implementierung von ML- beziehungsweise KI-L\u00f6sungen darzustellen.<\/p>\n\n\n\n Um den Schutz von sensiblen Informationen zu garantieren, haben wir parallel zu ALI in Kollaboration mit PwC das Anonymizer-Tool entwickelt. Mit diesem Tool werden sensible Daten in den relevanten Dokumenten vollkommen automatisiert erkannt und anonymisiert. Beim ALI-Tool wurde eine solche Anonymisierungsfunktion integriert, damit bei der \u00dcberpr\u00fcfung der Korrektheit und \u00dcbereinstimmung der Finanzdokumente sensible Daten automatisch erkannt und unkenntlich gemacht werden. F\u00fcr Interessierte, die gerne mehr \u00fcber das Anonymizer-Tool und dessen Funktionsweise wissen wollen, gibt es den Blogbeitrag \u201eKI im Finanzsektor \u2013 Automatisierte Anonymisierung von Finanzberichten<\/a>\u201c.<\/p>\n\n\n\n Die Hauptaufgabe von ALI ist es, den Prozess zu automatisieren, mit dem Dokumente auf ihre \u00dcbereinstimmung mit gesetzlichen Vorschriften \u00fcberpr\u00fcft werden. Unter der Annahme, dass der \u00dcberpr\u00fcfungsprozess eine grundlegende Systematik befolgt, kann man einen ML-Algorithmus trainieren, diese Systematik zu verstehen. Daf\u00fcr sind drei Komponenten des Tools besonders wichtig: Textvorverarbeitung, die Repr\u00e4sentation der Daten und das zugrundeliegende Ranking-Modell.<\/p>\n\n\n\n Die Textvorverarbeitung dient dazu, die nat\u00fcrliche Sprache f\u00fcr den Algorithmus zu standardisieren. \u00dcber die \u00fcblichen Textvorverabeitungsschritte hinaus, wie das Entfernen von Zahlen, Wortstammbildung und Lemmatisierung, wurden anwendungsbezogene Vorverarbeitungsschritte vorgenommen. Diese Schritte beinhalten unter anderem das Normalisieren von W\u00e4hrungseinheiten, Daten und Zitation von Gesetzen, sowie das Erkennen und Sch\u00fctzen von spezifischen Begriffen.<\/p>\n\n\n\n ALI kann die gegebenen Dokumente in verschiedenen Arten darstellen: N-Gramme, Bag-of-Words und neuronale Sprachmodelle. Diese Komponente dient dazu, die gegebenen Daten zu \u201eparsen\u201c und jede gesetzliche Anforderung und die dazugeh\u00f6rigen Textpassagen f\u00fcr weitere Textverarbeitungsschritte zu repr\u00e4sentieren.<\/p>\n\n\n\n Die letzte wesentliche Komponente ist das Ranking-Modell. Das Ranking-Modell dient dazu, die Textpassagen nach absteigender Relevanz den jeweiligen Anforderungen zuzuordnen. Dieses wurde mit den verf\u00fcgbaren annotierten Daten sowohl \u201eun\u00fcberwacht\u201c als auch \u201e\u00fcberwacht\u201c trainiert. Un\u00fcberwachte maschinelle Lernmodelle haben den Vorteil, dass diese bei \u00c4nderungen der Checkliste ohne gro\u00dfen Aufwand weiterbenutzt werden k\u00f6nnen. Jedoch haben wir festgestellt, dass die Performanz der un\u00fcberwachten Modelle, den \u00fcberwachten Modellen unterlegen ist.<\/p>\n\n\n\n Zusammenfassend kann man sagen, dass der Einsatz von KIs f\u00fcr Wirtschaftspr\u00fcfer*innen noch bisher ungeahnte Chancen birgt. ALI ist der erste Schritt hin zu einem wesentlich effizienteren Auditing-Prozess. Zuk\u00fcnftige Forschungen konzentrieren sich insbesondere auf die Optimierung und Weiterentwicklung des Tools, die im Folgenden n\u00e4her erl\u00e4utert werden:<\/p>\n\n\n\n Eine wesentliche Aufgabe von ALI ist das \u00dcberpr\u00fcfen der Dokumente auf ihre Konsistenz. Daf\u00fcr ist es wichtig, dass eine relevante Information nicht einfach nur existiert, sie muss ebenfalls vollst\u00e4ndig, korrekt und konsistent an unterschiedlichen Stellen in den Dokumenten auffindbar sein. Um diese Anforderungen zu \u00fcberpr\u00fcfen, arbeitet das Fraunhofer IAIS aktuell an einem Konsistenzcheck-Modul f\u00fcr ALI, damit die qualitative Analyse der Berichte weiter automatisiert werden kann.<\/p>\n\n\n\n Neben dem Konsistenzcheck ist User experience <\/em>ein weiterer Aspekt, der noch verbessert werden kann. <\/em>ALI folgt einem Ranking-Paradigma, dass eine feste<\/strong> Anzahl an gesetzlichen Anforderungen pro Textpassage vorschl\u00e4gt, die auf diese zutreffen. Es wird jedoch nicht in Betracht gezogen, ob theoretisch eine geringere oder h\u00f6here Anzahl an gesetzlichen Anforderungen f\u00fcr die jeweilige Textpassage relevant sein k\u00f6nnte. Das vermindert die \u00dcbersichtlichkeit und letztendlich die Effizienz bei der Anwendung des Tools.<\/p>\n\n\n\n Mit dem Ziel User Experience<\/em> zu verbessern, wollen wir in Zukunft einen (multi-label) Klassifikations-Ansatz anstelle des bisher verwendeten Ranking-Ansatzes verwenden, der die Anzahl der pr\u00e4sentierten Vorschl\u00e4ge dynamisch an die jeweiligen Textpassagen anpasst. Daf\u00fcr verwenden wir ein vortrainiertes BERT-Sprachmodell<\/a>, was es erm\u00f6glicht ALI end-to-end zu optimieren und einfacher anzupassen. Mit BERT als Architektur kann in Zukunft ein Modell entwickelt werden, das universell anwendbar ist, also f\u00fcr verschiedene Checklisten, Fachgebiete und unterschiedliche Sprachen. (Hier<\/a> den Link zum grade ver\u00f6ffentlichten Paper). Es bleibt spannend!<\/p>\n","protected":false},"excerpt":{"rendered":" Wirtschaftspr\u00fcfer*innen arbeiten meist noch ohne jegliche Unterst\u00fctzung von Machine-Learning-Algorithmen. ALI ist ein KI-basiertes Recommender-System, das gro\u00dfe Teile des Auditing-Prozesses automatisieren kann und bereits von PriceWaterhouseCoopers GmbH genutzt wird.<\/p>\n","protected":false},"author":9,"featured_media":4483,"template":"","meta":{"_acf_changed":true,"footnotes":""},"blog-category":[1416,546,1418],"blog-tag":[1530,1559,1560],"class_list":["post-4480","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-anwendung","blog-category-sprachtechnologien","blog-tag-ki-in-der-wirtschaft","blog-tag-nlp-de","blog-tag-optimierung"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4480","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4480\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/4483"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4480"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4480"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4480"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/ALI-Tool-1024x484.png\" "\\"\\"")
Ein Screenshot unseres Vorschlagssystems. In der linken Spalte werden die Checklist-Anforderungen aufgelistet; die mittlere Spalte enth\u00e4lt die Vorschl\u00e4ge unseres Systems, sortiert nach Relevanz; und rechts ist der gesamte Bericht zu sehen, wobei der jeweils ausgew\u00e4hlte Abschnitt markiert ist.<\/figcaption><\/figure>\n\n\n\nDatenschutz & die Entwicklung von ALI<\/h2>\n\n\n\n
Wie funktioniert ALI?<\/h2>\n\n\n\n
Die n\u00e4chsten Schritte zum automatisierten Auditing mit ALi(BERT)<\/h2>\n\n\n\n