吳 勇（副教授），陸 藝，朱衛(wèi)東（博士生導(dǎo)師），張 超（博士）

一、引言

科技強審是21世紀(jì)以來審計發(fā)展最顯著的特征之一。大數(shù)據(jù)時代，傳統(tǒng)審計取證模式、審計流程和審計技術(shù)方法需要做出適應(yīng)性變革。深度學(xué)習(xí)作為人工智能領(lǐng)域的前沿性技術(shù)，通過建立分層的人工神經(jīng)網(wǎng)絡(luò)（又稱為深度神經(jīng)網(wǎng)絡(luò)），試圖模擬人腦中的生物神經(jīng)元網(wǎng)絡(luò)，利用高效的學(xué)習(xí)模型自動從海量數(shù)據(jù)中提取數(shù)據(jù)特征，從而識別潛在的數(shù)據(jù)模式，洞悉規(guī)律，推動做出數(shù)據(jù)驅(qū)動下的管理決策（Ting，2019）。隨著互聯(lián)網(wǎng)、移動通訊、5G技術(shù)的興起以及計算機處理速度和數(shù)據(jù)存儲能力的提升，深度學(xué)習(xí)已被廣泛應(yīng)用于計算機視覺、語音識別、自然語言處理和其他數(shù)據(jù)分析等領(lǐng)域。深度學(xué)習(xí)方法能夠?qū)⑻囟ㄟ^程的結(jié)果與相關(guān)數(shù)據(jù)擬合，有效辨識出海量數(shù)據(jù)背后的模式特征和規(guī)律認知，以便發(fā)現(xiàn)異常、預(yù)測趨勢，將對舞弊偵測、審計風(fēng)險評估以及審計決策判斷產(chǎn)生重要影響，這種數(shù)據(jù)驅(qū)動的決策也會引發(fā)會計和審計領(lǐng)域的研究范式實現(xiàn)由演繹推理向歸納分析的轉(zhuǎn)變。

然而，目前深度學(xué)習(xí)在審計領(lǐng)域的應(yīng)用仍處于起步階段，究其原因主要有以下兩個方面：一是審計工作的復(fù)雜性。高質(zhì)量的審計決策有賴于審計計劃、審計實施和審計報告的有效協(xié)同，如果缺乏一個系統(tǒng)性、全局性的框架來系統(tǒng)謀劃和協(xié)調(diào)不同審計階段的系統(tǒng)設(shè)計，新的數(shù)據(jù)分析技術(shù)就很難應(yīng)用于審計實踐并取得成效。二是技術(shù)的復(fù)雜性。深度學(xué)習(xí)所建立的深度神經(jīng)網(wǎng)絡(luò)是由復(fù)雜的算法所驅(qū)動，過程的可理解性和結(jié)果的可解釋性較差。審計師和監(jiān)管機構(gòu)難以了解深度神經(jīng)網(wǎng)絡(luò)內(nèi)部的輸入是如何相互作用并產(chǎn)生最終的輸出結(jié)果，深度學(xué)習(xí)的內(nèi)部運作對其而言更像是一個“黑箱”，這嚴重制約了相關(guān)主體應(yīng)用深度學(xué)習(xí)方法的動機和意愿。

為此，本文在明晰深度學(xué)習(xí)相關(guān)概念內(nèi)涵的基礎(chǔ)上，剖析深度學(xué)習(xí)模型的工作原理，針對深度學(xué)習(xí)是基于數(shù)據(jù)驅(qū)動的特點，以設(shè)計、開發(fā)和更新審計數(shù)據(jù)倉庫為切入點，面向?qū)徲嫎I(yè)務(wù)全過程將深度學(xué)習(xí)的機器智能和審計師的知識與經(jīng)驗有效融合，從而構(gòu)建深度學(xué)習(xí)模型審計應(yīng)用的集成性、整合性理論框架，以便更好地指導(dǎo)和推動深度學(xué)習(xí)模型和方法在審計方面的應(yīng)用。

二、文獻綜述

深度學(xué)習(xí)具有強大的多結(jié)構(gòu)類型數(shù)據(jù)分析處理能力，不僅可以分析傳統(tǒng)的結(jié)構(gòu)化財務(wù)數(shù)據(jù)，還可以分析半結(jié)構(gòu)化或非結(jié)構(gòu)化的數(shù)據(jù)，如社交媒體信息、電子郵件、新聞報道、電話和視頻，通過機器自動提取的數(shù)據(jù)特征作為補充證據(jù)，可以豐富審計師對客戶業(yè)務(wù)和行業(yè)的理解，幫助審計師更好地評估客戶的審計風(fēng)險，提升審計效率和質(zhì)量。深度學(xué)習(xí)算法不再主要依靠重復(fù)性抽樣技術(shù)，而是可以審查公司的整體數(shù)據(jù)，審計師能夠以更加全域和科學(xué)的視角來組織實施更有針對性的測試，及時辨識公司各類異常情況和存在的風(fēng)險。而且，深度學(xué)習(xí)算法從海量數(shù)據(jù)以及不同項目中習(xí)得的知識和規(guī)律，推廣應(yīng)用于具有類似特征的其他項目，有助于提升知識共享應(yīng)用的效率。審計師可以從更寬廣的數(shù)據(jù)覆蓋面、更詳細的數(shù)據(jù)分析和更深入的決策洞察中獲益。

深度學(xué)習(xí)已廣泛應(yīng)用于審計領(lǐng)域的多項任務(wù)中，如審查源文件、分析業(yè)務(wù)交易和事項、評估風(fēng)險等。學(xué)者們還探討了利用深度學(xué)習(xí)來預(yù)測欺詐風(fēng)險、破產(chǎn)風(fēng)險、重大錯報風(fēng)險、識別異常情況以及公司未來的業(yè)績表現(xiàn)等。深度學(xué)習(xí)的文本理解、語音識別、視覺識別和結(jié)構(gòu)化數(shù)據(jù)分析能力，為提升審計證據(jù)的信息識別能力和審計決策判斷能力提供了重要幫助。一方面，深度學(xué)習(xí)提升了審計證據(jù)的信息識別能力。因為深度學(xué)習(xí)能夠從半結(jié)構(gòu)化數(shù)據(jù)（如文本數(shù)據(jù)）或非結(jié)構(gòu)化數(shù)據(jù)（如圖像、音頻和視頻）中識別、提取有價值、有洞見的信息，極大地拓展了審計證據(jù)的信息來源，而且不同來源證據(jù)之間的相互佐證也能有效提升審計證據(jù)質(zhì)量。另一方面，深度學(xué)習(xí)強大的信息識別功能為復(fù)雜審計決策提供了數(shù)據(jù)基礎(chǔ)，當(dāng)數(shù)據(jù)量大且輸入變量眾多時，深度學(xué)習(xí)所具有的高效精準(zhǔn)預(yù)測性能的優(yōu)勢將進一步突顯，能夠提供準(zhǔn)確度更高的分類和預(yù)測結(jié)果，從而為復(fù)雜審計判斷提供有效的決策支持。因此，從算法和技術(shù)的視角出發(fā)，基于深度學(xué)習(xí)的方法能夠豐富審計證據(jù)，改善審計決策機制，有助于提升審計效率和審計質(zhì)量。

三、概念界定與關(guān)系辨析

（一）人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)

在探討深度學(xué)習(xí)的審計應(yīng)用之前，有必要明晰人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)的概念內(nèi)涵以及這些概念之間的關(guān)系。

人工智能是研究如何使用計算機的軟硬件來模擬人類某些智能行為的基本理論、方法和技術(shù)。智能行為包括觀察和感知周圍環(huán)境的能力、從語音或文本中提取信息的能力、從獲得的信息中學(xué)習(xí)以及利用這些信息做出決策的能力等。人工智能作為一種自適應(yīng)、自學(xué)習(xí)系統(tǒng)，可以通過計算機程序來模仿人類的判斷和認知技能，感知外部的環(huán)境變化，能夠從數(shù)據(jù)中自主學(xué)習(xí)和自我進化，以便做出決策、預(yù)測或采取最佳的適應(yīng)性行動。例如，谷歌地圖可以綜合考慮事故、施工和天氣情況等，給出最優(yōu)的交通路線選擇，從而減少通行時間。人工智能領(lǐng)域的研究主要包括機器學(xué)習(xí)、自然語言處理、計算機視覺、認知計算等。

機器學(xué)習(xí)這一概念于1959年被創(chuàng)造性地提出，其被界定為“一個研究領(lǐng)域，它賦予計算機不需要明確編程就能學(xué)習(xí)的能力”。M itchell（2006）則為機器學(xué)習(xí)提供了一個被廣泛參考的定義：“機器學(xué)習(xí)領(lǐng)域關(guān)注的問題是如何構(gòu)建隨著知識和經(jīng)驗的積累而能夠自動改進的計算機程序”。兩類觀點都堅持機器學(xué)習(xí)的目的是使計算機自動（而不是由人類明確編程）使用算法從歷史數(shù)據(jù)中學(xué)習(xí)模式和趨勢，通過不斷迭代改進其學(xué)習(xí)性能（通常以預(yù)測精度來衡量），并應(yīng)用所學(xué)到的數(shù)據(jù)模式或趨勢來進行相應(yīng)的預(yù)測。例如，銀行利用機器學(xué)習(xí)算法來分析大量的歷史數(shù)據(jù)，從而建立信用風(fēng)險預(yù)測模型。人工智能可以被認為是自主機器智能的廣泛目標(biāo)，那么在這一意義上，機器學(xué)習(xí)是實現(xiàn)人工智能的具體科學(xué)方法（Hinton和Salakhutdinov，2006）。

人工神經(jīng)網(wǎng)絡(luò)是未來人工智能和機器學(xué)習(xí)的重要組成部分，由相互連接的人工神經(jīng)元層組成，以大腦的結(jié)構(gòu)和功能為模型，通過節(jié)點連接數(shù)據(jù)，系統(tǒng)可以被設(shè)置為簡單或多層神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)是一種先進的機器學(xué)習(xí)技術(shù)，將機器的計算能力與神經(jīng)網(wǎng)絡(luò)中的連接模式相結(jié)合，通過構(gòu)建分層的人工神經(jīng)網(wǎng)絡(luò)，從原始數(shù)據(jù)中抽象數(shù)據(jù)特征、提取模式和規(guī)律以理解復(fù)雜的關(guān)系，并歸納習(xí)得知識。深度學(xué)習(xí)的蓬勃發(fā)展主要歸因于對圖像處理能力的提升、計算機硬件成本的下降以及機器學(xué)習(xí)算法效能的進步。

（二）深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的區(qū)別

傳統(tǒng)的機器學(xué)習(xí)算法如邏輯回歸和樸素貝葉斯在很大程度上依賴于領(lǐng)域?qū)＜沂孪冉o定的數(shù)據(jù)特征，而不是自主學(xué)習(xí)挖掘獲取的特征。這些算法往往需要具有領(lǐng)域?qū)I(yè)知識的專家來人工識別預(yù)選的數(shù)據(jù)特征。運用此類傳統(tǒng)機器學(xué)習(xí)算法做預(yù)測時面臨的一個重要問題是，一些尚未被人類專家預(yù)先識別的數(shù)據(jù)特征在模型學(xué)習(xí)過程中將不會被考慮到。相比之下，深度神經(jīng)網(wǎng)絡(luò)接收更多維度的原始輸入，并通過模型訓(xùn)練自動學(xué)習(xí)特征。分層結(jié)構(gòu)中的多個隱藏層使得深度神經(jīng)網(wǎng)絡(luò)能夠自動識別更多的數(shù)據(jù)特征，而無需人工干預(yù)。這一事實的重要意義在于，當(dāng)有大量的數(shù)據(jù)或任務(wù)較復(fù)雜時，機器學(xué)習(xí)基于海量數(shù)據(jù)挖掘以及復(fù)雜任務(wù)關(guān)聯(lián)而識別出的數(shù)據(jù)特征，可能比人類專家基于知識和經(jīng)驗所總結(jié)出的數(shù)據(jù)特征更全面、更客觀。

（三）深度學(xué)習(xí)的工作原理

深度神經(jīng)網(wǎng)絡(luò)是由輸入層、若干隱藏層和輸出層組成，其中輸入層接收初始數(shù)據(jù)，輸出層給出最終的數(shù)據(jù)標(biāo)簽（即確定的類別，例如舞弊或不舞弊、狗或貓等），輸入層和輸出層之間的層則被稱為隱藏層。組成一個層的神經(jīng)元與前（后）層的許多其他神經(jīng)元相連，以接收（發(fā)送）數(shù)據(jù)。神經(jīng)元之間的每個連接最初都被分配一個隨機的數(shù)值權(quán)重，這個權(quán)重決定了輸入值的重要性，隨著學(xué)習(xí)程序?qū)?shù)據(jù)重要特征了解的加深，權(quán)重需要不斷優(yōu)化調(diào)整。下一層的神經(jīng)元對輸入數(shù)據(jù)的加權(quán)組合執(zhí)行復(fù)雜的非線性轉(zhuǎn)換，并將結(jié)果傳遞至后續(xù)層，通過這種方式，數(shù)據(jù)從一層流向另一層。與傳統(tǒng)的“淺層”神經(jīng)網(wǎng)絡(luò)只有一個或兩個隱藏層不同，深度神經(jīng)網(wǎng)絡(luò)有幾十個隱藏層。憑借其大量的神經(jīng)元，深度神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有更大的代表性，能夠挖掘識別出數(shù)據(jù)背后隱藏的多個特征，可以有效地用于大數(shù)據(jù)分析。

為了訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，每次向系統(tǒng)輸入新的數(shù)據(jù)實例時，都要將預(yù)測值與訓(xùn)練數(shù)據(jù)的實際觀察值進行比較，并計算出所產(chǎn)生的誤差。然后，對模型的超參數(shù)（如權(quán)重）進行微調(diào)以減少這些誤差。經(jīng)過幾千甚至幾百萬次的優(yōu)化調(diào)整，可以識別出隱藏在數(shù)據(jù)背后越來越多的抽象特征，實現(xiàn)最小誤差，訓(xùn)練好的模型也就可以用來分析未來的數(shù)據(jù)。例如，利用深度神經(jīng)網(wǎng)絡(luò)來進行人臉識別的過程中，大量的人臉圖片作為訓(xùn)練集，輸入層識別最基本的特征是像素。隱藏層可以識別更抽象的特征，如由像素組成的邊緣、部位（如眼睛、鼻子和嘴巴）以及物體模型。每一個提取的數(shù)據(jù)特征都是建立在前一層的較簡單的特征之上的，而輸出層最終識別出人臉。

四、深度學(xué)習(xí)的應(yīng)用領(lǐng)域與審計功能應(yīng)用

深度學(xué)習(xí)適合于分析理解文本、圖像和視頻等半結(jié)構(gòu)化或非結(jié)構(gòu)化類型的數(shù)據(jù)，以實現(xiàn)某些重復(fù)性任務(wù)的自動化。軟件（如開源數(shù)據(jù)分析工具軟件R語言、開源機器學(xué)習(xí)平臺H 2O等）和硬件（圖形處理單元GPU和云計算等）的發(fā)展，使得之前需要審計師手動完成的審計任務(wù)現(xiàn)在可以由機器和程序自動完成。Sun和Vasarhelyi（2017）從文本分析、語音識別、圖像（視頻解析）和判斷支持等方面，提供了深度學(xué)習(xí)應(yīng)用于審計實踐的實例。相對于傳統(tǒng)的機器學(xué)習(xí)技術(shù)，深度學(xué)習(xí)在機器學(xué)習(xí)的文本理解、語音識別、視覺識別和結(jié)構(gòu)化數(shù)據(jù)分析等方面具有優(yōu)勢，可以很好地應(yīng)用于新一代信息技術(shù)環(huán)境下的審計實踐。

（一）深度學(xué)習(xí)的典型應(yīng)用領(lǐng)域

1.文本理解。公司公開披露的財務(wù)報告、公告以及證券監(jiān)管機構(gòu)的問詢函等均含有大量的文本信息，如何有效地挖掘分析這些文本數(shù)據(jù)中所包含的決策有用的信息顯得尤為重要。文本挖掘方法包括文本結(jié)構(gòu)分析（如詞袋模型、詞性標(biāo)注、命名實體識別等），文本內(nèi)容分析（如主題模型、情感分析、觀點挖掘等）和智能語義理解（詞嵌入模型、語義類比和因果推理等）。傳統(tǒng)的文本挖掘方法采用詞袋模型，通過辨識文本文件中每個類別（如反映積極和消極情緒的情緒特征）的單詞比例計數(shù)來從文本中提取特征，依賴于完備、完整的詞表預(yù)定義字典，而這需要具有豐富先驗知識的人類工程師付出較大的時間精力，這種方法難以有效地分析冗長的文本文檔，而且未考慮到文本內(nèi)容中的語義、結(jié)構(gòu)、順序、附近詞語的上下文以及其他附加信息等。而基于深度學(xué)習(xí)的文本理解具有自動從原始輸入數(shù)據(jù)中識別抽象數(shù)據(jù)特征的能力，通過構(gòu)建一個“淺層”神經(jīng)網(wǎng)絡(luò)，將文本文檔轉(zhuǎn)換為一組稱為“詞嵌入”的向量，這些向量在數(shù)字上代表了文檔中每個詞的上下文，然后根據(jù)向量的數(shù)學(xué)相似性，將具有相似含義的單詞歸為一組，再利用深度神經(jīng)網(wǎng)絡(luò)接收這些嵌入作為輸入信號，通過多個隱藏層提取更高級的數(shù)據(jù)特征，最后根據(jù)訓(xùn)練數(shù)據(jù)集的預(yù)定義概念（如主題、實體、關(guān)系、情感）進行分類，以此實現(xiàn)文本文檔的機器閱讀和智能理解。

當(dāng)前，諸多研究對比分析了深度學(xué)習(xí)和其他文本挖掘技術(shù)，為深度學(xué)習(xí)應(yīng)用于審計文本分析提供了指導(dǎo)。在審計工作中，有大量的合同文本、租賃契約、協(xié)議書和其他文本文件需要審查，深度學(xué)習(xí)的文本理解能力可以幫助審計師從中自動審查和提取關(guān)鍵信息。例如，審計師可以使用深度學(xué)習(xí)來分析公司財務(wù)報告中管理層討論與分析（MD&A）的內(nèi)容，以提取管理層對其公司前期業(yè)績、當(dāng)前財務(wù)狀況和未來盈利預(yù)測的信息，有助于審計師高效地了解公司的運營狀況。此外，通過對比管理層預(yù)測與分析師預(yù)測以及公司目前的實際業(yè)績，審計師可以了解管理層的保守程度。此外，深度學(xué)習(xí)還可以從MD&A的文本敘述中識別并衡量管理層的情緒，幫助審計師預(yù)測財務(wù)報表舞弊風(fēng)險等。

2.語音識別。由深度學(xué)習(xí)驅(qū)動的語音識別已廣泛應(yīng)用于社會生產(chǎn)和生活的多個領(lǐng)域。智能語音交互設(shè)備可以理解各種方言，并以接近人類的精度消除背景噪音的干擾。亞馬遜的Echo Dot，可以與人類對話并執(zhí)行播放音樂、制訂待辦事項清單和提供實時天氣信息等任務(wù)。谷歌提供了一個云語音應(yīng)用編程接口，利用強大的深度神經(jīng)網(wǎng)絡(luò)允許用戶將語音從聲波轉(zhuǎn)化為文本，輸入計算機系統(tǒng)。百度的Deep Voice，則可以將書面文本轉(zhuǎn)換成各種語言和聲音。利用IBM W atson提供的深度學(xué)習(xí)工具，可識別財務(wù)報告電話會議和MD&A的情緒特征，為預(yù)測企業(yè)內(nèi)部控制缺陷和財務(wù)報告誤報提供了額外的信息。

在審計方面，深度學(xué)習(xí)的語音識別功能可以幫助解決審計過程中可能面臨的音頻數(shù)據(jù)分析。如可以用來分析公司財務(wù)報告電話會議，通過提取管理層和其他參與者討論的主題、關(guān)鍵詞、實體和關(guān)系，識別出說話者的情緒和情感，協(xié)助審計師洞察出電話會議中的欺騙性討論。此外，還可以用于審計過程中對公司管理人員的訪談，通過關(guān)注交互過程中的泛泛而談、是否使用第一人稱代詞或受訪人員的聲音變化等，辨識出帶有欺詐性的語言線索，從而為審計師偵測管理層舞弊、識別內(nèi)部控制缺陷等提供補充性證據(jù)。

3.視覺識別。視覺識別技術(shù)允許機器標(biāo)記人臉、識別物體以及圖片或視頻中的內(nèi)容和場景。在搜索和理解圖像、繪圖、醫(yī)學(xué)診斷和汽車自動駕駛等方面，深度學(xué)習(xí)大大提升了最先進的視覺識別系統(tǒng)的性能。Sutton等（2016）將深度學(xué)習(xí)應(yīng)用于審計師與客戶人員的訪談過程，探討面部識別和語氣檢測等深度學(xué)習(xí)系統(tǒng)在欺詐監(jiān)測中的潛在用途。

深度學(xué)習(xí)通過自動檢查掃描文件的圖像如支票、收據(jù)、銀行對賬單和應(yīng)收賬款確認書等來識別選定的項目，從而提升了審計實質(zhì)性測試的效率和效果。例如，在檢查支票的掃描圖像時，可以識別付款金額、收款人、路由器號碼和銀行背書。除了靜止圖像的識別，經(jīng)過訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)還可以檢查視頻片段中的每一個場景，識別動態(tài)視頻中的行為，如辨識個人面容、連續(xù)動作、GPS位置信息、物體數(shù)量和質(zhì)量信息，以及印在物體標(biāo)簽上的數(shù)字或文字等信息。在內(nèi)部控制測試時，審計師可以使用深度學(xué)習(xí)的視覺識別系統(tǒng)來檢查經(jīng)過員工清點或庫存的網(wǎng)絡(luò)攝像頭記錄，以便做出進一步的措施。在對管理層和員工訪談的過程中，利用深度學(xué)習(xí)系統(tǒng)可以通過洞察員工的身體語言和面部表情來檢測潛在的欺騙行為。

4.結(jié)構(gòu)化數(shù)據(jù)分析。盡管深度學(xué)習(xí)在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)分析領(lǐng)域取得了顯著的成效，但少有研究探究其在處理結(jié)構(gòu)化數(shù)據(jù)尤其是不平衡數(shù)據(jù)方面的強大潛力。對于現(xiàn)實生活中的數(shù)據(jù)分析，數(shù)據(jù)不平衡性是一個常見但又極具挑戰(zhàn)性的問題，例如，在數(shù)以萬計的財務(wù)報告中，欺詐性報表可能僅有數(shù)百份；在所有信用卡持有者中，未能按時還款的可能只占極少數(shù)。在成本敏感的學(xué)習(xí)情境下，包含多個隱藏層的深度神經(jīng)網(wǎng)絡(luò)能夠顯著提高面向不平衡數(shù)據(jù)的總體預(yù)測準(zhǔn)確性。深度神經(jīng)網(wǎng)絡(luò)的復(fù)雜性也有利于對高度變化的任務(wù)進行有效預(yù)測。在信用卡違約檢測方面，相比于邏輯回歸、樸素貝葉斯、傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和決策樹等模型，深度學(xué)習(xí)表現(xiàn)出更好的整體預(yù)測性能。

（二）深度學(xué)習(xí)的審計功能應(yīng)用

深度學(xué)習(xí)在文本理解、語音識別、視覺識別等領(lǐng)域的優(yōu)勢，形成了其對半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)強大的信息識別能力，極大地豐富和拓展了審計證據(jù)的時空范圍。與此同時，深度學(xué)習(xí)還擁有對海量數(shù)據(jù)高效精準(zhǔn)的預(yù)測分析能力，這將為復(fù)雜審計決策提供良好的判斷支持。

1.信息識別功能?；谇笆龅奈谋纠斫?、語音識別和視覺識別能力，深度學(xué)習(xí)可以作為半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的信息識別者，幫助審計師綜合洞察文本、圖像、音頻和視頻等多個來源的關(guān)鍵信息，拓展了審計證據(jù)的范圍和數(shù)量，提升了審計證據(jù)之間的相互印證性及審計證據(jù)的洞察力。EMM“三角證據(jù)”認為，企業(yè)經(jīng)營狀況（EBS）、管理層經(jīng)營陳述（MBR）、管理信息媒介（M II）三者之間是互為條件、互為制約、相互佐證的關(guān)系，三者之間的印證關(guān)系（見圖1）可以支持甚至放大每一種證據(jù)的可信性和有用性，增加審計證據(jù)的證明力和說服力，從而提升審計質(zhì)量。

圖1 基于深度學(xué)習(xí)信息識別能力的EMM“三角證據(jù)”交叉驗證

現(xiàn)有審計過程對于以財務(wù)數(shù)據(jù)為基礎(chǔ)的企業(yè)經(jīng)營狀況關(guān)注較多，但對于管理層經(jīng)營陳述以及管理信息媒介所提供的審計證據(jù)關(guān)注較少，而深度學(xué)習(xí)對于半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)強大的信息識別能力，為三種證據(jù)之間的交叉驗證提供了重要基礎(chǔ)。例如，對于管理層經(jīng)營陳述信息的可靠性，可以利用深度學(xué)習(xí)工具，挖掘分析MD&A部分的情緒特征，洞察管理層電話會議、訪談記錄視頻中的管理層可能的舞弊性行為特征，有助于審計師高效地洞悉管理層的舞弊情況以及公司真實的運營狀況。對于管理信息媒介的文本型數(shù)據(jù)，審計師可以利用深度學(xué)習(xí)的文本理解能力，將新聞報道和社交媒體評論等文本型數(shù)據(jù)自動轉(zhuǎn)化為機器可讀的定量數(shù)據(jù)，更深入地解讀新聞媒介和社交媒體中與被審計單位相關(guān)的主題、關(guān)系、情感，為從外部信息媒介視角分析企業(yè)經(jīng)營狀況提供補充證據(jù)。對于企業(yè)經(jīng)營狀況，除了依據(jù)傳統(tǒng)結(jié)構(gòu)化的財務(wù)數(shù)據(jù)，還可以利用深度學(xué)習(xí)的文本理解和圖像、視頻和音頻識別，深度解讀與企業(yè)生產(chǎn)經(jīng)營相關(guān)的各類合同文本信息，利用物聯(lián)網(wǎng)設(shè)備以及企業(yè)生產(chǎn)經(jīng)營過程中的各種視頻監(jiān)控錄像，持續(xù)獲取企業(yè)生產(chǎn)運營過程中的各類信息，以便更加客觀、準(zhǔn)確地理解企業(yè)的生產(chǎn)經(jīng)營狀況。例如，為了驗證銷售收入的真實性，可以建立涵蓋采購合同的文本分析、產(chǎn)品銷售出庫的視頻監(jiān)控信息、產(chǎn)品銷售物料配送的物聯(lián)網(wǎng)信息等，通過系統(tǒng)整合上述信息，提供更加詳實有效的審計證據(jù)。

2.決策支持功能。審計過程涉及復(fù)雜的專業(yè)判斷，特別是在確定重要性水平、評估審計風(fēng)險、溝通關(guān)鍵審計事項和確定審計意見類型時，要求審計師必須從不同的角度綜合考慮大量的證據(jù)來做出最終的決定。

一方面，基于信息識別功能，機器學(xué)習(xí)允許整合文本數(shù)據(jù)、音頻、視頻、圖像等多種類數(shù)據(jù)，并通過數(shù)據(jù)可視化技術(shù)較大地提升了審計師對被審計對象經(jīng)營業(yè)務(wù)的理解。例如，零售商停車場的可視化數(shù)據(jù)可以為判定銷售收入的真實性提供輔助。

另一方面，深度學(xué)習(xí)基于海量數(shù)據(jù)強大的預(yù)測分析功能，尤其是當(dāng)數(shù)據(jù)量大、輸入變量多時，深度學(xué)習(xí)的預(yù)測性能優(yōu)于經(jīng)典的機器學(xué)習(xí)方法，能夠為復(fù)雜的審計判斷提供很好的決策支持。例如，如果能夠通過高效的數(shù)據(jù)預(yù)處理方法，將由自然語言、視覺信息組成的大數(shù)據(jù)清洗為合理干凈的數(shù)據(jù)集，并具有較高的計算能力，那么機器學(xué)習(xí)算法就可以通過訓(xùn)練數(shù)據(jù)識別模式更好地理解數(shù)據(jù)，以便提取關(guān)鍵信息，且能最小化人為干預(yù)對結(jié)果偏見的影響，提高預(yù)測精度和預(yù)測能力，有助于審計師獲得對被審計對象更好的洞察和理解，從而有助于相關(guān)審計決策判斷。對于財務(wù)報告錯報的預(yù)測，輸入的數(shù)據(jù)特征可以包括之前理論研究成果中證實影響財務(wù)報告錯報的相關(guān)影響因素、審計師基于經(jīng)驗判斷認為重要的影響因素以及管理層電話會議、MD&A文本分析的情感和情緒得分等。

值得注意的是，不同于深度學(xué)習(xí)的信息識別功能主要處理半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)，深度學(xué)習(xí)的決策判斷支持功能可以分析結(jié)構(gòu)化數(shù)據(jù)，特別是處理不平衡的結(jié)構(gòu)化數(shù)據(jù)。一些算法能夠有效地處理不平衡的結(jié)構(gòu)化數(shù)據(jù)（如生成對抗網(wǎng)絡(luò)），而在財務(wù)危機預(yù)警、舞弊風(fēng)險識別、審計意見預(yù)測等審計決策判斷中常常涉及不平衡數(shù)據(jù)處理問題。

基于深度學(xué)習(xí)的審計應(yīng)用能力如圖2所示。

圖2 基于深度學(xué)習(xí)的審計功能應(yīng)用

五、面向?qū)徲嫎I(yè)務(wù)全流程的深度學(xué)習(xí)模型審計應(yīng)用的整合性框架

（一）深度學(xué)習(xí)模型應(yīng)用于審計業(yè)務(wù)全流程的基本框架

深度學(xué)習(xí)模型是基于數(shù)據(jù)驅(qū)動的，為了形成面向?qū)徲嬋^程不同階段各種審計任務(wù)的模型訓(xùn)練和測試數(shù)據(jù)，需要由審計師利用標(biāo)記的財務(wù)和非財務(wù)數(shù)據(jù)來設(shè)計和開發(fā)審計數(shù)據(jù)倉庫。特別是要利用深度學(xué)習(xí)的信息識別功能，從會計師事務(wù)所留存的審計檔案、前任審計師的永久檔案和審計工作文檔以及大數(shù)據(jù)時代能反映被審計單位生產(chǎn)經(jīng)營和財務(wù)狀況的視頻、音頻、圖像和文本等多種資料中提取機器可讀的數(shù)據(jù)特征，并將其轉(zhuǎn)換為定量變量。基于深度學(xué)習(xí)信息識別功能所構(gòu)建的審計數(shù)據(jù)倉庫涵蓋了半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，能夠從更多維度刻畫公司的潛在特征，極大地拓展了審計證據(jù)的時空范圍，為復(fù)雜的審計決策提供輔助支持。

審計師需要根據(jù)不同審計階段的具體審計目標(biāo)來確定深度學(xué)習(xí)模型的預(yù)測目標(biāo)，每個模型只服務(wù)于一個審計目標(biāo)。服務(wù)于不同審計目標(biāo)的深度學(xué)習(xí)模型，從數(shù)據(jù)倉庫中選擇相應(yīng)的數(shù)據(jù)源輸入，使用迭代方法從分析數(shù)據(jù)中進行自動化和持續(xù)化的學(xué)習(xí)，當(dāng)訓(xùn)練學(xué)習(xí)的數(shù)據(jù)足夠多時，通過反饋行動不斷修正學(xué)習(xí)結(jié)果，可以洞察出隱藏在數(shù)據(jù)背后的模式特征和規(guī)律，并根據(jù)識別出的穩(wěn)健模式對新輸入數(shù)據(jù)進行預(yù)測。在做出最終決定之前，審計師基于自身的知識經(jīng)驗和專業(yè)判斷，對模型預(yù)測結(jié)果進行調(diào)整和優(yōu)化，以便決定最終的結(jié)果，并指導(dǎo)審計師采取最終行動，所有結(jié)果會更新至數(shù)據(jù)倉庫中。通過這種方式，審計師將獲得包含輸入和輸出（標(biāo)簽）的新數(shù)據(jù)集，并持續(xù)不斷地將其反饋至深度學(xué)習(xí)模型中，通過調(diào)整模型參數(shù)來不斷減少預(yù)測誤差，提升模型的整體有效性。與此同時，伴隨著數(shù)據(jù)倉庫持續(xù)更新數(shù)據(jù)集，前一審計階段更新的數(shù)據(jù)倉庫可以傳遞至后續(xù)審計階段，在最終的審計完成階段，由最后一個深度神經(jīng)網(wǎng)絡(luò)輸出關(guān)于重大錯報風(fēng)險的最終判斷。如此可以將審計全流程的所有相關(guān)數(shù)據(jù)積累起來，添加到數(shù)據(jù)倉庫中，以便在未來使用。數(shù)據(jù)倉庫使用得越多，收集并添加到倉庫的數(shù)據(jù)越多，深度學(xué)習(xí)模型的預(yù)測性能也就越好。

（二）面向?qū)徲嫎I(yè)務(wù)全流程的深度學(xué)習(xí)模型集成應(yīng)用

現(xiàn)代風(fēng)險導(dǎo)向?qū)徲嫷恼w流程分為審計計劃、風(fēng)險評估、風(fēng)險應(yīng)對和審計報告四個階段，圖3顯示了審計全流程四個不同階段間的協(xié)同關(guān)系，詳細說明了每個階段深度學(xué)習(xí)的應(yīng)用。審計過程從基于歷史數(shù)據(jù)的初始審計數(shù)據(jù)倉庫開始。在審計計劃階段，隨著審計師不斷獲得反映公司情況的新數(shù)據(jù)，審計數(shù)據(jù)倉庫被持續(xù)更新，并從更新的數(shù)據(jù)倉庫中選擇數(shù)據(jù)特征來訓(xùn)練深度學(xué)習(xí)模型，訓(xùn)練好的模型可以應(yīng)用于新輸入的數(shù)據(jù)并產(chǎn)生預(yù)測結(jié)果，審計師基于知識和經(jīng)驗判斷來決定是否對模型預(yù)測結(jié)果進行調(diào)整和優(yōu)化，并將最終結(jié)果更新至數(shù)據(jù)倉庫，同時傳遞至后續(xù)的風(fēng)險評估階段。類似地，此階段采集被審計單位及其環(huán)境的最新數(shù)據(jù)，識別可能存在重大錯報風(fēng)險、舞弊風(fēng)險、信息系統(tǒng)安全風(fēng)險的事項和情況并更新數(shù)據(jù)倉庫，從數(shù)據(jù)倉庫中選擇數(shù)據(jù)特征來訓(xùn)練深度學(xué)習(xí)模型，以執(zhí)行不同的風(fēng)險評估審計程序。最終的審計結(jié)果會進一步更新數(shù)據(jù)倉庫，并將其傳遞到后續(xù)的風(fēng)險應(yīng)對階段和審計完成階段。類似的過程持續(xù)運行，最后一個階段完成后，更新后的審計數(shù)據(jù)倉庫將被保存和傳遞，并作為下一年度審計的新起點。表1系統(tǒng)描述了不同審計階段的數(shù)據(jù)源、數(shù)據(jù)特征及其輸出標(biāo)簽。

圖3 面向?qū)徲嫎I(yè)務(wù)全流程的深度學(xué)習(xí)模型審計應(yīng)用的整合性框架

1.審計計劃階段。最初的審計數(shù)據(jù)倉庫在審計計劃之前就已經(jīng)存在。審計計劃階段需要獲取新的數(shù)據(jù)：文本數(shù)據(jù)包括企業(yè)披露的信息、新聞媒體和社會媒體中披露的信息，揭示了公司在財務(wù)業(yè)績、商業(yè)運作和戰(zhàn)略、管理層誠信、產(chǎn)品或服務(wù)質(zhì)量、客戶滿意度等方面的業(yè)務(wù)情況和行業(yè)環(huán)境、音頻數(shù)據(jù)通常包括電話會議、股東會議、電話和訪談錄音等、視頻和圖像數(shù)據(jù)包括在實地的倉庫、商店、辦公室或工廠拍攝的視頻、圖像等文件。具體的如表1所示。

表1 面向?qū)徲嫎I(yè)務(wù)全流程的審計數(shù)據(jù)倉庫構(gòu)建

在這一階段，審計師在了解客戶行業(yè)背景和業(yè)務(wù)經(jīng)營情況的基礎(chǔ)上，決定與客戶的契約關(guān)系。一旦審計師考慮接受新客戶或者保留老客戶，就可以根據(jù)新的數(shù)據(jù)源收集新的數(shù)據(jù)輸入，并添加到初始數(shù)據(jù)倉庫。如果數(shù)據(jù)是半結(jié)構(gòu)化（如文本）的或非結(jié)構(gòu)化（如語音、圖像和視頻）的，則可利用深度學(xué)習(xí)的信息識別功能來提取關(guān)鍵特征，并將其轉(zhuǎn)換為機器可讀的格式。深度神經(jīng)網(wǎng)絡(luò)的開發(fā)是為了執(zhí)行各項審計任務(wù)，審計計劃階段包括識別戰(zhàn)略風(fēng)險與經(jīng)營風(fēng)險、固有風(fēng)險和控制風(fēng)險、確定可接受的審計風(fēng)險和重要性水平等。對于每項任務(wù)，深度神經(jīng)網(wǎng)絡(luò)的開發(fā)是通過使用初始數(shù)據(jù)倉庫的歷史數(shù)據(jù)來訓(xùn)練和驗證模型，并使用新的輸入數(shù)據(jù)來進行預(yù)測。例如，為了評估戰(zhàn)略風(fēng)險，可以開發(fā)一個深度神經(jīng)網(wǎng)絡(luò)來洞察重要的財經(jīng)媒體、券商和機構(gòu)投資者等對公司重要戰(zhàn)略性投資帶來收入增長的見解。上述過程中，每個深度神經(jīng)網(wǎng)絡(luò)的輸出僅僅是對各項審計任務(wù)（目標(biāo)）的建議結(jié)果，包括關(guān)于是否接受或拒絕客戶的決定、可接受審計風(fēng)險和重要性水平等。基于這些建議結(jié)果，審計師憑借自身的知識、經(jīng)驗做出相應(yīng)調(diào)整并給出最終決定，實際結(jié)果將被記錄下來，以便在下一階段更新數(shù)據(jù)倉庫。

2.風(fēng)險評估階段。審計模式經(jīng)歷了“賬項基礎(chǔ)審計—制度基礎(chǔ)審計—風(fēng)險導(dǎo)向?qū)徲嫛钡难葑儭，F(xiàn)代風(fēng)險導(dǎo)向?qū)徲嫷膶嵤┮燥L(fēng)險評估為切入點，對審計風(fēng)險的識別、評估和應(yīng)對貫穿于審計全過程，以便將審計風(fēng)險降低至可接受的低水平。風(fēng)險評估過程中，審計師應(yīng)當(dāng)首先了解被審計單位及其環(huán)境，詢問被審計單位管理層和內(nèi)部相關(guān)人員?；趯舅幮袠I(yè)狀況與外部環(huán)境、公司目標(biāo)、戰(zhàn)略及相關(guān)經(jīng)營風(fēng)險、公司性質(zhì)、公司會計政策選擇等的了解，審計師將收集新的半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)加入數(shù)據(jù)倉庫。其中：文本數(shù)據(jù)包括公司所處行業(yè)的市場競爭與技術(shù)發(fā)展、公司應(yīng)遵循的法律法規(guī)和政策監(jiān)管等相關(guān)文件、公司內(nèi)部控制手冊、內(nèi)部控制評價過程文件、內(nèi)部控制執(zhí)行過程相關(guān)記錄；音頻數(shù)據(jù)包括對于公司行業(yè)發(fā)展、戰(zhàn)略目標(biāo)及其經(jīng)營狀況，對管理層和工作人員進行詢問的錄音等；視頻和圖像數(shù)據(jù)包括捕捉業(yè)務(wù)流程的視頻和圖像剪輯，如庫存檢查和盤點活動的錄像；結(jié)構(gòu)化數(shù)據(jù)包括反映公司所處行業(yè)競爭狀況、公司戰(zhàn)略發(fā)展?fàn)顩r以及衡量內(nèi)部控制有效性等的定量指標(biāo)，如行業(yè)競爭度、公司戰(zhàn)略目標(biāo)、內(nèi)部控制缺陷數(shù)等。

可以利用深度學(xué)習(xí)的方法獲取上述多源異構(gòu)的數(shù)據(jù)：根據(jù)信息識別功能，通過對管理層和執(zhí)行人員的訪談，從受訪者的肢體語言和聲音變化等來洞察潛在的管理層誠信情況；根據(jù)決策判斷功能，從受訪者回答的內(nèi)容中識別出潛在的數(shù)據(jù)特征，并預(yù)測出可能的欺詐行為。數(shù)據(jù)倉庫輸出的標(biāo)簽包含審計師對重大錯報風(fēng)險的評估、內(nèi)部控制基本情況的了解、舞弊導(dǎo)致的重大錯報風(fēng)險等。

在審計風(fēng)險識別過程中，一旦獲得新的數(shù)據(jù)并擴充至審計數(shù)據(jù)倉庫，就可以建立深度神經(jīng)網(wǎng)絡(luò)模型來執(zhí)行重大錯報風(fēng)險的識別、評估與再評估以及后續(xù)行動等各項審計任務(wù)。對于重大錯報風(fēng)險評估，審計師將機器學(xué)習(xí)模型預(yù)測的重大錯報風(fēng)險視為建議結(jié)果，結(jié)合自身的知識和經(jīng)驗判斷給出風(fēng)險水平的最終結(jié)果，該結(jié)果將被用于調(diào)整神經(jīng)網(wǎng)絡(luò)模型并更新數(shù)據(jù)倉庫。同樣地，了解內(nèi)部控制情況可建立一個深度神經(jīng)網(wǎng)絡(luò)，即先構(gòu)建一個深度神經(jīng)網(wǎng)絡(luò)模型，檢查所有商業(yè)文件的批準(zhǔn)簽名、印章等情況，同時建立另一個深度神經(jīng)網(wǎng)絡(luò)模型，審查各個部門確認設(shè)備的視頻記錄，兩者相互印證來驗證公司內(nèi)部控制的基本情況，并將結(jié)果納入數(shù)據(jù)倉庫。隨后，審計師應(yīng)用深度神經(jīng)網(wǎng)絡(luò)，根據(jù)更新的數(shù)據(jù)對重大錯報風(fēng)險進行重新評估，重新評估的模型預(yù)測結(jié)果供審計師作為決策參考并最終確定重大錯報風(fēng)險水平，更新至數(shù)據(jù)倉庫。最后，以更新后的數(shù)據(jù)倉庫為基礎(chǔ)，利用深度學(xué)習(xí)技術(shù)構(gòu)建模型來預(yù)測后續(xù)額外的控制測試和實質(zhì)性程序。

3.風(fēng)險應(yīng)對階段。大數(shù)據(jù)環(huán)境對控制測試和實質(zhì)性測試產(chǎn)生深刻影響。在控制測試方面，信息系統(tǒng)作為生產(chǎn)數(shù)據(jù)的“工廠”，為提高被審單位數(shù)據(jù)的真實性和可靠性，信息系統(tǒng)審計成為不可或缺的重要組成部分，控制測試甚至有可能會被信息系統(tǒng)審計所取代。在實質(zhì)性測試方面，數(shù)據(jù)分析技術(shù)的快速發(fā)展促使審計數(shù)據(jù)分析能力大幅提升，驅(qū)使著抽樣審計向全樣本數(shù)據(jù)審計轉(zhuǎn)變，而且，基于深度學(xué)習(xí)強大的信息識別功能，文本、圖片、音頻、視頻等新型審計證據(jù)不斷融入，傳統(tǒng)的基于結(jié)構(gòu)化財務(wù)數(shù)據(jù)的審計轉(zhuǎn)向面向全域大數(shù)據(jù)的審計。如利用掃描和光學(xué)字符識別（OCR）技術(shù)來審核半結(jié)構(gòu)化的合同文本，估計與預(yù)測公司營業(yè)收入；利用海量全域大數(shù)據(jù)分析，開展全樣本審計；利用智能合同和持續(xù)性監(jiān)控技術(shù)，實現(xiàn)合同執(zhí)行監(jiān)督和過程偏差自動監(jiān)控；利用GPS衛(wèi)星定位技術(shù)監(jiān)控停車場數(shù)據(jù)或跟蹤商品物流等數(shù)據(jù)，估計被審單位的銷售收入；利用物聯(lián)網(wǎng)和傳感器技術(shù)，記錄物聯(lián)網(wǎng)設(shè)備使用情況，驗證被審單位數(shù)據(jù)的真實性、可靠性?；谏疃葘W(xué)習(xí)模型構(gòu)建的審計數(shù)據(jù)倉庫包含了審計實質(zhì)性程序所需的全面證據(jù)，包括文本文件（應(yīng)收賬款余額的客戶函證、采購訂單、銷售發(fā)票、運輸文件、董事會會議記錄和電子郵件、內(nèi)部控制自我評估報告、內(nèi)部控制缺陷披露）、音頻文件（電話會議、董事會會議、對管理人員和內(nèi)部其他人員的詢問等）、視頻文件（庫存盤點和固定資產(chǎn)檢查）和圖像文件（支票、收據(jù)、銀行對賬單以及生產(chǎn)運營過程的監(jiān)控圖像）。此外，還有結(jié)構(gòu)化數(shù)據(jù)，ERP系統(tǒng)中各類日記賬、明細賬、總賬等的會計記錄、試算表和其他文件。輸出（標(biāo)簽）包括內(nèi)部控制測試和實質(zhì)性程序的建議、實質(zhì)性測試結(jié)果、審計證據(jù)充分性和適當(dāng)性的評估結(jié)果以及審計師后續(xù)行動的建議等。

通過深度學(xué)習(xí)的信息識別和判斷支持功能，一些實質(zhì)性測試可以自動進行。如要求供應(yīng)商書面確認截至資產(chǎn)負債表日的應(yīng)付賬款的細節(jié)，審查確認函作為應(yīng)付賬款負債證據(jù)，以確保負債總額與客戶的會計記錄相符；還可通過無人機拍攝客戶存貨情況來評估存貨資產(chǎn)的狀況。實質(zhì)性測試階段還有一項重要任務(wù)就是評估審計證據(jù)的充分性和適當(dāng)性。基于審計數(shù)據(jù)倉庫中的海量歷史數(shù)據(jù)所訓(xùn)練出來的深度神經(jīng)網(wǎng)絡(luò)，能夠幫助審計師確定當(dāng)前審計證據(jù)對特定審計目標(biāo)是否充分，并提供是否要獲得更多的證據(jù)、收集哪些類型的證據(jù)以及是否進行額外的實質(zhì)性測試以獲得新證據(jù)等后續(xù)建議。審計師據(jù)此采取實際行動用來調(diào)整優(yōu)化神經(jīng)網(wǎng)絡(luò)，相關(guān)結(jié)果也會再次更新至數(shù)據(jù)倉庫，所有工作最終都可以通過深度學(xué)習(xí)實現(xiàn)自動化。

4.審計完成階段。審計的最后階段是完成審計和報告結(jié)果。該階段的初始數(shù)據(jù)倉庫輸入的數(shù)據(jù)源包括律師函、代理函、資產(chǎn)負債表日期后發(fā)布的內(nèi)部聲明，或與管理層就未記錄的或有事項進行訪談的視頻和音頻記錄，輸出的標(biāo)簽是公司是否存在重大錯報。

在這一階段，可以利用深度學(xué)習(xí)技術(shù)自動執(zhí)行一些額外的審計程序，為審計提供新的證據(jù)。如為了實現(xiàn)財務(wù)報告的列報和披露是否充分的審計目標(biāo)，可以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來審查債務(wù)合同，以確定應(yīng)收賬款是否被抵押，評估與債務(wù)的發(fā)生和權(quán)利相關(guān)的管理層認定；可以用其來閱讀財務(wù)報表附注，以確定資產(chǎn)的分類是否正確；可以用其審查資產(chǎn)負債表日期之后編制的內(nèi)部報表，以提供資產(chǎn)負債表日后事項的審計證據(jù)；可以提取律師函中的重要信息，以獲取有關(guān)或有負債的證據(jù)。至此，審計數(shù)據(jù)倉庫保存了整個審計過程中除最終審計意見之外的所有數(shù)據(jù)，并構(gòu)建最終的深度神經(jīng)網(wǎng)絡(luò)模型來預(yù)測重大錯報風(fēng)險，審計師對重大錯報風(fēng)險水平做出最終決定，將模型預(yù)測值和審計師最終確定的重大錯報風(fēng)險進行對比測試，實現(xiàn)預(yù)測模型的自我學(xué)習(xí)和自我優(yōu)化，相關(guān)學(xué)習(xí)的輸出結(jié)果反饋更新至數(shù)據(jù)倉庫。最終，審計師將根據(jù)最后確定的重大錯報風(fēng)險獨立發(fā)表審計意見，出具審計報告。

六、研究結(jié)論與啟示

深度學(xué)習(xí)在文本理解、語音識別、視覺識別等領(lǐng)域的優(yōu)勢使其具有對半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的信息識別能力，拓展了審計證據(jù)的時空范圍。同時，其對海量數(shù)據(jù)強大的預(yù)測分析能力也使其能夠為復(fù)雜審計決策提供良好的判斷支持。這兩大能力極大地拓展了審計證據(jù)的范圍，改善了審計決策機制，有助于提升審計效率和審計質(zhì)量。文章基于深度學(xué)習(xí)模型的信息識別功能和判斷支持功能，將深度學(xué)習(xí)的智能分析與審計師的經(jīng)驗修正有效融合，不斷擴充、更新、迭代審計數(shù)據(jù)倉庫，為基于數(shù)據(jù)驅(qū)動的深度神經(jīng)網(wǎng)絡(luò)提供更好的預(yù)測性能。面向?qū)徲嫎I(yè)務(wù)全流程，構(gòu)建深度學(xué)習(xí)模型應(yīng)用于審計業(yè)務(wù)不同階段的集成性、整合性框架，以便更好地指導(dǎo)和推動深度學(xué)習(xí)模型在審計方面的實際應(yīng)用。為了進一步推動在不同審計階段、不同審計目標(biāo)下深度學(xué)習(xí)模型的審計應(yīng)用，本文認為下列問題值得進一步探索：

一是如何及時、高效地收集全面完整的內(nèi)外部全域?qū)徲嫶髷?shù)據(jù)，并建立深度學(xué)習(xí)模型所需的數(shù)據(jù)倉庫。深度學(xué)習(xí)模型是基于數(shù)據(jù)驅(qū)動的，為了提升模型訓(xùn)練效果，需要在傳統(tǒng)審計文件的基礎(chǔ)上，通過深度學(xué)習(xí)的文本理解、語音識別和視覺識別等技術(shù)，吸納更多的源自射頻識別傳感器、視頻和音頻文件等的非結(jié)構(gòu)化數(shù)據(jù)，確保審計數(shù)據(jù)倉庫的完整性，并在會計師事務(wù)所內(nèi)部建立高效且兼顧成本效益的信息共享機制，關(guān)注數(shù)據(jù)安全和隱私保護。

二是如何破解缺少標(biāo)簽化數(shù)據(jù)的應(yīng)用瓶頸。深度學(xué)習(xí)模型訓(xùn)練是由大量帶有標(biāo)簽的數(shù)據(jù)集推動的，現(xiàn)實情境下很難使所有的數(shù)據(jù)都有預(yù)定義的特征來標(biāo)記。例如，為了構(gòu)建一個深度學(xué)習(xí)模型，識別電話會議中管理者語言的情感特征，需要審計師或?qū)I(yè)領(lǐng)域人員花費大量的時間精力來辨識管理者陳述的語氣特征，并標(biāo)識出相應(yīng)的情感分類標(biāo)簽。此時，如何利用有限的帶有標(biāo)簽的審計數(shù)據(jù)，來訓(xùn)練高性能的深度學(xué)習(xí)模型顯得尤為重要。無監(jiān)督、半監(jiān)督和一次性學(xué)習(xí)技術(shù)能夠用大量的無標(biāo)簽數(shù)據(jù)來補充少量的標(biāo)簽數(shù)據(jù)，從而為破解深度學(xué)習(xí)模型應(yīng)用缺少標(biāo)簽化數(shù)據(jù)這一難題提供了解決思路和技術(shù)方案。

三是如何制定指導(dǎo)新興技術(shù)審計應(yīng)用的標(biāo)準(zhǔn)。大數(shù)據(jù)、云計算、人工智能等新一代信息技術(shù)驅(qū)動下的數(shù)字化轉(zhuǎn)型，使得審計過程越來越多地使用深度學(xué)習(xí)和其他數(shù)據(jù)分析技術(shù)，這將改變審計證據(jù)的數(shù)量和類型、審計程序和方法以及專業(yè)判斷的性質(zhì)和依據(jù)，要求相關(guān)準(zhǔn)則制定機構(gòu)必須重新考慮審計標(biāo)準(zhǔn)，以便能科學(xué)指導(dǎo)和有效應(yīng)用這些技術(shù)。早在2016年國際審計與鑒證準(zhǔn)則理事會（IAASB）的數(shù)據(jù)分析工作組就已經(jīng)起草了新的國際審計準(zhǔn)則，并向相關(guān)方征求意見。

四是如何拓展審計師的知識和能力結(jié)構(gòu)以適應(yīng)數(shù)字化轉(zhuǎn)型。盡管新技術(shù)為審計師提供了大量有用的數(shù)據(jù)，但也帶來了巨大的應(yīng)用挑戰(zhàn)，改變了審計團隊的知識結(jié)構(gòu)和互動方式，需要審計師掌握數(shù)據(jù)分析的相關(guān)知識和技能，在海量數(shù)據(jù)中“去偽存真、去粗取精”，以洞察海量數(shù)據(jù)背后隱藏的特征和規(guī)律。雖然審計師不必成為數(shù)據(jù)科學(xué)家或機器學(xué)習(xí)專家，但需要掌握統(tǒng)計學(xué)、機器學(xué)習(xí)、數(shù)據(jù)分析和編程方面的基礎(chǔ)知識和技能，以便能夠與機器學(xué)習(xí)和人工智能領(lǐng)域的專業(yè)人士進行有效的溝通交流和分工合作，為深度學(xué)習(xí)模型審計應(yīng)用的優(yōu)化提供專業(yè)建議和知識支持。