Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeneysel sonuçlar, önerilen modelin hem doğruluk hem de F1 skoru açısından güçlü bir performans sergilediğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bağımsız denetim raporları, şirketlerin finansal güvenilirliğini değerlendirmede kritik bir rol oynamaktadır. Denetçiler, görüşlerini finansal tabloların doğruluğu ve tutarlılığı ile bu tabloları oluşturan bileşenlere dayandırmaktadır. Bu çalışma, finansal tablolardan türetilen finansal oranlar ile Altman-Z, Springate ve Zmijewski gibi bilinen finansal risk skorlarını kullanarak denetim görüşlerini otomatik olarak sınıflandırmayı amaçlamaktadır. Sınıflandırma işlemi XGBoost ve Random Forest algoritmalarıyla gerçekleştirilmiştir. Veri gizliliği gereksinimleri göz önünde bulundurularak, modelleme süreci homomorfik şifrelemeyi destekleyen Concrete ML kütüphanesi kullanılarak yürütülmüş ve böylece finansal verilerin gizliliği korunmuştur. Nitelikli denetim görüşlerini daha ayrıntılı alt sınıflara ayırmak amacıyla hiyerarşik bir sınıflandırma yaklaşımı benimsenmiş, bu sayede yorumlanabilirlik artırılmıştır. Deneysel sonuçlar, önerilen modelin hem doğruluk hem de F1 skoru açısından güçlü bir performans sergilediğini göstermektedir. Geliştirilen sistemin, resmi denetim süreci öncesinde denetçilere ve diğer paydaşlara öngörüye dayalı, sistematik ve gizliliği koruyan bir karar destek mekanizması sunması beklenmektedir.
Abstract
Independent audit reports play a crucial role in assessing the financial reliability of companies. Auditors base their opinions on the accuracy and consistency of financial statements and their underlying components. This study aims to automatically predict audit opinions by leveraging financial ratios derived from financial statements, as well as well-known financial risk scores such as Altman-Z, Springate, and Zmijewski. Classification was performed using XGBoost and Random Forest algorithms. Considering data privacy requirements, the modeling process was implemented using the Concrete ML library, which supports homomorphic encryption, thereby preserving the confidentiality of financial data. A hierarchical classification approach was adopted further to subdivide unqualified audit opinions into more detailed sub-classes, enhancing interpretability. Experimental results show that the proposed model achieves strong performance in terms of both accuracy and F1 score. The developed system is expected to serve as a predictive, systematic, and privacy-aware decision support tool for auditors and other stakeholders prior to the formal audit process.