Dergiler / Denetişim / 2023 / Sayı: 27

YAPAY ZEKÂ ALGORİTMALARI İLE DÖNÜŞEN DENETİM ARAÇLARI ÜZERİNE BİR DEĞERLENDİRME

Sayfa
72–102
Yayın Tarihi
2023-01-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Genel olarak piyasada kullanılan akıllı denetim uygulamaları ve özelde ise AuditMap.ai örneği üzerinden YZ tabanlı denetim otomasyon uygulamalarının denetçinin yerine geçerek değil, aslında insan merkezli denetim planlama, programlama, yürütme, test, raporlama ve izleme süreçlerine değer katarak denetim sürecine yardımcı olunduğu ortaya konulmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapay zekâ (YZ) uygulamalarıyla birlikte gelişen yenilikçi teknolojiler nedeniyle Sayıştay ve teftiş mekanizmaları dahil olmak üzere tüm iç ve dış denetim mesleğinin bir bütün olarak bir zorluk ile karşı karşıya olduğu söylenebilir.
📊
Temel Bulgular & Veri:Veri analitiği araç ve tekniklerini denetim otomasyon yazılımlarıyla birlikte kullanmak dahil olmak üzere iç denetimde teknolojiden yararlanmada daha etkin ve verimli bir iş yapma ihtiyacı vardır.
💡
Sonuç & Katkı:Genel olarak piyasada kullanılan akıllı denetim uygulamaları ve özelde ise AuditMap.ai örneği üzerinden YZ tabanlı denetim otomasyon uygulamalarının denetçinin yerine geçerek değil, aslında insan merkezli denetim planlama, programlama, yürütme, test, raporlama ve izleme süreçlerine değer katarak denetim sürecine yardımcı olunduğu ortaya konulmaktadır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zekâ · İç Denetim · Denetim Otomasyon Sistemleri

Özet

Yapay zekâ (YZ) uygulamalarıyla birlikte gelişen yenilikçi teknolojiler nedeniyle Sayıştay ve teftiş mekanizmaları dahil olmak üzere tüm iç ve dış denetim mesleğinin bir bütün olarak bir zorluk ile karşı karşıya olduğu söylenebilir. Bu zorlukların bir kısmı yeni fırsatlarla birlikte üstesinden gelinmesi gereken engelleri ve riskleri barındırabilmektedir. Veri analitiği araç ve tekniklerini denetim otomasyon yazılımlarıyla birlikte kullanmak dahil olmak üzere iç denetimde teknolojiden yararlanmada daha etkin ve verimli bir iş yapma ihtiyacı vardır. Büyük veri zorluğundan dolayı yavaş işleyen denetim, örneklemeye dayalı denetim planlamasına dayanan denetimin maliyet ve risklerinin artması denetim görevlerini hızlandırmak için otomasyonun gerekli olduğunun birer göstergeleridirler. Bu çalışma, YZ ile birlikte gelişen riskleri ve fırsatları dengeleyecek şekilde denetim süreçleri bağlamındaki otomasyon çözümlerini incelemektedir. Genel olarak piyasada kullanılan akıllı denetim uygulamaları ve özelde ise AuditMap.ai örneği üzerinden YZ tabanlı denetim otomasyon uygulamalarının denetçinin yerine geçerek değil, aslında insan merkezli denetim planlama, programlama, yürütme, test, raporlama ve izleme süreçlerine değer katarak denetim sürecine yardımcı olunduğu ortaya konulmaktadır.

🔖

Bu Makaleye Atıf Yap

EFE, A., TUNÇBİLEK, M. (2023). YAPAY ZEKÂ ALGORİTMALARI İLE DÖNÜŞEN DENETİM ARAÇLARI ÜZERİNE BİR DEĞERLENDİRME. Denetişim, Sayı: 27, 72–102. https://ajindex.com/articles/880684

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (5)

  1. Alina, C. M., Cerasela, S. E., & Gabriela, G. (2018). Internal audit role in artificial intelligence. Ovidius University Annals, Economic Sciences Series, 18(1), 441-445.
  2. Appelbaum, D.A., Kogan, A. & Vasarhelyi, M.A. (2018). Analytical procedures in external auditing: A comprehensive literature survey and framework for external audit analytics. Journal of Accounting Literature 40, 83–101.
  3. Atakan, M. (2021). Siber güvenlik ve COVID 19 salgının uzaktan denetim üzerinde etkileri. Denetişim, (22), 27-39. https://dergipark.org.tr/tr/ pub/denetisim/issue/60158/758709. Bazı Cumhurbaşkanlığı Kararnamelerinde Değişiklik Yapılması Hakkında Cumhurbaşkanlığı Kararnamesi (2021). T.C. Resmi Gazete (rega.gov.tr). Tarih/Sayı: 14.07.2021/31541. Bhattacharya, U. & Rahut, A., De, S. (2013). Audit maturity model. Computer Science Information Technology 4. Blackline (2019).
  4. Mistrust In The Numbers, BlackLine Study into the Potential Global Scale of Financial Data Inaccuracies, https://www.blackline.com/assets/docs/uploads/Mistrust_in_the_Numbers_Feb_2019.pdf. adresinden alındı. Boskou, G., Kirkos, E. & Spathis, C. (2018). Assessing internal audit with text mining. Journal of Information & Knowledge Management 17(02) 1850020. Bowen, P., Hash, J. & Wilson, M. (2007). Information security handbook: a guide for managers. In: NIST Special Publication 800–100, National Institute of Standards and Technology. Boxwala, A.A., Kim, J., Grillo, J.M. & Ohno-Machado, L. (2011). Using statistical and machine learning to help institutions detect suspicious access to electronic health records. Journal of the American Medical Informatics Association 18(4) 498–505.
  5. Brennan B, Baccala M., Flynn M., (2017). Artificial Intelligence Comes to Financial Statement Audits, CFO.com, Feb. 2, https://bit.ly/2Jx3CYO. adresinden alındı. CFR, (1996). United States Public Law: Quality System Regulation. 21 CFR part 820. CFR, (2011). United States Public Law: Prospectus summary, risk factors, and ratio of earnings to fixed charges (Item 503). 17 CFR part 229.503. COSO, (2013). Committee of Sponsoring Organizations of the Treadway Commission and others: Internal Control — Integrated Framework. Cowle, E. N., & Rowe, S. P. (2019). Don't make me look bad: How the audit market penalizes auditors for doing their job. https://ssrn.com /abstract=3228321 adresinden alındı. Devlin, J., Chang, M., Lee, K. & Toutanova, K. (2018). BERT: pre-training of deep bidirectional transformers for language understanding. CoRR abs/181