大语言模型在审计工作中的应用场景
随着人工智能应用的不断扩展，审计人员如何有效地利用人工智能来辅助审计工作，已成为一个亟待解决的重要课题。在审计工作的数字化转型中，建立支持人工智能应用的数字化平台是核心任务。探索大语言模型（Large Language Model, LLM）在审计工作中的应用具有紧迫的现实需求和广阔的发展前景。
一、大语言模型概述
基于计算机技术与深度学习的集成，人工智能模仿人类大脑的认知系统，执行比拟人类智能的任务。生成式人工智能是人工智能模型的一个子集，此类模型能够从海量训练数据中学到一系列模式并依据概率生成新的内容，例如文本、图像、音频和视频数据。大语言模型（LLM），如智谱清言、文心一言、ChatGPT等，是生成式人工智能在自然语言处理（NLP）领域的典型应用。这些模型不仅理解和分析文本，还根据它们在训练期间学到的模式和结构生成类似人类的文本。LLM 在理解自然语言和解决复杂任务方面表现出强大的能力，可用于识别、总结、翻译、逻辑推理和生成文本。
现阶段，教育、医疗、法律、会计等垂直领域多场景专业大语言模型运用已成为趋势。应用于审计场景的专业大语言模型正在发展中，审计机关、高校都在展开探索。
二、大语言模型在审计全流程中的应用
本文将审计工作划分为六个阶段，分别论述 LLM 的可能应用及具体技术路径。
（一）审计对象监测
'跳出审计看审计、跳出审计干审计'是深化研究型审计的内生要求。加强对审计对象及其业务的研究已成为审计系统的共识。以区域审计为例，沿着'政治 - 政策 - 项目 - 资金'主线，收集形成覆盖全域审计对象的机构、政治、政策、项目、资金相关的多模态数据。借助大语言模型来分析这些多模态数据，可以对区域经济、企业、投资、旅游等情况有个全面掌握，逐步形成区域态势感知。
技术实现示例：
- 数据输入：将区域发展规划、旅游规划、数据要素规划等文件作为输入数据。
- 关键信息提取：利用 NLP 技术自动提取关键信息，如规划的主要目标、重点任务、预期成果、实施时间表等。
- 主题和趋势分析：识别和总结规划中的主要主题和趋势，例如发展特色旅游、提升旅游基础设施等。
- 跨文档分析：如果有多份相关的规划文件，进行跨文档分析，找出不同规划之间的联系和一致性，或者识别潜在的冲突点。
- 生成摘要报告：生成一份摘要报告，总结规划的主要内容和关键点，为审计人员提供快速、全面的了解。
（二）项目计划
结合对审计对象的监测，LLM 可以通过对历史审计数据的学习和分析，推测本年度审计对象、审计事项的优先情况，为合理配置审计资源提供支持。如对党和国家重大决策部署政策文件、审计工作指导性文件、本地规划工作方案等进行情感和主题建模等分析，研判党中央对审计署及地方各级审计机关的要求、本地经济社会运行中的重大事项等。通过预测性分析，帮助制定更科学的年度审计项目计划。
（三）实施方案
在编制实施方案之前，审计人员对被审计单位的基本情况、相关内部控制及其执行情况、财政财务情况、信息系统控制情况等进行了解和审查，可利用 LLM 协助评估被审计单位可能存在的问题，确定审计事项和审计应对措施。在注册会计师审计、内部审计中，运用 LLM 对审计对象及业务情况进行分析，并拟定审计内容和重点，已处于实际运用探索中。
（四）项目实施
这是审计人员利用 LLM 发挥作用的主要场景。通过嵌入数据分析、文本阅读等插件，LLM 可以处理和分析大量的结构化和非结构化数据。这些数据包括财务报表、交易记录、政策文件、会议记录等，都是审计过程中的关键信息来源。
核心功能：
- 证据转化：利用 LLM，审计人员可以将所有相关数据转化为审计证据，或作为审计证据的支撑。这种方法取代了传统的抽样调查，能够提供更全面、更准确的审计证据，从而降低审计风险。
- 非结构化解析：NLP 技术是 LLM 的核心组成部分，它通过语义理解模板自动解析非结构化文档，如政策文件、会议纪要、工作方案、合同等，从中提取审计所需的关键信息。例如，NLP 可以帮助识别文档中的关键条款、潜在的风险点或合规性问题。
- 增强审计深度：利用 LLM，审计人员可以对更广泛的数据源进行分析，更有效地制定审计决策和应对措施，增强审计的深度和广度。
（五）复核审理
在复核审理阶段使用大语言模型可以显著提高审计工作的效率和准确性。
- 底稿分析：LLM 可以自动分析审计过程中产生的底稿和证据材料。通过对这些材料的深入理解，模型可以帮助审计人员识别潜在的错误、遗漏或矛盾之处。
- ：LLM 的强大推理能力使其能够评估审计证据与结论之间的逻辑关系。模型可以检查审计证据是否充分支持审计结论，以及这些结论是否合理和一致。
