隨著DeepSeek-R1大模型的推出，國產大模型推理能力、自然語言理解能力躍上了新臺階，較低的算力要求和成本使本地部署高性能大模型實現(xiàn)個性化應用需求成為可能，也為審計數(shù)據治理現(xiàn)代化提供了動力。審計數(shù)據管理是審計數(shù)據治理中最基礎的部分。以人工智能助力審計數(shù)據管理，進而推動審計數(shù)據治理科學規(guī)范，可以進一步發(fā)揮數(shù)據要素價值、提升審計質量。

審計數(shù)據管理中應用人工智能面臨的三大難點

審計數(shù)據管理是審計機關對審計數(shù)據進行采集、歸集、清洗、入庫、使用的全流程管理、控制和運用的活動。大量高質量的審計數(shù)據，安全的審計數(shù)據存儲方式，標準化的審計數(shù)據采集、歸集、清洗、入庫方式，以及審計機關豐富的審計方法、審計模型、審計案例、計算機語句等是高質量審計數(shù)據管理及應用的 基礎。當前，人工智能各類算法模型層出不窮，同時算力成本極大下降，審計數(shù)據管理中應用人工智能將深刻影響未來審計方式、審計方法，引起審計效能的重大改變。但審計數(shù)據 管理中應用人工智能還存在以下三大難點。

一是數(shù)據基礎薄弱影響應用質效。審計數(shù)據質量、數(shù)據共享、數(shù)據更新等方面基礎薄弱，會導致人工智能發(fā)揮作用所需的數(shù)據底座不牢。數(shù)據質量上，高質量數(shù)據欠缺使人工智能對行業(yè)規(guī)范與優(yōu)質審計經驗的學習不足，導致輸出結果的模糊化、幻覺化，難以適配審計場景的復雜性、精確性。缺乏高質量數(shù)據的輸出結果，進一步增加了審計人員復核壓力，降低了審計效率。數(shù)據共享上，審計部門之間數(shù)據報送、共享通道還有待建設，不同部門之間的數(shù)據平臺存在物理阻隔、報送規(guī)則不一致，數(shù)據開放性不夠，導致數(shù)據流通與使用存在阻礙。不同地區(qū)的審計機關之間尚未建立完善的數(shù)據共享平臺，缺乏對審計部門間數(shù)據流轉的上級統(tǒng)籌，導致利用優(yōu)質審計經驗的渠道不暢，難以讓人工智能充分學習不同領域、不同特征的審計案例，打造更加全面的審計知識庫。

二是數(shù)據調用量大存在安全風險。為提高大模型的數(shù)據治理能力，形成專業(yè)化審計知識圖譜，需開放接入多領域、多部門、可持續(xù)的數(shù)據接口。在數(shù)據采集與存儲過程中，對于線上傳輸各類公共或涉密數(shù)據若無精確的分類及對應的安全舉措，將增大泄密風險。隨著數(shù)據量增加以及數(shù)據接口對應部門的增多，對審計數(shù)據在不同安全層級平臺之間流轉的動態(tài)保護提出了較高要求。在數(shù)據訪問過程中，面對海量可調用數(shù)據，尤其涉及跨領域的問題時，可能會因大模型對于模糊語義的誤判導致越權操作行為，不同權限下人工智能調用數(shù)據及其輸出結果分類管控的不嚴密，可能導致以模糊需求超越審計權限輸出數(shù)據、違規(guī)調用敏感數(shù)據、隱私數(shù)據等情況，同時隨著人工智能對于海量數(shù)據的學習，所泄密的數(shù)據內容也將呈現(xiàn)程度多樣、數(shù)據量大等特點，造成數(shù)據安全風險。

三是專業(yè)人才缺乏影響落地效能。當前人工智能處于弱智能向強智能的初期發(fā)展階段，無法做到自主進行大目標拆解，形成工作范式，對于模糊的提示詞難以給出精確的答案。為使初期階段的大模型形成審計思維，需要人工進行訓練，并根據審計經驗對輸出結果進行微調。同時，為減弱大模型的“黑箱”問題，需要既有審計經驗又有人工智能技術知識的專家參與大模型的數(shù)據治理，對大模型的訓練流程、推理輸出結果進行復核，把審計經驗轉化為大模型推理過程中的思維鏈，將審計職業(yè)判斷轉化為大模型訓練中的損失函數(shù)，為大模型的使用提供標準化樣板，提高大模型在審計領域的利用廣度和深度。目前，各級審計機關中具有人工智能專業(yè)知識的人才較為缺乏，審計人員對通用人工智能的基礎理論與框架，以及所需的集成計算機視覺、自然語言理解、認知推理、機器學習、多智能體等核心領域模型與算法知識的了解十分有限，影響人工智能在審計數(shù)據管理中的效能。

審計數(shù)據管理中應用人工智能需聚力三個突破

圍繞元數(shù)據管理、數(shù)據質量優(yōu)化、數(shù)據標準建設三大方面聚力突破，從而為人工智能在審計數(shù)據管理中的應用打下基礎。

（一）應用大模型提高元數(shù)據采集管理水平

1. 提升智能采集元數(shù)據水平。利用大模型對非結構化數(shù)據的處理能力，自動采集各類文件中的圖表結構、字段屬性等特征數(shù)據，將人工經驗與人工智能采集進行協(xié)同，建立健全自動標注規(guī)則，提高元數(shù)據的采集效率， 擴充審計的元數(shù)據庫。

2 . 加強元數(shù)據關聯(lián)分析。結合審計業(yè)務需求及大模型的語義理解能力，通過聚類算法將元數(shù)據進行分類，形成知識圖譜的基礎。同時，構建標準化的元數(shù)據模型，明確字段定義、數(shù)據類型及關系類型，確保不同來源數(shù)據可相互操作。人工智能可通過元數(shù)據建立數(shù)據對象之間的關聯(lián)圖譜，并加強智能檢索的效率，降低多源異構數(shù)據庫等環(huán)境下數(shù)據關聯(lián)的復雜性。

3. 以高質量元數(shù)據訓練大模型。利用高質量標注的元數(shù)據提高大模型訓練數(shù)據的完整性，使大模型在學習階段自我進行案例生成與擴展，在一定程度上減少大模型訓練所 需的樣本量。同時，專業(yè)領域元數(shù)據所形成的知識圖譜，可結合大模型的泛化推理能力，推動大模型的跨領域遷移。

（二）應用自然語言處理等技術提升審計數(shù)據質量

1. 建立質量規(guī)則核驗數(shù)據真實性。利用自然語言處理技術從現(xiàn)行政策中提煉符合不同業(yè)務場景的數(shù)據質量評估規(guī)則，結合審計人員基于專業(yè)領域的職業(yè)判斷，建立數(shù)據質量規(guī)則庫，對大模型的數(shù)據質量評估能力進行訓練，形成定制化的數(shù)據質量評估體系。

2. 強化復核能力提升數(shù)據質量。通過機器學習算法，自動識別數(shù)據格式錯誤、邏輯矛盾及報送缺失等問題，提高數(shù)據審核效率。同時，在復核基礎上加強對已有數(shù)據的特征分析，結合數(shù)字分析工具推算出缺失值，實現(xiàn)智能填充，提升數(shù)據質量。

3. 結合職業(yè)判斷提出數(shù)據質量改進措施。審計人員通過對大模型產生的數(shù)據分析結果進行復核，對分析流程進行監(jiān)控，保證數(shù)據輸出的質量。同時，及時反饋分析流程中出現(xiàn)的問題，對后續(xù)數(shù)據質量提升提出改進意見和建議。

（三）構建智能管理框架加快審計數(shù)據標準化建設

1. 對已有數(shù)據進行標準化。可構建智能治理框架，建立“基礎層（通用大模型）+行業(yè)層（審計知識圖譜）+應用層（場景化工具）”的三層技術架構，部署數(shù)據目錄和譜系管理系統(tǒng)對已有數(shù)據進行標準化。對于審計領域 已有的高質量數(shù)據，如標志性典型性案例的審計工作底稿、可推廣的審計經驗等，進行標準化處理后作為大模型的訓練資料。

2. 對后續(xù)數(shù)據進行標準化。建立持續(xù)學習與自適應機制，統(tǒng)籌公共平臺、內部網絡的上傳數(shù)據標準，針對內外部報送數(shù)據的標準化搭建跨機構數(shù)據兼容框架，在實現(xiàn)部門間互聯(lián)互通的基礎上，建立自動化、全面化的標準監(jiān)測與反饋機制，將自動化與人工復核相結合，確保后續(xù)輸入的審計數(shù)據能夠被大模型識別學習與運用。

3. 對數(shù)據調用進行標準化。鑒于審計對數(shù)據精確性的高要求，在審計人員層面，要對大模型運用的提示詞、參數(shù)調整等進行規(guī)范，確保提問流程及輸出結果標準化。在大模型運行層面，建立動態(tài)化的標準差異識別系統(tǒng)，構建支持多模態(tài)數(shù)據映射的標準適配器，基于最新相關法律法規(guī)、審計業(yè)務要求，針對性調整數(shù)據調用的標準。

審計數(shù)據管理中應用人工智能的場景

在三大聚力突破的基礎上，充分釋放審計數(shù)據管理效能，進一步促使審計數(shù)據管理在審前階段、審計實施階段、審計成果階段三大應用場景中發(fā)揮作用。

（一）在審前階段輔助數(shù)據準備工作

1. 智能化數(shù)據處理。審計人員可通過人工智能的圖像識別、音頻識別技術，解析被審計單位關鍵文件中涉及的關鍵條款，將非結構化數(shù)據智能轉換，自動提取特征字段轉化為結構化數(shù)據，結合其他結構化數(shù)據信息形成 被審計單位知識管理庫。還可通過人工智能技術，預設接口自動抓取被審計單位多系統(tǒng)數(shù)據（如政務系統(tǒng)、財務系統(tǒng)等），智能識別冗余字段并剔除無效數(shù)據，直達核心數(shù)據。

2. 智能化風險提示。通過人工智能技術，審計人員可調用數(shù)據庫，可視化展現(xiàn)被審計單位的運行模式及決策流程等，生成被審計單位畫像，直觀展示被審計單位的主要業(yè)務進展情況及可能存在的關聯(lián)風險點，提前作出研判，確定審計范圍。同時，人工智能可基于內部數(shù)據的風險提示，分析被審計單位業(yè)務數(shù)據的周期性規(guī)律，預測重點領域風險，還可參考以往審計查出的問題，構建相似項目審計中發(fā)現(xiàn)的違規(guī)案例圖譜，自動匹配當前項目中的相似特征，對審計人員進行風險提示。

（二）在審計實施階段輔助數(shù)據分析工作

1. 人工智能輔助取數(shù)。審計人員可通過相應提示詞讓大模型生成可運用于數(shù)據庫取數(shù)的代碼文本，降低取數(shù)門檻，按照審計人員需求以相應的圖表字段進行呈現(xiàn)?？苫跈嘞拚{用，對取數(shù)流程實施精準的權限控制，保證數(shù)據安全。采取不同權限審計人員對應不同的數(shù)據脫敏策略，保存抓取數(shù)據過程日志，確保取數(shù)的可追溯性。

2 . 多模態(tài)數(shù)據分析。大模型可通過對特征數(shù)據的融合實現(xiàn)多模態(tài)數(shù)據的協(xié)同分析，并根據審計人員的提示詞，調用不同數(shù)據庫內容輸出數(shù)據分析代碼，針對代碼展示數(shù)據分析的思維鏈，輔助審計人員進行大數(shù)據分析。審計人員可將新獲得的數(shù)據結合大模型中的已有數(shù)據進行交叉檢驗，分析數(shù)據間的關聯(lián)性與風險點。

3. 證據鏈智能論證。根據發(fā)現(xiàn)的問題以及挖掘問題中調用的數(shù)據，人工智能通過結合審計經驗知識庫，自動鏈接合同、審批單、銀行流水等材料，形成完整的違規(guī)證據鏈與證據關聯(lián)圖譜。通過人工智能交叉核驗不同證據源，基于審計法規(guī)知識庫、審計問題知識庫及邏輯推理，比對證據之間的數(shù)據差異并提示問題，自動識別矛盾點。此外，還可進行證據效力評級。根據證據類型，結合法規(guī)知識庫要求，通過人工智能自動標注證明力等級，輔助判斷問題定性依據是否充分。

4 . 輔助生成審計工作底稿。審計人員可授權人工智能在本地化部署的審計數(shù)據庫中調用審計實施過程中獲取的數(shù)據資料，基于發(fā)現(xiàn)的問題點、佐證材料及發(fā)現(xiàn)問題的流程日志，將問題描述與相關數(shù)據按照上下文的銜接順序，自動填入固定模板，形成邏輯性較強的審計工作底稿，并匹配相應附件。還可通過人工智能調用審計法規(guī)知識庫，對輸入的審計問題自動匹配相關法規(guī)并具體到對應條款，提高法規(guī)自動匹配性。

（三）在審計成果階段輔助數(shù)據整理工作

1. 挖掘高價值問題。通過人工智能自動提煉報告核心數(shù)據，對發(fā)現(xiàn)的問題、涉及的金額等進行歸類并生成報告摘要。在此基礎上，結合審計人員的政治研判，引用政策知識庫的政策目標、審計項目的知識圖譜、審計對象的資金流向，形成多維度、可視化的審計成果展示，以多維度數(shù)據分析助力問題挖掘。

2. 生成有益經驗?；趯徲嬤^程中審計人員與人工智能的互動記錄、數(shù)據調用接口 的操作日志等資料，人工智能可實現(xiàn)對審計全流程的實時記錄，并通過自然語言生成邏輯性和可操作性強的審計流程總結，助力生成優(yōu)質經驗，供審計人員參考、助力審計流 程優(yōu)化，也可作為新訓練素材對大模型進行反哺，提高推理能力。

3. 個性化問題洞察。通過人工智能可加強個性行為分析。如在對領導干部開展經濟責任審計中，通過對審計對象的歷史決策等數(shù)據進行分析，建立管理人員決策特征模型， 檢測審計對象的異常偏好，預測其在下一任期崗位的行為模式，提示相關風險點。同時，通過調用被審計單位知識庫，對被審計單位的決策鏈條、資金鏈條、人員責任劃分等進行可視化展示，在有關邏輯鏈上進行問題歸因，為審計整改提供參考。

作者：蘭健 張斌 陳科宇

單位：浙江省審計廳 浙江省審計科研所

來源：審計觀察微信公眾號

編輯：孫哲

目前190000+人已關注我們，您還等什么？