Fachthemen
KI-basierte Anomaly Detection in der Revision
Andrei Todea, Robert Birk
Abstract
Wann immer es gilt, Anomalien in großen Datensätzen zu finden, bieten Methoden der künstlichen Intelligenz (KI) zusammen mit steigender Rechenleistung vollkommen neue Möglichkeiten und setzen dort an, wo konventionelle Methoden an ihre Grenzen kommen.
Im vorliegenden Beitrag wird der Autoencoder als erfolgsversprechender Ansatz zur KI-gestützten Anomalie- Erkennung in der Revision vorgestellt. Ein Autoencoder ist ein Vertreter der unüberwachten, auf neuronalen Netzen basierenden Lernverfahren. Er stellt nur geringe Anforderungen an die Datengrundlage und es bedarf keiner aufwendigen Vorverarbeitung. Dies erlaubt eine hohe Automatisier- barkeit und damit einhergehend einen hohen Grad an praktischer An wendbarkeit, besonders in der Revision.
Wir zeigen auf, wie der Autoencoder in der Praxis eingesetzt werden kann und wie sich diese Methode auf andere Bereiche und Fragestellungen ausweiten lässt.
