KAN KUNSTIG INTELLIGENS INDIKERE ØKONOMISK BEDRAGERI : En studie for å finne ut om man kan lære opp kunstig intelligens til å gjenkjenne økonomisk bedrageri, basert på finansregnskapet til bedrageri-dømte norske aksjeselskap

Abstract

Denne masteroppgaven går ut på prediksjon av bedrageri basert på kunstig intelligens og finansregnskap. Dette er viktig fordi bedrageri skaper urettmessige fordeler for de som utfører det, samt at det medfører risiko for tap for interessentene til de bedriftene det gjelder. Kunstig intelligens er tidligere brukt til samme formål med suksess, men dette er ikke observert utført på norske bedrifter. Oppgaven er kun ment å vise at prediksjon av bedrageri basert på kunstig intelligens og finansregnskap er mulig. Forskningsspørsmålet i denne oppgaven er: «Er det mulig å identifisere økonomisk bedrageri basert på numeriske data i finansregnskapet til norske aksjeselskaper ved hjelp av kunstig intelligens.» Dataene som blir brukt er finansregnskap som er innhentet fra Proff Forvalt (forvalt.no) og dommer som er innhentet fra Lovdata (lovdata.no). Dataene er importert inn i en dataramme ved bruk av dataprogrammet Python og behandlet ved hjelp av Python modulen Tensorflow. Datasettet deles opp i et treningssett og et valideringssett. I treningssettet vekter den kunstige intelligensen variablene i finansregnskapene basert på om bedriftene er bedragerske eller ikke, for så å teste disse vektene ut på valideringssettet hvor den kunstige intelligensen ikke vet om bedriftene er bedragerske eller ikke. Valideringssettet brukes for å se om funksjonen som den kunstige intelligensen kommer frem til er generaliserbar og kan brukes til data utenfor treningssettet. Resultatene viser at det er mulig å påvise om en bedrift er bedragersk eller ikke med stor grad av sikkerhet, selv med et begrenset og ubalansert datasett. Implikasjonene av resultatet i denne oppgaven er at arbeid som brukes for å detektere bedrifter som utfører bedrageri kan reduseres signifikant. Videre kan det også hjelpe til med å detektere bedragerske bedrifter før de blir insolvente og dermed redusere risiko for tap for interessentene.