· AI Engineer World's Fair 2026
AI-корреляция документов для контроля финансового соответствия и выявления мошенничества в компаниях
AI-Driven Multi-Document Correlation for Enterprise Financial Compliance and Fraud Detection
Мошеннические схемы в финансах проявляются между документами, а не внутри них, и, по словам автора, связывание записей в граф находит их точнее.
- Корреляция сущностей на графе — сотрудники, поставщики, счета, транзакции и налоговые записи связываются в единую сеть, и аномалии видны на уровне структуры, а не отдельного документа.
- Вероятностная оценка вместо статичных правил — модель сочетает аномалии, надежность источника и исторические паттерны, а решения аудиторов используются для дообучения; по словам автора, ложные срабатывания сократились на 76%.
- Нормализация между юрисдикциями — валюты, налоговые правила, отчетные периоды и схемы классификации приводятся к единым стандартам, чтобы один и тот же риск оценивался одинаково в разных странах.
- Цифры на реальных данных — на примерно трех миллионах записей за пять лет в четырех юрисдикциях F1 составил 0,89 при точности около 91% и полноте 87%; ручной аудит, по словам автора, сократился примерно на 40%.
Кому полезно: тем, кто строит проверку платежей, закупок или налоговой отчетности и устал от правил, которые смотрят на каждый документ отдельно.
Главы
Похожие доклады
О транзакции судят по её окружению
AI Engineer NYC 2026 Online Talks
Близко по содержанию
От исходных документов к данным, готовым для ИИ
AI Engineer World's Fair 2026
Близко по содержанию
Доверие к enterprise AI: оценка специализированных LLM на реальных финансовых сценариях
AI Engineer Summit 2025
Близко по содержанию
Оценка RAG не работает! Почему и как это исправить
AI Engineer World's Fair 2025
Близко по содержанию
