استاد راهنما :

1. موضوع : هوش مصنوعی و کاربردهای آن در حسابداری و امور مالی مربوط به درس : استاد راهنما : تهيه کننده:

2. فهرست مطالب: • هوش مصنوعی و کاربردهای آن در حسابداری و امور مالی • مقدمه • چند مبحث از هوش مصنوعی • مفاهیم شبکه عصبی مصنوعی • 1) اعصاب مصنوعی • انواع توابع فعال سازی • شبکه عصبی مصنوعی • یادگیری شبکه • خصوصیات شبکه های عصبی • کاربرد شبکه عصبی • پیشبینی روند قیمت سهام • حسابرسی • پیش بینی میزان اعتبار • برآورد بهای تمامشده • 2)منطق فازی • کاربرد منطق فازی • تصمیم گیری • حسابرسی • 3 ) الگوریتم ژنتیک • کاربرد الگوریتم ژنتیک • نتیجه گیری و پیشنهادها • منابع

3. هوش مصنوعی و کاربردهای آن در حسابداری و امور مالی حوزهی هوش مصنوعی، فراتر از درک و تفسیر و پیشگویی، درصدد طراحی و ساخت نهادهای هوشمنداست. که این مقاله به یکی از قلمروهای کاربرد آن یعنی حوزهی حسابداری و امور مالی اشاره می کند. 1

4. مقدمه • توجه به کاربرد تکنیکهای هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب وکار به طور فزایندهای در حال افزایش است. • در چند دههی گذشته عناوین شبکه های عصبی، الگوریتم ژنتیک و منطق فازی از موضوعاتی بوده اند که به عنوان ابزاری نیرومند در حل مسایلی که دیگر با روش شناسی ها و شیوه های سنتی قابل حل نبودند، شناخته شده و مورد استفاده قرار گرفته اند. • هوش مصنوعی علاوه بر کاربردهایی که در زمینههای مختلف دارد، مدت هاست که جایگاه خود را در حسابداری و امور مالی نیز پیدا کرده است. • محققان حسابداری، تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیتهایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی، حسابرسی و اطمینان بخشی و در محدودههایی دیگر به کار برده اند. • در این مقاله ابتدا توصیفی از سه بحث عمده ی مطرح در هوش مصنوعی ارائه می شود و سپس به بازنگری جامعی در کاربرد آن ها در حوزهی حسابداری می پردازیم. 2

5. چند مبحث از هوش مصنوعی • هوش مصنوعی ساخت تجهیزات و نرم افزارهای کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مساله و شناخت را تقلید می کند • هوش مصنوعی در زمینه های مختلفی از جمله یادگیری، بازی شطرنج، اثبات قضایای ریاضی، نوشتن اشعار و تشخیص بیماری کاربرد دارد. • حال به سه مبحث که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند می پردازیم که عبارتند از : • شبکه ی عصبی • منطق فازی • الگوریتم ژنتیک 3

6. مفاهیم شبکه عصبی مصنوعی • 1 – 1) اعصاب مصنوعی : • عصب مصنوعی مدلی است که اجزاء آن شباهت مستقیمی به اجزاء عصب واقعی دارند. این مدل را اولین بار مک کلولو و پیتز مطرح کردند. • نگاره ی(1)نمایی ازیک عصب مصنوعی است. علائم ورودیX1,X2,X3, …, XNمشخص شده اند، متغیرهای پیوسته هستند.هر یک از این مقادیر ورودی تحت تأثیر وزن خاصی قرار میگیرند. • این عناصر پردازشگر از دو قسمت تشکیل شدهاند. قسمت اول ورودی های وزندار را با هم جمع میکندو کمیتی به نام Iرا • به دست می آورد؛قسمت دوم یک صافی • غیر خطی استکهمعمولاً تابع • فعال سازینامیده میشودکه از طریق • آن خروجی مشخص میشود. 4

7. 2 – 1) انواع توابع فعال سازی : • تابع فعال سازی می تواند یک تابع آستانهایباشد که فقط زمانی اطلاعات را عبور میدهد که خروجی Iکه مربوط به قسمت اول عصب مصنوعی است از مقدار آستانهایTتجاوز کند. • همچنین این تابع می تواند مانند یک تابع علامت باشد که وقتی خروجی کمتر از مقدار آستانه ی Tباشد اطلاعات منفی و وقتی خروجی بیش تر از مقدار آستانه ای Tباشد اطلاعات مثبت بفرستد. • در اغلب موارد، تابع فعال سازی یک تابع پیوسته است که تابع Sمانندنام دارد.پراستفاده ترین تابع فعال سازی، تابع لجستیک است که یکی از انواع توابع فعال سازی Sمانند است و بین دو مجانب افقی صفر و یک قرار دارد.αضریبی است که در تغییرات تابع بین دو مقدار مجانب، شیب تابع را مشخص می کند. علت این که از توابع غیر خطی در عصب مصنوعی استفاده می شود این است که بتوانیم پدیدههای غیر خطی را مدل سازی کنیم. 5

8. 3 – 1) شبکه ی عصبی مصنوعی سیستم پردازش دادههایی که از تعداد زیادی عناصر پردازشگر ساده و بسیار مرتبط باهمتشکیل شده است شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی به عنوان یکی از روش های هوش مصنوعی به دنبال تقلید از عملکرد مغز انسان است. یک شبکه عصبی مصنوعی همان طور که در نگاره ی (2) نشان داده شده است از تعداد زیادی گره و پارهخطهای جهتدار که گره ها را به هم ارتباط می دهد تشکیل شده است. گره ها که در لایه ی ورودی هستند گرههای حسیوگره های لایه ی خروجی، گرههای پاسخ دهنده نامیده میشوند. بین نرونهای ورودی و خروجی نیز نرونهای پنهان قراردارند. 6

9. 4 – 1) یادگیری شبکه • یکی از مهم ترین ویژگیهای شبکه عصبی مصنوعی که عملکرد آن را به انسان نزدیک تر می کند، قدرت یادگیری است. • شبکههای عصبی برای یادگیری به جای دنبال کردن مجموعهای از قواعد تعریف شده توسط انسان متخصص، از قواعد مبنایی(مانند روابط ورودی - خروجی)استفاده می کنند. • این، یکی از مهم ترین مزایای شبکه عصبی نسبت به سیستمهای خبره سنتی است. 7

10. 5 – 1) خصوصیات شبکه های عصبی • یادگیری از طریق مثال: همان طور که گفته شد میتوانیم از زوجهای ورودی - خروجی برای آموزش شبکه استفاده کنیم. • می • از معایب چشم پوشی می کند : بنابراینمی توان از شبکه ی عصبی برای داده های ورودی تحریف شده یا مغشوش شده استفاده کرد. • قادر به تشخیص الگو هستند. • از پردازش موازی استفاده می کنند زیرا جنبه های مختلف الگو را یک جا در نظر می گیرند. • مصرف انرژی کم : شبکه عصبی با توجه به پردازش موازی اطلاعات وحفظ اطلاعات فراگرفته شده، انرژی کمی مصرف می کند. 8

11. کاربرد شبکه عصبی : الف) پیشبینی روند قیمت سهام: پیش بینی قیمت یا بازده سهام کار سادهای نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی ( فقط دادههای تاریخی مربوط به قیمت و حجم معاملات سهام را در نظر گرفت. بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبکههای عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاسخهای بهتری از روش های آماری به دست می دهند. ب) حسابرسی: کاربردANNدر حسابرسی می تواند به فرایند بررسی تحلیلی، تصمیمات تداوم فعالیتو موارد دیگر کمک می کند . 9

12. کاربرد شبکه عصبی : ادامه... پ) پیش بینی میزان اعتبار: سیستم عصبی مصنوعی را میتوان به گونهای آموزش داد که اطلاعات ورودی آن دادههای مربوط به مشتریان و دادههای خروجی مطلوب آن تصمیمات واقعی تحلیلگران اعتباری باشد. هدف سیستم تقلید از تصمیم گیرنده ی انسانی در اعطا یا رد اعتبار و تعیین سقف های اعتباری است. مزیتANNبر دیگر مدل های پیش بینی خطی این است که می تواند مجموعه دادههای مالی وسیع تری را به کار برد و نیاز به فرض هایی مثل خطی و نرمال بودن را الزام نمی کند. ت) برآورد بهای تمامشده: در هنگام برآورد بهای تمامشده عوامل زیادی از جمله تغییر مداوم ماهیت تکنولوژی، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و ... باید در نظر گرفته شود. بنابراین با توجه به اینکه اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه عصبی می تواند گزینه مناسبی برای برآورد بهای تمام شده باشد. 10

13. 2 ) منطق فازی : • منطق فازی در مقابل منطق باینری یا ارسطویی که همه چیز را فقط به دو قسمت سیاه و سفید، بلی وخیر، صفر و یک می بیند قراردارد. • ومنطقی است که در بازهی صفر و یک قرار داشته و از مطلق گویی( فقط صفر یا یک )دوری میگزیند. و از مقدار تعلق یک عضو به مجموعه بحث می کند. • منطق فازی را در سال1965برای اولین بار در مقاله ای به همین نام، پرفسور لطفیزاده ارائه کرد.منطق فازی تکنولوژی جدیدی است که شیوههای مرسوم برای طراحی و مدل سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتاً پیچیده است با استفاده از مقادیر و شرایط زبانی و یابه عبارتی دانش فرد خبره، و با هدف ساده سازی و کارآمدتر شدن طراحی سیستم جایگزین و یا تا حدود زیادی تکمیل میکند. • یکی از ویژگی های منطق فازی این است که ورودی های ناقص و غیرمنطقی را با استفاده از قوانینی مثل ( اگر ... آنگاه ... ) به پاسخ های قطعی می رساند.بنابراین دو مرحله ی فازی سازی ( فرایند تبدیل اعداد و دادههای مسئله به فرمت اعداد یا عبارات کلامی در فازی ) و دفازی (فرآیند تولید کردن یک نتیجه قابل سنجش یا تعیین) در این فرایند باید طی شود. 11

14. کاربرد منطق فازی : الف) تصمیم گیری: از جمله کاربردهای منطق فازی در تصمیم گیری است که می تواند با استفاده از مقادیر و شرایط زمانی، ورود یهای غیر قطعی را به پاسخ های قطعی برساند. در محیط بسیار نامطمئن و در حال تغییر امروز، تصمیمات استراتژیک دارای ماهیت فازی و بسیار پیچیدهاند. ب) حسابرسی: منطق فازی و تئوری مجموعه های فازی می تواند به حسابرسان در زمینه اندازه گیری و مدیریت احتمال خطر حسابرسی و ابهام در محیط حسابرسی، کمک کند. برای مثال، زمانی که حسابرسان بیان می کنند که کنترل داخلی خاصی مؤثر است آن ها کنترل داخلی را در یک مجموعه ی فازی قرار می دهند. 12

15. 3 ) الگوریتم ژنتیک: • الگوریتم ژنتیک الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس شده است. • این الگوریتم درمسایل متنوعی نظیر بهینه سازی، شناسایی و کنترل سیستم، پردازش تصویر ومسایل ترکیبی، تعیین توپولوژی و آموزش شبکههای عصبی مصنوعی و سیستمهای مبتنی بر تصمیم و قاعده به کار میرود. 13

16. کاربرد الگوریتم ژنتیک: پیش بینی ورشکستگی : ورشکستگی یک مشکل جهانی بسیار بااهمیت با هزینه های اجتماعی بالا است. بنابراین پیشبینی آن از اهمیت زیادی برخوردار است. برای حل مشکل ورشکستگی، محققان یک مجموعه از قوانین یا شرایط را با استفاده ازGAاستخراج کرده اند. بر مبنای این شرایط، مدلپیشبینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه. برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پیشبینی ورشکستگی بااهمیت تشخیص داده شده اند را به حداقل رساند. 14

17. نتیجه گیری و پیشنهادها در مدل هوش مصنوعی تمام روابط موجود بین متغیرها که برخی کشف و اثبات شده و بسیاری نیز کشف نشدهاند، لحاظ می شود. بنابراین نتایج مدل هوش مصنوعی به شرط کافی بودن داده ها و طراحی مناسب تقریباً بهترین اند. از طرفی بیش تر تحقیقاتAIدر حسابداری به وسیله ی محققان حسابداری انجام شده است و کمک زیادی از متخصصانAIگرفته نشده است. اگر محققان حسابداری و متخصصانAIبا هم کار کنند، تحقیق رویAIدر حسابداری بهبود خواهد یافت.زیرا محققانAI، کلیدی برای حل برخی قضایای کلی حسابداری و مخصوصاً حسابرسی از طریق تکنیک هایی مثل منطق فازی، شبکه های عصبی و دیگر محدوده هایAIدارند که قبلاً در حسابداری کاربرد نداشته است.کار حسابرسی مهم و پیچیده است و انجام ضعیف آن نتایج سهمگینی دارد و همین امر ایجاد و استفاده ی هر چه بیشتر ازAIرا ایجاب میکند. 15

18. منابع 1. آذر، عادل و افسر، امیر ) 1385 (، “مدل سازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی”، فصلنامه پژوهشنامه بازرگانی، شماره 40 ، ص ص 52 - 33 . 2. تهرانی، رضا و عباسیون، وحید ) 1387 (، “کاربرد شبکه عصبی مصنوعی در زمانبندی معاملات سهام: با رویکرد تحلیل تکنیکی”، فصلنامه پژوهش های اقتصادی، سال هشتم، شماره اول، ص ص 177 - 151 . 3. جعفر ید، حمید رضا؛ معتمدی، نگار و ملایی، الهه ) 1385 (، “شبکه ی عصبی و الگوریتم ژنتیک در تجارت”، تدبیر، شماره 177 ، ص ص 67 - 62 . 4. جوادی، محمد ) 1383 (، الگوریتم ژنی، تهران، مؤسسه چاپ و انتشارات دانشگاه امام حسین )ع(. 5. راسل، استورات و نورویگ، پیتر ) 1383 (، هوش مصنوعی )رهیافتی نوین(، جعفر نژاد قمی، عین الله، بابل، نشر علوم رایانه. 6. راعی، رضا ) 1380 (، “شبکه های عصبی: رویکردی نوین در تصمیم گیری های مدیریت”، مدرس، دوره 5، شماره 2، ص ص 154 - 133 . 7. سینایی، حسنعلی؛ مرتضوی، سعید الله و تیموری اصل، یاسر ) 1384 (، “پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی”، بررسی های حسابداری و حسابرسی، سال دوازدهم، شماره 41 ، ص ص 83 - 59 . 8. شعبانی نیا، فریدون و سعید نیا، سینا ) 1385 (، مقدمه ای بر منطق فازی با استفاده از MATLAB ، تهران، خانیران. 9. عبده تبریزی، حسین و البرزی، محمود ) 1376 ( ،”مدل های شبکه عصبی و کاربرد آن در مدیریت مالی”، مجموعه مقالات همایش اول مدیریت مالی، دانشگاه شهید بهشتی. 10 . عرب مازار یزدی، محمد؛ احمدی، علی و عبدلی، محمود ) 1385 (، "سیستم های هوشمند و حسابداری"، ماهنامه حسابدار، سال بیست و یکم، شماره 4، ص 42 . 11 . غضنفری، مهدی و کاظمی، زهره ) 1382 (، اصول و مبانی سیستم های خبره، تهران، مرکز انتشارات دانشگاه علم و صنعت ایران. 12 . قاسم نژاد مقدم؛ نیما، بقائی نیا، فاطمه و بافنده زنده، علیرضا ) 1387 (، “منطق فازی به زبان ساده”، ماهنامه کنترل کیفیت، شماره 24 ، ص ص 51 - 43 . 13 . نادری، قدرت الله ) 1385 (، “الگوریتم ژنتیکی”، وب، شماره 74 ، ص ص 59 - 54 . 14 . وحید پور، فرساد ) 1387 (، “ هوش مصنوعی و الگوریتم ژنتیک”، رایانه، شماره 174 ، ص 62 . 15 . یعقوب نژاد، احمد ) 1386 (،”منطق فازی، کاربرد در زمینه احتمال خطر حسابرسی و نبود اطمینان”، حسابرس، شماره 38 ، ص ص 59 - 52 16

19. با تشکر و سپاس فراوان پایان ...؟