مدل هوش مصنوعی پیشگوی بازرسی جهت کشف فساد و ریسک (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
زمینه و هدف: در دنیای امروز، فساد و ریسک های مرتبط با آن به چالش های جدی در نظام های اقتصادی و اجتماعی تبدیل شده اند. با افزایش پیچیدگی و حجم داده ها، روش های سنتی بازرسی و کشف فساد به تنهایی نمی توانند پاسخگوی نیازهای موجود باشند. هدف این پژوهش، توسعه و ارزیابی یک مدل هوش مصنوعی پیشگوی بازرسی است که قادر به کشف فساد و ارزیابی ریسک های مرتبط با دقت و کارایی بالاست.روش شناسی: این پژوهش از یک روش ترکیبی بهره می برد که شامل تحلیل داده های بزرگ، یادگیری ماشین و مدل سازی پیش بینی است. ابتدا داده های مربوط به فعالیت های اقتصادی و گزارش های مالی از مجموعه دادگان علمی مختلف جمع آوری شده و پس از پیش پردازش، از الگوریتم های مختلف یادگیری ماشین برای شناسایی الگوهای فساد و پیش بینی ریسک استفاده شده است. به منظور افزایش دقت و کاهش خطا، مدل های مختلف با یکدیگر مقایسه و بهینه سازی شده اند.یافته ها: نتایج اولیه نشان می دهند که مدل پیشنهادی یادگیری عمیق و شبکه عصبی مصنوعی با دقت بالایی قادر به شناسایی موارد فساد و پیش بینی ریسک های مرتبط است. مدل های بهینه سازی شده توانستند با استفاده از داده های تاریخی، نشانه های اولیه فساد را با دقت بیش از 93 درصد شناسایی کنند. علاوه بر این، مدل ها توانستند نواحی با ریسک بالا را شناسایی و اولویت بندی کنند، که این امر به طور قابل توجهی بهره وری و اثربخشی فرآیندهای بازرسی را افزایش داد.نتیجه گیری: پژوهش حاضر نشان می دهد که استفاده از هوش مصنوعی و یادگیری ماشین در فرآیندهای بازرسی و کشف فساد، می تواند انقلابی در این حوزه ایجاد کند. مدل پیشنهادی نه تنها دقت بالایی در شناسایی فساد دارد، بلکه می تواند به عنوان یک ابزار پیشگوی ریسک، سازمان ها را در مدیریت بهتر منابع و کاهش ریسک ها یاری دهد. این پژوهش می تواند پایه گذار تحقیقات کاربردی بیشتر در زمینه های مختلف بازرسی و مدیریت ریسک باشد.An Artificial Intelligence Model For Inspection To Detect Corruption And Risk.
Background and purpose: In today's world, corruption and its associated risks have become serious challenges in economic and social systems. With the increasing complexity and volume of data, traditional methods of inspection and corruption detection alone cannot meet the existing needs. The objective of this research is to develop and evaluate a predictive inspection artificial intelligence model that is capable of detecting corruption and assessing associated risks with high accuracy and efficiency.Methodology: This research employs a mixed method approach that includes big data analysis, machine learning, and predictive modeling. Data on economic activities and financial reports were first collected from various scientific datasets and preprocessed. Then, different machine learning algorithms were used to identify corruption patterns and predict risk. To improve accuracy and reduce errors, different models were compared and optimized.Findings: Preliminary results show that the proposed deep learning and artificial neural network model is capable of identifying corruption cases and predicting associated risks with high accuracy. Optimized models were able to identify early signs of corruption with an accuracy of over 93% using historical data. In addition, the models were able to identify and prioritize high-risk areas, which significantly improved the efficiency and effectiveness of inspection processes.Conclusion: This research demonstrates that the use of artificial intelligence and machine learning in inspection and corruption detection processes can revolutionize this field. The proposed model not only has high accuracy in detecting corruption but can also serve as a risk prediction tool to help organizations better manage resources and reduce risks. This research can lay the foundation for further research and applications in various fields of inspection and risk management.
تبلیغات
