AI-DRIVEN INTERNAL AUDIT AND AN APPLIED MODEL APPROACH

Öz

This study examines the transformative impact of the digitalization process on the internal audit function and the role of artificial intelligence technologies in this transformation within the context of a corporate practice. Unlike the traditional audit approach, today's internal audit has evolved into a data-driven, technology-based and strategic decision support function. Artificial intelligence-supported systems provide speed, accuracy and efficiency in audit processes and enable internal auditors to assume proactive, predictive and governance-oriented roles. In this context, this study examines the artificial intelligence-based order loss prediction and prevention model developed in a large-scale and multi-location logistics company; the use of the model as an operational decision support tool and its integration into internal audit processes are examined multidimensionally. By analyzing how the model is evaluated by internal audit units in terms of strategic risk management, audit strategy and resource efficiency, the changing role of internal audit is evaluated within the framework of risk-based approach.

Anahtar Kelimeler

• : Artificial Intelligence
• Internal Audit
• Digital Transformation
• Audit Technologies
• Strategic Auditing
• Risk Management

YAPAY ZEKÂ DESTEKLİ İÇ DENETİM VE UYGULAMALI BİR MODEL YAKLAŞIMI

Öz

Bu çalışma, dijitalleşme sürecinin iç denetim fonksiyonu üzerindeki dönüştürücü etkisini ve yapay zekâ teknolojilerinin bu dönüşümdeki rolünü kurumsal bir uygulama kapsamında incelenmektedir. Geleneksel denetim anlayışından farklı olarak günümüz iç denetimi; veri odaklı, teknoloji temelli ve stratejik karar destek işlevi gören bir yapıya evrilmiştir. Yapay zekâ destekli sistemler; denetim süreçlerinde hız, doğruluk ve verimlilik sağlamakla beraber iç denetçilerin proaktif, öngörüye dayalı ve yönetişim odaklı roller üstlenmesine olanak sağlamaktadır. Bu bağlamda, çalışmada büyük ölçekli ve çok lokasyonlu bir lojistik şirketinde geliştirilen yapay zekâ tabanlı sipariş kayıp tahminleme ve önleme modeli ele alınmış; modelin operasyonel karar destek aracı olarak kullanımı ve iç denetim süreçlerine entegrasyonu çok boyutlu olarak incelenmiştir. Modelin iç denetim birimleri tarafından stratejik risk yönetimi, denetim stratejisi ve kaynak verimliliği açısından nasıl değerlendirildiği analiz edilerek iç denetimin değişen rolü risk temelli yaklaşım çercevesinde değerlendirilmiştir.

Anahtar Kelimeler

• Yapay Zekâ
• İç Denetim
• Dijital Dönüşüm
• Denetim Teknolojileri
• Risk Yönetimi

Kaynakça

1. Abar, H. (2020). Xgboost ve mars yöntemleriyle altin fiyatlarının kestirimi. Ekev Akademi Dergisi, (83), 427-446.
2. Ağdeniz, Ş. (2024). Güvenilir yapay zekâ ve iç denetim. Denetişim. 29, 112–126. https://doi.org/10.58348/denetisim.1384391
3. Aitkazinov, A. (2023). The role of artificial intelligence in auditing: opportunities and challenges. International Journal of Research in Engineering, Science and Management, 6(6), 117-119.
4. Akula, R., Garibay, I. (2021), Audit and assurance of al algorithms: a framework to ensure ethical algorithmic practices in artificial intelligence,85
5. Bai, G. H. (2017), Research on the application and influence of auditing artificial intelligence, destech transactions on social science, education and human science, 245-249.
6. Binns, R. (2018), Algorithmic accountability and public reason. philosophy & technology, 31/4: 543–556. doi: 10.1007/s13347-017-0263-5
7. Bose, R., Gupta, R. & Singh, S. (2023). Artificial intelligence in internal auditing: Enhancing predictive analytics for risk management. International Journal of Auditing Technology, 5(1), 32–51.
8. Brown, S., Davidovic, J., & Hasan, A. (2021). The algorithm audit: scoring the algorithms that score us. Big Data & Society, 8(1).https://doi.org/10.1177/2053951720983865

9. Castka, P., Searcy, C. (2023), Artificial intelligence in auditing: improving accuracy, timeliness, and compliance assessment, international journal of auditing technology, 15/2, 120-138.
10. Doumpos, M., Gaganis, C., & Pasiouras, F. (2005). Explaining qualifications in audit reports using a support vector machine methodology. Intelligent Systems in Accounting, Finance and Management, 13(4), 197–215.
11. Dowling, C. ve Leech, S. A. (2014). A Big 4 firm's use of information technology to control the audit process: How an audit support system is changing auditor behavior. Contemporary Accounting Research, 31(1), 230-252. https://doi.org/10.1111/1911-3846.12010
12. Eker, R., Alkiş, K., Uçar Z. ve Aydın, A. (2023), Ormancılıkta makine öğrenmesi kullanımı, Türkiye Ormancılık Dergisi, 24/2, 150-177.
13. Erturan, İ. E. ve Ergin, E. (2018). Muhasebe mesleğinde dijitalleşme: Endüstri 4.0 etkisi. Akademik Sosyal Araştırmalar Dergisi, 72, 153-165.
14. Eşidir, K. A. (2024). Türkiye’nin kimyasal madde ithalatının gelecek tahmini: makine öğrenmesi ve topluluk öğrenme yöntemleri performans Analizi. Firat University Journal of Social Sciences, 35(1), 261-278
15. Fedyk, A., Hodson, J., Khimich, N., & Fedyk, T. (2022). Is artificial intelligence improving the audit process?. Review of Accounting Studies, 27(3), 938-985. https://doi.org/10.1007/s11142-022-09697-x
16. Garcia, J. ve Lopez, M. (2020). Artificial intelligence in internal audit: Opportunities and risks. Business and AI Research, 15(4), 44–59.
17. Geiger, S., Müller, R., & Schmidt, L. (2023), Bias in artificial intelligence: Implications for auditing and decision-making. New York: Springer.
18. Gökşen, Y., & Aşan, H. (2015). Veri büyüklüklerinin veritabanı yönetim sistemlerinde meydana getirdiği değişim: NOSQL. Bilişim Teknolojileri Dergisi, 8(3), 125.
19. Görmen, M., Korkmaz, G. (2022), Kurumsal sürdürülebilirlik için sürdürülebilir iç denetim: Geleceğin iç denetim fonksiyonu, Denetişim Dergisi, 13/25: 94-115.
20. Gür, Y. E. (2024b). Forecasting the euro exchange rate using deep learning algorithms and machine learning algorithms. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 23(49), 1435-1456. https://doi.org/10.46928/iticusbe.1379268
21. Şahin, E., Gürbüz, M. (2021), Yapay zeka destekli denetim sistemlerinin iç denetim üzerindeki etkileri. Finansal Araştırmalar ve Çalışmalar Dergisi, 13/3: 102-124
22. Han, H., Shiwakoti, R. K., Jarvis, R., Mordi, C., Botchie, D. (2023), Accounting and auditing with blockchain technology and artificial intelligence: a literature review. international journal of accounting information systems, 48: 100598. doi: 10.1016/j.accinf.2022.100598
23. Hirschberg, J. Ve Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266.
24. Iwuanyanwu, C. C. (2023). Facebook artificial intelligence algorithm: Users’ awareness and response to data privacy issues. Robert Morris University.
25. Karaca, M. (2024), Yapay zekanın iç denetime etkileri fırsatların yakalanması ve tehditlerin yönetilmesi. Denetişim, 31, 86-101
26. Koshiyama, A., Kazım, E., Treleaven, P. (2022), Algorithm auditing: managing the legal, ethical and technological risks of artifical intelligence, machine learning and associated algorithms, computer, 55/4: 40-50. doi: 10.1109/MC.2021.3067225.
27. Kuş, O. (2021). Metaverse:‘Dijital büyük patlamada’fırsatlar ve endişelere yönelik algılar. Intermedia International e-journal, 8(15), 245-266.
28. LaBrie, R. C., Steinke, G. (2019), Toward a framework for ethical audits of ai algorithms, the proceedings of the 25th americas conference on information systems held at Cancún, in August 15–17, 2019, Mexico: Association for Information Systems: 33-44.
29. Manita, R., Elommal, N., Baudier, P., & Hikkerova, L. (2020). The digital transformation of external audit and its impact on corporate governance. Technological Forecasting and Social Change, 150, 119751. https://doi.org/10.1016/j.techfore.2019.119751
30. Marican, M.N.Y., Razak, S.A., Selamat, A., & Othman, S.H. (2024). Advanced data analytics in internal audits: A conceptual framework. EDPACS, 68(1), 1–15. https://doi.org/10.1080/07366981.2024.2312025
31. Nagassou, M., Mwangi, R. W., & Nyarige, E. (2023). A hybrid ensemble learning approach utilizing light gradient boosting machine and category boosting model for lifestyle-based prediction of type-II diabetes mellitus. Journal of Data Analysis and Information Processing, 11(4), 480-511.
32. Ng, C. ve Alarcon, J. (2020). Artificial intelligence in accounting: Practical applications. Routledge. Nicolau, A. (2023). The impact of AI on internal audit and accounting practices. Internal Auditing & Risk Management, (Ek sayı), 38-56. https://doi.org/10.5281/zenodo.8406367
33. O’Neil, C. (2016), Weapons of math destruction: How big data ıncreases ınequality and threatens democracy, New York: Crown Publishing Group.
34. Özçelik, H. ve Öztürk, M.S. (2021). Bilgisayar destekli iç denetim teknikleri: Turizm sektörü uygulaması. R. Güneş, S. Karabınar, M. Saban (Editör), Denetimde Seçme Konular 7 içinde (ss: 233-252). Ankara: Gazi Kitabevi.
35. Raji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., Smith-Loud, J., Theron, D. Barnes, P. (2020), Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. The Proceedings of the 3rd Conference on Fairness, Accountability, and Transparency held at Barcelona in 27- 30 January, 2020, : 33-44. doi: 10.1145/3351095.3372873
36. Rodrigues, L., Pereira, J., Da Silva, A.F., Ribeiro, H. (2023), The impact of artificial intelligence on audit profession, Journal of Information Systems Engineering and Management, 8/1: 19002. doi: 10.55267/iadt.07.12743.
37. Selimoğlu, S. K. ve Özbek, C. Y. (2018). İç denetim-uluslararası iç denetim standartları ile uyumlu. Ankara: Nobel Yayıncılık.
38. Shabani, N., Munir, A., & Mohanty, S. P. (2022). A study of big data analytics in internal auditing. Intelligent systems and applications: proceedings of the 2021 ıntelligent systems conference (IntelliSys) (ss. 362-374). Springer International Publishing.
39. Stanley, Z. (1995). Thinking computers. Journal of Accountancy, 180(5), 55-57.
40. Tamimi, O. ve Orbán, I. (2022). Financial engineering and its impact on audit efficiency in the opinion of experts. Journal of International Studies, 15(2), 50-62. https://doi.org/10.14254/2071-8330.2022/15-2/4
41. Tong, S., Sun, W., Xu, J., Li, H. (2024). Robustness analysis and prediction of topological edge states in topological elastic waveguides. Physica Scripta, 99(7), 075402. https://doi.org/10.1088/1402-4896/ad504f
42. Tzafestas, S. G. (2018). Mobile robot control and navigation: A global overview. Journal of Intelligent & Robotic Systems, 91, 35-58.
43. Ukpong, E. G., Udoh, I. I., & Essien, I. T. (2019). Artificial intelligence: Opportunities, issues and applications in accounting and auditing in Nigeria. Journal of Accounting & Marketing, 8(1). https://doi.org/10.4172/2168-9601.1000309
44. Wickham, H., & Stryjewski, L. (2011). 40 years of boxplots. Am. Statistician, 2011.
45. Yıldız, A. (2014). Kurumsal yönetim endeksi ve atman z- skoruna dayalı lojistik regresyon yöntemiyle şirketlerin kredi derecelendirilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(3), 71-89.
46. Yılmaz, M., Ersoy, A. (2020), Yapay zeka tabanlı denetim yazılımlarının iç denetim süreçlerine entegrasyonu: Bir değerlendirme. Denetim ve Güvence Hizmetleri Dergisi, 5/1: 43-65
47. Yüksel, A. S., & Karabıyık, M. A. (2022). Doğal dil işleme yöntemleriyle metinden SQL sorgusu tahmini üzerine bir çalışma. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 11(4), 846-855. İnternet Kaynakları
48. Brennan, B., Baccala, M., Flynn, M. (2017, Şubat). Artificial intelligence comes to financial statement audits. https://www.cfo.com/news/artificial-intelligence-comes-to-financial-statement-audits/660745/. (Erişim tarihi: 2 Aralık, 2024).
49. IIA (2024). Küresel bakiş açilari ve anlayişlar inovasyon ve teknoloji. https://www.tide.org.tr/file/documents/pdf/Q1_GPI_Innovation_and_Technology_Turkish.pdf adresinden alındı.(Erişim tarihi, 26 Şubat 2024).
50. IIA. (2017a). Küresel bakış açıları ve anlayışlar yapay zekâ- iç denetim mesleğine ilişkin dikkate alınması gerekenler, kısım I. https://www.tide.org.tr/file/documents/pdf/GPAI-Artificial-Intelligence-Part-I-Revised.pdf. (Erişim tarihi, 2 Aralık, 2024)
51. IIA. (2017b). Küresel bakış açıları ve anlayışlar- IIA’nın yapay zekâ denetim çerçevesi, pratik uygulamalar, bölüm a. https://www.tide.org.tr/file/documents/pdf/GPAI-Artificial-Intelligence-Part-II%20Revised.PDF. (Erişim tarihi, 5 Aralık, 2024)
52. Madenburg, S. (2024). Navigating IT security with internal audit in the age of AI. Wolters Kluwer. https://www.wolterskluwer.com/en/expert-insights/navigating-it-security-with-internal-audit-age-of-ai?utm_source=chatgpt.com. (Erişim tarihi 2 Ocak 2025).
53. PwC. (2021). Global Annual Review. https://www.pwc.com/gx/en/about-pwc/global-annual-review-2021/downloads/pwc-global-annual-review-2021.pdf. (Erişim tarihi, 20 Aralık 2024).
54. PwC (2015). Global Annual Review 2021. https://www.pwc.com/gx/en/about-pwc/global-annual-review-2015/campaign-site/pwc-global-annual-review-2015.pdf. (Erişim tarihi, 18 Aralık 2024).