چشم انداز حسابداری و مدیریت

چشم انداز حسابداری و مدیریت

سیستم تطابق هوشمند چندعاملی مبتنی بر مدل‌های زبانی بزرگ: از تطابق اسناد ناهمگون تا اعتبارسنجی برخط صورت‌های مالی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 کارشناسی ارشد حسابداری، مؤسسه آموزش عالی لیان، بوشهر، ایران.
2 استادیار گروه حسابداری، مؤسسه آموزش عالی لیان، بوشهر، ایران.
چکیده
پژوهش حاضر با هدف طراحی، پیاده‌سازی و ارزیابی یک سیستم تطابق هوشمند چندعاملی مبتنی بر مدل‌های زبانی بزرگ (LLMs) با معماری بازیابی-تقویت-تولید (RAG) انجام شده است. هدف اصلی این سیستم، خودکارسازی فرآیندهای تطابق اسناد ناهمگون مالی در حلقه‌های خرید، فروش، موجودی کالا، دریافتنی‌ها، پرداختنی‌ها و مغایرت‌های بانکی است تا ایرادات تطابق از مبدأ شناسایی و برطرف شده و صحت و قابلیت اتکای صورت‌های مالی افزایش یابد. روش‌شناسی پژوهش مبتنی بر رویکرد توسعه‌ای-کاربردی و راهبرد آزمایشگاهی با شبیه‌سازی است. معماری سیستم شامل شش کارگزار تخصصی (درک اسناد، تطابق موجودیت‌ها با رویکرد «تقویت هر دو طرف»، طبقه‌بندی هوشمند، تطابق پرداخت، کنترل انبار، و راستی‌آزمایی و بستن دوره) است. پیاده‌سازی با فریم‌ورک LangGraph، پایگاه داده برداری و مدل‌های متن‌باز LLaMA 3.1 و Gemma به‌صورت محلی انجام شد. جامعه آماری شامل حدود ۵۰۰ فاکتور و سند مالی واقعی شرکت‌های پذیرفته‌شده در بورس تهران و داده‌های شبیه‌سازی‌شده بود. ارزیابی بر اساس معیارهای دقت، بازیابی، F1، نرخ تطابق Top-3، زمان پردازش، کاهش زمان بستن دوره، کاهش خطاهای انسانی و تحلیل لاگ‌های حسابرسی صورت گرفت. برای اعتبارسنجی کیفی، لاگ‌ها در اختیار پنج حسابرس مستقل با سابقه متوسط ۱۵ سال قرار داده شد. یافته‌ها نشان داد سیستم در استقرار عملیاتی بر روی حدود ۲۰۰ فاکتور، به نرخ تطابق Top-3 معادل ۹۷ درصد دست یافت که نسبت به تطابق مبتنی بر قوانین (۷۶٫۳ درصد) و RPA (۷۸٫۹ درصد) بهبود معناداری دارد. دقت سیستم به ۹۴٫۸ درصد رسید (افزایش ۲۰٫۶ واحد درصدی نسبت به RPA). دقت طبقه‌بندی حساب‌های دفتر کل ۹۰٫۸ درصد بود. میانگین زمان بستن دوره مالی از ۱۱ روز به ۳٫۶ روز (۶۷٫۳ درصد کاهش) و نرخ خطاهای انسانی از ۱۲٫۴ درصد به ۳٫۹ درصد (۶۸٫۵ درصد کاهش) رسید. حسابرسان مستقل امتیاز کلی ۴٫۵ از ۵ به لاگ‌های حسابرسی دادند و قابلیت بازپخش در ۹۸ درصد موارد تأیید شد.
نتایج نشان می‌دهد ترکیب معماری RAG و سیستم‌های چندعاملی مبتنی بر مدل‌های زبانی بزرگ، راه‌حلی کارآمد برای چالش‌های تطابق اسناد مالی ارائه می‌دهد. این سیستم با کاهش زمان و خطا، قابلیت اتکای صورت‌های مالی را افزایش داده و با لاگ‌های شفاف و غیرقابل‌دستکاری، زمینه‌ساز تحول نقش حسابداران از کنترل‌کننده تراکنش‌ها به حاکم بر الگوریتم‌ها می‌شود. در بازارهای نوظهور، سیستم می‌تواند ابزاری راهبردی برای بهبود حاکمیت شرکتی و کنترل‌های داخلی باشد. از منظر نظری، یافته‌ها هم‌زمان به اهداف تئوری نمایندگی و تئوری کنترل‌های داخلی پاسخ می‌دهند.
کلیدواژه‌ها
موضوعات