Tranzicija, Vol. 27 No. 55, 2025.
Pregledni rad
DETEKCIJA ANOMALIJA U DNEVNIKU KNJIŽENJA PRIMJENOM MAŠINSKOG UČENJA KAO PODRŠKA REVIZIJSKOM ODGOVORU NA RIZIK OD PREVARE
Edin Glogić
*
* Dopisni autor.
Sažetak
Rad razmatra primjenu mašinskog učenja u detekciji anomalija u dnevniku knjiženja kao podršku revizijskom odgovoru na procijenjeni rizik od prevare. Polazište je da testiranje knjiženja mora obuhvatiti cjelovitu i provjerenu populaciju zapisa, ali da rezultat algoritma ne predstavlja dokaz prevare, nego prioritetizirani signal za profesionalno prosuđivanje i pribavljanje dovoljnih i primjerenih revizijskih dokaza. Predložen je integrisani metodološki okvir koji povezuje tradicionalne revizijske testove s algoritmima Isolation Forest i Local Outlier Factor. Okvir obuhvata provjeru potpunosti i integriteta podataka, oblikovanje vremenskih, iznosnih, korisničkih, kontnih i procesnih obilježja, rangiranje knjiženja prema stepenu neuobičajenosti, ekspertsku validaciju te povezivanje utvrđenih obrazaca s konkretnim revizijskim procedurama. Posebna pažnja posvećena je izboru praga u skladu s kapacitetom revizijskog tima, usporedbi modela pri jednakom obimu upozorenja, dokumentovanju parametara i kontroli rizika lažno pozitivnih i lažno negativnih rezultata. Zaključuje se da kombinacija pravila, globalne i lokalne detekcije može povećati obuhvat testiranja i kvalitet usmjeravanja revizijskih resursa, pod uslovom da se algoritamski rezultat koristi transparentno, reproduktivno i u skladu s profesionalnim skepticizmom.
Ključne riječi
mašinsko učenje; detekcija anomalija; dnevnik knjiženja; revizija; rizik od prevare; Isolation Forest; Local Outlier Factor; revizijski odgovor
Hrčak ID:
352200
URI
Datum izdavanja:
16.10.2026.
Posjeta: 0 *