ビッグデータと人工知能の時代において、監査人は依然としてアイデアを持つ必要があるのでしょうか?

ビッグデータと人工知能の時代において、監査人は依然としてアイデアを持つ必要があるのでしょうか?

誰もが考えを持っており、監査人もそれぞれ心の中にさまざまな考えを持っています。表面的には、監査スキル、知識レベル、監査経験、監査の地位、業界での評判など、各監査人には多くの違いがあります。しかし、根本的なところでは、監査人ごとに考え方に違いがあります。考えることに何の役に立つのでしょうか? 考えることは、監査検査中に重大な監査発見事項が得られるという保証も、役職の昇進に直接役立つこともできません。監査業務に役立つ情報技術、ビッグデータ技術、データ分析技術などを「実際に」習得しておくと良いでしょう。ビッグデータと人工知能の時代では、監査人はより技術的な手段を使って業務を完了することができます。既製の監査ソフトウェアやシステムを購入したり、インターネットやコンサルティング会社からさまざまな監査ツールのテンプレートを見つけたり、確立された手順に従うだけで済みます。

[[421690]]

監査人は、特定の作業やタスクに直面したとき、それをどのように完了するかだけを考えればよく、より深い事柄について考える時間を無駄にする必要はありません。実際の業務では、監査人は実用的な考えを表現するだけでよく、思想的なものについては、監査人自身に考えさせるべきです。考えることは無駄なことのように思えますし、不必要な心理的負担ももたらします。ところで、考えることと考えたことは何が違うのでしょうか?

思考と思考の違いの 1 つは、思考はシステムを形成できるのに対し、思考は特定の問題を解決するための単なる精神活動であるということです。人は超人的な思考力を持っているかもしれませんが、その人の思考は必ずしも強力であるとは限りません。思考の役割を誇張するつもりはありませんが、思考には粘り強い活力と広範囲にわたる影響力があり、思考は私たちをより大きな方向へと導くことができることがわかります。私たちは、周囲の監査人の思慮深い言葉を覚えているかもしれませんが、時が経つにつれて、私たちよりも高い地位に就いている人、私たちよりも優れたスキルを持っている人、私たちよりも多くの監査上の発見をした人のことをすぐに忘れてしまいます。

監査人として、単純で反復的な業務上の事柄を扱う場合でも、より高度な技術的事項を扱う場合でも、私たちは社会活動や経済活動を行う人々であり、体系的であろうと断片的であろうと、独自の考えを形成します。間違った考えも考えであり、幼稚な考えも考えです。考えるということは、継続的に考え続けることであり、継続的に生きることではありません。私たちは自分自身の考えによって、周囲の物事をより批判的に見つめ、自分自身を振り返り、より客観的に自分自身を理解するようになります。おそらく、ある日監査役の職を退いたとき、私たちはまだ、自分たちがどこから来たのか、どこへ向かっているのか、そして自分たちが何者なのかについて考えていないでしょう。あまり考えすぎる必要はありません。同じように仕事をして、監査をきちんと行うだけです。なぜそんなに考える必要があるのでしょうか?

テクノロジー自体にはアイデアがありますが、私たちはそれを深く研究していません。テクノロジーを単なるツールとして捉え、その根底にある理論や論理を発見できなければ、どんなに先進的なテクノロジーでもやがて時代遅れになってしまいます。当時、そろばんの技術も計算技術と考えられていたなら、そろばんの達人たちは大きな進歩を遂げていたでしょう。しかし、今日では、そろばんをまだ使っている人がいるでしょうか。例えば、情報技術は今後も発展を続けていくため、過去に習得した情報技術が今は役に立たないかもしれません。しかし、テクノロジーの背後にある考え方を理解すれば、テクノロジーの発展の法則を理解できるかもしれません。たとえそれを巧みに適用できなくても、何が起こっているのかはわかるでしょう。

思考の活力は、私たちが絶えず考え、要約し、思考とともに思考を成長させることにあります。たとえ、すべての監査人が自分の考えを持っていると言っても、考えそのものは話すことはできません。考えはメディアを通じて表現されなければなりません。他の人が見ることができるように、私たちは考えを話し、書き留め、実行しなければなりません。

多くの監査人は考える意欲があるだけでなく、さらに考える意欲があり、「役に立たない」または「非現実的な」ことについても考え、徐々に独自の思考体系を形成していることがわかります。思慮深い監査人とコミュニケーションをとることで、たとえ得たものがしばらくは仕事や生活に役立たないとしても、必ず何かを得ることができます。

考え続け、考えを磨き続けると、最終的には独自のアイデアが形成されるでしょう。記事の冒頭の言葉を補足すると、「独創的な考えのほんの小さな火花でさえ、猛烈な火を点火し、莫大なエネルギーを放出する可能性があります。」

<<:  プログラマーに必要ないくつかの一般的なソートおよび検索アルゴリズムの概要

>>:  「林季」が中国国際サービス貿易交易会に登場しました! Orange Cloud AIエコシステムが従来の産業の束縛を打ち破る

ブログ    

推薦する

ブックマークにおける不正行為の特定におけるグラフィカル モデルの応用

概要グラフィカル モデルは通常、問題自体に複数の相互に関連する変数があるシナリオで使用され、これらの...

危険な環境を恐れず、人工知能配信ネットワークライブ操作ロボットが重い責任を勇敢に引き受けます

現在、産業、農業、住民の電力消費は急速に増加しており、風力発電、水力発電などの電源が電力供給の主な手...

AIとコンテキスト脅威インテリジェンスが防衛戦略を変革

企業がサイバーセキュリティに対するプロアクティブなアプローチである脅威露出管理を導入するケースが増え...

Llama2推論: RTX3090はレイテンシとスループットで4090を上回るが、A800には遠く及ばない

大規模言語モデル (LLM) は、学界と産業界の両方で大きな進歩を遂げてきました。しかし、LLM の...

小中学生の安全を守るためにロボットは今や欠かせない存在です!

安全性について話すと、誰もが必ずそれに共感します。時代の急速な発展に伴い、人々の個人的な安全がますま...

...

...

今週の Github の人気プロジェクトの概要: 自然言語処理 Python ライブラリ spaCy が最もホットです!

先週、Github で最も人気のあるプロジェクトは、最近バージョン 2.0 に更新された自然言語処理...

研究者は特別な画像を使って人工知能を「毒する」

DALL-E、Midjourney、Stable Diffusion などの AI 生成アート ツ...

ディープラーニング入門: オートエンコーダから変分オートエンコーダまで

オートエンコーダ(AE)は、半教師あり学習や教師なし学習で使用される人工ニューラルネットワーク(AN...

...

2017 ナレッジ グラフ ストレージ システム ランキング: あまり知られていないナレッジ グラフ ストレージ システム

ストレージシステムとは、プログラムやデータを格納するための各種記憶装置、制御部品、情報のスケジュール...

...

UBS: AI需要は2022年から2027年の間に年平均61%の成長率で増加すると予想

金融投資機関UBSは最近、人工知能端末の需要に関する長期予測を、2020年から2025年までの年平均...

...