当前，作为银行内部重要的控制管理环节，内部审计已成为现代银行业公司治理体系中不可或缺的内容。而随着银行业务规模持续增大、业务品种多样化、业务处理电子化，银行内部审计的对象范围也不断扩大、管理领域不断延伸，传统手工方式的审计已无法适应业务发展和内部控制的要求，因此审计电子化越来越被重视。

    面临的挑战

    银行内部审计是银行自我约束的重要途径，通过内部审计能够有效抵制风险，确保资金能够安全高效流通和运行，是银行治理中非常重要的环节。然而银行内部审计也面临以下几个挑战：

    广泛的审计范围与稀缺的审计资源。相比过去，银行审计的范围在不断扩大，而审计资源，特别是审计人力资源却相对滞后。审计人员所要承担的工作量越来越大，直接影响审计效果。

    审计质量保证与审计人才建设。现代银行内部审计工作需要具备良好职业素质和沟通能力的专业人才完成，特别是具备IT、资金运营、金融衍生产品等知识的专业化审计人才，以及综合素质较高、银行业务全面的复合型审计人才，然而审计人才的培养不是一蹴而就的，复合型审计人才的短缺还将在很长一段时间内影响内部审计质量。

    监督成本的提高与盈利能力下降。随着业务的发展、管理要求的提高，银行持续投入大量人力、物力、财力提升风险控制体系，增加了监督成本。但由于利率市场化、同质竞争加剧等因素，银行的盈利能力相较前几年已大幅下降。而计算机辅助审计既能弥补和完善传统审计的缺陷，也是传统审计的继承和发展。

    计算机辅助审计的现状

    现在计算机辅助审计已得到广泛应用，相比于传统手工方式审计，它实现了人力资源、凭证和影像资源的优化配置，提高了内审效率和质量，促进银行内部审计成果的转化，更好地实现了银行内部审计职能。但同时也存在不足：审计模型死板，准确率不高。现阶段的计算机辅助系统局限于开发人员的水平及系统模式的影响，采用的审计模型死板，审计模型通常选取数个特征作为筛选可疑数据的因子，缺乏智能分析，筛选出来的数据必然不够准确。

    缺乏计算机辅助审计系统本身的审计。计算机辅助审计给银行审计带来了诸多便利。但同时也出现了新的问题。一是审计系统本身设计是否存在缺陷，是否有逻辑漏洞，应用的模型算法是否合理，是否存在隐蔽后门用以篡改审计数据等。二是审计系统环境，包括网络环境、使用环境、管理使用情况等，是否有严密的访问控制机制、漏洞检测技术、入侵防御检测等安全措施来保证计算机辅助审计系统数据的机密性、完整性及安全性。

    多系统数据间关联性不强。银行各业务系统相对独立，而审计注重多个系统数据关联性，当各个业务系统相对独立时，审计人员往往只能局限于一个业务系统的查询，缺少在多个业务系统间多方关联、灵活查证的技术和手段。

    计算机技术在银行内部审计中的运用

    大数据平台建设。大数据平台是集数据整合、数据处理、数据存储、数据分析、可视化等功能为一体，挖掘数据背后的业务逻辑，发现数据背后的问题，以存储、运算、展现作为目的的平台。大数据平台在提供更强大的运算能力及更多的存储空间的基础上，集中整合银行各系统数据，形成数据仓库，使各业务条线数据形成连贯的整体；充分利用数据仓库、联机分析、数据挖掘和数据可视化等技术，把离散存储于不同系统中的海量数据彼此关联并深度挖掘分析，评估相关政策实施的效果、财政性资金的使用情况，从而得出客观的审计结论，进一步提升审计自身的作用。

    审计专家系统的发展。专家系统是一个智能计算机程序系统，其内部含有大量某个领域专家水平的知识与经验，能够利用专家的知识和解决问题的方法处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。

    审计专家系统利用人工智能的原理，借助计算机模拟人类的思维过程，对信息系统的数据进行计算、分析与推理，作出相应的判断，提出审计建议及线索，以供审计人员进行进一步的重点审计，从而得出审计结论。建立审计专家系统的目的就在于：提高审计效率，降低审计风险，进而保证审计报告的质量。审计专家系统正是利用计算机迅速准确的特点，辅以审计工作的判断推理过程，帮助审计人员进行审计，从而有效地解决“审计效率——审计风险”之间的矛盾。审计专家系统在面对大量审计证据时，可以在最短的时间里，做广泛详细的计算与核查。而审查样本的数量与审计风险是成反比例关系的。审查了充足的样本，就能相应地降低审计风险，得出更准确的审计结论，保证审计报告的质量。

    “深度学习”神经网络的应用。神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，是模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

    “深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。

    专家系统是基于专家的经验和专业知识求解需要专家才能解决的困难和问题。而基于“深度学习”的神经网络更接近人脑思维，它可以通过训练，演化出来的一系列新的结构和新的方法。

    目前，神经网络已在审计中得到了初步应用，如审计实质性测试，管理层舞弊审计，持续经营能力审计及控制风险评估等。神经网络能够为审计师提供一个有效率的辅助审计工具，随着它在审计中的应用研究的深入，它一定会在帮助审计师“防范风险、提高效益” 方面发挥更大的作用。