2025/3.11 和郭院长论文会议纪要

个人论文

论文中应该包含
理论界的观点
实务界的探索

可以由原来的论文向两个方向推进

一、细化论文， 删除结构化数据分析算法，写通用大语言模型和自己训练的行业小模型对比

原来的论文：机器学习算法在AI时代审计中的应用与挑战，
作为论文来说，太过宽泛，缺少纵深。
建议：

1. 删除随机森林、神经网络等算法，专注于自然语言处理。

2.对比通用大语言模型和自己训练的行业小模型

对比在审计应用层面，大语言模型，如deepseek、chatgpt；和小语言模型，自然语言处理基础模型，如N-gram，P-gram模型，专门拿审计行业专业语料，如审计报告、行业资讯等非结构化数据，观察两者在审计行业应用的效果
通用大语言模型的优势：响应速度快，知识储备丰富
通用大语言模型的劣势：训练成本高，服务器配置要求高
本地行业小语言模型的优势：
1.行业专业性，回复内容精准（核心竞争力）
2.可以采用大模型剪枝和蒸馏，再进行审计语料的训练，大大减少训练成本
3.保障了信息安全，隐私权
本地行业小语言模型的劣势：回复内容局限，响应速度慢
小语言模型拓展：能否实现实时数据监控？
放实际应用的对比，不玩虚的

3.整体框架沿用之前的，背景和算法介绍以及最后的挑战，NLP应用可以稍加修改，加入大模型应用效果

二、个人知识库 投入和需求效果的平衡

在本地部署轻量级或者重量级的DeepSeek个人知识库，成为最近一段时间的潮流。但是，我们如何衡量到底该部署什么体量的模型，这篇文章会为不同种类的用户提出建议

有些时候，模型不是越大越好，模型越大，需要部署在更加昂贵的系统设备上，可能得不偿失；模型太小，模型响应的速度跟不上需求、回答的答案不符合预期。
这些大小模型在具体应用到审计行业时的表现怎么样；到底什么样的审计工作人员人群适合多大的模型，这是文章需要搞清楚的点。

公共论文想法

当下比较火热的，ISACA提出的AI伦理问题

AI治理

起初，是注册会计师独立决策撰写审计报告；现在，越来越多的审计人员开始使用chatgpt等工具生成审计报告。那么，先前的注册会计师撰写的审计报告是具有法律效力的，但是现在，chatgpt没有CPA，那么，它编写的审计报告是否还具有法律效力呢？如果出错了，谁来担任责任？ 这是现在很多立法人员关注的点，也是我们可以和法学院同学一起研究的方向（他们一定有人在搞这方向）。

算法审计

对于应用于会计信息系统的算法，是否具备可解释性，是否是公开透明的、没有明显错误的 对于这方面的审计，称为算法审计
使用AI，本质是使用里面装有机器学习算法的黑箱，我们怎么确保这些算法是合法合规的、能生成合法合理的结果？，对这些未知的算法，我们是否需要进行审计，怎么开展审计。

打比赛方向

服务外包

明天参加服务外包大赛的宣讲会，主要是企业命题的，这个比赛不一定要有最后的产品，去年的是用企业给定的数据集，做一些预测分析以及漏洞，最后做一个UI界面展示结果。

大创、互联网+、三创

实习时可以从单位的行业中探索到一些痛点、抽取一些问题，应用到打商赛，例如：知道审计师很难处理海量数据，设计自然语言处理系统。