Random Forrest no trabalho do auditor

O resumo: 

 Diante da incerteza econômica global, a auditoria financeira tornou-se essencial para a conformidade regulatória e mitigação de riscos. Os métodos tradicionais de auditoria manual estão cada vez mais limitados pelos grandes volumes de dados, estruturas empresariais complexas e evolução das táticas de fraude. Este estudo propõe uma estrutura de auditoria financeira empresarial orientada por IA e de identificação de alto risco, utilizando aprendizado de máquina para melhorar a eficiência e a precisão. Com um conjunto de dados das quatro grandes firmas de auditoria (EY, PwC, Deloitte, KPMG) de 2020 a 2025, a pesquisa examina tendências em avaliação de risco, violações de conformidade e detecção de fraudes. O conjunto inclui indicadores como número de projetos de auditoria, casos de alto risco, instâncias de fraude, violações de conformidade, carga de trabalho dos funcionários e satisfação dos clientes, capturando tanto os comportamentos de auditoria quanto o impacto da IA nas operações. Para construir um modelo robusto de predição de riscos, três algoritmos — Support Vector Machine (SVM), Random Forest (RF) e K-Nearest Neighbors (KNN) — são avaliados. O SVM usa otimização de hiperplanos para classificações complexas, o RF combina árvores de decisão para lidar com dados não lineares e de alta dimensionalidade com resistência ao overfitting, e o KNN aplica aprendizado baseado em distância para desempenho flexível. Por meio de validação cruzada hierárquica K-fold e avaliação com F1-score, acurácia e recall, o Random Forest alcança o melhor desempenho, com F1-score de 0,9012, destacando-se na identificação de fraudes e anomalias de conformidade. A análise de importância das variáveis revela frequência de auditorias, violações anteriores, carga de trabalho dos funcionários e avaliações dos clientes como principais preditores. O estudo recomenda a adoção do Random Forest como modelo central, com aprimoramento de variáveis via feature engineering e implementação de monitoramento de riscos em tempo real. Esta pesquisa traz contribuições valiosas sobre o uso de aprendizado de máquina para auditoria inteligente e gestão de riscos em empresas modernas.

Transformando o abstract de um artigo em um clip de música

Obviamente não é uma proposta "séria". Mas aqui uma amostra de um resumo de um artigo científico sendo "transformado" em um videoclip. (via aqui)

 

Wikipedia x IA

Jimmy Wales, o fundador da Wikipedia, acredita que a enciclopédia padrão da internet — e um dos maiores repositórios de informação do mundo — poderia se beneficiar de algumas aplicações de IA. Os editores voluntários que mantêm a Wikipedia em funcionamento discordam fortemente dele.

O debate contínuo sobre a incorporação de IA na Wikipedia em diferentes formas ressurgiu em julho, quando Wales publicou em sua página de usuário na Wikipedia uma ideia sobre como a plataforma poderia usar um modelo de linguagem de grande porte como parte do processo de criação de artigos.

Como usuário da enciclopédia - e no passado, por breves momentos, criador de artigos - sou contra a proposta, se envolver a criação de conteúdo. É uma garantia contra a alunicinação dos mecanismos de Inteligência Artificial. Mas quando refletimos mais, é muito difícil de manter longe do instrumento, já que as "fontes primárias" estão usando a IA para criação dos textos: artigos de jornais, pesquisas acadêmicas etc. Como garantir a qualidade?  

Fonte da notícia: aqui 

Mas antes postamos que a Wikipedia tinha recuado, depois de criarem um projeto neste sentido.

Ambiente e IA: dados de consumo não são alarmantes

Um dos pontos controversos da Inteligência Artificial refere-se ao consumo de energia do seu uso. Já postamos isto anteriormente no blog (aqui, aqui, aqui, por exemplo). Agora, o Google anuncia não somente o valor do consumo de cada consulta, como também a metodologia usada. A informação foi obtida via MIT Technology Review:  

O Google acaba de divulgar um relatório técnico detalhando quanta energia seus aplicativos Gemini utilizam em cada consulta. No total, o prompt mediano — aquele que se encontra no meio da faixa de demanda energética — consome 0,24 watt-hora de eletricidade, o equivalente a ligar um micro-ondas padrão por cerca de um segundo. A empresa também forneceu estimativas médias para o consumo de água e as emissões de carbono associadas a um prompt de texto no Gemini.

É a estimativa mais transparente já divulgada por uma Big Tech com um produto de IA popular, e o relatório inclui informações detalhadas sobre como a empresa calculou sua estimativa final. À medida que a IA vem sendo mais amplamente adotada, cresce o esforço para entender seu uso de energia. Mas tentativas públicas de medir diretamente a energia usada pela IA têm sido dificultadas pela falta de acesso completo às operações de uma grande empresa de tecnologia.

Uma crítica aos mercados de previsões

Um texto (aqui) observa que os prediction markets (mercados de previsão) estão em alta: plataformas como Polymarket e Kalshi movimentam cerca de US$ 30 milhões por dia e Kalshi possui avaliação de mercado de US$ 2 bilhões. Reguladores como a SEC e a CFTC parecem ter desistido de tentar limitar sua expansão, especialmente no que tange ao seu uso similar ao de apostas esportivas, desafiando regulamentações estaduais. Apesar de, na teoria, esses mercados agregarem informações de forma eficiente — conforme defendido por economistas como Robin Hanson —, o autor afirma que, na prática, eles não entregam previsões confiáveis e podem até representar um risco à sociedade.

Ele compara os mercados de previsão aos mercados financeiros, destacando quatro características de mercados eficientes — produtos padronizados, alta liquidez, baixos custos de transação e participantes heterogêneos — e observa que os prediction markets carecem desses elementos essenciais. Em especial, faltam hedgers naturais, ou participantes com diferentes perfis de risco, o que compromete a utilidade real desses mercados.

Sem diversidade nos agentes, os prediction markets acabam dominados por especuladores e apostadores recreativos (“noise traders”), criando uma dinâmica disfuncional, onde o único fluxo constante provém de novos entusiastas dispostos a perder dinheiro. Essa dependência de “dinheiro ingênuo” torna esses mercados vulneráveis à manipulação e incapazes de fornecer previsões robustas.

Passivo de pensões e a falta de representação fidedigna

O resumo está aqui 

Relevance and faithful representation are identified by standard-setters as fundamental qualitative characteristics for useful accounting information. We critically assess whether current pension measurement guidance under International Financial Reporting Standards (IFRS) and US generally accepted accounting principles (GAAP) results in pension measurement that achieves these characteristics. We argue that: (1) conceptual justification is inconsistent with current guidance; (2) IFRS and US GAAP provide differing justifications; and (3) existing guidance applies inconsistent measurement principles and uses principles that are inconsistent with other standards. We conclude that current guidance does not achieve representational faithfulness. Next, we introduce two alternative approaches to pension liability measurement—going concern and settlement—which use consistent measurement principles and thus are more representationally faithful than current standards. We summarize empirical evidence, suggesting that both alternative measures demonstrate stronger relevance to equity and debt investors than current measurement. We conclude by recommending that standard-setters: (1) use settlement measurement for pension liabilities; and (2) require disclosures that would enable users to re-estimate pension liabilities using different parameters that would suit their particular needs and consider the characteristics of the plans themselves. We believe that our recommendations would improve the relevance and faithful representation of pension liabilities.

Contabilidade Eleitoral

Eis um resumo da notícia:

A Comissão de Contabilidade Eleitoral do Conselho Federal de Contabilidade (CFC) realizou uma reunião em 19 de agosto de 2025 para preparar a entrada em vigor da Norma Brasileira de Contabilidade Eleitoral — NBC‑TPE 01, aprovada em 2024 e que passará a vigorar em janeiro de 2026. Durante o encontro, foram debatidas estratégias para sua ampla divulgação e aplicabilidade por contadores, tanto na esfera pública quanto privada. O evento também reforçou a importância de capacitação profissional e será tema central do I Seminário Nacional de Contabilidade Eleitoral, que busca consolidar a norma como referência na prestação de contas e na transparência eleitoral.

Imagem: aqui