ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ИНСТРУМЕНТ ГОСУДАРСТВЕННОГО ФИНАНСОВОГО КОНТРОЛЯ: ПОНЯТИЕ, ТЕХНОЛОГИИ И КЛАССИФИКАЦИЯ СИСТЕМ

УДК 336.148
DOI: 10.36871/u.i.k.2026.03.04.021

Авторы

Павел Антонович Голиков,
Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Аннотация

В статье рассматриваются теоретико-методологические аспекты применения искусственного интеллекта в государственном финансовом контроле. Автором анализируются существующие дефиниции искусственного интеллекта, закрепленные в научной литературе и нормативных актах Российской Федерации, а также проводится систематизация технологических решений (машинное обучение, обработка естественного языка, компьютерное зрение, RPA, предиктивная аналитика) применительно к контрольной деятельности. Основное внимание уделено классификации систем искусственного интеллекта по функциональному назначению. Обосновывается, что отсутствие унифицированного категориального аппарата и специализированных классификаторов затрудняет формирование методических рекомендаций по внедрению искусственного интеллекта в практику контрольных органов. В выводах предложены направления упорядочения понятийно-терминологической базы.

Ключевые слова

искусственный интеллект, государственный финансовый контроль, машинное обучение, классификация систем искусственного интеллекта, цифровизация, обработка естественного языка, предиктивная аналитика

Список литературы

1. О развитии искусственного интеллекта в Российской Федерации : Указ Президента РФ от 10.10.2019 № 490.
2. Национальная стратегия развития искусственного интеллекта на пе¬риод до 2030 года (утв. Указом Президента РФ от 10.10.2019 № 490).
3. Об утверждении федерального стандарта внутреннего государствен¬ного (муниципального) финансового контроля «Принципы контрольной деятельности органов внутреннего государственного (муниципального) финансового контроля» : Постановление Правительства РФ от 06.02.2020 № 95.
4. Васильева М.В. Цифровая трансформация государственного финан¬сового контроля: тенденции и перспективы // Финансы и кредит. – 2023. – Т. 29, № 4. – С. 798.
5. Исаев Э.А. Трансформация контрольной деятельности // Бюджет. – 2021. – № 11. – С. 63.
6. Козырев А.Н. Искусственный интеллект и интеллектуальная соб¬ственность // Инновации. – 2019. – № 5. – С. 28.
7. Лукашов А.И. Совершенствование внутреннего финансового кон¬троля и аудита как механизмов повышения эффективности использования бюджетных средств // Финансовый журнал. – 2022. – Т. 14, № 6. – С. 68.
8. Петров А.М. Применение искусственного интеллекта в аудите: воз¬можности и ограничения // Аудит и финансовый анализ. – 2024. – № 1. – С. 52.
9. Рассел С., Норвиг П. Искусственный интеллект: современный подход ; пер. с англ. – 3-е изд. – М.: Вильямс, 2019. – С. 25, 45, 48, 52.
10. Стратегия цифровой трансформации: написать, чтобы выполнить / под ред. Е.Г. Потаповой, П.М. Потеева, М.С. Шклярук. – М.: РАНХиГС, 2021. – С. 78.
11. Barocas S., Hardt M., Narayanan A. Fairness and Machine Learning: Limitations and Opportunities. – MIT Press, 2023. – P. 45.
12. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey // ACM Computing Surveys. – 2009. – Vol. 41, No. 3. – P. 1.
13. Goodfellow I.J., Shlens J., Szegedy C. Explaining and Harnessing Adversarial Examples // Proceedings of ICLR. – 2015.
14. Huang Z. Artificial Intelligence in Public Sector Audit: A Systematic Literature Review // Government Information Quarterly. – 2023. – Vol. 40, No. 2. – P. 108.
15. Jurafsky D., Martin J.H. Speech and Language Processing. – 3rd ed. – Stanford University, 2023. – P. 2, 250–280, 310.
16. Krahel J.P., Titera W.R. Consequences of Big Data and Formalization on Accounting and Auditing Standards // Accounting Horizons. – 2015. – Vol. 29, No. 2. – P. 418.
17. LeCun Y., Bengio Y., Hinton G. Deep Learning // Nature. – 2015. – Vol. 521. – P. 436.
18. Lipton Z.C. The Mythos of Model Interpretability // Queue. – 2018. – Vol. 16, No. 3. – P. 31.
19. McCarthy J. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence // AI Magazine. – 2006. – Vol. 27, No. 4. – P. 12.
20. Mitchell T.M. Machine Learning. – New York: McGraw Hill, 1997. – P. 2, 55–62.
21. Shmueli G., Koppius O.R. Predictive Analytics in Information Systems Research // MIS Quarterly. – 2011. – Vol. 35, No. 3. – P. 553.
22. Szeliski R. Computer Vision: Algorithms and Applications. – 2nd ed. – Springer, 2022. – P. 3, 45–48.
23. van der Aalst W.M.P. Robotic Process Automation // Business & Information Systems Engineering. – 2018. – Vol. 60. – P. 269.
24. Vaswani A. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 5998.
25. Кодекс этики в сфере искусственного интеллекта [Электронный ре¬сурс]. – URL: https://a-ai.ru/code-of-ethics/ (дата обращения: 10.01.2026).