{"id":21455,"date":"2023-10-19T08:02:00","date_gmt":"2023-10-19T12:02:00","guid":{"rendered":"https:\/\/intosaijournal.org\/?post_type=journal-entry&p=21455"},"modified":"2023-10-29T22:22:58","modified_gmt":"2023-10-30T02:22:58","slug":"machine-learning-application-for-sais","status":"publish","type":"journal-entry","link":"https:\/\/intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/","title":{"rendered":"Anwendung des maschinellen Lernens in ORKB"},"content":{"rendered":"\n

von Tiare Rivera, Oberste Rechnungskontrollbeh\u00f6rde Chile (CGR)<\/strong><\/p>\n\n\n\n

Einleitung<\/strong><\/strong><\/h2>\n\n\n\n

Oberste Rechnungskontrollbeh\u00f6rden (ORKB) bilden den Grundstein f\u00fcr die Aufrechterhaltung von Rechenschaftspflicht, Transparenz und Wirksamkeit im \u00f6ffentlichen Sektor, insbesondere im Staatsbetrieb. Da Technologie sich jedoch mit einem Affenzahn weiterentwickelt, ist es unumg\u00e4nglich, dass ORKB modernste Datentechnologien, zum Beispiel maschinelles Lernen (ML), mit offenen Armen begr\u00fc\u00dfen, um ihre Pr\u00fcfungsverfahren zu revolutionieren. Mit ML k\u00f6nnen ORKB ihre Effizienz, Treffsicherheit und Wirksamkeit steigern, indem sie eine umfassendere datengest\u00fctzte Analyse des Staatsbetriebs bereitstellen und somit Rechenschaftspflicht sowie Vertrauen auf h\u00f6chster Stufe gew\u00e4hrleisten.<\/p>\n\n\n\n

In diesem Artikel schlagen wir ORKB einen Aktionsplan f\u00fcr die Einbindung dieser fortschrittlichen Datentechnologien mit einem Schwerpunkt auf ML vor. Dabei f\u00fchren wir die wichtigsten momentan verwendeten Algorithmen an und heben einige wichtige Konzepte hervor. Abschlie\u00dfend versuchen wir, die potenziellen Auswirkungen des ML-Einsatzes auf die Leistung von ORKB darzulegen.<\/p>\n\n\n\n

Einf\u00fchrung von ORKB in fortschrittliche Datentechnologien<\/strong><\/strong><\/h2>\n\n\n\n

Um eine Oberste Rechnungskontrollbeh\u00f6rde an die Einbindung und den erfolgreichen Einsatz fortschrittlicher Datentechnologien wie ML heranzuf\u00fchren, m\u00fcssen mehrere Schritte gesetzt werden:<\/p>\n\n\n\n

Erarbeitung einer klaren Strategie: <\/strong>Eine daten- und technologiegest\u00fctzte ORKB muss \u00fcber eine klare Strategie mit einem \u00dcberblick \u00fcber die Ziele und Zielsetzungen der Organisation verf\u00fcgen. Diese sollte mit dem Input aller Stakeholder \u2013 dazu geh\u00f6ren Pr\u00fcferinnen und Pr\u00fcfer, IT-Fachleute sowie Fachexpertinnen und -experten \u2013 erarbeitet werden.<\/p>\n\n\n\n

Investitionen in Technologien: <\/strong>ORKB m\u00fcssen in die erforderlichen Technologien und Tools zur Erhebung, Speicherung und Analyse gro\u00dfer Datenmengen investieren. Dazu z\u00e4hlen Investitionen in Datenmanagementsysteme, Datenanalysetools und KI-\/ML-Technologien.<\/p>\n\n\n\n

Aufbau einer qualifizierten Belegschaft: <\/strong>Um Daten und Technologie im Pr\u00fcfungsverfahren erfolgreich einzusetzen, ben\u00f6tigen ORKB qualifizierte Mitarbeiterinnen und Mitarbeiter mit Kenntnissen in den Bereichen Datenanalyse, Technologie und Pr\u00fcfungsmethoden. Dazu geh\u00f6ren die Schulung von Pr\u00fcferinnen und Pr\u00fcfern in Datenanalysetechniken sowie die Einstellung von IT-Fachleuten und Data Scientists zur Unterst\u00fctzung des Pr\u00fcfungsverfahrens.<\/p>\n\n\n\n

F\u00f6rderung datengest\u00fctzter Entscheidungsfindung: <\/strong>ORKB m\u00fcssen die datengest\u00fctzte Entscheidungsfindung in der gesamten Organisation f\u00f6rdern. Dazu z\u00e4hlen die Verwendung von Daten als Grundlage f\u00fcr die Pr\u00fcfungsplanung sowie Risikobeurteilung und die Einbeziehung der Datenanalyse in das Pr\u00fcfungsverfahren.<\/p>\n\n\n\n

Aufbau von Partnerschaften:<\/strong> ORKB sollten Partnerschaften mit anderen Organisationen aufbauen, zum Beispiel mit Regierungsstellen, um auf Daten zugreifen, diese austauschen und bei der Entwicklung sowie Verwendung von Technologien im Pr\u00fcfungsverfahren zusammenarbeiten zu k\u00f6nnen.<\/p>\n\n\n\n

Investitionen in Daten:<\/strong> Die von ORKB erhobenen und gespeicherten Daten m\u00fcssen bereinigt, skaliert und verarbeitet werden, um nach einer fortschrittlichen Analyse Ergebnisse zu liefern.<\/p>\n\n\n\n

Entwicklung des Algorithmus:<\/strong> Die zu verwendenden Modelle m\u00fcssen in Abh\u00e4ngigkeit der angestrebten Informationen ausgew\u00e4hlt werden und das Modell muss trainiert sowie feineingestellt werden, um bessere Ergebnisse zu erzielen. Das Modell muss mithilfe von Testdatens\u00e4tzen bewertet werden, damit es sp\u00e4ter auf echte Daten angewendet werden kann. Das finale Modell muss \u00fcberwacht und regelm\u00e4\u00dfig gewartet werden.<\/p>\n\n\n\n

Laufende \u00dcberwachung und Verbesserung:<\/strong> ORKB m\u00fcssen den Einsatz von Technologien und Daten im Pr\u00fcfungsverfahren laufend \u00fcberwachen sowie beurteilen, um Bereiche mit Verbesserungspotenzial zu identifizieren und die erforderlichen Anpassungen vorzunehmen. Dazu geh\u00f6ren auch die regelm\u00e4\u00dfige \u00dcberpr\u00fcfung und Anpassung der Technologie- und Datenstrategie der Organisation.<\/p>\n\n\n\n

Grundmerkmale von Maschinenlernalgorithmen<\/strong><\/strong><\/h2>\n\n\n\n

Sobald die ORKB bereit ist f\u00fcr den n\u00e4chsten Schritt, gibt es bei der Anwendung von maschinellem Lernen zwei Grundkonzepte, je nachdem, ob passende Daten verf\u00fcgbar sind und ob es eine zugrunde liegende Struktur gibt.<\/p>\n\n\n\n

\u00dcberwachtes Lernen:<\/strong> Diese Algorithmen werden auf der Grundlage von gekennzeichneten Trainingsdaten f\u00fcr die Kategorisierung sowie die Ergebnisvorhersage verwendet. In ORKB k\u00f6nnen sie eingesetzt werden, um Transaktionen als betr\u00fcgerisch oder nichtbetr\u00fcgerisch zu kategorisieren, die Betrugswahrscheinlichkeit in einem bestimmten Bereich vorherzusagen oder Lieferanten in hohes oder niedriges Risiko einzustufen.<\/p>\n\n\n\n

Un\u00fcberwachtes Lernen:<\/strong> Diese Algorithmen werden f\u00fcr die Ermittlung von Mustern und Strukturen in ungekennzeichneten Daten verwendet. In ORKB k\u00f6nnen sie eingesetzt werden, um Muster der finanziellen Misswirtschaft zu ermitteln, verd\u00e4chtige Transaktionen zu erkennen oder in Ausgabemustern Ausrei\u00dfer festzustellen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Arten von Maschinenlernalgorithmen, die von ORKB verwendet werden k\u00f6nnen<\/strong><\/strong><\/h2>\n\n\n\n

Es gibt mehrere Arten von Maschinenlernalgorithmen, die von ORKB verwendet werden k\u00f6nnen, um die Effizienz, Treffsicherheit und Wirksamkeit des Pr\u00fcfungsverfahrens zu steigern. Siehe Diagramm f\u00fcr einen allgemeinen \u00dcberblick.<\/p>\n\n\n\n

Einige der gebr\u00e4uchlichsten Maschinenlernalgorithmen und deren potenziellen Anwendungen in ORKB sind:<\/p>\n\n\n\n

Clusteranalysen: <\/strong>Diese Algorithmen fassen \u00e4hnliche Datenpunkte zusammen. In ORKB k\u00f6nnen sie eingesetzt werden, um \u00e4hnliche Datens\u00e4tze zu b\u00fcndeln, zum Beispiel Ausgaben nach Ressorts, oder um Kategorien \u00e4hnlicher Regierungsprogramme oder -projekte zu ermitteln, wodurch der Vergleich sowie deren Leistungsbeurteilung vereinfacht wird.<\/p>\n\n\n\n

Anomalieerkennung:<\/strong> Diese Algorithmen werden verwendet, um Datenpunkte zu ermitteln, die wesentlich von der Norm abweichen. In ORKB k\u00f6nnen sie eingesetzt werden, um budget\u00e4re Irregularit\u00e4ten zu ermitteln oder Pr\u00fcfungen anhand der Bereiche, in denen die Ergebnisse von den erwarteten Mustern abweichen, zu priorisieren.<\/p>\n\n\n\n

K\u00fcnstliche neuronale Netzwerke: <\/strong>Diese Algorithmen ahmen das menschliche Gehirn nach und k\u00f6nnen f\u00fcr viele verschiedene Aufgaben eingesetzt werden, unter anderem f\u00fcr Bild- und Spracherkennung sowie f\u00fcr die linguistische Datenverarbeitung. In ORKB k\u00f6nnen sie eingesetzt werden, um gro\u00dfe Mengen unstrukturierter Daten, wie Texte oder Bilder, zu verarbeiten sowie zu analysieren und dadurch Erkenntnisse zu gewinnen.<\/p>\n\n\n\n

Entscheidungsb\u00e4ume:<\/strong> Diese Algorithmen werden f\u00fcr die Kategorisierung von Datenpunkten anhand einer Reihe von Entscheidungsregeln verwendet. In ORKB k\u00f6nnen sie eingesetzt werden, um Transaktionen als betr\u00fcgerisch oder nichtbetr\u00fcgerisch zu kategorisieren, Lieferanten in hohes oder niedriges Risiko einzustufen oder die Betrugswahrscheinlichkeit in einem bestimmten Bereich vorherzusagen.<\/p>\n\n\n\n

K-Nearest-Neighbor-Algorithmen:<\/strong> Diese Algorithmen werden in Anwendungen zur Bild- und Videoerkennung, Bestandsanalyse sowie Handschriftenerkennung verwendet. Sie bedienen sich gekennzeichneter Datenpunkte, um andere Datenpunkte zu kennzeichnen. Die Methode besteht darin, ein Abstimmungssystem der n\u00e4chsten Nachbarn zu schaffen. Das \u201ek\u201c steht f\u00fcr die Anzahl der Nachbarn, die einbezogen werden. Der Vorteil dieser Algorithmen liegt in der einfachen Umsetzung und darin, dass er bei verrauschten Daten gut funktioniert. Der gr\u00f6\u00dfte Nachteil ist, dass sie eine erhebliche Rechenleistung ben\u00f6tigen, was bei gro\u00dfen Datens\u00e4tzen teuer sein kann.<\/p>\n\n\n\n

Potenzielle Grenzen<\/strong><\/strong><\/h2>\n\n\n\n

Auch wenn es ML-Tools f\u00fcr die Betrugsermittlung und Finanzaufsicht gibt, ist es nicht immer einfach, sie in der Praxis anzuwenden, neue digitale Tools einzuf\u00fchren oder diese in Rechnungskontrollbeh\u00f6rden einzubinden. In ORKB und Regierungsstellen bestehen im Bereich maschinelles Lernen mehrere Hindernisse f\u00fcr Innovationen. <\/p>\n\n\n\n

Beispielsweise haben viele ORKB keine pr\u00e4zisen oder konsistenten Daten, was negative Auswirkungen auf die Leistung der Maschinenlernalgorithmen haben und deren Erfolgswirksamkeit einschr\u00e4nken kann. Mangelnde Fachexpertise kann die F\u00e4higkeit von ORKB, Maschinenlernalgorithmen einzuf\u00fchren und erfolgreich einzusetzen, beeintr\u00e4chtigen, da dies fachbezogene Schulungen und Pflege erfordert. Zudem m\u00fcssen ORKB diese Algorithmen unter Umst\u00e4nden in ihre bestehenden Systeme und Verfahren eingliedern, was eine Herausforderung darstellen und beachtliche Mittel erfordern kann.<\/p>\n\n\n\n

Viele Dienststellen stehen bei Ver\u00e4nderungen kulturellen und strukturellen Hindernissen gegen\u00fcber. Dazu z\u00e4hlen ein fehlender Innovationswille, eine Pr\u00e4ferenz f\u00fcr den Status quo, Versagensangst, exzessive Isolierung, bei der verschiedene Abteilungen verschiedene Daten und Teilbereiche von Schl\u00fcsselaufgaben handhaben, sowie die Abwesenheit von F\u00fchrungskr\u00e4ften, die in der Lage sind, Ver\u00e4nderung zu erm\u00f6glichen. In vielen Organisationen bestehen nicht nur technische, sondern auch strukturelle, operationelle, f\u00fchrungstechnische und kulturelle Hindernisse f\u00fcr Ver\u00e4nderung. Ohne F\u00fchrungskr\u00e4fte, die sich f\u00fcr die Schaffung einer Innovationskultur einsetzen, wird die Einf\u00fchrung neuer Technologien fast immer hinter dem gew\u00fcnschten Nutzen zur\u00fcckbleiben.<\/p>\n\n\n\n

Ethische \u00dcberlegungen und Rechenschaftspflicht:<\/strong><\/strong><\/h2>\n\n\n\n

Maschinenlernmodelle k\u00f6nnen gesellschaftliche Vorurteile aufrechterhalten oder sogar verst\u00e4rken. Daher ist es wichtig, ethische Gesichtspunkte des Modells zu bedenken, sich seiner Grenzen bewusst zu sein und Ma\u00dfnahmen zu ergreifen, um etwaige negative Auswirkungen zu mindern.<\/p>\n\n\n\n

In einem Umfeld, das sich auf menschliches Urteilsverm\u00f6gen verl\u00e4sst, sind all diese Bedenken begrenzt. Daher stellt der Einsatz von maschinellem Lernen im Pr\u00fcfwesen zur Bek\u00e4mpfung von Korruption und Betrug einzigartige Herausforderungen in Bezug auf Ethik, Rechtm\u00e4\u00dfigkeit und Governance dar. <\/p>\n\n\n\n

Als eine der gr\u00f6\u00dften Herausforderungen gilt es herauszufinden, wie umfassende ethische Prinzipien wie Fairness, Gerechtigkeit, Privatsph\u00e4re, Transparenz, Rechenschaftspflicht und menschliche Sicherheit in konkrete Anwendungen \u00fcberf\u00fchrt werden k\u00f6nnen. Diese Prinzipien stehen manchmal im Widerspruch zueinander und ORKB m\u00fcssen deren Bedeutung im Kontext des jeweiligen Systems definieren und festsetzen, wie Maschinenlernalgorithmen in \u00dcbereinstimmung damit zu beurteilen sind.<\/p>\n\n\n\n

Au\u00dferdem sind manche Modelle komplex und schwierig zu interpretieren. Es ist wichtig, den Entscheidungsfindungsprozess des Modells zu verstehen und interpretierbare Modelle zu haben, um die Logik hinter der Entscheidung des Modells zu erkl\u00e4ren.<\/p>\n\n\n\n

Erwartete Auswirkungen des Einsatzes von maschinellem Lernen durch ORKB<\/strong><\/strong><\/h2>\n\n\n\n

Einer der Hauptvorteile der Einbindung von fortschrittlichen Datentechnologien in das Pr\u00fcfungsverfahren ist die F\u00e4higkeit, gro\u00dfe Datenmengen schnell sowie pr\u00e4zise analysieren zu k\u00f6nnen und Muster sowie Trends zu erkennen, die f\u00fcr menschliche Pr\u00fcferinnen und Pr\u00fcfer unter Umst\u00e4nden nicht offensichtlich sind. Das kann ORKB dabei unterst\u00fctzen, m\u00f6gliche Betrugsf\u00e4lle oder finanzielles Missmanagement zu ermitteln und fundiertere Entscheidungen \u00fcber die Schwerpunktsetzung in ihrer Pr\u00fcft\u00e4tigkeit zu treffen. <\/p>\n\n\n\n

Durch die Automatisierung bestimmter Aufgaben, wie Dateneingabe und -analyse, k\u00f6nnen sich Pr\u00fcferinnen und Pr\u00fcfer auf komplexere Aufgaben von h\u00f6herem Wert, wie die Interpretation von Pr\u00fcfungserkenntnissen und das Abgeben von Verbesserungsvorschl\u00e4gen, konzentrieren.<\/p>\n\n\n\n

Der Einsatz von maschinellem Lernen durch Oberste Rechnungskontrollbeh\u00f6rden birgt das Potenzial, deren F\u00e4higkeit, mit der \u00d6ffentlichkeit zu kommunizieren und zu interagieren, zu verbessern, und zwar durch die Bereitstellung von interaktiven Tools wie Echtzeit-Dashboards und personalisierbaren Berichten. Diese erwarteten Auswirkungen k\u00f6nnten zu einem transparenteren sowie rechenschaftspflichtigeren \u00f6ffentlichen Sektor f\u00fchren und zu besserer Regierungsf\u00fchrung sowie mehr Vertrauen in Institutionen beitragen.<\/p>\n","protected":false},"excerpt":{"rendered":"

Oberste Rechnungskontrollbeh\u00f6rden (ORKB) bilden den Grundstein f\u00fcr die Aufrechterhaltung von Rechenschaftspflicht, Transparenz und Wirksamkeit im \u00f6ffentlichen Sektor, insbesondere im Staatsbetrieb. Da Technologie sich jedoch mit einem Affenzahn weiterentwickelt, ist es unumg\u00e4nglich, dass ORKB modernste Datentechnologien, zum Beispiel maschinelles Lernen (ML), mit offenen Armen begr\u00fc\u00dfen, um ihre Pr\u00fcfungsverfahren zu revolutionieren. Mit ML k\u00f6nnen ORKB ihre Effizienz, Treffsicherheit und Wirksamkeit steigern, indem sie eine umfassendere datengest\u00fctzte Analyse des Staatsbetriebs bereitstellen und somit Rechenschaftspflicht sowie Vertrauen auf h\u00f6chster Stufe gew\u00e4hrleisten.<\/p>\n","protected":false},"author":168,"featured_media":21440,"template":"","meta":{"_acf_changed":false,"footnotes":""},"journal-categories":[3588],"content-tags":[2459,2269,2267],"country":[3188],"region":[2871],"section":[2603],"coauthors":[3565],"class_list":["post-21455","journal-entry","type-journal-entry","status-publish","has-post-thumbnail","hentry","journal-categories-q2-2023-de","content-tags-it-prufung","content-tags-maschinelles-lernen","content-tags-wissenschaft-und-technik","country-chile-de","region-olacefs-de-de","section-fachartikel"],"acf":[],"yoast_head":"\nAnwendung des maschinellen Lernens in ORKB - INTOSAI Journal<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Anwendung des maschinellen Lernens in ORKB - INTOSAI Journal\" \/>\n<meta property=\"og:description\" content=\"Oberste Rechnungskontrollbeh\u00f6rden (ORKB) bilden den Grundstein f\u00fcr die Aufrechterhaltung von Rechenschaftspflicht, Transparenz und Wirksamkeit im \u00f6ffentlichen Sektor, insbesondere im Staatsbetrieb. Da Technologie sich jedoch mit einem Affenzahn weiterentwickelt, ist es unumg\u00e4nglich, dass ORKB modernste Datentechnologien, zum Beispiel maschinelles Lernen (ML), mit offenen Armen begr\u00fc\u00dfen, um ihre Pr\u00fcfungsverfahren zu revolutionieren. Mit ML k\u00f6nnen ORKB ihre Effizienz, Treffsicherheit und Wirksamkeit steigern, indem sie eine umfassendere datengest\u00fctzte Analyse des Staatsbetriebs bereitstellen und somit Rechenschaftspflicht sowie Vertrauen auf h\u00f6chster Stufe gew\u00e4hrleisten.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/\" \/>\n<meta property=\"og:site_name\" content=\"INTOSAI Journal\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T02:22:58+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1207\" \/>\n\t<meta property=\"og:image:height\" content=\"842\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@intosaijournal\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"7 minutes\" \/>\n\t<meta name=\"twitter:label2\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data2\" content=\"Tiare Rivera\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/\",\"url\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/\",\"name\":\"Anwendung des maschinellen Lernens in ORKB - INTOSAI Journal\",\"isPartOf\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"datePublished\":\"2023-10-19T12:02:00+00:00\",\"dateModified\":\"2023-10-30T02:22:58+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage\",\"url\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"contentUrl\":\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png\",\"width\":1207,\"height\":842},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/intosaijournal.org\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Anwendung des maschinellen Lernens in ORKB\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#website\",\"url\":\"https:\/\/intosaijournal.org\/fr\/\",\"name\":\"INTOSAI Journal\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/intosaijournal.org\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#organization\",\"name\":\"INTOSAI Journal\",\"url\":\"https:\/\/intosaijournal.org\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"contentUrl\":\"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png\",\"width\":736,\"height\":122,\"caption\":\"INTOSAI Journal\"},\"image\":{\"@id\":\"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/x.com\/intosaijournal\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Anwendung des maschinellen Lernens in ORKB - INTOSAI Journal","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/","og_locale":"de_DE","og_type":"article","og_title":"Anwendung des maschinellen Lernens in ORKB - INTOSAI Journal","og_description":"Oberste Rechnungskontrollbeh\u00f6rden (ORKB) bilden den Grundstein f\u00fcr die Aufrechterhaltung von Rechenschaftspflicht, Transparenz und Wirksamkeit im \u00f6ffentlichen Sektor, insbesondere im Staatsbetrieb. Da Technologie sich jedoch mit einem Affenzahn weiterentwickelt, ist es unumg\u00e4nglich, dass ORKB modernste Datentechnologien, zum Beispiel maschinelles Lernen (ML), mit offenen Armen begr\u00fc\u00dfen, um ihre Pr\u00fcfungsverfahren zu revolutionieren. Mit ML k\u00f6nnen ORKB ihre Effizienz, Treffsicherheit und Wirksamkeit steigern, indem sie eine umfassendere datengest\u00fctzte Analyse des Staatsbetriebs bereitstellen und somit Rechenschaftspflicht sowie Vertrauen auf h\u00f6chster Stufe gew\u00e4hrleisten.","og_url":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/","og_site_name":"INTOSAI Journal","article_modified_time":"2023-10-30T02:22:58+00:00","og_image":[{"width":1207,"height":842,"url":"https:\/\/www.intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_site":"@intosaijournal","twitter_misc":{"Est. reading time":"7 minutes","Written by":"Tiare Rivera"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/","url":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/","name":"Anwendung des maschinellen Lernens in ORKB - INTOSAI Journal","isPartOf":{"@id":"https:\/\/intosaijournal.org\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage"},"image":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage"},"thumbnailUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","datePublished":"2023-10-19T12:02:00+00:00","dateModified":"2023-10-30T02:22:58+00:00","breadcrumb":{"@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/"]}]},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#primaryimage","url":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","contentUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2023\/10\/machine-learning-map.png","width":1207,"height":842},{"@type":"BreadcrumbList","@id":"https:\/\/www.intosaijournal.org\/de\/journal-entry\/machine-learning-application-for-sais\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/intosaijournal.org\/de\/"},{"@type":"ListItem","position":2,"name":"Anwendung des maschinellen Lernens in ORKB"}]},{"@type":"WebSite","@id":"https:\/\/intosaijournal.org\/fr\/#website","url":"https:\/\/intosaijournal.org\/fr\/","name":"INTOSAI Journal","description":"","publisher":{"@id":"https:\/\/intosaijournal.org\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/intosaijournal.org\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/intosaijournal.org\/fr\/#organization","name":"INTOSAI Journal","url":"https:\/\/intosaijournal.org\/fr\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","contentUrl":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","width":736,"height":122,"caption":"INTOSAI Journal"},"image":{"@id":"https:\/\/intosaijournal.org\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/intosaijournal"]}]}},"_links":{"self":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21455","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry"}],"about":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/types\/journal-entry"}],"author":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/users\/168"}],"version-history":[{"count":2,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21455\/revisions"}],"predecessor-version":[{"id":22339,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/21455\/revisions\/22339"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media\/21440"}],"wp:attachment":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media?parent=21455"}],"wp:term":[{"taxonomy":"journal-categories","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-categories?post=21455"},{"taxonomy":"content-tags","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/content-tags?post=21455"},{"taxonomy":"country","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/country?post=21455"},{"taxonomy":"region","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/region?post=21455"},{"taxonomy":"section","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/section?post=21455"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/coauthors?post=21455"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}