CN115545872B - 一种基于ai的rpa财务机器人应用中的风险预警方法 - Google Patents

Abstract

本发明提供一种基于AI的RPA财务机器人应用中的风险预警方法与系统，属于数据处理技术领域，具体包括：获取RPA财务机器人调用的财务凭据，当财务凭据属于敏感财务凭据且财务凭据在当日的调用次数大于第一次数阈值时，基于财务凭据的调用方的验证方式以及调用方的权限得到调用方的可靠度，并基于调用方的可靠度判断此次调用是否存在风险，当存在风险时，基于调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式，从而进一步提升了PRA财务机器人应用中的可靠性和准确性。

Description

一种基于AI的RPA财务机器人应用中的风险预警方法

技术领域

本发明属于数据处理技术领域，具体涉及一种基于AI的RPA财务机器人应用中的风险预警方法与系统。

背景技术

人工智能、物联网、大数据技术助推财务管理信息化、智能化，让财务工作从核算型走向管理型。财务共享技术的发展，强调专业化分工，实现了财务业务流程与标准化管理。RPA财务机器人技术，为财务共享服务拓展了应用空间，但是由于RPA财务机器人在运行过程中，不可避免的会接触到一些机密信息，从而会存在一些风险。

为了实现对RPA机器人在运行过程中的风险告警，在授权发明专利授权公告号CN114448648B《基于RPA的敏感凭据管理方法及系统》中通过获取当前时间和前驱调用方信息，将当前调用方信息、前驱调用方信息和当前时间与校验规则进行匹配，并根据匹配出的行为对敏感凭据进行调用管理。本申请减少敏感凭据被泄露的风险，为敏感凭据的调用提供约束和可控性，但是却存在一下技术问题：

1、未能考虑根据调用方的验证方式、调用方的调用次数、财务凭据的类型进行风险预警，当调用方的验证方式简单且不可靠，同时调用次数及频率明显过多，且财务凭据的类型极为隐秘且重要时，此时明显处于异常状态，若不进行风险告警，则有可能会导致敏感的财务信息造成泄露，从而会导致不必要的损失或者其他财务风险的出现。

2、未能根据财务凭据的类型、财务凭据的重要性的不同进行财务凭据的隐秘性的评定，对于反应公司的产品销售价格、生产资料成本的财务报表与普通的员工报销发票相比，其隐秘性和重要性对于公司来说明显更为重要，上述信息的泄露也会造成更为严重的损失。

基于上述技术问题，需要设计及一种基于AI的RPA财务机器人应用中的风险预警方法与系统。

发明内容

本发明的目的是提供一种基于AI的RPA财务机器人应用中的风险预警方法与系统。

为了解决上述技术问题，本发明第一方面提供了一种基于AI的RPA财务机器人应用中的风险预警方法，包括：

S11获取RPA财务机器人调用的财务凭据，并判断所述财务凭据是否属于敏感财务凭据，若是，则进入步骤S12，若否，则判定此次调用无风险，其中所述敏感财务凭据根据所述财务凭据的类型、财务凭据的重要性进行确定，所述财务凭据的重要性根据所述财务凭据的内容，采用基于专家打分的方式确定；

S12判断所述财务凭据在当日的调用次数是否大于第一次数阈值，若是，则进入步骤S13，若否，则判定此次调用无风险；

S13基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险，当存在风险时，基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式。

通过基于财务凭据的类型、财务凭据的重要性对敏感财务凭据的识别，从而实现了对敏感财务凭据和普通财务凭据的区分，进一步降低了进行调用风险监测和处理的难度，提升了整体的处理效率。

通过第一次数阈值的设置，从而将正常的财务凭据的调用以极为简单便捷的方式进行区分，在保证正常的财务凭据调用的基础上，也能够较好的识别异常的调用，从而进一步保证了业务处理的效率以及准确性。

通过基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式，从而实现了从多方面对风险程度的估计，使得最终的风险程度的判断结果更为准确，同时也避免了由于恶意调用财务数据导致的数据泄露以及其他问题的出现。

进一步的技术方案在于，所述财务凭据的类型至少包括：员工财务凭据、企业财务凭据，其中所述员工财务凭据是由员工自身产生的财务凭据，所述企业财务凭据是企业在生产经营过程中产生的财务凭据。

进一步的技术方案在于，确定敏感财务凭据的具体步骤为：

S21基于所述财务凭据的类型判断所述财务凭据是否属于企业财务凭据，若是，则进入步骤S22,若否，则确定所述财务凭据不属于敏感财务凭据；

S22基于所述财务凭据的重要性，判断所述财务凭据的重要性是否大于第一阈值，若是，则进入步骤S23，若否，则确定所述财务凭据不属于敏感财务凭据；

S23确定所述财务凭据属于敏感财务凭据。

通过首先对财务凭据的类型进行判断，再对财务凭据的重要性进行判断，从而在最开始实现了对财务凭据的筛选，减少了需要处理的财务凭据的重要性评估的数量，进一步促进了最终的处理效率的提升，并且保证了较好的判断的精度，避免了不必要的系统运行过程中对处理器资源的消耗以及电能的消耗。

进一步的技术方案在于，第一次数阈值根据所述财务凭据近一年的每日最大调用次数、最近一周的每日平均调用次数、最近一周的每日最大调用次数确定，其中所述第一次数阈值的取值范围在最近一周的每日平均调用次数与近一年的每日最大调用次数之间，具体根据最近一周的每日最大调用次数确定，其中最近一周的每日最大调用次数越多，则第一次数阈值越大。

进一步的技术方案在于，调用方的可靠度评估的具体步骤为：

S31基于调用方的验证方式，确定所述调用方的验证方式可靠度，具体的根据所述验证方式的不同，采用映射的方法，得到所述调用方的验证方式可靠度；

S32获取所述调用方的权限，确定所述调用方的权限可靠度，具体的根据所述调用方的权限的不同，采用映射的方法，得到所述调用方的权限可靠度；

S33基于所述调用方的权限可靠度以及所述调用方的验证方式可靠度得到所述调用方的可靠度。

通过综合调用方的权限可靠度以及所述调用方的验证方式可靠度得到所述调用方的可靠度，从而实现了从多角度对调用方的可靠度的判断，使得最终的结果变得更加的准确。

进一步的技术方案在于，对本次的风险程度进行预测的具体步骤为：

S41获取所述财务凭据在当日的调用次数，基于所述当日的调用次数与所述第一次数阈值的比值得到调用严重度；

S42基于所述调用严重度、所述调用方的可靠度构建风险程度输入集；

S43基于所述风险程度输入集，采用基于SSA算法优化的SVR算法的风险程度预测模型，得到本次的风险程度。

通过基于调用严重度、所述调用方的可靠度，实现对本次的风险程度的评估，从而使得能够准确的实现对风险程度的评估，并且通过采用基于SSA算法优化的SVR算法的风险程度预测模型，从而使得最终的评估结果的效率也得到了一定程度的提升。

进一步的技术方案在于，在所述SSA算法的迭代过程中，发现者位置的更新公式为：

其中𝑿^𝑡 _i,𝑗 为第𝑡次迭代时第𝑖只麻雀在第𝑗维中的位置信息；𝛼为(0,1]的随机数；𝑡_max为最大迭代次数；𝑅₂为麻雀种群位置的预警值，𝑅₂∈[0,1]；𝑆为麻雀种群位置的安全值，𝑆∈[0.5,1]；K₁、K₂为常数；𝑳为元素均为1的1×d矩阵，d为维度。

进一步的技术方案在于，所述处理方式至少包括阻止本次调用、发出异常调用提醒，其中当所述风险程度大于第一风险程度阈值时，发出异常调用提醒；当所述风险程度大于第二风险程度阈值或者所述风险程度大于第一风险程度阈值且当日的调用次数大于近一年的每日最大调用次数时，阻止本次调用。

进一步的技术方案在于，第二风险程度阈值大于第一风险程度阈值，所述第二风险程度阈值、所述第一风险程度阈值均根据公司的规模、公司的人数、公司的财务凭据的重要性进行确定。

另一方面，本发明提供了一种基于AI的RPA财务机器人应用中的风险预警系统，采用上述的一种基于AI的RPA财务机器人应用中的风险预警方法，包括敏感财务凭据判断模块，调用次数确定模块，风险判断模块，风险程度评估模块，结果输出模块；

其中所述敏感财务凭据判断模块负责进行敏感财务凭据的判断；

所述调用次数确定模块负责读取财务凭据在当日的调用次数；

所述风险判断模块负责基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险；

所述风险程度评估模块负责基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测；

所述结果输出模块负责根据风险程度的不同进行不同的处理方式的输出。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1的一种基于AI的RPA财务机器人应用中的风险预警方法的流程图；

图2是实施例2中的一种基于AI的RPA财务机器人应用中的风险预警系统的框架图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

实施例1

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于AI的RPA财务机器人应用中的风险预警方法，包括：

S11获取RPA财务机器人调用的财务凭据，并判断所述财务凭据是否属于敏感财务凭据，若是，则进入步骤S12，若否，则判定此次调用无风险，其中所述敏感财务凭据根据所述财务凭据的类型、财务凭据的重要性进行确定，所述财务凭据的重要性根据所述财务凭据的内容，采用基于专家打分的方式确定；

需要另外说明的是，RPA英文名称为Robotic Process Automation，中文译为机器人流程自动化。这里的机器人指的是虚拟机器人一种商业软件，并不是实体物理机器人。RPA通过录屏、脚本等形式模拟人类的工作方式，从而执行那些基于规则、重复的业务流程，把人类从枯燥、繁琐的业务流程中解放出来，去做一些更有意义的工作。财务RPA机器人是一种处理重复性工作、模拟手工操作的程序。

需要另外说明的是，财务凭据的类型包括1、发票(最多的，也是常常被提起的);2、外企业开具的收据;3、财政非税收入专用收据;4、医院、学校等使用的专用收据等;5、捐赠收据;6、银行、邮政、铁路等部门收费凭据等;7、企业内部自己的工资表、奖励单、付款单、收款收据、成本核算资料、实物发放资料等;8、资产被盗报警资料、法院裁定(判决、调解书)等，同时也可以根据产生财务凭据主体的不同分为公司以及员工。

需要另外说明的是，财务凭据的重要性采用专家打分的方式确定，取值范围在0到1之间，其中对于反应公司进出货价格、现金流量等的财务凭据，其重要性打分可以为最高为1，对于反应员工个人住宿发票、车票等财务凭据，此种的重要性打分可以为最低，为0。

S12判断所述财务凭据在当日的调用次数是否大于第一次数阈值，若是，则进入步骤S13，若否，则判定此次调用无风险；

需要另外说明的是，第一次数阈值根据历史中的次数确定，具体的可以根据最近一年的调用次数的平均值，或者根据最近一年的调用次数的中位值确定。

S13基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险，当存在风险时，基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式。

需要另外说明的是，调用方的验证方式可以为账号登陆、移动验证终端登录、生物学手段验证等等，不同的验证方式其可靠度明显不同，具体的可以通过设定好的映射表或者其他方式实现对调用方的可靠度的评估。

需要另外说明的是，可靠度的取值范围在0到1之间，当可靠度小于一定的可靠度阈值时，说明此时的可靠度偏低，判定存在风险。

需要另外说明的是，风险程度的取值范围在0到1之间，根据风险程度的大小不同，当超过一定的阈值之后，阻止本次的调用操作，当超过更小的阈值之后，则输出告警信号等等。

通过基于财务凭据的类型、财务凭据的重要性对敏感财务凭据的识别，从而实现了对敏感财务凭据和普通财务凭据的区分，进一步降低了进行调用风险监测和处理的难度，提升了整体的处理效率。

通过第一次数阈值的设置，从而将正常的财务凭据的调用以极为简单便捷的方式进行区分，在保证正常的财务凭据调用的基础上，也能够较好的识别异常的调用，从而进一步保证了业务处理的效率以及准确性。

通过基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式，从而实现了从多方面对风险程度的估计，使得最终的风险程度的判断结果更为准确，同时也避免了由于恶意调用财务数据导致的数据泄露以及其他问题的出现。

在另外一种可能的实施例中，所述财务凭据的类型至少包括：员工财务凭据、企业财务凭据，其中所述员工财务凭据是由员工自身产生的财务凭据，所述企业财务凭据是企业在生产经营过程中产生的财务凭据。

需要另外说明的是，员工财务凭据可以为员工工资、员工出差补贴、员工出差发票、员工招待发票等等。

在另外一种可能的实施例中，确定敏感财务凭据的具体步骤为：

S21基于所述财务凭据的类型判断所述财务凭据是否属于企业财务凭据，若是，则进入步骤S22,若否，则确定所述财务凭据不属于敏感财务凭据；

S22基于所述财务凭据的重要性，判断所述财务凭据的重要性是否大于第一阈值，若是，则进入步骤S23，若否，则确定所述财务凭据不属于敏感财务凭据；

S23确定所述财务凭据属于敏感财务凭据。

通过首先对财务凭据的类型进行判断，再对财务凭据的重要性进行判断，从而在最开始实现了对财务凭据的筛选，减少了需要处理的财务凭据的重要性评估的数量，进一步促进了最终的处理效率的提升，并且保证了较好的判断的精度，避免了不必要的系统运行过程中对处理器资源的消耗以及电能的消耗。

在另外一种可能的实施例中，第一次数阈值根据所述财务凭据近一年的每日最大调用次数、最近一周的每日平均调用次数、最近一周的每日最大调用次数确定，其中所述第一次数阈值的取值范围在最近一周的每日平均调用次数与近一年的每日最大调用次数之间，具体根据最近一周的每日最大调用次数确定，其中最近一周的每日最大调用次数越多，则第一次数阈值越大。

在另外一种可能的实施例中，调用方的可靠度评估的具体步骤为：

S31基于调用方的验证方式，确定所述调用方的验证方式可靠度，具体的根据所述验证方式的不同，采用映射的方法，得到所述调用方的验证方式可靠度；

S32获取所述调用方的权限，确定所述调用方的权限可靠度，具体的根据所述调用方的权限的不同，采用映射的方法，得到所述调用方的权限可靠度；

S33基于所述调用方的权限可靠度以及所述调用方的验证方式可靠度得到所述调用方的可靠度。

需要另外说明的是，所述调用方的可靠度的计算公式为：

其中P₁、P₂分别为所述调用方的权限可靠度以及所述调用方的验证方式可靠度,K₃、K₄、K₅、K₆为常数。

通过综合调用方的权限可靠度以及所述调用方的验证方式可靠度得到所述调用方的可靠度，从而实现了从多角度对调用方的可靠度的判断，使得最终的结果变得更加的准确。

在另外一种可能的实施例中，对本次的风险程度进行预测的具体步骤为：

S41获取所述财务凭据在当日的调用次数，基于所述当日的调用次数与所述第一次数阈值的比值得到调用严重度；

S42基于所述调用严重度、所述调用方的可靠度构建风险程度输入集；

S43基于所述风险程度输入集，采用基于SSA算法优化的SVR算法的风险程度预测模型，得到本次的风险程度。

通过基于调用严重度、所述调用方的可靠度，实现对本次的风险程度的评估，从而使得能够准确的实现对风险程度的评估，并且通过采用基于SSA算法优化的SVR算法的风险程度预测模型，从而使得最终的评估结果的效率也得到了一定程度的提升。

在另外一种可能的实施例中，在所述SSA算法的迭代过程中，发现者位置的更新公式为：

其中𝑿^𝑡 _i,𝑗 为第𝑡次迭代时第𝑖只麻雀在第𝑗维中的位置信息；𝛼为(0,1]的随机数；𝑡_max为最大迭代次数；𝑅₂为麻雀种群位置的预警值，𝑅₂∈[0,1]；𝑆为麻雀种群位置的安全值，𝑆∈[0.5,1]；K₁、K₂为常数；𝑳为元素均为1的1×d矩阵，d为维度。

在另外一种可能的实施例中，所述处理方式至少包括阻止本次调用、发出异常调用提醒，其中当所述风险程度大于第一风险程度阈值时，发出异常调用提醒；当所述风险程度大于第二风险程度阈值或者所述风险程度大于第一风险程度阈值且当日的调用次数大于近一年的每日最大调用次数时，阻止本次调用。

在另外一种可能的实施例中，第二风险程度阈值大于第一风险程度阈值，所述第二风险程度阈值、所述第一风险程度阈值均根据公司的规模、公司的人数、公司的财务凭据的重要性进行确定。

实施例2

如图2所示，本发明提供了一种基于AI的RPA财务机器人应用中的风险预警系统，采用上述的一种基于AI的RPA财务机器人应用中的风险预警方法，包括敏感财务凭据判断模块，调用次数确定模块，风险判断模块，风险程度评估模块，结果输出模块；

其中所述敏感财务凭据判断模块负责进行敏感财务凭据的判断；

所述调用次数确定模块负责读取财务凭据在当日的调用次数；

所述风险判断模块负责基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险；

所述风险程度评估模块负责基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测；

所述结果输出模块负责根据风险程度的不同进行不同的处理方式的输出。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种基于AI的RPA财务机器人应用中的风险预警方法，其特征在于，具体包括：

S11获取RPA财务机器人调用的财务凭据，并判断所述财务凭据是否属于敏感财务凭据，若是，则进入步骤S12，若否，则判定此次调用无风险，其中所述敏感财务凭据根据所述财务凭据的类型、财务凭据的重要性进行确定，所述财务凭据的重要性根据所述财务凭据的内容，采用基于专家打分的方式确定；

S12判断所述财务凭据在当日的调用次数是否大于第一次数阈值，若是，则进入步骤S13，若否，则判定此次调用无风险；

S13基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险，当存在风险时，基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测，并根据风险程度的不同采用不同的处理方式；

对本次的风险程度进行预测的具体步骤为：

S41获取所述财务凭据在当日的调用次数，基于所述当日的调用次数与所述第一次数阈值的比值得到调用严重度；

S42基于所述调用严重度、所述调用方的可靠度构建风险程度输入集；

S43基于所述风险程度输入集，采用基于SSA算法优化的SVR算法的风险程度预测模型，得到本次的风险程度；

所述处理方式至少包括阻止本次调用、发出异常调用提醒，其中当所述风险程度大于第一风险程度阈值时，发出异常调用提醒；当所述风险程度大于第二风险程度阈值或者所述风险程度大于第一风险程度阈值且当日的调用次数大于近一年的每日最大调用次数时，阻止本次调用。

2.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，所述财务凭据的类型至少包括：员工财务凭据、企业财务凭据，其中所述员工财务凭据是由员工自身产生的财务凭据，所述企业财务凭据是企业在生产经营过程中产生的财务凭据。

3.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，确定敏感财务凭据的具体步骤为：

S21基于所述财务凭据的类型判断所述财务凭据是否属于企业财务凭据，若是，则进入步骤S22,若否，则确定所述财务凭据不属于敏感财务凭据；

S22基于所述财务凭据的重要性，判断所述财务凭据的重要性是否大于第一阈值，若是，则进入步骤S23，若否，则确定所述财务凭据不属于敏感财务凭据；

S23确定所述财务凭据属于敏感财务凭据。

4.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，第一次数阈值根据所述财务凭据近一年的每日最大调用次数、最近一周的每日平均调用次数、最近一周的每日最大调用次数确定，其中所述第一次数阈值的取值范围在最近一周的每日平均调用次数与近一年的每日最大调用次数之间，具体根据最近一周的每日最大调用次数确定，其中最近一周的每日最大调用次数越多，则第一次数阈值越大。

5.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，调用方的可靠度评估的具体步骤为：

S31基于调用方的验证方式，确定所述调用方的验证方式可靠度，具体的根据所述验证方式的不同，采用映射的方法，得到所述调用方的验证方式可靠度；

S32获取所述调用方的权限，确定所述调用方的权限可靠度，具体的根据所述调用方的权限的不同，采用映射的方法，得到所述调用方的权限可靠度；

S33基于所述调用方的权限可靠度以及所述调用方的验证方式可靠度得到所述调用方的可靠度。

6.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，在所述SSA算法的迭代过程中，发现者位置的更新公式为：

其中X^t _i,j为第t次迭代时第i只麻雀在第j维中的位置信息；α为(0,1]的随机数；t_max为最大迭代次数；R₂为麻雀种群位置的预警值，R₂∈[0,1]；S为麻雀种群位置的安全值，S∈[0.5,1]；K₁、K₂为常数；L为元素均为1的1×d矩阵，d为维度。

7.如权利要求1所述的RPA财务机器人应用中的风险预警方法，其特征在于，第二风险程度阈值大于第一风险程度阈值，所述第二风险程度阈值、所述第一风险程度阈值均根据公司的规模、公司的人数、公司的财务凭据的重要性进行确定。

8.一种基于AI的RPA财务机器人应用中的风险预警系统，采用权利要求1-7任意一项所述的一种基于AI的RPA财务机器人应用中的风险预警方法，包括敏感财务凭据判断模块，调用次数确定模块，风险判断模块，风险程度评估模块，结果输出模块；

其中所述敏感财务凭据判断模块负责进行敏感财务凭据的判断；

所述调用次数确定模块负责读取财务凭据在当日的调用次数；

所述风险判断模块负责基于所述财务凭据的调用方的验证方式以及调用方的权限得到所述调用方的可靠度，并基于所述调用方的可靠度判断此次调用是否存在风险；

所述风险程度评估模块负责基于所述调用方的可靠度、当日的调用次数，采用基于机器学习算法的预测模型对本次的风险程度进行预测；

所述结果输出模块负责根据风险程度的不同进行不同的处理方式的输出；

所述处理方式至少包括阻止本次调用、发出异常调用提醒，其中当所述风险程度大于第一风险程度阈值时，发出异常调用提醒；当所述风险程度大于第二风险程度阈值或者所述风险程度大于第一风险程度阈值且当日的调用次数大于近一年的每日最大调用次数时，阻止本次调用。

Images