In the increasingly complex financial landscape, detecting anomalies in accounting data is a crucial task for the auditing process, enhancing the accuracy and transparency of financial reporting. This study focuses on applying machine learning (ML) techniques to detect anomalies, thereby improving the efficiency of financial auditing tasks. Utilizing consolidated ledger data from multiple companies, along with the addition of synthetic anomaly data, we have compared the effectiveness of supervised and unsupervised machine learning models in detecting unusual transactions. The results indicate the wide applicability of machine learning in the field of auditing and open up a new approach in identifying and classifying types of anomalies in accounting data, thereby proposing useful solutions for auditors to optimize workflow and improve audit quality.Trong bối cảnh tài chính ngày càng phức tạp, việc phát hiện bất thường trong dữ liệu kế toán là một nhiệm vụ quan trọng đối với quá trình kiểm toán, giúp nâng cao độ chính xác và minh bạch trong báo cáo tài chính. Nghiên cứu này tập trung vào việc áp dụng các kỹ thuật học máy (Machine Learning - ML) để phát hiện bất thường, qua đó cải thiện hiệu suất công tác kiểm toán tài chính. Sử dụng dữ liệu sổ cái tổng hợp từ nhiều công ty, cùng với việc thêm dữ liệu bất thường giả định, chúng tôi đã thực hiện so sánh hiệu quả giữa các mô hình học máy giám sát và không giám sát trong việc phát hiện các giao dịch bất thường. Kết quả nghiên cứu cho thấy khả năng ứng dụng rộng rãi của học máy trong lĩnh vực kiểm toán, đồng thời mở ra hướng tiếp cận mới trong việc xác định và phân loại các loại bất thường trong dữ liệu kế toán, qua đó đề xuất giải pháp hữu ích cho các nhà kiểm toán trong việc tối ưu hóa quy trình làm việc và cải thiện chất lượng kiểm toán.