Την τεχνολογία της τεχνητής νοημοσύνης επιστρατεύει η ΑΑΔΕ στη μάχη κατά της φοροδιαφυγής και της αύξησης των φορολογικών εσόδων. Ηδη, τέθηκε σε διαβούλευση το σχέδιο της διακήρυξης για την προμήθεια συστήματος προηγμένης επιχειρησιακής νοημοσύνης (BI) και ανάλυσης δεδομένων (Data Analytics), έργο ύψους 5,6 εκατ. ευρώ το οποίο θα χρηματοδοτηθεί από το Ταμείο Ανάκαμψης. Το σύστημα θα διαθέτει τεχνικές και εργαλεία τεχνητής νοημοσύνης και μηχανικής μάθησης όπως μοντέλα πρόγνωσης, εξόρυξης δεδομένων, στατιστικής και ποσοτικής ανάλυσης, προσημειώσεις κλπ., που θα οδηγήσει στην καλύτερη εκμετάλλευση των δεδομένων της ΑΑΔΕ.
Σε συνεργασία με το προσωπικό της ΑΑΔΕ θα σχεδιαστούν και θα υλοποιηθούν διάφορες περιπτώσεις χρήσης με στόχο τη βελτίωση της απόδοσης ως προς την είσπραξη δημοσίων εσόδων, τη βελτίωση της φορολογικής συμμόρφωσης, την καταπολέμηση της φοροδιαφυγής, του λαθρεμπορίου, της απάτης και της αισχροκέρδειας.
Με το νέο σύστημα θα ανιχνεύονται σε πραγματικό χρόνο ύποπτα περιστατικά φοροδιαφυγής και λαθρεμπορίου ενώ οι φορολογούμενοι κατηγοριοποιούνται ανάλογα με τη συμπεριφορά τους πχ στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κλπ.
Πιο συγκεκριμένα, το νέο σύστημα θα έχει:
- Διασυνδεσιμότητα και πρόσβαση σε όλα τα δεδομένα της ΑΑΔΕ καθώς και εξωτερικών πηγών
- Δυνατότητα παραγωγής στατιστικών και διαδραστικών αναφορών επιχειρησιακής ευφυΐας για το σύνολο των δεδομένων και πληροφοριών στους επιχειρησιακούς χρήστες.
- Επεξεργασία των δεδομένων σε πραγματικό χρόνο προκειμένου να επιτευχθεί η παραγωγή αναφορών σε πραγματικό χρόνο, η λήψη απόφασης και δράσης βάσει αυτών και η άμεση ενημέρωση των εφαρμογών.
- Σύστημα τεχνητής νοημοσύνης και μηχανικής μάθησης το οποίο θα περιλαμβάνει τεχνικές με τις οποίες θα γίνεται επεξεργασία δεδομένων και εξαγωγή πληροφορίας από μεγάλα σύνολα δεδομένων με σκοπό να γίνουν προβλέψεις για μελλοντικά γεγονότα. Αρχικά, τα ιστορικά δεδομένα χρησιμοποιούνται για να χτίσουν ένα μαθηματικό μοντέλο το οποίο συλλαμβάνει τις σημαντικές μελλοντικές τάσεις. Στη συνέχεια, το μοντέλο πρόβλεψης που δημιουργείται, χρησιμοποιείται σε τρέχοντα δεδομένα για να προβλέψει τι θα συμβεί μελλοντικά ή για να προτείνει δράσεις με τις οποίες θα επιτευχθούν τα καλύτερα δυνατά αποτελέσματα.
- Δυνατότητα παραγωγής συνθετικών δεδομένων.
- Δυνατότητα χρήσης προβλεπτικών μελλοντικών τάσεων
Με το έργο θα καλυφθούν:
- Η διασύνδεση με τα πληροφοριακά συστήματα του ελέγχου: Παροχή δεδομένων για την υλοποίηση έμμεσων τεχνικών ελέγχων και ελεγκτικών διασταυρωτικών επαληθεύσεων.
- Η ανάλυση δεδομένων για σκοπούς στόχευσης ελέγχων: Άντληση και ανάλυση δεδομένων της ΑΑΔΕ σε συνδυασμό με δεδομένα από εξωτερικές πηγές (παγκόσμιο ιστός, κοινωνικά δίκτυα, ανοιχτά δεδομένα κλπ.) για την αποδοτικότερη επικαιροποίηση ανάλυσης κινδύνων στη στόχευση και προτεραιοποίηση των ελέγχων, σε συμφωνία και προς επίτευξη των στόχων του στρατηγικού και επιχειρησιακού σχεδίου της ΑΑΔΕ.
- Η έγκαιρη ανίχνευση περιστατικών φοροδιαφυγής: Ανίχνευση σε πραγματικό χρόνο ύποπτων περιστατικών φοροδιαφυγής και λαθρεμπορίου.
- Η ανακάλυψη δυναμικών σχέσεων μεταξύ των φορολογουμένων: Όπως έχει αποδειχτεί από εφαρμογές άλλων ευρωπαϊκών χωρών είναι πολύ σημαντικό βήμα για την εύρεση απάτης και φοροδιαφυγής.
- Η κατηγοριοποίηση φορολογουμένων: Κατηγοριοποίηση της αναμενόμενης συμπεριφοράς φορολογουμένων πχ στρατηγικός κακοπληρωτής, πιθανότητα φοροδιαφυγής κλπ.
- Το profiling φορολογουμένων: Εύρεση μη εμφανών ομοιοτήτων μεταξύ των φορολογουμένων όπως προκύπτουν μετά από δημογραφική, οικονομική και συμπεριφορική ανάλυση του συνόλου του πληθυσμού των φορολογουμένων. Χρησιμοποιείται στην εκτίμηση κινδύνου και σε άλλες περιπτώσεις χρήσης.
- Η εκτίμηση ρίσκου και αξιολόγηση κινδύνου: Αξιολόγηση των φορολογουμένων ως προς το ρίσκο μη πληρωμής.
- Η πρόβλεψη εσόδων και οφειλών: Πρόβλεψη εσόδων και οφειλών συνολικά και ανά φορολογούμενο ή ανά ΔΟΥ, ανά γεωγραφική περιοχή, ανά επάγγελμα, ή οποιαδήποτε άλλη διάσταση βάση των ιστορικών στοιχείων συμπεριφοράς των φορολογουμένων.
