THEPOWERGAME
Στη μάχη κατά της φοροδιαφυγής και του λαθρεμπορίου εισέρχεται η τεχνητή νοημοσύνη την οποία επιστρατεύει η ΑΑΔΕ. Ήδη, η φορολογική διοίκηση έθεσε σε διαβούλευση το σχέδιο της διακήρυξης για την προμήθεια συστήματος προηγμένης επιχειρησιακής νοημοσύνης και ανάλυσης δεδομένων (Data Analytics), έργο το οποίο θα υλοποιηθεί με τη βοήθεια του Ταμείου Ανάκαμψης. Το σύστημα θα διαθέτει τεχνικές και εργαλεία τεχνητής νοημοσύνης και μηχανικής μάθησης όπως μοντέλα πρόγνωσης, εξαγωγής δεδομένων, στατιστικής και ποσοτικής ανάλυσης, προσημειώσεις κ.λπ., που θα οδηγήσουν 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.
Στο πλαίσιο αυτό, θα δοθεί έμφαση στον ψηφιακό μετασχηματισμό των φορολογικών και τελωνιακών ελέγχων με τους παρακάτω στόχους:
- Βελτίωση απόδοσης ως προς την είσπραξη δημοσίων εσόδων
- Βελτίωση φορολογικής συμμόρφωσης
- Βελτίωση εσωτερικών διαδικασιών, διαχείρισης ανθρωπίνου δυναμικού, παγίων, υποδομών, δαπανών και κινδύνων
- Καταπολέμηση φοροδιαφυγής, λαθρεμπορίου, απάτης και αισχροκέρδειας.
Τα βασικά χαρακτηριστικά που θα περιλαμβάνει το σύστημα ανάλυσης και εξόρυξης δεδομένων είναι τα εξής:
- Ευελιξία στη διασυνδεσιμότητα καθώς θα έχει πρόσβαση σε όλα τα δεδομένα της ΑΑΔΕ καθώς και εξωτερικών πηγών με στόχο την προ- επεξεργασία, την ενοποίηση, τον μετασχηματισμό και την αξιοποίηση τους
- 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 χρήσης προβλεπτικών μελλοντικών τάσεων.
Από την υλοποίηση του Έργου 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.
Αναμενόμενα Οφέλη
Με τη χρήση ενός καινοτόμου συστήματος ανάλυσης και εξόρυξης δεδομένων η ΑΑΔΕ θέλει να πετύχει τη δημιουργία μετρήσιμης προστιθέμενης αξίας προερχόμενη από την εκμετάλλευση των υπαρχόντων και νέων δεδομένων, μέσω της επίτευξης των παρακάτω στρατηγικών στόχων:
- Διασφάλιση ακεραιότητας του φορολογικού συστήματος ενθαρρύνοντας συμμόρφωση προς το φορολογικό κώδικα. Προκειμένου η πλειονότητα των φορολογουμένων να συμμορφώνεται στο φορολογικό κώδικα, θα πρέπει να υιοθετηθούν καινοτόμες διαδικασίες που θα εντοπίζουν αυτόματα και θα επιλύουν δυνητική μη συμμόρφωση
- Ευελιξία, αποτελεσματικότητα και ασφάλεια λειτουργίας και δεδομένων. Η αποτελεσματική λειτουργία σε μοντέρνες υποδομές αποτελούν θεμέλιο ενός σταθερού, αξιόπιστου οργανισμού και μιας βιώσιμης υπηρεσίας με δυνατότητας επιβολής κανόνων. Ο εξορθολογισμός και η απλοποίηση των διαδικασιών έχουν στόχο την καλύτερη εξυπηρέτηση των φορολογουμένων και βελτίωση της επιστασίας των φοροδοτικών πόρων
- Προηγμένη πρόσβαση σε πληροφορία, δυνατότητα υποβοηθούμενης ανάλυσης αποφάσεων και βελτίωση των λειτουργικών αποτελεσμάτων. Στόχος είναι η χρήση δεδομένων στη λήψη αποφάσεων με όσο το δυνατό πιο αποτελεσματική χρήση των πόρων. Προηγμένη διαχείριση του κύκλου ζωής των δεδομένων — από τη συλλογή, αποθήκευση, πρόσβαση, ανάλυση επιτρέποντας αποτελεσματικότερη και διαφανέστερη εφαρμογή
- Συνεργασία με εξωτερικούς φορείς. Η συνεργασία με εξωτερικούς φορείς, ως προς την ανταλλαγή δεδομένων, επιτρέπει τον εμπλουτισμό των πληροφοριών των φορολογουμένων και κατά συνέπεια τη βελτίωση των παρεχόμενων υπηρεσιών. Η συνεργασία για άντληση δεδομένων και εφαρμογή καινοτόμων τεχνολογιών βελτιώνει την εμπειρία των φορολογουμένων κατά τις συναλλαγές τους με τη φορολογική Αρχή και αναδεικνύει στοιχεία της φορολογικής τους συμπεριφοράς που δεν είναι προφανή.