«یادگیری ماشین» به کلاهبرداری مالیاتی پایان می‌دهد

به گزارش خبرنگار حوزه علم، فناوری و دانش‌بنیان گروه دانشگاه خبرگزاری آنا، اصطلاحات هوش مصنوعی و یادگیری ماشین بلافاصله یادآور فیلم‌هایی همچون ماتریکس هستند که در آن ماشین‌ها خودآگاه می‌شوند و می‌خواهند به جهان پایان دهند. درحالی‌که چنین طرحی ممکن است یک سناریوی جالب برای هالیوود باشد، اما در واقعیت می‌تواند به شکل کاملاً متفاوتی صورت بگیرد.

یادگیری ماشین به کامپیوتر این امکان را می‌دهد تا الگوهای پنهان در داده‌های موجود را ببینند و به‌تدریج عملکرد را بهبود ببخشند بدون اینکه به‌طور صریح برای کار موردنظر برنامه‌نویسی شوند. در عمل، یادگیری ماشین به‌عنوان ابزاری کاربردی برای تحلیلگران داده به شمار می‌آید. قرار نیست که روبات‌ها را به انسان تبدیل کنیم، بلکه در عوض می‌توانیم مضامین معنادار را در حجم عظیم داده‌ها پیدا کنیم و به کاربران نهایی راهکارهایی عملی ارائه دهیم.

این فناوری همچنین می‌تواند نقش اساسی در کاهش کلاه‌برداری و سوءاستفاده داشته باشد، به‌خصوص در سازمان‌های مختلف و به‌ویژه در بخش‌های مالی که بر اساس آن مالیات‌ها را محاسبه می‌کنند. در فصل مالیات، اداره دارایی و نهادهای مرتبط می‌توانند از چندین روش مختلف یادگیری ماشین برای بهبود سطح فعلی کشف تقلب بهره ببرند. بااین‌حال این سؤال باقی می‌ماند،کدام فن بهترین است؟

یادگیری با نظارت

به‌عنوان یک اصل، بهترین فن، فن چندگانه است و این حتی در دنیای کشف تقلب نیز صادق است؛ جایی که قوانین تجارت سنتی و انواع مختلف یادگیری ماشین بر روی یکدیگر لایه‌بندی می‌شوند.

یکی از محبوب‌ترین انواع یادگیری ماشین، یادگیری با نظارت است. یادگیری با نظارت را به‌عنوان الگویی پیش‌بینی کننده قلمداد می‌کنند زیرا می‌تواند به سازمان‌های مالیاتی این امکان را بدهد تا از کل پرونده‌های کلاه‌برداری و ممیزی که در گذشته کارشده‌اند، استفاده کند و دریابد کدام ویژگی این پرونده‌ها با یک پروندهٔ موفق همبستگی دارد. سپس این الگوها را می‌توان به‌صورت یک طرح درآورد تا برای جستجوی خودکار موارد مشابه در آینده استفاده شوند.

روش‌های یادگیری با نظارت با مدل‌سازی پیش‌بینی کننده بیشتر برای نهادهایی مفید است که اسناد مالیاتی گذشته غنی داشته باشند. به‌عبارت‌دیگر آژانس‌های مالیاتی‌ می‌توانند از این مکانیسم استفاده کنند که می‌خواهند ماهی‌هایی بیشتری را از حفره‌هایی که قبلاً در آن صید ماهی صورت گرفته پیدا کنند. به همین دلیل، این روش بیشتر برای تشخیص سرقت هویت و کلاه‌برداری مالی در بخش‌هایی قابل‌استفاده است که مالیات‌دهندگان قبلاً ازآنجا حسابرسی شده باشند؛ بنابراین، ماشین باید موارد ابتدایی را برای یادگیری داشته باشد.

داده‌های موردی که برای آموزش ماشین استفاده می‌شود باید شامل اشتباهات حسابرسان و مواردی که به‌صورت قانونی قابل دور زدن است نیز باشند تا کامپیوتر به‌درستی دریابد که چه نوع حفره‌هایی وجود دارد.

یادگیری ماشین نه‌تنها باعث صرفه‌جویی در ساخت ساختاری برای تشخیص کلاه‌برداری می‌شود بلکه می‌تواند تبعیض را در برابر برخی از مالیات‌دهندگان (در صورت پیاده‌سازی صحیح) از بین ببرد. حسابرسان به‌طور سنتی برای ساختن مجموعه‌ای از قوانین "اگر این‌طور باشد/ پس بدین معناست" در مالیات‌دهندگان به درک مستقیم و شهودی خود از کلاه‌برداری تکیه می‌کنند.

درحالی‌که این روش به‌طور مؤثری پا را فراتر از تجربیات بازرسان و حسابرسان می‌گذارد و از سرنخ‌هایی ظریف به بزرگ‌ترین کلاه‌برداری‌ها می‌رسد.

ارزش یادگیری بدون نظارت

اگر یادگیری با نظارت برای ماهیگیری درجایی باشد که افراد قبلاً در آن ماهیگیری کرده‌اند، نوع دیگری از یادگیری ماشین به نام یادگیری بدون نظارت وجود دارد که به معنای ماهیگیری درجایی است که قبلاً کسی در آن ماهیگیری نکرده است!

درحالی‌که یادگیری با نظارت تعداد ماهی‌های صیدشده در مناطق شناخته‌شده را افزایش می‌دهد، وضعیت بخش‌هایی که موقعیت مالیاتی‌شان مبهم است و نرخ بالای عدم رعایت قوانین و اظهار مالیاتی در آنجا وجود دارد، مبهم باقی می‌ماند.

یادگیری ماشین بدون نظارت هنگامی استفاده می‌شود که داده‌های قبلی در دسترس نباشند و سازمان امور مالیاتی لزوماً آنچه را که به دنبال آن هستند و فن‌های مورداستفاده و... را درست نشناسد (ازاین‌رو اصطلاح «بدون نظارت» مورداستفاده قرار می‌گیرد.) سؤالی که در این فن سعی می‌شود پاسخ داده شود این است که ما چه چیزی را نمی‌دانیم؟

این روش به ماشین اجازه می‌دهد تا بدون آنکه قبلاً در معرض اطلاعات مالیاتی قرارگرفته باشد، در یک مسیر نظارت‌نشده و ناآشنا حرکت کند و توجه شمارا به هر چیزی که غیرمعمول می‌رسد جلب کند.

یکی از این فن‌ها، خوشه‌بندی نامیده می‌شود و یکی از روش‌های انجام این کار است. ماشین به‌طور خودکار تمام اظهارنامه‌های مالیاتی را در گروه‌هایی که دارای شباهات با یکدیگرند قرار می‌دهد (خوشه‌بندی کردن) و سپس اظهارنامه‌هایی را که در خارج از این گروه‌ها قرار دارند را به‌عنوان مواردی که نیاز به بررسی بیشتر دارد مشخص می‌کند.

هر دو رویکرد با نظارت و بدون نظارت می‌تواند برای سازمان‌های مالیاتی دولتی ارزش فوق‌العاده‌ای داشته باشد، به‌ویژه هنگامی‌که سخن از مجموعه‌های پیچیده داده مانند اظهارنامه‌های مالیاتی، تراکنش‌های مالی، اطلاعات تماس مالیات‌دهندگان، حساب‌های قابل وصول، ترافیک شبکه و حتی فعالیت‌های کارمندان باشد.

تغییر باگذشت زمان

یادگیری ماشین می‌تواند درزمینه کاهش کلاه‌برداری و سوءاستفاده از بخش‌های درآمدی سودمند باشد، بااین‌وجود هنوز هم امکان بهبود این مدل‌ها وجود دارد. دولت‌ها می‌خواهند با ایجاد حلقه بازخورد، مدل‌های مالیاتی را بهبود بخشند. اینجاست که محیط‌های یادگیری ماشین از داده‌های جدید ورودی استفاده می‌کنند تا به‌صورت بلادرنگ و دائمی همه‌چیز را تحت نظر داشته باشند.

همچنین می‌توان یادگیری ماشین را به‌گونه‌ای پیکربندی کرد تا به‌طور خودکار به کاربران هشدار دهد که مدل‌های پیش‌بینی‌شده فعلی آن‌ها ازنظر دقت پایین آمده است، به این معنی که برای به دست آوردن پاسخ‌های دقیق، برخی اطلاعات و سازوکارها باید مجدداً تنظیم یا اصطلاحاً ریست شوند.

درک یادگیری ماشین برای بعضی افراد می‌تواند دشوار باشد. بااین‌وجود سیستم مالیاتی علی‌رغم تلاش جدی حسابرسان مالیاتی کشورمان همچنان آکنده از موارد تقلب و سوءاستفاده هستند. کلاه‌برداران به دنبال استفاده از نقاط ضعف و نقاط کور برای بهره‌برداری هستند. یادگیری ماشین قابلیت‌ها و ابزاری باارزش و قدرتمند را برای حسابرسان فراهم می‌کند تا مبالغ دزدی شده را کاهش دهند. یادگیری ماشین می‌تواند حفره‌هایی که سارقان در سیستم مالی پیداکرده‌اند را بیابد و به بستن این شکاف‌ها کمک کند.

انتهای پیام/