Τη δυνατότητα διασταυρώσεων μέσα σε ένα δευτερόλεπτο, δεδομένων που προέρχονται από τις κινήσεις των τραπεζικών λογαριασμών καθώς και από τα social media με σκοπό την ανίχνευση φοροδιαφυγής από φυσικά και νομικά πρόσωπα, θα διενεργεί το νέο υπερόπλο της ΑΑΔΕ, που θα τεθεί σε λειτουργεί από το καλοκαίρι.
Πρόκειται για το «Σύστημα Προηγμένης Επιχειρησιακής Νοημοσύνης (ΒΙ) και Ανάλυσης Δεδομένων (Data Analytics)», το οποίο θα στηρίζεται στην Τεχνητή Νοημοσύνη και σύμφωνα με το νέο χρονικό ορόσημο, το έργο θα παραδοθεί μέχρι την 30η Ιουνίου 2026.
Όπως έχει γράψει το BD το έργο που χρηματοδοτείται από το Ταμείο Ανάκαμψης ενσωματώνει τη δημιουργία, τη διαχείριση και τη συντήρηση μίας υποδομής Επιχειρηματικής Ευφυΐας και Αναλυτικής Δεδομένων καθώς και υπηρεσιών που ενοποιούν, επεξεργάζονται και οργανώνουν τα δεδομένα από διάφορες πηγές, όπως οι τράπεζες, η Αστυνομία, το ΓΕΜΗ, ο ΕΦΚΑ κ.λπ.
Στόχος είναι η άντληση και αξιοποίηση δεδομένων από κάθε πηγή, είτε της ΑΑΔΕ είτε τρίτων φορέων και η δημιουργία μιας «λίμνης δεδομένων» (Enterprise Data Lake – EDL), με τα στοιχεία και τις συναλλαγές όλων των φορολογουμένων, τα οποία θα διασταυρώνονται τόσο με εντολή των ελεγκτών όσο και αυτόματα.
Οι τράπεζες και το διαδίκτυο
Ωστόσο, μέσα στις προδιαγραφές του νέου ευφυούς συστήματος ανίχνευσης φοροδιαφυγής, κυρίαρχη θέση έχουν οι τραπεζικοί λογαριασμοί και το διαδίκτυο. Η άντληση δεδομένων από τις δύο πηγές θα γίνεται αυτόματα και θα συσχετίζονται επίσης αυτόματα με τις φορολογικές δηλώσεις των φορολογουμένων.
Η αναζήτηση στοιχείων από τις τράπεζες και το διαδίκτυο, θα είναι αυτόματη σε κάθε προσπάθεια ανίχνευσης της δραστηριότητας φυσικών ή νομικών προσώπων. Συγκεκριμένα οι προδιαγραφές του έργου προβλέπουν:
Δυνατότητα διασταύρωσης με τραπεζικά στοιχεία όπως στοιχεία καταθέσεων, στοιχεία κινήσεων καρτών, στοιχεία συναλλαγών.
Δημιουργία προφίλ ενός φυσικού ή νομικού προσώπου από ανοιχτά δεδομένα και διασταύρωση με δεδομένα από ΠΣ της ΑΑΔΕ όπως το myData, τις περιοδικές δηλώσεις ΦΠΑ, το Σύστημα Μητρώου Τραπεζικών Λογαριασμών ή myHands, τις δηλώσεις φόρου εισοδήματος, μητρώου κλπ.
Αξιοποίηση ανοιχτών δεδομένων στο πλαίσιο επιλογής και στόχευσης υποθέσεων ελέγχου.
Διασταύρωση ανοικτών δεδομένων από το διαδίκτυο (Facebook, Instagram, Tik Tok) για την εύρεση στοιχείων που αφορούν στη δραστηριότητα και τον τρόπο ζωής των φορολογουμένων.
Προγνωστική επεξεργασία δεδομένων από διαφορετικές πηγές χρησιμοποιώντας ταυτόχρονα και στοιχεία της αγοράς με τα ενδεικτικά παρακάτω στοιχεία: α) Προφίλ ασφαλισμένου β) Τραπεζικά στοιχεία (καταθέσεις, σύνολο συναλλαγών) γ) Στοιχεία φορολογικών δηλώσεων δ) Ληξιπρόθεσμα, εμπρόθεσμη είσπραξη, διαγραφή, ε)Πληθωρισμός.
Αναφορά με δεδομένα πλήθους και βεβαίωσης που αφορούν σε φορολογικούς ελέγχους σε συνδυασμό με το ποσό μορίων τους και τα δεδομένα φορολογικών δηλώσεων για συγκεκριμένους ΑΦΜ.
Διασταυρώσεις στο... δευτερόλεπτο
Η ταχύτητα των διασταυρώσεων θα είναι άμεση, παρά τον τεράστιο όγκο των δεδομένων που θα συγκεντρώνονται και θα διασταυρώνονται, εντός δευτερολέπτου.
Σύμφωνα με τις τεχνικές προδιαγραφές της εφαρμογής, τα κρίσιμα δεδομένα θα ενσωματωθούν στη Data Lake με τη μέθοδο «Event Stream Ingestion».
Στη συγκεκριμένη κατηγορία εντάσσονται δεδομένα τα οποία είναι κρίσιμα να ενταχθούν στο σύνολο της διαθέσιμης πληροφορίας σε σύντομο χρονικό διάστημα.
Όπως διευκρινίζεται, στη συγκεκριμένη κατηγορία δεδομένων η ταχύτητα ενσωμάτωσης παίζει πιο σημαντικό ρόλο από τον όγκο των δεδομένων.
Για το συγκεκριμένο λόγο αναπτύσσονται διεπαφές που θα επιτρέπουν την online ενσωμάτωση δεδομένων στο υπολογιστικό νέφος. Αυτό ο μηχανισμός ingestion θα πρέπει να μπορεί να διαχειριστεί χιλιάδες μηνύματα το δευτερόλεπτο χωρίς απώλειες από εκατοντάδες πηγές.
Το συγκεκριμένο μέσο θα μπορεί να εκθέσει ένα σύνολο από PUSH operations APIs τα οποία θα δημιουργηθούν για να καλύψουν τις λειτουργικές ανάγκες της ΑΑΔΕ. H υποδοχή μηνυμάτων θα πρέπει να γίνεται μέσω ουρών αναμονής και να λειτουργεί ως προσωρινή μνήμη.
Συγχρόνως θα παρέχει δυνατότητα μαζικής επεξεργασίας δεδομένων (Batch processing). Λόγω του ότι ο όγκος των δεδομένων είναι μεγάλος, η λύση μεγάλων δεδομένων θα πρέπει να επεξεργάζεται αρχεία χρησιμοποιώντας μαζικές διεργασίες (batch processing) για να φιλτράρει, να συγκεντρώνει και να προετοιμάζει δεδομένα για ανάλυση.
Οι εργασίες περιλαμβάνουν την ανάγνωση αρχείων πηγής, την επεξεργασία τους και την εγγραφή του αποτελέσματος σε νέα αρχεία.
Ακόμη, μετά τη λήψη μηνυμάτων σε πραγματικό χρόνο, η λύση πρέπει να μπορεί να τα επεξεργάζεται φιλτράροντας, συγκεντρώνοντας και γενικά προετοιμάζοντας τα δεδομένα για ανάλυση. Τα δεδομένα, παράλληλα με την επεξεργασία τους σε πραγματικό χρόνο, θα πρέπει να αποθηκεύονται (τυπικά σε ένα data lake) για να συνδυαστούν/χρησιμοποιηθούν και από ασύγχρονες διαδικασίες (batch processes) σε δεύτερο χρόνο.
Ακολουθήστε το Business Daily στο Google news
