Dans le secteur financier public, la capacité à détecter les fraudes tout en conservant les données strictement dans le pays peut être une exigence essentielle.
Cette solution fournit un plan pour relever ce défi avec Cloud de Confiance by S3NS. Les agences peuvent déployer BigQuery ML sur Cloud de Confiance by S3NS pour analyser des millions de déclarations fiscales et identifier les anomalies à haut risque en temps réel. Simultanément, un système RAG Gemma local à poids ouvert utilise la recherche vectorielle pour mapper ces anomalies directement aux politiques fiscales. Cela garantit une conformité tenant compte du contexte et une auditabilité complète, sans effectuer d'appels d'API externes ni déplacer les données en dehors de la limite souveraine.
Vous pouvez déployer cette solution en suivant l'implémentation de référence fournie avec Terraform.
Audience cible
Cette solution est conçue pour les autorités fiscales nationales ou les agences financières réglementées. Elle s'adresse aux parties prenantes suivantes :
- Auditeurs et enquêteurs fiscaux qui examinent les tableaux de bord en temps réel pour enquêter sur les anomalies signalées et utilisent l'assistant IA Gemma ancré pour générer des résumés de cas traçables.
- Responsables de la conformité qui gèrent de manière centralisée la base de connaissances juridiques du système en important et en indexant les documents officiels de la politique fiscale dans une interface locale sécurisée.
- Data scientists qui accèdent de manière sécurisée aux données brutes à l'aide d'environnements Jupyter hébergés sur GKE pour entraîner, valider et redéployer de manière itérative des modèles de détection d'anomalies.
Fonctionnalités de base
- Détection d'anomalies souveraine : utilisez BigQuery ML pour examiner des ensembles de données volumineux et signaler instantanément les anomalies à haut risque, en veillant à ce que les données ne quittent jamais la limite souveraine.
- Génération augmentée par récupération (RAG) : exécutez des recherches vectorielles sémantiques dans les bibliothèques de politiques internes pour fournir des insights ancrés et tenant compte du contexte à l’aide du LLM Gemma à poids ouvert.
- Assistance IA localisée : générez des résumés des violations de la politique à l'aide d' un assistant IA s'exécutant entièrement dans le périmètre régional.
- Gestion dynamique des connaissances : maintenez une base de données de conformité à jour en indexant les réglementations officielles sous forme d'embeddings vectoriels pour une utilisation immédiate dans les pipelines RAG.
- Internationalisation dynamique : basculez instantanément la langue de l'interface utilisateur entre l'anglais, le français et l'allemand sans rechargement ni redémarrage.
Architecture
Cette architecture exploite BigQuery ML et un pipeline RAG avec le LLM Gemma pour fournir une détection sécurisée et tenant compte du contexte des anomalies fiscales.
Composants
Les technologies et Cloud de Confiance by S3NS services suivants sont utilisés dans cette solution :
| Composant | Technologies | Objectif |
|---|---|---|
| Données | Python | Générer des données fiscales (TRAINING/NEW_FILING). |
| Modèle | BigQuery ML | Régression logistique pour la détection d'anomalies. |
| LLM | Gemma | Modèle à poids ouvert fournissant des insights tenant compte du contexte et basés sur la politique fiscale officielle. |
| RAG | BigQuery | Recherche vectorielle pour la correspondance sémantique et l'ancrage RAG. |
| Infrastructure de conteneurs | GKE | Infrastructure de conteneurs pour l'application du centre des impôts et le serveur JupyterHub. |
| Analyse | Jupyter | Notebook pour l'entraînement et l'analyse/validation du modèle de ML. |
| Application | Flask | Application Web pour la visualisation des prédictions. |
Implémentation de référence
Une implémentation de référence de cette solution avec Terraform est fournie dans GitHub. Notez qu'il s'agit d'un prototype de preuve de concept conçu à des fins de démonstration, et que l'implémentation n'est pas auditée ni sécurisée pour les cas d'utilisation en production.
Pour connaître les prérequis et obtenir des instructions de déploiement, consultez Détection d'anomalies fiscales souveraines avec BigQuery ML et Gemma.