זיהוי אנומליות במס עם BigQuery ML ו-Gemma

במגזר הפיננסי הציבורי, היכולת לזהות הונאות תוך שמירה על נתונים בתוך המדינה יכולה להיות דרישה קריטית.

הפתרון הזה מספק תוכנית פעולה להתמודדות עם האתגר הזה באמצעות Cloud de Confiance by S3NS. סוכנויות יכולות לפרוס את BigQuery ML ב- Cloud de Confiance by S3NS כדי לנתח מיליוני הצהרות מס ולזהות אנומליות בסיכון גבוה בזמן אמת. במקביל, מערכת Gemma RAG מקומית עם משקלים פתוחים משתמשת בחיפוש וקטורי כדי למפות את האנומליות האלה ישירות למדיניות מס. כך אפשר לוודא שהתאימות תהיה מודעת להקשר ושהביקורת תהיה מלאה, בלי לבצע קריאות ל-API חיצוני או להעביר נתונים מחוץ לגבולות הריבונות.

כדי לפרוס את הפתרון הזה, צריך לפעול לפי הטמעה לדוגמה שמצורפת באמצעות Terraform.

משתמשי היעד

הפתרון הזה מיועד לרשויות מס לאומיות או לסוכנויות פיננסיות מפוקחות. הוא מיועד לבעלי העניין הבאים:

• מבקרים וחקירות מס שבודקים לוחות בקרה בזמן אמת כדי לחקור אנומליות שסומנו, ומשתמשים בעוזר ה-AI של Gemma כדי ליצור סיכומים של מקרים שאפשר לעקוב אחריהם.
• פקידי תאימות שמנהלים באופן מרכזי את מאגר הידע המשפטי של המערכת על ידי העלאה ואינדוקס של מסמכי מדיניות רשמיים בנושא מיסים בממשק מקומי ומאובטח.
• מדעני נתונים שמקבלים גישה מאובטחת לנתונים גולמיים באמצעות סביבות Jupyter שמתארחות ב-GKE, כדי לאמן, לאמת ולפרוס מחדש מודלים לזיהוי אנומליות באופן איטרטיבי.

יכולות הליבה

• זיהוי חריגות ריבוני: אפשר להשתמש ב-BigQuery ML כדי לסרוק מערכי נתונים עצומים ולסמן חריגות בסיכון גבוה באופן מיידי, וכך לוודא שהנתונים לא יוצאים מהגבול הריבוני.
• ‫Retrieval-Augmented Generation (RAG): הפעלת חיפושי וקטור סמנטיים בספריות מדיניות פנימיות כדי לספק תובנות מבוססות-הקשר באמצעות Gemma LLM עם משקלים פתוחים.
• עזרה מבוססת-AI בשפה המקומית: אפשר ליצור סיכומים של הפרות מדיניות באמצעות עוזר מבוסס-AI שפועל באופן מלא בתוך הגבולות האזוריים.
• ניהול ידע דינמי: שמירה על מסד נתונים עדכני של תאימות באמצעות יצירת אינדקס של תקנות רשמיות כהטמעות וקטוריות לשימוש מיידי בצינורות RAG.
• התאמה דינמית לשפות שונות: מעבר מיידי בין שפות הממשק – אנגלית, צרפתית וגרמנית – בלי לטעון מחדש או להפעיל מחדש.

ארכיטקטורה

הארכיטקטורה הזו מתבססת על BigQuery ML ועל פייפליין RAG עם Gemma LLM כדי לספק זיהוי מאובטח של אנומליות במס, שמודע להקשר.

רכיבים

הטכנולוגיות והשירותים הבאים נמצאים בשימוש בפתרון הזה: Cloud de Confiance by S3NS

רכיב	טכנולוגיה	מטרה
נתונים	Python	יצירת נתוני מס (TRAINING/NEW_FILING).
מודל	‫BigQuery ML	רגרסיה לוגיסטית לזיהוי אנומליות.
LLM	‏Gemma	מודל עם משקלים פתוחים שמספק תובנות מבוססות-הקשר שמתבססות על מדיניות מס רשמית.
RAG	BigQuery	חיפוש וקטורי להתאמה סמנטית ועיגון RAG.
תשתית קונטיינרים	GKE	תשתית קונטיינרים לאפליקציה של משרד המס ולשרת JupyterHub.
ניתוח	Jupyter	מחברת לאימון מודלים של למידת מכונה ולניתוח או אימות.
אפליקציה	בקבוקון לשתייה חריפה	אפליקציית אינטרנט להצגת חיזויים.

הטמעה לדוגמה

ב-GitHub אפשר למצוא הטמעה לדוגמה של הפתרון הזה באמצעות Terraform. הערה: זהו אב-טיפוס של הוכחת היתכנות שנבנה למטרות הדגמה, וההטמעה לא נבדקה או אובטחה לשימוש בתרחישי ייצור.

מידע על הדרישות המוקדמות והוראות הפריסה זמין במאמר Sovereign Tax זיהוי אנומליות with BigQuery ML and Gemma.