Im öffentlichen Finanzsektor kann die Möglichkeit, Betrug zu erkennen und gleichzeitig Daten ausschließlich im Land zu speichern, eine geschäftskritische Anforderung sein.
Diese Lösung bietet eine Blaupause, um diese Herausforderung mit Cloud de Confiance by S3NSzu bewältigen. Behörden können BigQuery ML bereitstellen, um Cloud de Confiance by S3NS Millionen von Steuererklärungen zu analysieren und risikoreiche Anomalien in Echtzeit zu erkennen. Gleichzeitig verwendet ein lokales, offenes Gemma-RAG-System die Vektorsuche, um diese Anomalien direkt Steuerrichtlinien zuzuordnen. So wird kontextbezogene Compliance und vollständige Prüfbarkeit gewährleistet, ohne dass externe API-Aufrufe erfolgen oder Daten außerhalb der Hoheitsgrenzen verschoben werden.
Sie können diese Lösung bereitstellen, indem Sie der zugehörigen Referenzimplementierung mit Terraform folgen.
Zielgruppe
Diese Lösung wurde für nationale Steuerbehörden oder regulierte Finanzinstitute entwickelt. Sie ist für folgende Stakeholder gedacht:
- Prüfer und Steuerfahnder , die Echtzeit-Dashboards prüfen, um gekennzeichnete Anomalien zu untersuchen, und den fundierten Gemma-KI-Assistenten verwenden, um nachvollziehbare Fallzusammenfassungen zu erstellen.
- Compliance-Beauftragte , die die rechtliche Wissensdatenbank des Systems zentral verwalten, indem sie offizielle Steuerrichtliniendokumente über eine sichere, lokale Benutzeroberfläche hochladen und indexieren.
- Data Scientists , die über in GKE gehostete Jupyter-Umgebungen sicher auf Rohdaten zugreifen, um Modelle zur Anomalieerkennung iterativ zu trainieren, zu validieren und neu bereitzustellen.
Hauptfunktionen
- Anomalieerkennung unter Wahrung der Datenhoheit: Mit BigQuery ML können Sie riesige Datensätze durchsuchen und risikoreiche Anomalien sofort kennzeichnen, ohne dass Daten die Hoheitsgrenzen verlassen.
- Retrieval-Augmented Generation (RAG): Führen Sie semantische Vektorsuchen in internen Richtlinienbibliotheken aus, um fundierte, kontextbezogene Erkenntnisse zu gewinnen, mit dem offenen Gemma-LLM.
- Lokalisierte KI-Unterstützung: Erstellen Sie Zusammenfassungen von Richtlinienverstößen mit einem KI-Assistenten, der vollständig innerhalb des regionalen Perimeters ausgeführt wird.
- Dynamisches Wissensmanagement: Pflegen Sie eine aktuelle Compliance- Datenbank, indem Sie offizielle Vorschriften als Vektoreinbettungen indexieren, die sofort in RAG-Pipelines verwendet werden können.
- Dynamische Internationalisierung: Wechseln Sie sofort die Sprache der Benutzeroberfläche zwischen Englisch, Französisch und Deutsch, ohne dass ein Neuladen oder Neustart erforderlich ist.
Architektur
Diese Architektur nutzt BigQuery ML und eine RAG-Pipeline mit Gemma LLM, um eine sichere, kontextbezogene Erkennung von Steueranomalien zu ermöglichen.
Komponenten
In dieser Lösung werden die folgenden Technologien und Cloud de Confiance by S3NS Dienste verwendet:
| Komponente | Technologie | Zweck |
|---|---|---|
| Daten | Python | Steuerdaten generieren (TRAINING/NEW_FILING). |
| Modell | BigQuery ML | Logistische Regression für die Anomalieerkennung. |
| LLM | Gemma | Offenes Modell, das kontextbezogene Erkenntnisse liefert, die auf offiziellen Steuerrichtlinien basieren. |
| RAG | BigQuery | Vektorsuche für semantische Übereinstimmung und RAG-Fundierung. |
| Containerinfrastruktur | GKE | Containerinfrastruktur für die Anwendung der Steuerbehörde und den JupyterHub-Server. |
| Analyse | Jupyter | Notebook für das Training und die Analyse/Validierung von ML-Modellen. |
| App | Flask | Webanwendung für die Visualisierung von Vorhersagen. |
Referenzimplementierung
Eine Referenzimplementierung dieser Lösung mit Terraform finden Sie in GitHub. Beachten Sie, dass es sich um einen Proof-of-Concept-Prototyp handelt, der zu Demonstrationszwecken entwickelt wurde. Die Implementierung wurde nicht geprüft oder für Produktionsanwendungsfälle gesichert.
Informationen zu den Voraussetzungen und zur Bereitstellung finden Sie unter Anomalieerkennung für Steuerdaten unter Wahrung der Datenhoheit mit BigQuery ML und Gemma.