Di sektor keuangan publik, kemampuan untuk mendeteksi penipuan sambil menjaga data tetap berada di dalam negeri dapat menjadi persyaratan penting.
Solusi ini memberikan blueprint untuk mengatasi tantangan ini dengan Cloud de Confiance by S3NS. Lembaga pemerintah dapat men-deploy BigQuery ML di Cloud de Confiance by S3NS untuk menganalisis jutaan deklarasi pajak dan mengidentifikasi anomali berisiko tinggi secara real time. Secara bersamaan, sistem RAG Gemma berbobot terbuka lokal menggunakan penelusuran vektor untuk memetakan anomali tersebut langsung ke kebijakan pajak. Hal ini memastikan kepatuhan yang sadar konteks dan kemampuan audit penuh, tanpa melakukan panggilan API eksternal atau memindahkan data ke luar batas berdaulat.
Anda dapat men-deploy solusi ini dengan mengikuti implementasi referensi yang disertakan dengan Terraform.
Audiens target
Solusi ini dirancang untuk otoritas pajak nasional atau lembaga keuangan yang diatur. API ini melayani pemangku kepentingan berikut:
- Auditor & penyelidik pajak yang meninjau dasbor real-time untuk menyelidiki anomali yang ditandai dan menggunakan asisten AI Gemma yang memiliki rujukan untuk membuat ringkasan kasus yang dapat dilacak.
- Petugas kepatuhan yang mengelola pusat informasi hukum sistem secara terpusat dengan mengupload dan mengindeks dokumen kebijakan pajak resmi dalam antarmuka lokal yang aman.
- Data scientist yang mengakses data mentah secara aman menggunakan lingkungan Jupyter yang dihosting GKE untuk melatih, memvalidasi, dan men-deploy ulang model deteksi anomali secara berulang.
Kemampuan inti
- Deteksi anomali berdaulat: Gunakan BigQuery ML untuk menyaring set data besar dan menandai anomali berisiko tinggi secara instan, sehingga memastikan data tidak pernah keluar dari batas berdaulat.
- Retrieval-Augmented Generation (RAG): Menjalankan penelusuran vektor semantik di seluruh pustaka kebijakan internal untuk memberikan insight yang memiliki rujukan dan sesuai konteks menggunakan LLM Gemma dengan bobot terbuka.
- Bantuan AI yang dilokalkan: Buat ringkasan pelanggaran kebijakan melalui asisten AI yang berjalan sepenuhnya dalam perimeter regional.
- Pengelolaan pengetahuan dinamis: Mempertahankan database kepatuhan yang selalu terbaru dengan mengindeks peraturan resmi sebagai penyematan vektor untuk penggunaan langsung dalam pipeline RAG.
- Internasionalisasi dinamis: Beralih bahasa UI secara instan antara Inggris, Prancis, dan Jerman tanpa memuat ulang atau memulai ulang.
Arsitektur
Arsitektur ini memanfaatkan BigQuery ML dan pipeline RAG dengan LLM Gemma untuk memberikan deteksi anomali pajak yang aman dan kontekstual.
Komponen
Teknologi dan layanan Cloud de Confiance by S3NS berikut digunakan dalam solusi ini:
| Komponen | Teknologi | Tujuan |
|---|---|---|
| Data | Python | Buat data pajak (TRAINING/NEW_FILING). |
| Model | BigQuery ML | Regresi Logistik untuk deteksi anomali. |
| LLM | Gemma | Model berat terbuka yang memberikan insight kontekstual berdasarkan kebijakan pajak resmi. |
| RAG | BigQuery | Penelusuran vektor untuk pencocokan semantik dan perujukan RAG. |
| Infrastruktur container | GKE | Infrastruktur container untuk aplikasi kantor pajak dan server JupyterHub. |
| Analisis | Jupyter | Notebook untuk pelatihan model dan analisis/validasi ML. |
| Aplikasi | Flask | Aplikasi web untuk visualisasi prediksi. |
Penerapan referensi
Implementasi referensi solusi ini dengan Terraform disediakan di GitHub. Perhatikan bahwa ini adalah prototipe proof-of-concept yang dibuat untuk tujuan demonstrasi, dan implementasinya tidak diaudit atau diamankan untuk kasus penggunaan produksi.
Untuk prasyarat dan petunjuk deployment, lihat Deteksi Anomali Pajak Berdaulat dengan BigQuery ML dan Gemma.