在公共金融领域，在严格将数据保留在国内的同时检测欺诈行为可能是一项关键任务要求。
此解决方案提供了一个蓝图，用于应对这一挑战 Cloud de Confiance by S3NS。各机构可以 部署 BigQuery ML 来 Cloud de Confiance by S3NS 分析数百万份纳税申报表，并识别 高风险异常情况。与此同时，本地开放权重的 Gemma RAG 系统使用向量搜索将这些异常情况直接映射到税收政策。这可确保上下文感知合规性和完全可审核性，而无需进行外部 API 调用或将数据移出主权边界。
您可以按照随附的 参考实现（使用 Terraform）部署此解决方案。
目标受众群体
此解决方案专为国家税务机关或受监管的金融机构而设计。它面向以下利益相关者：
- 审核员和税务调查员 ：他们会查看实时信息中心来调查标记的异常情况，并使用基于事实的 Gemma AI 助理生成可追溯的案例摘要。
- 合规官 ：他们通过在安全的本地界面中上传官方税收政策文档并为其编制索引，集中管理系统的法律知识库。
- 数据科学家 ：他们使用 GKE 托管的 Jupyter 环境安全地访问原始数据，以迭代方式训练、验证和重新部署异常检测模型。
核心功能
- 主权异常检测：使用 BigQuery ML 过滤 海量数据集并立即标记高风险异常情况，确保数据绝不会 离开主权边界。
- 检索增强生成 (RAG)：在内部政策库中运行语义向量搜索 ，以使用开放权重的 Gemma LLM 提供基于事实的上下文感知型洞见 。
- 本地化 AI 助理：通过 完全在区域边界内运行的 AI 助理生成违规行为摘要。
- 动态知识管理：通过将官方法规编制为向量嵌入索引，以在 RAG 流水线中立即使用，从而维护最新的合规性 数据库。
- 动态国际化：在 英语、法语和德语之间即时切换界面语言，无需重新加载或重启。
架构
此架构利用 BigQuery ML 和包含 Gemma LLM 的 RAG 流水线，提供安全的上下文感知型税务异常检测。
组件
此解决方案中使用了以下技术和 Cloud de Confiance by S3NS 服务：
| 组件 | 技术 | 用途 |
|---|---|---|
| 数据 | Python | 生成税务数据 (TRAINING/NEW_FILING)。 |
| 模型 | BigQuery ML | 用于异常检测的逻辑回归。 |
| LLM | Gemma | 开放权重模型，可提供基于官方税收政策的上下文感知型洞见。 |
| RAG | BigQuery | 用于语义匹配和 RAG 接地的向量搜索。 |
| 容器基础架构 | GKE | 适用于税务机关应用和 JupyterHub 服务器的容器基础架构。 |
| 分析 | Jupyter | 用于机器学习模型训练和分析/验证的笔记本。 |
| 应用 | Flask | 用于预测可视化的 Web 应用。 |
参考实现
GitHub 中提供了此解决方案的参考实现（使用 Terraform）。请注意，这是一个概念验证原型，仅用于演示目的，该实现未经审核或安全加固，不适用于生产用例。
如需了解前提条件和部署说明，请参阅使用 BigQuery ML 和 Gemma 进行主权税务异常值检测。