Herramientas de Inteligencia Artificial en RFB – SISAM – Clasificación Arancelaria – Ing. Roberto Raya (desde Brasil)

0
185

 

 

En el artículo de hoy entenderemos por qué RFB utiliza actualmente herramientas de inteligencia artificial (IA) que no solo analizan la clasificación y descripción del impuesto sobre bienes, sino también el entorno correlacionado con una importación.

Para ello, veremos el funcionamiento del SISAM (Sistema de Selección Aduanera por Machine Learning) basado en el seminario, impartido por Jorge Jambeiro Filho: https://www.youtube.com/watch?v=P2lvAFz68d4&t=2s

¿Cómo funciona SISAM?

Según Jambeiro, SISAM es, en resumen, un sistema de IA que procesa Declaraciones de Importación (ID) en todo Brasil. Por lo tanto, aprende  de las identificaciones históricas  y realiza un análisis de las nuevas declaraciones.

Al verificar nuevos DI , SISAM calcula la probabilidad de 30 tipos de errores. Entre los más comunes se encuentran los errores en la clasificación fiscal de los bienes.

Vale recordar que todos los bienes están enmarcados en una tabla de la Nomenclatura Común del Mercosur (NCM), con 10.000 posiciones. Estos códigos que clasifican las mercancías determinarán los requisitos administrativos de cada producto y los impuestos de importación. Por lo tanto, si el código es incorrecto, no hay forma de conocer estos requisitos, que pueden ser, por ejemplo, la liberación del Ejército para la importación.

Por lo tanto, es interesante que no solo se produzca el cálculo de la probabilidad de error, sino también la probabilidad de cada posible valor correcto. Y, según Jorge Jambeiro Filho, SISAM hace precisamente eso.

Además, el sistema basado en estos controles evalúa las consecuencias fiscales y administrativas de las mercancías.

Otro punto relevante es el cálculo de la expectativa de devolución de cada cheque. Por ejemplo, el SISAM encuentra que la mercancía A puede generar un retorno de R$ 300,00, y la mercancía B, a su vez, generará R$ 600,00. Por lo tanto, es más importante realizar la verificación del segundo elemento.

Tipos de errores analizados por SISAM.  Como comentó Jorge Jambeiro Filho, el error más común verificado por el SISAM es la clasificación de las mercancías. Sin embargo, hay otros que el sistema también analiza.

El error en la descripción de la mercancía es uno de ellos. Este tipo de error influye directamente en la clasificación fiscal. Por esta razón, este sistema de IA verifica la clasificación y la descripción al mismo tiempo. Además, SISAM presenta los errores en el país de origen. Esta información es esencial para delimitar a qué acuerdos arancelarios tiene derecho el importador.

Finalmente, Jambeiro destaca el análisis del SISAM respecto al error de las tasas ii, PIS, COFINS, IPI y Antidumping. En conjunto, el sistema verifica los regímenes fiscales, los acuerdos arancelarios, los aranceles EX, los fundamentos jurídicos y los actos jurídicos.

Presentación de los datos:

SISAM presenta los datos para este formulario de tabla de verificación, que es el siguiente:

La primera y segunda columna se refieren a la identificación del importador y de THE, respectivamente; En la tercera columna tenemos el valor de los bienes; En las siguientes columnas, observamos la expectativa de pérdida, las probabilidades de error y las diferencias en la alícuota.

Cuando el inspector mueve el ratón a cualquiera de las celdas de la hoja de cálculo generada por SISAM, como cita Jambeiro, es posible encontrar alguna información adicional.

Por ejemplo, al colocar el mouse en una celda de expectativa de retorno, hay una descomposición de esta expectativa. De esta manera, el fiscal puede entender la naturaleza de la misma y sus causas primarias.

Si, por el contrario, el fiscal pone el ratón sobre la celda de probabilidad de error, observamos el porcentaje junto con la explicación de ese dato. El sistema muestra la descripción de la mercancía, la explicación en lenguaje natural, así como las alternativas organizadas en árbol con las probabilidades. Además, Jambeiro afirma que el sistema tiene las consecuencias que se pueden generar si la alternativa se afirma.

Veremos a continuación un ejemplo de texto en lenguaje natural para que quede más claro cómo es la explicación generada por SISAM. Este fue uno de los ejemplos citados por Jorge Jambeiro Filho en su discurso.

MOVIMIENTO DE RESORTE DE RUEDA. MESA HF15X20 UTILIZADA EN MÁQUINAS DE ALTA FRECUENCIA. 901-26249

Probabilidad de error en NCM

La probabilidad de error de clasificación fiscal en este ítem se estimó en 78,32%.

Vale la pena señalar el hecho de que, en la historia de Sisam, este importador ya ha tenido mercancías de la subpartida NCM 7320.20.10 de la ncm verificadas por inspectores 2 veces y en una de ellas la NCM fue declarada como de la subpartida 7318.19.00.

El tiempo de registro reduce la sospecha. Está más lejos del único caso en el que este importador declaró esta NCM por error que de los casos en que lo hizo correctamente.

En contraste, estadísticamente, la descripción del producto sugiere fuertemente que el NCM real es 7320.20.10, lo que levanta sospechas de error de clasificación fiscal.

Además, este producto ha sido verificado por AFRFB en el  pasado y el historial de estas conferencias indica muy fuertemente que la calificación correcta es 7320.20.10 en lugar de 7318.19.00.

Probabilidad de error en el país de origen

La probabilidad de error de origen en este rubro se estimó en 20.42%En el contexto histórico de este importador y las rutas que involucran a este país de adquisición y origen (USA) existen errores en las declaraciones de los países de origen que hacen que la posibilidad de que un artículo haya sido producido en otro país (China, Republica Popular) sea una sospecha relevante.

Además, el hecho de que elMNC declarara haber sido el 84433111 favorece la idea de que el verdadero país de origen es, de hecho, CHINA, REPUBLICA POPULAR y contribuye a la sospecha de error en la declaración.

Explicación de los textos generados por SISAM

Vemos en el texto de probabilidad de error de esta mercancía que SISAM afirma que el importador ya ha cometido un error similar anteriormente. Sin embargo, recientemente, lo hizo bien. Es decir, observamos aquí la presencia de la variable tiempo, lo que disminuyó la sospecha.

Percepción del usuario

Jorge Jambeiro Filho también dice que al comienzo del uso del SISAM por parte de la RFB, hubo resistencia por parte de los inspectores.

Sin embargo, actualmente, señala nuevas percepciones de los inspectores con respecto al SISAM. Muchos afirman que el sistema identifica errores, que probablemente no se verían debido a las numerosas identificaciones diarias.

También hay varios elogios con respecto a la calidad de los textos generados por el sistema y la alta tasa de éxito.

Importancia del SISAM

Así, podemos ver que SISAM ha sido una herramienta de IA esencial para RFB, ya que integra varias informaciones para el análisis de IDs.

Por lo tanto, los resultados positivos del SISAM demuestran la relevancia de no sólo utilizar la clasificación fiscal y la descripción de las mercancías para analizar las declaraciones de importación.

Ing. Roberto Raya

Diciembre 2.022

Referencias:

JAMBEIRO HIJO, Jorge. Tratamiento bayesiano de las interacciones entre atributos de alta cardinalidad. Tesis doctoral, Instituto de Computación, Universidad Estadual de Campinas (IC/UNICAMP), 2007.

JAMBEIRO FILHO, Jorge; JACQUES WAINER. HPB: Un modelo para tratar con  nodos BN con padres  de alta  cardinalidad.   Machine Learning  Research Journal  (JMLR), 9:2141–2170,

2008.

JORGE JAMBEIRO, Jorge. La historia  de Sisam como el Vivi. 6 Concurso de Historias de Trabajo del Servicio de Impuestos Internos de Brasil, 2015.

JAMBEIRO HIJO, Jorge. Inteligencia artificial en el sistema de selección aduanera mediante machine learning. Premio RFB a la Creatividad e Innovación, 2015.