|
vous êtes ici : accueil > ACTUALITE > SECTION
Intelligence artificielle et sanctuarisation ? on en parle ?
Depuis 2010, plus de 3 100 emplois ont été supprimés, sur environ 12 000 postes. Mais, à Bercy, on considère "que pour mieux faire, il faut surtout mieux cibler"
Du 11 au 12 juin se déroulait AI Paris, un salon permettant aux entreprises de partager leurs avancées dans le domaine de l’intelligence artificielle. RPA, Deep Learning, Computer
A cette occasion, la DGFIP a distillé aux journalistes quelques informations sur ses moyens IA destinés à lutter contre la fraude.
morceaux choisis :
"600 milliards d’euros. C’est ce que la Direction générale des Finances publiques (DGFIP) collecte tous les ans auprès des entreprises et des particuliers français. Cette somme colossale provient essentiellement de la TVA, des impôts sur le revenu payés par les particuliers et des impôts sur les sociétés. Problème : certains ne jouent pas le jeu et la fraude fiscale entrave la bonne marche d’un Etat en quête perpétuelle d’argent fais.
"Le comportement fraudeur est souvent marginal et ne représente que quelques pourcents" estime la DGFIP. C’est cependant suffisant pour que le ministère de l’Economie et des finances ait recours à l’intelligence artificielle. A l’occasion du salon AI Paris, les agents de la DGFIP et l’éditeur Keyrus - qui lui fournit des moyens d’intelligence artificielle depuis 2017 - ont livré une (petite) partie des outils très complexes leur permettant de "détecter les incohérences au sein des déclarations fiscales".
Bercy dispose de très importants réservoirs de données : numéro SIREN, statut juridique, données déclaratives, liasses fiscales... En raison d’erreurs de saisie et de données manquantes, ces corpus documentaires nécessitent un nettoyage des données afin de les adapter aux besoins des limiers de Bercy.
(....)
Le recours au machine learning, et spécifiquement le Blending de modèle, s’applique à l’une des caractéristiques de la fraude : son aspect déséquilibré en classe. En raison du faible taux de fraudeurs (moins de 5 %) il convient d’avoir des modèles très performants (pour détecter les vrais positifs) et générant le moins de faux positifs (afin de limiter le travail humain inutile).
{}
"Les modèles de Machine Learning du type boosting et bagging donnent déjà de très bonnes performances dans ce domaine mais les coupler dans des modèles de blending augmente leur performance" explique Keyrus.
L’éditeur envisage par ailleurs d’exploiter prochainement des données externes provenant des réseaux sociaux ou des sites marchands.
(source https://www.archimag.com/vie-numerique/2019/06/12/fraude-fiscale-comment-intelligence-artificielle-permet-bercy-traquer)
La Direction générale des Finances publiques (DGFIP) était présente a notamment fait appel à Keyrus pour identifier les incohérences dans les déclarations fiscales des entreprises. Ainsi, cela permet de créer des modèles qui assimilent ces comportements et facilitent les enquêtes. Pour cela Keyrus, combine le machine learning, l’apprentissage non supervisé et le deep learning. Comme le taux de fraude n’est que de 5 %, il faut des solutions performantes. Pour cela, Keyrus mêle les techniques de Bagging (précision), Boosting (performance) et Blending (transfert pour différents classifieurs). Il s’agit de nettoyer les données, puis d’effectuer un traitement efficace.
(source https://www.lebigdata.fr/a-ai-paris-deep-learning)
L’engagement de Bercy de " sanctuariser les effectifs du contrôle fiscal " ne concerne que les 4 500 vérificateurs chargés des contrôles externes. Il ne s’est pas appliqué aux autres services en charge de la programmation.
Depuis 2010, plus de 3 100 emplois ont été supprimés, sur environ 12 000 postes. Mais, à Bercy, on considère "que pour mieux faire, il faut surtout mieux cibler"
Article publié le 15 juillet 2019.