Technologie informatyczne w podatkach

Zastanawiając się nad przyszłością prawa podatkowego, nasuwa się pytanie: a co jeśli „przyszłość” jest teraz? Takie pytanie zadała sobie też Stephanie Hoffer, Professor of Law, The Ohio State University Moritz College of Law na wprowadzeniu do sympozjum na temat sztucznej inteligencji i przyszłości prawa podatkowego w 2020 r.

Digitalizacja i postęp technologiczny to zjawiska obecne w procesie wypełniania obowiązków podatkowych, towarzyszące podatnikom i administracji podatkowej na co dzień, jako nieodłączne elementy związane z wykonaniem, przekazaniem, jak i weryfikacją obowiązków. Nie ma innej możliwości niż dostosować procesy do daleko idącej automatyzacji i wykorzystania sztucznej inteligencji. Zmianom tym towarzyszyć musi uproszczenie i jednoznaczność regulacji prawnych oraz ograniczenie zakresu przekazywanych informacji w ten sposób, aby wypełnienie obowiązku nie wiązało się z nadmiernymi trudnościami interpretacyjnymi po stronie podatnika, a proces analityczny (zautomatyzowany, wykorzystujący najnowocześniejsze narzędzia informatyczne) był po stronie administracji podatkowej. Z jednej strony obniży to koszty i ryzyko po stronie podatników, a z drugiej ograniczy błędy w przekazywanych informacjach i podniesie jakość wyniku analizy prowadzonej przez organy podatkowe.

Big data i zaawansowana analityka odgrywa rolę w usprawnieniu przetwarzania i analizy danych przez organy podatkowe. Technologie te mogą zwiększyć możliwości w zakresie dostarczania podatnikom informacji w czasie rzeczywistym (real-time). Stosowanie big data i zaawansowanej analityki w praktyce umożliwia wydobycie większej wartości z istniejących informacji, szybkie uzyskiwanie rezultatów analizy, przekładające się na skuteczniejsze egzekwowanie przepisów i wykrywanie nadużyć.

Wzrost wykorzystania algorytmów, big data i machine learning jest obserwowalny także po stronie podatników: „dynamicznie rozwija się i będzie rozwijać dalej, obszar technologiczny wspomagający podatnika w prawidłowym identyfikowaniu jego obowiązków podatkowych, tak aby jak najskuteczniej przeciwdziałać powstaniu błędów, zanim dane trafią do organów podatkowych. Jak wynika z badania firmy Thomson Reuters, blisko 30% z ankietowanych firm analizowało wdrożenie w departamentach podatkowych rozwiązań w obszarze blockchain, big data analytics czy artificial inteligence/machine learning, zaś zależnie od sytuacji 5-15% firm takie rozwiązania już wdrożyło”(K. Koślicki, Podatkami zaczynają rządzić algorytmy, 15 lipca 2021 r., prawo.pl).

Ministerstwo Finansów wskazuje, iż polska administracja podatkowa korzysta z systemów/technologii informatycznych do przetwarzania i analizy danych. Są to przede wszystkim:

• data science (nauka o danych)
• big data i analityka danych (data analytics)
• sztuczna inteligencja (artificial intelligence – AI)
• uczenie maszynowe (machine learning)
• przetwarzanie języka naturalnego (natural language process)
• wizualizacja danych
• analiza statystyczna
• grafowe bazy danych
• współpraca mobilna i e-learning
• analityka predykcyjna
• przetwarzanie w chmurze (cloud computing)
• konteneryzacja aplikacji.

Administracja podatkowa stała się zasadniczo działalnością związaną z zarządzaniem informacjami. Transformacja cyfrowa administracji podatkowej warunkuje skuteczne przetwarzanie znacznych ilości zebranych informacji. Dzięki technologii administracja podatkowa jest obecnie w stanie zarządzać ogromną ilością danych pochodzących od podatników, co umożliwia masową kontrolę tych danych i efektywniejszy wybór spraw do kontroli. Bardzo często to właśnie podatnicy nadają danym formę cyfrową. Wydaje się, że realizacja postulatu maksymalnej automatyzacji odbioru (pominąwszy etap aktywnego przekazywania) informacji przez administrację podatkową jest możliwa w najbliższej przyszłości.

*Nauka o danych (ang. data science) to dziedzina badań, która łączy wiedzę specjalistyczną, umiejętności programistyczne oraz wiedzę z zakresu matematyki i statystyki. Celem jest, aby przy wykorzystaniu szeregu metod badawczych, algorytmów i procesów wydobyć z dużej ilości danych istotne wnioski i prawidłowości. Cf. Data science – co musisz wiedzieć, by zacząć karierę analityka danych? https://coderslab.pl/pl/blog/data-science-co-musisz-wiedziec-by-zaczac-kariere-analityka-danych, dostęp: 21 września 2023 r.

*Big data odnosi się do zebranych zestawów danych, które są tak duże i złożone, że do przetwarzania wymagają nowych technologii, takich jak sztuczna inteligencja. Dane pochodzą z wielu różnych źródeł. Technologia umożliwia bardzo szybkie gromadzenie tych danych w czasie zbliżonym do rzeczywistego i analizowanie ich w celu uzyskania nowych spostrzeżeń. Cf. Parlament Europejski, Big data: definition, benefits, challenges (infographics), https://www.europarl.europa.eu/news/en/headlines/society/20210211STO97614/big-data-definition-benefits-challenges-infographics, dostęp: 10 września 2023 r.

*Analityka danych jest technologią, która umożliwia łączenie wielu dziedzin, w tym statystyki, metod naukowych i analizy danych. Wywodzi się z analizy statystycznej i eksploracji danych. Może obejmować opracowywanie strategii analizy danych, przygotowywanie danych do analizy, badanie, analizę i tworzenie wizualizacji danych, budowę modeli z danymi za pomocą języków programowania takich jak Python i R oraz wdrażanie modeli do aplikacji. Cf. Czym jest analityka danych? https://www.oracle.com/pl/what-is-data-science/, dostęp: 21 września 2023 r.

*Sztuczna inteligencja (AI – ang. artificial intelligence) to zdolność maszyny do wykazywania zdolności podobnych do ludzkich, takich jak rozumowanie, uczenie się, planowanie i kreatywność. Sztuczna inteligencja umożliwia systemom technicznym postrzeganie otoczenia, radzenie sobie z tym, co postrzegają, rozwiązywanie problemów i działanie w celu osiągnięcia określonego celu. Komputer otrzymuje dane – już przygotowane lub zebrane za pomocą własnych czujników, takich jak kamera – przetwarza je i reaguje. Systemy AI są w stanie do pewnego stopnia dostosować swoje zachowanie, analizując efekty poprzednich działań i pracując autonomicznie. Cf. Parlament Europejski, What is artificial intelligence and how is it used?, https://www.europarl.europa.eu/news/en/headlines/priorities/artificial-intelligence-in-the-eu/20200827STO85804/what-is-artificial-intelligence-and-how-is-it-used, dostęp: 10 września 2023 r.

*Uczenie maszynowe (ang. machine learning) jest podzbiorem sztucznej inteligencji (AI). Skupia się na nauczaniu komputerów, jak uczyć się na danych i doskonalić w miarę zdobywania doświadczenia. Procesy uczenia i doskonalenia się nie są zaprogramowane. W uczeniu maszynowym algorytmy są trenowane pod kątem znajdowania wzorców i korelacji w dużych zbiorach danych oraz podejmowania najlepszych decyzji i formułowania prognoz na podstawie wyników takiej analizy. Systemy wykorzystujące uczenie maszynowe z czasem stają się coraz skuteczniejsze, a im lepszy mają dostęp do danych, tym większą wykazują dokładność. Cf. Uczenie maszynowe (machine learning): co to jest? https://www.sap.com/poland/products/artificial-intelligence/what-is-machine-learning.html, dostęp: 21 września 2023 r.

*Przetwarzanie języka naturalnego (NLP – ang. natural language processing) opiera się na algorytmach służących do przekładania niejednoznacznych danych na obszerne informacje dla maszyn w celu budowania zrozumienia. Algorytmy te wykorzystują różne reguły języka naturalnego do wykonania zadania. Cf. Przetwarzanie języka naturalnego (NLP), https://datascience.eu/pl/przetwarzanie-jezyka-naturalnego/przetwarzanie-jezyka-naturalnego/, dostęp: 10 września 2023 r.

*Przetwarzanie w chmurze (ang. cloud computing) to dostarczanie usług obliczeniowych — w tym serwerów, magazynu, baz danych, sieci, oprogramowania, analizy i inteligencji — za pośrednictwem Internetu („chmura”), w celu zaoferowania szybszych innowacji, elastycznych zasobów i ekonomii skali, co pomaga obniżyć koszty operacyjne, wydajniej korzystać z infrastruktury i przeprowadzać skalowanie zgodnie z zachodzącymi zmianami. Cf. Co to jest przetwarzanie w chmurze? https://azure.microsoft.com/pl-pl/resources/cloud-computing-dictionary/what-is-cloud-computing/, dostęp: 10 września 2023 r.

*Wizualizacja danych pomaga przejść od szczegółowych danych do zrozumiałych informacji biznesowych. Stosowane obecnie narzędzia do wizualizacji danych sięgają do zewnętrznych źródeł danych, dzięki czemu nie ograniczają się jedynie do przejrzystego przedstawiania kluczowych wskaźników wydajności, ale także unifikują dane i stosują oparte na sztucznej inteligencji analizy w celu ujawnienia relacji między kluczowymi wskaźnikami wydajności, rynkiem oraz światem. Cf. Co to jest wizualizacja danych? https://powerbi.microsoft.com/pl-pl/data-visualization/, dostęp: 21 września 2023 r.

*Analiza statystyczna jest to nauka, która polega na zbieraniu i szczegółowym badaniu pojedynczo każdej próbki danych z określonego zestawu elementów, który umożliwia nam pobranie próbek. Z literatury można wywnioskować, że analizy te przeprowadzane są w celu określenia podstawowych schematów i trendów oraz zebrania jak największej wiedzy z danych, które udało się uzyskać. Do określenia szacunkowo całości populacji potrzebujemy próbki reprezentatywnej. Cf. Analiza statystyczna, https://mfiles.pl/pl/index.php/Analiza_statystyczna, dostęp: 21 września 2023 r.

*Analiza predykcyjna (ang. predictive analytics) to wykorzystanie danych historycznych i technik analitycznych w celu przewidzenia tego, co się wydarzy w przyszłości. Jest to dziedzina analityki danych wykorzystująca uczenie maszynowe, techniki eksploracji danych oraz modelowanie statystyczne. Cf. Czym jest analiza predykcyjna? https://websensa.com/pl/2021/10/04/predictive-analytics-analiza-predykcyjna/, dostęp: 10 września 2023 r.

*Konteneryzacja. Za pomocą standardowego pakietu oprogramowania, określanego jako kontener, tworzony jest pakiet kodu aplikacji wraz z powiązanymi plikami konfiguracyjnymi, bibliotekami i zależnościami wymaganymi do uruchomienia aplikacji. Służy to wdrażaniu aplikacji w różnych środowiskach. Cf. Co to jest kontener? https://azure.microsoft.com/pl-pl/resources/cloud-computing-dictionary/what-is-a-container/, dostęp: 10 września 2023 r.