• Português

Ao participar da Conferência da OMA (Organização Mundial das alfândegas) sobre o futuro do Sistema Harmonizado, tive acesso ao WCO News, e um dos assunto da revista apresentava uma reportagem sobre Gerenciamento de Risco para as importações no Brasil.

Segue abaixo o texto traduzido:

Novas soluções integradas de gerenciamento de risco do Brasil

Por Gustavo Lacerda Coutinho, Gerente Técnico da Equipe de Desenvolvimento de TI da Alfândega, e Jorge Eduardo de Schoucair Jambeiro Filho, Chefe de Inteligência Artificial para Sistemas Aduaneiros, Departamento da Receita Federal do Brasil

Em 1993, a Secretaria da Receita Federal do Brasil (RFB), que tem como serviço aduaneiro e receita interna, lançou o Sistema Integrado de Comércio Exterior (Siscomex) do Brasil como parte de seus esforços para implementar procedimentos informatizados e controles. O Sistema, que permite aos operadores econômicos registrar as transações de mercadorias na importação e exportação, alimenta um enorme banco de dados.

Antes do Siscomex ser colocado em funcionamento, não ter dados em formato eletrônico era um problema. No entanto, o desafio de hoje é o fato de que os conjuntos de dados, que agora são coletados, são muito grandes e se espalham por muitos sistemas.

Assim, para ajudar seus funcionários a extrair conhecimento dos dados em tempo hábil e permitir que eles tomem as medidas adequadas, a RFB desenvolveu recentemente três ferramentas de inteligência que trabalham juntas de maneira harmoniosa: uma ferramenta baseada em aprendizado de máquina, um software coletor de informações de área de trabalho e sistema de monitoramento de risco de tempo.

APRENDIZAGEM DE MÁQUINAS

A ferramenta de inteligência artificial (IA) é chamada SISAM, um acrônimo em português para “Sistema de Seleção Aduaneira por Aprendizado de Máquina” em inglês. Esta ferramenta informatizada está em uso desde agosto de 2014 para avaliar o risco das importações. Ele funciona 24/7 em um dos data centers do governo brasileiro.

Assim, a ferramenta de IA “aprende” a partir do histórico das declarações de importação, tanto por meio de aprendizado supervisionado quanto não supervisionado – duas maneiras pelas quais as máquinas (algoritmos) podem em um conjunto de dados aprender algo útil com elas.

Com o aprendizado supervisionado, a saída esperada do algoritmo já é conhecida e o algoritmo é “ensinado” a partir de um conjunto de dados de treinamento que contém todas as respostas corretas.

Dessa forma, para este “treinamento”, declarações de importação que foram inspecionadas por funcionários da alfândega são usadas para identificar correlações diretas entre a presença ou ausência de erros e os padrões compostos pelos atributos da declaração, tais como:

  • Identificador do importador;
  • Classificação de atividade econômica nacional do importador (o código que define a atividade de produção de uma empresa);
  • Os códigos de nomenclatura das mercadorias importadas;
  • Os países envolvidos na produção;
  • A comercialização e transporte dos bens;
  • O despachante aduaneiro que registrou a declaração;
  • Pedido de concessão tarifária;
  • Os fabricantes e fornecedores das mercadorias.

As declarações de importação que foram liberadas sem serem inspecionadas são usadas para aprendizado não supervisionado e levam à identificação de padrões típicos e atípicos. O principal exemplo deste processo de detecção envolve incompatibilidades entre a descrição de linguagem natural das mercadorias e seus códigos de nomenclatura declarados.

Assim, bens que são “inesperados” para uma empresa com um determinado código de atividade econômica e bens que são comprados de fornecedores ou fabricantes que normalmente não vendem os mesmos bens para outros importadores brasileiros também chamam a atenção.

Os recursos de aprendizado supervisionados e não supervisionados do SISAM não são realmente separados. Ambos emergem dos mesmos modelos probabilísticos e compartilham a mesma base de conhecimento, que contém dados associados a 8,5 bilhões de padrões diferentes. Para os dados relacionados a um produto individual (item) de cada declaração de importação registrada, o SISAM estima a probabilidade de cerca de 30 tipos de erros.

Esses erros incluem descrições falsas de mercadorias, erros nos códigos de nomenclatura, erros nos países de origem declarados, licenças de importação ausentes, regimes fiscais não aplicáveis, tarifas preferenciais erradas e alegações “ex-tarifárias” (um sistema que permite às empresas brasileiras reduzir sua carga tributária na importação de máquinas, equipamentos ou peças onde a produção nacional é incapaz de substituí-los) e simplesmente o uso de taxas erradas para o cálculo do imposto de importação, imposto sobre produtos manufaturados, contribuições sociais e direitos antidumping.

Para cada valor de atributo que poderia estar errado em um item, o SISAM estima a probabilidade de todos os valores alternativos e avalia as consequências desses valores para impostos e requisitos administrativos. Com isso, o SISAM calcula a expectativa de retorno de todas as inspeções possíveis durante o processo de liberação alfandegária. Essas expectativas são usadas mais tarde para “alimentar” as teorias de decisão e jogo, ambas apoiando o mecanismo de seleção da SISAM.

O SISAM tem a capacidade de explicar, em “linguagem natural” (o nome usado para se referir à linguagem humana no campo da IA), as razões por trás da seleção de uma remessa de carga e fornecer detalhes sobre como ela calculou as probabilidades de risco.

Essas explicações permitem que os funcionários da alfândega avaliem a análise do sistema e ignorem sua recomendação ou sigam a mesma. Embora os oficiais tomem a decisão final de inspecionar ou não, eles se beneficiam da capacidade do sistema de encontrar infrações que certamente seriam perdidas entre as milhares de declarações de importação.

A base de conhecimento do SISAM pode ser atualizada de forma incremental, permitindo que ele aprenda com novas declarações de importação todos os dias sem ser treinado novamente.

O processo de aprendizado também pode ser distribuído para várias máquinas e as bases de conhecimento resultantes podem ser somadas posteriormente.

A base de conhecimento do SISAM permite até que as informações sejam separadas de outras informações: por exemplo, a avaliação do comportamento de um importador em relação à todas as informações na base, exceto pelas informações fornecidas pelo próprio importador.

Desta forma, o SISAM evita ser induzido por um importador para a conclusão de que um certo comportamento está correto apenas porque é recorrente.

O SISAM também tem os recursos para lidar com “classes mutantes”, ou seja, classes-alvo cujas definições podem mudar, o que é atípico para sistemas de aprendizado supervisionado, mas é necessário, pois as regras para classificação de mercadorias são frequentemente alteradas. Se, por exemplo, um código de nomenclatura é dividido em dois, por algum tempo, os dados nos códigos recém-criados serão escassos.

O SISAM pode usar os dados antigos e abundantes para separar dois novos códigos de nomenclatura dos outros 10.000 códigos na tabela de nomenclatura e usar muito menos dados para separar os dois códigos uns dos outros, obtendo assim um bom desempenho mais rápido.

Ao analisar qualquer declaração de importação que tenha acabado de ser registrada, o SISAM considera o fato de que os padrões de comportamento mudam com o tempo.

O sistema também é frequentemente solicitado a analisar declarações antigas de importação, pois elas podem ser revisadas após o desembaraço aduaneiro. Qualquer análise de declaração de importação é feita levando-se em consideração as tendências predominantes em sua data de registro exata.

Durante as primeiras apresentações do SISAM aos funcionários da alfândega, que ocorreram quando o sistema ainda estava em desenvolvimento, houve mais resistência do que empolgação, embora os testes realizados já tenham comprovado sua eficiência.

No entanto, a atitude dos fiscais mudou depois que de receber o feedback do sistema, explicando o raciocínio por trás de suas sugestões de seleção.

Afinal, após treinamento adequado, os funcionários receberam bem o sistema e, hoje, a decisão de verificar uma transação baseia-se nas sugestões do SISAM em 30% do tempo.

Enfim, descrições mais detalhadas sobre as inovações técnicas que permitiram o desenvolvimento do SISAM, incluindo resultados estatísticos que demonstram a precisão de suas previsões e exemplos das explicações em linguagem natural que ele gera, estão disponíveis on-line 1,2.

LEVANTANDO O CONHECIMENTO DOS OFICIAIS

Nem todo o conhecimento dos funcionários aduaneiros brasileiros pode ser inferido automaticamente a partir dos bancos de dados do Siscomex. Por isso, vários outros bancos de dados podem afetar as decisões dos oficiais em diversos graus de relevância.

Esses profissionais acumulam conhecimento ao ver, tocar e até mesmo cheirar mercadorias, além de associar mentalmente suas observações a dados disponíveis eletronicamente. Eles também falam com importadores, leem documentação detalhada e relatórios técnicos sobre mercadorias, e pesquisam na internet regularmente para obter informações extras.

No entanto, como não há como acessar diretamente o cérebro humano para garantir que todo esse conhecimento estará disponível quando e onde for necessário, por isso o Brasil desenvolveu um sistema que tenta abordar a ideia. Este software é chamado ANIITA, um acrônimo em português para “Intelligent and Integrated Customs Transactions Analyzer” em inglês.

O desenvolvimento do ANIITA começou em 2011 no posto fronteiriço de Uruguaiana. Naquela época, para avaliar o risco de uma declaração de importação, os funcionários da Aduana deveriam ter acesso a pelo menos sete sistemas diferentes, incluindo o Siscomex.

Por isso, cada um desses sistemas forneceu dados diferentes: por exemplo, as licenças das empresas para negociar internacionalmente, seu histórico comercial, seu perfil de receita interna (contendo medidas como renda bruta e número de funcionários) e informações fornecidas por administrações aduaneiras estrangeiras.

O que o ANIITA faz é extrair dados de vários sistemas e mostrar as informações mais importantes para o processo de liberação alfandegária e avaliação de riscos em uma única tela. Ele também oferece navegação fácil de usar do seu quadro central para telas detalhadas, onde todos os dados geralmente necessários para a avaliação de apuramento e risco estão disponíveis. Isso economiza muito tempo para os usuários, já que eles não precisam procurar muitos sistemas manualmente.

O ANIITA também pode processar dados e identificar inconsistências e ameaças conhecidas, cruzando dados de diferentes bancos de dados e aplicando métodos heurísticos aos dados. Também permite que os usuários criem regras com base em seu próprio conhecimento de riscos e, assim, se tornem um “sistema especialista”.

Assim, os executivos podem inserir novas regras de acordo com os perfis de risco de empresas, pessoas, bens e uma combinação complexa de atributos. O ANIITA é um aplicativo de desktop, mas o banco de dados onde os dados e as regras a serem aplicadas são armazenados é centralizado.

Isso permite que os dados e as regras sejam compartilhados por toda a organização, e o conhecimento de um indivíduo pode ser distribuído por toda a comunidade de gerenciamento de riscos da alfândega.

Além disso, o ANIITA faz uso dos dados disponíveis no sistema Indira, que fornece aos países do MERCOSUL acesso eletrônico a dados para todas as exportações e importações entre eles, cruzando os dados de cada declaração de exportação estrangeira contra a declaração de importação brasileira.

Enfim, O ANIITA é capaz de encontrar inconsistências nas declarações: por exemplo, pode achar que a classificação das mercadorias declaradas na exportação não corresponde à classificação das mercadorias declaradas na importação. Dando um passo à parte, este é um exemplo concreto de como o Brasil implementou o conceito de Alfândegas Globais em Rede (Global Networked Customs – GNC) que foi desenvolvido pela OMA.

Por isso, O ANIITA se espalhou para quase todas as unidades da Alfândega no Brasil por adoção espontânea e acabou se tornando um sistema corporativo, cuja utilização se tornou obrigatória para todos os funcionários responsáveis ​​por decidir quais mercadorias precisam ser inspecionadas.

Ele foi projetado principalmente para lidar com declarações de importação, mas, com sua estrutura de desenvolvimento ágil, foi logo expandido para lidar com correios expressos, consignação postal e declarações de exportação.

O ANIITA agora também oferece diferentes níveis de privilégio aos usuários, permitindo que alguns deles criem regras que devem ser aplicadas em nível nacional imediatamente.

SISTEMA ADICIONAL DE MONITORAMENTO

PATROA significa “Sistema de Monitoramento de Operações Aduaneiras em Tempo Real” e foi lançado em dezembro de 2017, completando o atual ecossistema brasileiro de tecnologia da informação (TI) dedicado à gestão de riscos aduaneiros.

Assim como o ANIITA, ele aceita regras criadas pelo homem, mas em vez de atuar apenas sob demanda do usuário. Por isso, o PATROA executa o servidor e aplica as regras às transações assim que elas são registradas, identificando perfis de risco em tempo real.

Mais Informações

jorge.jambeiro@rfb.gov.br

gustavo.coutinho@rfb.gov.br

[1] Jambeiro Filho, Jorge. Inteligência Artificial no Sistema de Seleção Aduaneira através do Aprendizado de Máquina (SISAM).

Prêmio de Criação e Inovação da RFB, 2015.

Texto traduzido pelo engenheiro Roberto Raya.

Compartilhar: