No artigo de hoje iremos compreender porque atualmente a RFB utiliza as ferramentas de inteligência artificial (IA) que não só analisam classificação fiscal de mercadorias e a respectiva descrição, como o ambiente correlacionado com essa importação. Para isso, veremos o funcionamento do SISAM (Sistema de Seleção Aduaneira por Aprendizado de Máquina) com base no seminário abaixo, proferido por Jorge Jambeiro Filho:

Como funciona o SISAM?

De acordo com Jambeiro, o SISAM é, em resumo, um sistema de IA que processa as Declarações de Importação (DIs) de todo o Brasil. Sendo assim, ele aprende com as DIs históricas e realiza uma análise das declarações novas.

Na verificação das DIs novas, o SISAM calcula a probabilidade de 30 tipos de erros. Dentre os mais comuns, encontram-se os erros na classificação fiscal das mercadorias.

Vale lembrar que todas as mercadorias são enquadradas em uma tabela da Nomenclatura Comum do Mercosul (NCM), com 10 mil posições. Esses códigos que classificam as mercadorias irão determinar as exigências administrativas de cada produto e os impostos da importação. Por isso, se o código estiver errado, não há como saber dessas exigências, que podem ser, por exemplo, a liberação do Exército para a importação.

Dessa forma, é interessante que não ocorra somente o cálculo da probabilidade de erro, mas também, a probabilidade de cada valor correto possível. E, segundo Jorge Jambeiro Filho, o SISAM faz exatamente isso.

Além disso, o sistema com base nessas verificações avalia as consequências tributárias e administrativas das mercadorias.

Outro ponto relevante, é o cálculo da expectativa de retorno de cada verificação. Por exemplo, o SISAM constata que a mercadoria A pode gerar um retorno de R$300,00, e a mercadoria B, por sua vez, gerará R$600,00. Sendo assim, é mais importante realizar a verificação do segundo item.

Tipos de erros analisados pelo SISAM

Conforme Jorge Jambeiro Filho comentou, o erro mais comum verificado pelo SISAM é o da classificação de mercadorias. Contudo, existem outros que o sistema também analisa.

O erro na descrição da mercadoria é um deles. Esse tipo de erro influencia diretamente na classificação fiscal. Por esse motivo, esse sistema de IA verifica a classificação e a descrição ao mesmo tempo.

Ademais, o SISAM apresenta os erros no país de origem. Essa informação é fundamental para delimitar quais acordos tarifários o importador tem direito.

Observamos também a verificação da falta de licenciamento, ou seja, a falta de liberação de órgãos específicos, como o Exército, por exemplo.

Por fim, Jambeiro destaca a análise do SISAM quanto ao erro de alíquotas do II, PIS, COFINS, IPI e Antidumping. Em conjunto, o sistema verifica regimes tributários, acordos tarifários, EX tarifários, Fundamento legal e Atos legais.

Apresentação dos dados

O SISAM apresenta os dados dessa verificação em forma de tabela, a qual se constitui da seguinte maneira:

  • A primeira e a segunda coluna são referentes à identificação do importador e da DI, respectivamente;
  • Na terceira coluna temos o valor da mercadoria;
  • Já na quarta, o sistema apresenta a expectativa de retorno da mercadoria;
  • Nas colunas seguintes, observa-se a expectativa de perda, as probabilidades de erro e as diferenças de alíquota.

Quando o fiscal move o mouse para alguma das células da planilha gerada pelo SISAM, conforme Jambeiro cita, é possível averiguar algumas informações adicionais.

Por exemplo, ao colocar o mouse em uma célula de expectativa de retorno, há uma decomposição desta expectativa. Dessa forma, o fiscal consegue compreender a natureza dela e suas causas primárias.

Se, por outro lado, o fiscal colocar o mouse sobre a célula de probabilidade de erro, observamos a porcentagem em conjunto com a explicação desse dado. O sistema mostra a descrição da mercadoria, a explicação em linguagem natural, bem como as alternativas organizadas em árvore com as probabilidades. Além disso, Jambeiro afirma que o sistema apresenta as consequências que podem ser geradas caso a alternativa se afirme.

Veremos a seguir um exemplo de texto em linguagem natural para deixar mais claro como é a explicação gerada pelo SISAM. Este foi um dos exemplos citados por Jorge Jambeiro Filho em sua fala.

MOLA DE RODA MOVIM. DA MESA HF15X20 UTILIZADA EM MAQUINAS DE ALTA FREQUENCIA. 901-26249

Probabilidade de erro na NCM

A probabilidade de erro de classificação fiscal neste item foi estimada em 78.32%.
Vale a pena apontar o fato de que, no histórico do Sisam, este importador já teve
mercadorias do subitem NCM 7320.20.10 da ncm conferidas por fiscais 2 vezes e em uma delas a NCM foi declarada como sendo do subitem 7318.19.00.
O momento de registro da DI reduz a suspeita. Ele é mais distante do único caso em que este importador declarou esta NCM por engano que dos casos em que o fez corretamente.
Em contraste, estatisticamente, a descrição da mercadoria sugere fortemente que a NCM real é a 7320.20.10, o que levanta suspeita de erro de classificação fiscal.
Além disto, este produto já foi conferido por AFRFBs no passado e o histórico destas
conferências indica muito fortemente que a classificação correta é a 7320.20.10 ao invés da 7318.19.00.

Probabilidade de erro no país de origem

A probabilidade de erro de origem neste item foi estimada em 20.42%
No contexto histórico deste importador e das rotas que envolvem este país de aquisição e procedência (ESTADOS UNIDOS) existem erros nas declarações dos países de origem que tornam a possibilidade de que um item tenha sido produzido em outro país CHINA, REPUBLICA POPULAR) uma suspeita relevante.
Além disto, o fato da NCM declarada ter sido a 84433111 favorece a ideia de que o país
origem real é , de fato, CHINA, REPUBLICA POPULAR e contribui para a suspeita de erro na declaração.

Explicação dos textos gerados pelo SISAM

Vemos no texto de probabilidade de erro desta mercadoria que o SISAM afirma que o importador já cometeu um erro parecido anteriormente. Contudo, recentemente, ele acertou. Ou seja, observamos aqui a presença da variável tempo, que diminuiu a suspeita.

Percepção dos usuários

Jorge Jambeiro Filho conta ainda que no início da utilização do SISAM pela RFB, observou-se uma resistência de uma parte dos fiscais.

Entretanto, atualmente, ele aponta novas percepções dos fiscais quanto ao SISAM. Muitos afirmam que o sistema identifica erros, que provavelmente, não seriam vistos por conta das inúmeras DIs diárias.

Existem ainda diversos elogios com relação a qualidade dos textos gerados pelo sistema e a alta taxa de acerto.

Importância do SISAM

Podemos constatar, dessa maneira, que o SISAM tem sido uma ferramenta de IA essencial para a RFB, visto que integra diversas informações para a análise das DIs.

Desse modo, os resultados positivos do SISAM demonstram a relevância de não utilizar somente a classificação fiscal e a descrição da mercadoria para analisar as declarações de importação.

Referências:

JAMBEIRO FILHO, Jorge. Tratamento Bayesiano de Interações entre Atributos de Alta Cardinalidade. Tese de Doutorado, Instituto de Computação da Universidade Estadual de Campinas (IC/UNICAMP), 2007.

JAMBEIRO FILHO, Jorge; JACQUES WAINER. HPB: A model for handling BN nodes with high cardinality parents. Journal of Machine Learning Research (JMLR), 9:2141–2170, 2008.

JAMBEIRO JORGE, Jorge. A história do Sisam como a Vivi. 6 Concurso de Histórias de Trabalho da Receita federal do Brasil, 2015.

JAMBEIRO FILHO, Jorge. Inteligência Artificial no Sistema de Seleção Aduaneira por Aprendizado de Máquina. Prêmio de Criatividade e Inovação da RFB, 2015.

Share: