人工智慧於稅務領域的應用與發展
財稅相關機關將人工智慧應用於智慧選查、智慧客服、稅務行政輔助、智慧營運及資安偵測，特別是透過機器學習來進行風險預警和預測，大幅縮短作業時間，提高工作效能。
稅務工作具有高度專業性，稅務稽徵法令亦繁多，需不斷學習更新，且工作負荷重，人員的流動率相當高，育才留才都不容易。但人工智慧的問世，對稅務工作的效率提升、風險預警帶來新的契機。
應用人工智慧提升稅務行政效能必須建立在具可信任性環境基礎之上，能有效控管可能風險、確保資訊安全的條件下發展。財稅相關機關在現行稅務系統架構延伸人工智慧功能，並以成本效益評估問題重要性，建立適當人工智慧模型解決方案。
財政應用範圍與成效
人工智慧技術的財政應用範圍分為五大類，包括：智慧選查、智慧客服、稅務行政輔助、智慧營運、資安偵測。人工智慧的兩大類型，分別是判別式（discriminative）及生成式（generative），生成式人工智慧的自然語言處理﹙natural language processing, NLP﹚及內容生成能力，公部門一般寄予厚望，但實務上仍處於摸索階段；而判別式人工智慧適用於特定議題，可以貼近稅務分工，上線應用成效具體明確。
一、智慧選查
目的在針對不同類短漏報案件縮小人工稽查範圍，並提高補稅率。傳統查核方式為人工閱讀資料，篩選疑似案件再行派員稽核，人力花費很高，且補稅命中率不高，其中因人員資歷深淺，執行成效差距很大。透過模型將資深人員經驗轉成可計算的行為特徵，給予風險計算及條件進行分析，所選出的待查案件平均命中率高於6成，營業稅案例高達9成，節省相當多人力。傳統查核，稅務員無法有餘力進行跨稅目資料流動，透過系統將個人所得與營業資料及財產異動互相勾稽，對逃漏稅可能性判斷有極大助益。從2022年起陸續上線的各類選查模型，以2022年至2024年累計補稅及罰款金額高達140億以上。
二、智慧客服
自2021年起利用傳統規則庫建置智慧客服，主要解決在上班時間之外納稅人法規諮詢問題。民眾著重不在於法規細節，而在是否免罰或補稅空間，但稅務員在意的是法令解釋正確性，配合法規修定，定期整理更新知識點，條目準確率要高於99%。現有經人工修飾的法令用語對稅務員適切，但對民眾親和性不足，導入生成式人工智慧對話功能，讓對答更人性化，隨角色調整回答結果，是目前修正發展的方向。預計於2025年底初步成果可以上線。
三、稅務行政輔助
稅務行政輔助需要大量內容生成功能，包含公文及相關稅務資料處理，故無論前處理、塑模、分過程均須適當資料隱私保護，避免資料外洩，人工智慧上線前確保可維持業務資料機密性、完整性及可用性。基於上述考量，財政部以形成封閉式財政專業語言模型為目標，自建落地語言模型以解決必要文字生成功能，如公文及會議記錄生成，自動分文等。
四、智慧營運
因為資通訊設備環境越來越多，形成處理量能短缺。人工智慧導入可針對監控結果，直接開單派工、自動維修，或逕請求外部支援，此一模式通稱為人工智慧維運（artificial intelligence for IT operations, AIOps﹚。除基礎設施維運外，也包含應用軟體、服務中斷或異常，當使用者没有能力自行判斷，也無從派工叫修，更換元件或設備零件時，由智慧化運營中心提供環境控制、計算資源、通訊線路等狀態資訊的彙集，當故障發生，可自動處理根因分析、派工進度、資源調度等維持系統持續運作。
五、資安偵測
生成式AI的應用，加速程式碼生成，對於惡意程式及詐騙信件生成效率提高，造成傳統偵側方式困難，利用人工智慧手段反制成為必然。透過與智慧營運串連，生成資安攻擊事件根因分析報告，檢核邏輯分析並提供故障排除建議等。資安事件現階段仍以判別式AI較直接有效，生成式AI用以改善處置措施效率。
人工智慧應用注意事項
人工智慧並非萬靈丹，它亦有其侷限與弱點，組織在決定是否導入人工智慧之前，應行詳細評估。
一、正確認知人工智慧
正確認識人工智慧的功能及限制，才能有效佈建人工智慧系統。人工智慧本質是數學模型，意謂問題可以數學描述方能計算。而模型係依相關資料透過演算法構成，當資料有時效問題時，可能使模型也有效期；另外，演算法可能存在本質偏誤，故必須適時檢核構成資料及演算法更新或參數調校，以維持模型可用性。雖然並不需要每個使用者都理解背後的技術原理，但事先應釐清對人工智慧不切實際的預期，避免徒勞無功。所以，財政部定位人工智慧模型只是稅務資訊系統的一部分，並非取代人力，人員仍是當責所在。例如，用於漏補稅查審選案功能，是輔助人工查審為目的，藉以提高選案精準度，減少查察人力浪費。
二、避免模型偏誤
生成式AI的內容生成，存在可能無中生有的幻覺問題（Maleki, et al., 2024）[1]，當生成內容不可靠時，便無法進行適當處置。此外，模型演算法及參數複雜，不利於需要結果解釋的公務應用。勢必要採取若干減輕或轉移風險的手段，避免上線服務造成困擾。判別式和生成式人工智慧於上線前，都有必要評估模型可信度，上線後仍須持續維運模型，因此人工智慧系統維運工作較傳統資訊系統頻度及複雜度可能均會提高。
三、資料治理的必要性
單一機關的資料往往無法解決所有的問題。例如，所得稅申報資料估算，單依賴財政部不足以解決，必須涵蓋內政部、衞福部、勞動部、移民署等，如戶籍、健保、勞保、外籍與否均影響估算。所以資料搜集存在跨部會橫向搜集的需要，不同部會因為原始資料產生目的不同，必然存在格式、解釋、應用範圍等差異，造成建模80%以上時間都耗費在資料前處理，所以建立資料治理系統有其必要性，目的在簡化前處理過程，建立資料可信任性（Janssen et al., 2020）[2]，讓一般業務人員，藉助可自助式管理的介面，自動妥善管理，確認資料一致性、正確性及完整性，快速進入建模以及結果分析。
結語
財政部應用人工智慧技術，將持續針對更多稅務議題以傳統機器學習建立偵測模型，提供風險預警、重要指標評估或預測等，以縮簡作業時程，並擴大生成式人工智慧功能介接不同系統的可行性，以提高工作效能。同時，財政部也將極力發展隱私及機敏資料保護機制，建立可信賴的人工智慧應用環境。
本文作者為財政部財政資訊中心主任張文熙，授權轉載自《國家人力資源論壇》。更多精彩內容，請<點此>
[1]Maleki, N., Padmanabhan, B., & Dutta, K. (2024, June). AI hallucinations: A misnomer worth clarifying. In 2024 IEEE conference on artificial intelligence (CAI) (pp. 133-138). IEEE. https://doi.org/10.1109/CAI59869.2024.00033
[2]Janssen, M., Brous, P., Estevez, E., Barbosa, L. S., & Janowski, T. (2020). Data governance: Organizing data for trustworthy Artificial Intelligence. Government Information Quarterly, 37(3), 101493. https://doi.org/10.1016/j.giq.2020.101493