Modelos de Aprendizagem de Máquina para Identificação de Mercadorias a partir da Descrição do Item na Nota Fiscal Eletrônica
Resumo
Uma dos aspectos limitantes de ações fiscais nas Notas Fiscais Eletrônicas é conseguir identificar a mercadoria a partir do campo de descrição do item, tanto pela variedade do conteúdo, dado que é de livre preenchimento, como pelo volume de informações gerado. Este artigo três modelos de Aprendizagem de Máquina aplicados no apresenta processamento desse campo: Árvore de Decisão, Rede Neural e KNN. Os experimentos demonstram que a Rede Neural entregou a melhor acurácia com o menor tempo de predição. Os dados utilizados são da base da SEFAZ/MA. Os resultados podem direcionar soluções de detecção de subfaturamento, isenções indevidas, correção da defasagem inflacionária da pauta fiscal, etc.
Palavras-chave:
Aprendizagem de máquina, modelos de classificação, administração tributária, imposto, ICMS, nota fiscal
Referências
SEFAZ/MA (2011). Arrecadação Online. Disponível em http://sistemas.sefaz.ma.gov.br/arrecadacaoonline/arrecadacaoperiodo.html. [Acesso em 01/03/2022].
Jatobá, A., Moura, D., Martins, I., Ramos, H., Aquino, A. (2021) CALT: Uma Ferramenta Automática para Cobrança do ICMS em Operações Interestaduais. In Anais do IX Workshop de Computação Aplicada em Governo Eletrônico.
Galdino, G., Silveira, M. R., Fonseca Neto, R. (2004). Uma rede neural artificial de múltiplas camadas aplicadas ao combate à sonegação fiscal de icms. In Anais do XXXVI Simpósio Brasileiro de Pesquisa Operacional (SBPO).
Carmo, M., Boldt, F., Komati, K. (2019). Previsão de receitas de icms do estado do espírito santo através de seleção de características em cascata e técnicas de aprendizado de máquina. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 118–129, Porto Alegre, RS, Brasil.
Madeira, R. d. O. C. (2015). Aplicação de técnicas de mineração de texto na detecção de discrepâncias em documentos fiscais. Dissertação (mestrado) – Fundação Getúlio Vargas, Escola de Matemática Aplicada.
MOC (2020). Manual de Orientação ao Contribuinte. Disponível em: [link]. [Acesso em 24/02/2022].
Receita Federal do Brasil, (2021). Download NCM Nomenclatura Comum do MERCOSUL. Disponível em [link]. [Acesso em 10/03/2022].
Chollet, F. (2017). Deep Learning with Python, Manning 1st Edition Developer Guides Keras. Disponível em https://keras.io/guides/. Acesso em 03/03/2022
Rokach, L. and Maimon, O. (2014), Data Mining With Decision Trees: Theory And Applications, World Scientific, 2nd edition.
Grus, J. (2016), Data Science do Zero, Alta Books, 1ª Edição. User Guide Scikit Learn. Disponível em https://scikit-learn.org/stable/user_guide.html. Acesso em 08/03/2022.
Loy, J. (2019), Neural Networks Projects with Python, Packt Publishing, 1st edition.
Bhasin, H. (2020) Machine Learning for Beginners, BPB Publications, 1st edition.
Bonaccorso, G. (2019), Hands-On Unsupervised Learning with Python, Packt Publishing, 1st Edition.
Johnston, B. and Mathur, I. (2019), Applied Supervised Learning with Python, Packt Publishing, 1st Edition.
Jatobá, A., Moura, D., Martins, I., Ramos, H., Aquino, A. (2021) CALT: Uma Ferramenta Automática para Cobrança do ICMS em Operações Interestaduais. In Anais do IX Workshop de Computação Aplicada em Governo Eletrônico.
Galdino, G., Silveira, M. R., Fonseca Neto, R. (2004). Uma rede neural artificial de múltiplas camadas aplicadas ao combate à sonegação fiscal de icms. In Anais do XXXVI Simpósio Brasileiro de Pesquisa Operacional (SBPO).
Carmo, M., Boldt, F., Komati, K. (2019). Previsão de receitas de icms do estado do espírito santo através de seleção de características em cascata e técnicas de aprendizado de máquina. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 118–129, Porto Alegre, RS, Brasil.
Madeira, R. d. O. C. (2015). Aplicação de técnicas de mineração de texto na detecção de discrepâncias em documentos fiscais. Dissertação (mestrado) – Fundação Getúlio Vargas, Escola de Matemática Aplicada.
MOC (2020). Manual de Orientação ao Contribuinte. Disponível em: [link]. [Acesso em 24/02/2022].
Receita Federal do Brasil, (2021). Download NCM Nomenclatura Comum do MERCOSUL. Disponível em [link]. [Acesso em 10/03/2022].
Chollet, F. (2017). Deep Learning with Python, Manning 1st Edition Developer Guides Keras. Disponível em https://keras.io/guides/. Acesso em 03/03/2022
Rokach, L. and Maimon, O. (2014), Data Mining With Decision Trees: Theory And Applications, World Scientific, 2nd edition.
Grus, J. (2016), Data Science do Zero, Alta Books, 1ª Edição. User Guide Scikit Learn. Disponível em https://scikit-learn.org/stable/user_guide.html. Acesso em 08/03/2022.
Loy, J. (2019), Neural Networks Projects with Python, Packt Publishing, 1st edition.
Bhasin, H. (2020) Machine Learning for Beginners, BPB Publications, 1st edition.
Bonaccorso, G. (2019), Hands-On Unsupervised Learning with Python, Packt Publishing, 1st Edition.
Johnston, B. and Mathur, I. (2019), Applied Supervised Learning with Python, Packt Publishing, 1st Edition.
Publicado
31/07/2022
Como Citar
MENDONÇA, Alisson Emanuel Goes de; COUTINHO, Luciano Reis; MARIANO, Roberval Gomes.
Modelos de Aprendizagem de Máquina para Identificação de Mercadorias a partir da Descrição do Item na Nota Fiscal Eletrônica. In: WORKSHOP DE COMPUTAÇÃO APLICADA EM GOVERNO ELETRÔNICO (WCGE), 10. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 168-179.
ISSN 2763-8723.
DOI: https://doi.org/10.5753/wcge.2022.222791.
