VolgendeVolgende gids
AI bij de selectie van juryleden
Samenleving
Gids voor de samenleving
Ja.
Luister naar deze gidsAI-verteld · ~3 min
De IRS maakt gebruik van statistische scoremodellen, geautomatiseerde documentmatching en, in toenemende mate, machinaal leren om te beslissen welke belastingaangiften nader moeten worden bekeken, maar mensen beoordelen nog steeds gemarkeerde aangiften voordat de meeste audits beginnen. Het bekendste instrument is de Discriminant Function (DIF)-score. Deze systemen zijn belangrijk omdat ze beslissen wie wordt gecontroleerd, en onderzoekers hebben aangetoond dat ze sommige groepen belastingbetalers een zwaardere last kunnen opleggen dan andere.
De IRS gebruikt niet één master AI-systeem. Het draait verschillende systemen, elk gebouwd voor een andere taak. De oudste is de Discriminant Function (DIF)-score. DIF vergelijkt elke aangifte met statistische normen die zijn ontleend aan willekeurig geselecteerde, regel-voor-regel audits die zijn uitgevoerd in het kader van het Nationale Onderzoeksprogramma. Een hoge DIF-score betekent dat een audit van dat rendement waarschijnlijker zal leiden tot een belastingwijziging. De IRS houdt de formules geheim, zodat mensen er niet mee kunnen spelen. Een hoge score start niet vanzelf een audit. Getrainde classificatoren beoordelen de hoog scorende rendementen en kiezen welke ze willen onderzoeken. Ten tweede vergelijkt de IRS de rendementen met informatierendementen zoals W-2's en 1099's. Als de cijfers niet overeenkomen, verzendt het Automated Underreporter-programma een CP2000-melding waarin een wijziging wordt voorgesteld. Technisch gezien is een CP2000 geen audit, al kan het wel tot een factuur leiden. Ten derde scoren fraudetools zoals het Return Review Program retourzendingen op het gebied van identiteitsdiefstal en valse restitutieclaims voordat restituties plaatsvinden. De IRS heeft ook gezegd dat het van plan is om meer geavanceerde analyses toe te passen op complexe indieners, zoals grote partnerschappen, voor zover de financiering en het personeel dit toelaten. Eerlijkheid werd in 2023 een publieke kwestie. Onderzoekers die met gegevens van het ministerie van Financiën werkten, schreven de race van de belastingbetalers toe, omdat de IRS dit niet registreert, en schatten dat zwarte belastingbetalers verschillende keren zo vaak werden gecontroleerd als niet-zwarte belastingbetalers. Ze traceerden een groot deel van de kloof in de manier waarop aangiften werden geselecteerd die aanspraak maakten op de Earned Income Tax Credit. Het model gebruikte ras niet als input. Het verschil kwam voort uit ontwerpkeuzes, waaronder een focus op te veel geclaimde terugbetaalbare kredieten en op audits die goedkoop per post kunnen worden uitgevoerd. De IRS erkende de bevindingen en zei dat het zijn aanpak zou veranderen. Een veel voorkomende misvatting is dat software u automatisch controleert. In werkelijkheid rangschikken algoritmen de aangiften en beslissen mensen welke zaken moeten worden geopend.
Een freelancer laat een 1099-NEC achter bij haar terugkeer. Maanden later krijgt ze een CP2000-aanmaning omdat het Automated Underreporter-programma de kopie van de betaler vergeleek met haar aangifte en ontdekte dat het inkomen ontbrak.
Een aangifte claimt liefdadigheidsinhoudingen die erg groot zijn voor het inkomensniveau. Het krijgt een hoge DIF-score en gaat naar een menselijke classificator, die beslist of het rendement het onderzoeken waard is.
Het Return Review Program houdt een terugbetaling in omdat de retourzending overeenkomt met patronen die verband houden met identiteitsdiefstal. De belastingbetaler krijgt een brief waarin hij wordt gevraagd zijn identiteit te verifiëren voordat de terugbetaling wordt vrijgegeven.
Een gezin dat aanspraak maakt op de inkomstenbelastingkorting krijgt een correspondentiecontrole per post. Er wordt om school- of medische dossiers gevraagd waaruit blijkt dat het in aanmerking komende kind meer dan een half jaar bij hen heeft gewoond.
De IRS zal waarschijnlijk machine learning blijven toevoegen aan selectie en fraudedetectie, vooral voor complexe aangiften waarbij de tijd van de examinator schaars is. Hoe ver het komt, hangt af van de financiering, het personeelsbestand en de modernisering van de technologie, en ze zijn alle drie vaak veranderd. Toezichthoudende instanties zoals de inspecteur-generaal van het ministerie van Financiën voor de belastingadministratie en het Government Accountability Office hebben herhaaldelijk gevraagd om betere documentatie en tests van IRS-modellen. Let op de openbaarmaking van eerlijkheidstoetsingen en op duidelijkere mededelingen waarin belastingbetalers worden verteld waarom zij zijn geselecteerd. Hoe de modellen er ook uitzien, het praktische advies blijft hetzelfde: rapporteer elke geretourneerde informatie, houd gegevens bij die uw tegoeden en inhoudingen ondersteunen en reageer snel op meldingen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Ja. De IRS maakt gebruik van statistische scoremodellen, geautomatiseerde documentmatching en, in toenemende mate, machinaal leren om te beslissen welke belastingaangiften nader moeten worden bekeken, maar mensen beoordelen nog steeds gemarkeerde aangiften voordat de meeste audits beginnen. Het bekendste instrument is de Discriminant Function (DIF)-score. Deze systemen zijn belangrijk omdat ze beslissen wie wordt gecontroleerd, en onderzoekers hebben aangetoond dat ze sommige groepen belastingbetalers een zwaardere last kunnen opleggen dan andere.
DIF vergelijkt een rendement met normen uit willekeurige audits. Een hoge score betekent dat de kans groter is dat een audit de verschuldigde belasting wijzigt. Het is geen constatering van fraude of een boete.
De score geeft alleen rendementen weer. Getrainde classifiers screenen hoog scorende rendementen en kiezen welke ze willen onderzoeken.
Het Automated Underreporter-programma vergelijkt door de betaler ingediende formulieren zoals 1099s en W-2s met de aangifte. Wanneer inkomsten ontbreken, wordt een aanpassing op een CP2000 voorgesteld.
Een CP2000 stelt een verandering voor omdat de gerapporteerde inkomsten niet overeenkwamen met de informatierendementen. Het is geen formeel onderzoek, maar kan leiden tot een wetsvoorstel als de belastingbetaler dit niet met succes betwist.
Onderzoekers schatten een substantiële ongelijkheid in en herleidden een groot deel ervan tot de manier waarop EITC-rendementen werden geselecteerd, en niet tot het gebruik van ras als directe input.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI bij de selectie van juryleden
Samenleving