Πολυδιάστατη, περισσότερο στοχευμένη και διευρυμένη θα είναι πλέον η πολιτική φορολογικών ελέγχων από την Ανεξάρτητη Αρχή Δημοσίων Εσόδων, ενώ θα γίνεται χρήση ακόμη και νέων τεχνολογιών, όπως της τεχνητής νοημοσύνης, στην προσπάθεια αποκάλυψης φορολογητέας ύλης.
Μεγάλο μέρος της προσπάθειας για την αντιμετώπιση της φοροδιαφυγής, της φοροαποφυγής καθώς και της κάθε μορφής απάτης εις βάρος των φορολογικών αρχών και του δημοσίου συμφέροντος, θα παίξουν τα έξι «στρατηγεία ελέγχου» (τέσσερα στην Αττική και δύο στη Θεσσαλονίκη) που έχει δημιουργήσει η ΑΑΔΕ.
Βασική επιδίωξη της φορολογικής αρχής είναι να έρχονται στην επιφάνεια υποθέσεις φοροδιαφυγής ή φοροαποφυγής -και να κλείνουν σύντομα- έτσι ώστε να δίνεται η δυνατότητα στον φοροελεγκτικό μηχανισμό να ασχολείται με όσες περισσότερες υποθέσεις είναι εφικτό, αυξάνοντας τα δημόσια έσοδα και παράλληλα μεγιστοποιώντας τη φορολογητέα ύλη.
Παράλληλα ένας δεύτερος, αλλά όχι λιγότερο ουσιώδης στόχος, είναι η ολοκλήρωση των ελέγχων σε μεγάλες υποθέσεις παραβατικότητας που χρονίζουν στα συρτάρια της Εφορίας και στερούν από το δημόσιο μεγάλα ποσά φόρου.
Στην «μάχη» αυτή θα πέσει, λίγο αργότερα και το έργο συνολικού ύψους 5,6 εκατ. ευρώ το οποίο θα υλοποιηθεί στο πλαίσιο του Ταμείου Ανάπτυξης. Το σύστημα θα διαθέτει τεχνικές και εργαλεία τεχνητής νοημοσύνης και μηχανικής μάθησης όπως μοντέλα πρόγνωσης, εξόρυξης δεδομένων, στατιστικής και ποσοτικής ανάλυσης, προσημειώσεις κλπ., που θα οδηγήσει στην καλύτερη εκμετάλλευση των δεδομένων της ΑΑΔΕ.
Τα βασικά χαρακτηριστικά του νέου συστήματος θα είναι:
1. Θα μπορεί να συνδέεται και να έχει πρόσβαση σε όλα τα δεδομένα της ΑΑΔΕ καθώς και εξωτερικών πηγών.
2. Προσφέρεται η δυνατότητα παραγωγής στατιστικών και διαδραστικών αναφορών επιχειρησιακής ευφυΐας για το σύνολο των δεδομένων και πληροφοριών στους επιχειρησιακούς χρήστες.
3. Επεξεργασία των δεδομένων σε πραγματικό χρόνο προκειμένου να επιτευχθεί η παραγωγή αναφορών σε πραγματικό χρόνο, η λήψη απόφασης και δράσης βάσει αυτών και η άμεση ενημέρωση των εφαρμογών.
4. Σύστημα τεχνητής νοημοσύνης και μηχανικής μάθησης το οποίο θα περιλαμβάνει τεχνικές με τις οποίες θα γίνεται επεξεργασία δεδομένων και εξαγωγή πληροφορίας από μεγάλα σύνολα δεδομένων με σκοπό να γίνουν προβλέψεις για μελλοντικά γεγονότα. Αρχικά, τα ιστορικά δεδομένα χρησιμοποιούνται για να χτίσουν ένα μαθηματικό μοντέλο το οποίο συλλαμβάνει τις σημαντικές μελλοντικές τάσεις. Στη συνέχεια, το μοντέλο πρόβλεψης που δημιουργείται, χρησιμοποιείται σε τρέχοντα δεδομένα για να προβλέψει τι θα συμβεί μελλοντικά ή για να προτείνει δράσεις με τις οποίες θα επιτευχθούν τα καλύτερα δυνατά αποτελέσματα.
5. Δυνατότητα παραγωγής συνθετικών δεδομένων.
6. Δυνατότητα χρήσης προβλεπτικών μελλοντικών τάσεων.