Możliwości wykorzystania uczenia maszynowego w KSeF – analiza danych systemu

Doświadczenia związane z wykorzystywaniem systemów opartych na wiedzy zakodowanej na stałe sprawiają, że od agentów sztucznej inteligencji oczekuje się zdolności do samodzielnego zdobywania wiedzy przez ekstrakcję wzorców z surowych danych. Zdolność ta jest znana jako uczenie maszynowe. Uczenie maszynowe to nauka o algorytmach i systemach poprawiających swoją wiedzę oraz wyniki wraz ze zdobywanym doświadczeniem. Jest podzbiorem sztucznej inteligencji, która na podstawie wyszukiwania relacji w danych uczących próbuje naśladować inteligentne zachowania (np. wyszukiwanie anomalii). Jedną z dziedzin najszybciej wdrażających narzędzia sztucznej inteligencji są finanse. Rozwiązania takie jak uczenie maszynowe (nadzorowane, nienadzorowane, wzmacniane) dostarczają odpowiedzi na wyzwania dotyczące np. analizy dużych zbiorów danych i wyciągania wniosków. Krajowy System e-Faktur (KSeF), jako zbiór danych Szefa Krajowej Administracji Skarbowej, jest zbiorem typu Big Data. Wobec powyższego będą na nim prowadzone typowe analizy Big Data dotyczące eksploracji danych, analizy biznesowej, diagnostyki i raportowania. Zastosowanie metod uczenia maszynowego pozwoli natomiast na wykorzystanie zbioru danych KSeF do wychwytywania wzorców, przewidywań i podejmowania decyzji.

ABSTRACT

Potential Applications of Machine Learning in the National e-Invoicing System (KSeF) – System Data Analysis

The experience with knowledge-based systems relying on predefined, hard-coded rules, has led to expectations that artificial intelligence agents should be capable of acquiring knowledge autonomously by extracting patterns from raw data. This capability is known as machine learning. Machine learning is the study of algorithms and systems that improve their knowledge and performance through experience. It is a subfield of artificial intelligence that seeks to emulate intelligent behaviour by identifying relationships in training data, for example, by detecting anomalies. Finance is one of the sectors that adopts artificial intelligence tools most rapidly. Solutions such as machine learning, including supervised, unsupervised and reinforcement learning, help address challenges related to analysing large datasets and extraction of meaningful insights. The National e-Invoicing System (Polish: Krajowy System e-Faktur, KSeF), as a dataset held by the Head of the National Revenue Administration, constitutes a big data repository. Accordingly, it will be subject to typical big data analyses that involve data mining, business analytics, diagnostics and reporting. Application of machine learning methods, in turn, will allow for using the KSeF dataset to identify patterns, generate predictions and support decision-making.

Key words: machine learning, structured invoice, the National e-Invoicing System (KSeF), data analysis