Skip to content

ریونیو میں AI: FBR، BISP ٹارگٹنگ، استفادہ کنندہ دھوکا دہی

AI in revenue: FBR, BISP targeting, beneficiary fraud

38 منٹ

تین طریقے

  1. ریونیو اور بہبود دونوں ایک ہی ریاضیاتی خیال پر ٹکی ہیں: ان چھوٹے کیسوں کو پہچاننا جو متوقع بنیاد سے ہٹے ہوئے ہیں اور ان پر کارروائی کرنا۔ ٹیکس میں ہٹاؤ مشتبہ کم رپورٹنگ ہے۔ بہبود میں ہٹاؤ مشتبہ نا اہلیت ہے۔ AI شماریاتی ہٹاؤ ڈھونڈنے میں اچھا ہے۔ جائز ہٹاؤ (چھوٹا کاروبار جس کا واقعی برا سال گزرا، گھرانہ جس کے پاس واقعی اثاثہ نہیں) کو دھوکے دہی والے ہٹاؤ سے الگ کرنے میں کمزور ہے۔ سرکاری افسر کا کردار وہ دوسری آنکھ ہے جو ریاضی کی غلطیاں پکڑے۔

  2. FBR کئی سالوں سے AI کی مدد سے رسک پروفائلنگ کی طرف بڑھ رہا ہے۔ POS انٹیگریشن ڈیٹا، withholding statements، NADRA cross-checks، Income Tax Ordinance Section 165A اور 175A کے تحت بینک رپورٹنگ، اور درآمد برآمد ریکارڈ مل کر کسی ایک افسر سے زیادہ امیر سگنل بناتے ہیں۔ ماڈل ٹیکس چوری کا امکان درجہ بند کر سکتا ہے۔ یہ ٹیکسٹائل برآمد کنندہ کو پہچان سکتا ہے جس کا اعلانیہ ٹرن اوور بجلی کے استعمال کا دسواں حصہ ہے۔ پراپرٹی ڈیلر کو نشان زد کر سکتا ہے جس کے خاندانی بینک ڈپازٹ اعلانیہ آمدنی سے کئی گنا زیادہ ہیں۔ ماڈل فہرست بناتا ہے۔ فہرست انسانی کام کا آغاز ہے، خاتمہ نہیں۔

  3. BISP، ملک کا سب سے بڑا کیش ٹرانسفر پروگرام، الٹا چیلنج رکھتا ہے: ٹیکس چوری نہیں، نا اہلیت پکڑنا۔ Proxy Means Test اسکور دو دہائیوں میں نکھرا ہے، اب NSER سروے، NADRA خاندانی ریکارڈ، گاڑی کی ملکیت، پراپرٹی ٹیکس ریکارڈ، اور سفر کی تاریخ شامل کرتا ہے۔ AI ان گھرانوں کو پہچاننے میں مدد دیتا ہے جن کی اعلانیہ غربت ان کے نظر آنے والے نشانات سے ٹکراتی ہے۔ اچھے سے ہو تو یہ پروگرام کی قانونی حیثیت بچاتا ہے اور پیسہ واقعی غریب گھرانوں کے لیے آزاد کرتا ہے۔ برے سے ہو تو بزرگ بیوہ کاٹتا ہے جس کا بیٹا کبھی لیبر ویزے پر باہر گیا تھا اور اس کا نام پرانے امیگریشن ریکارڈ میں ہے۔

فوری چیک

فوری چیک: جدید AI روایتی قاعدہ بنیاد پروگرام سے کس طرح مختلف ہے؟

کیوں؟

کیوں کا پہلا درجہ: غلط مثبت کی شرح سب سے اہم نمبر کیوں ہے؟ کیونکہ ہر غلط مثبت ایک غلط الزام لگا شہری ہے۔ ماڈل 95 فیصد درست ہو سکتا ہے اور پھر بھی پیمانے پر ہزاروں بے گناہ کاروبار یا گھرانے تباہ کر سکتا ہے۔ سرفِ ورق درستگی غلط نشان زد پانچ فیصد میں ہونے کی قیمت چھپاتی ہے۔

Claude کے ساتھ آزمائیں

AI پرامپٹ: 'میں ریجنل ٹیکس آفس کی سربراہ ہوں۔ ہم آڈٹ کے لیے ٹیکس دہندگان کی درجہ بندی کے لیے ماڈل استعمال کرتے ہیں۔ پچھلی سہ ماہی میں ماڈل نے 500 نام دیے؛ ہم نے 200 آڈٹ کیے؛ 90 سے وصولی ہوئی؛ 110 سے کچھ نہیں۔ مجھے ڈیزائن دیں (الف) ایک صفحے کی رپورٹ جو میں چیف کمشنر کو دوں، (ب) ماڈل وینڈر کے لیے تین تشخیصی سوالات، (ج) ٹیکسٹائل، رئیل اسٹیٹ، اور پروفیشنل سروسز شعبوں میں fairness چیک۔ کن نمبروں پر مطالبہ کرنا ہے، مخصوص بتائیں۔'

ماخذ

ماخذ اور مزید مطالعہ۔ FBR Risk Management System دستاویزات۔ Income Tax Ordinance 2001، Sections 165A اور 175A۔ Sales Tax Act 1990 POS انٹیگریشن کی ترامیم۔ BISP NSER میتھدالوجی پیپر۔ ورلڈ بینک 'سوشل سیفٹی نیٹس کی پاکستان میں ٹارگٹنگ۔' Centre for Global Development 'الگورتھمک ٹارگٹنگ ان سوشل پروٹیکشن۔' Algorithmic Accountability Act مسودے (US، EU)۔ NIST AI Risk Management Framework کے Govern اور Measure functions۔