Налоговая служба Бразилии выявила криптомахинации на $180 млн благодаря ИИ-помощнику

cryptonews.ruDipublikasikan tanggal 2024-05-10Terakhir diperbarui pada 2024-09-10

  • Представители RFB заявили, что используют мониторинговый сервис на базе ИИ для выявления мошеннических схем.
  • Этот инструмент уже обнаружил махинации с криптоактивами на $180 млн.
  • Проект использует алгоритмы искусственного интеллекта и сложный сетевой анализ для облегчения задачи по оценке налоговых данных.

Федеральная налоговая служба Бразилии (RFB) заявила, что пользуется инструментом на базе технологий с искусственным интеллектом для выявления финансовых махинаций. С его помощью специалисты агентства вычислили нарушения в сфере криптоактивов на $180 млн.

По имеющимся данным, проект реализован собственными усилиями RFB. Он использует алгоритмы ИИ и глубокий анализ для оценки поступающих налоговых данных. Представители регулятора заявили, что это позволило выявить массу незаконных транзакций и ощутимо повысить эффективность проверочных мероприятий.

Благодаря ИИ-инструменту налоговой службе удалось обнаружить мошенническую схему на $125 млн. В ней участвовали подставные компании, которые использовались для приобретения криптоактивов. ИИ-помощник выявил взаимосвязь между подозрительными операциями по импорту и денежными переводамами с налоговыми нарушениями.

Еще один крупный случай связан с отмыванием денег, незаконным оборотом наркотиков и оружия, а также уклонением от уплаты налогов и цифровыми активами, подчеркнули в RFB.

Помимо налоговой службы, над внедрением в свою структуру инструментов на базе ИИ работает Национальный банк Бразилии. Глава финансового регулятора Роберто Кампос Нето заявил, что его подопечные рассматривают возможность интегрировать технологии искусственного интеллекта в пилотный проект CBDC. С этой целью нацбанк создал специальное подразделение.

Ранее стало известно, что RFB намерен запросить данные о деятельности иностранных криптовалютных бирж на территории государства. Власти хотят выяснить, не нарушают ли компании законодательство в процессе ведения своей деятельности. Налоговую службу также интересует взаимодействие фирм с местными поставщиками услуг виртуальных активов.

Напомним, мы писали, что регулятор Бразилии одобрил запуск второго спотового Solana-ETF.

Bacaan Terkait

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

Artikel ini membahas konsep "world model" (model dunia) dalam kecerdasan buatan (AI) yang saat ini banyak digunakan dengan makna berbeda-beda. Fei-Fei Li mengusulkan taksonomi fungsional untuk mengklarifikasi kekacauan ini. Berdasarkan siklus interaksi agen-dunia dalam POMDP (Partially Observable Markov Decision Process), ia mengategorikan model dunia menjadi tiga jenis berdasarkan outputnya: 1. **Renderer (Perender):** Menghasilkan **observasi**, khususnya piksel yang ditujukan untuk mata manusia. Contohnya adalah model video seperti Sora atau sistem interaktif seperti Genie yang menghasilkan gambar berdasarkan input. Fokus utamanya adalah kesetiaan visual, bukan akurasi fisik. 2. **Simulator (Simulator):** Menghasilkan **state (keadaan)**, yaitu representasi dunia yang akurat secara geometri, fisika, dan dinamika. Simulator berfungsi sebagai landasan struktural untuk perhitungan, digunakan oleh profesional (arsitek, desainer) dan program komputer (robot, kendaraan otonom) untuk pelatihan dan pengujian. Contohnya adalah platform seperti NVIDIA Omniverse. 3. **Planner (Perencana):** Menghasilkan **tindakan**. Model ini menentukan langkah selanjutnya yang harus diambil sebuah agen berdasarkan observasi dan tujuan. Ini menutup lingkaran persepsi-aksi. Contohnya adalah model visi-bahasa-aksi (VLA) dan model aksi dunia (World Action Models). Artikel menyoroti bahwa **simulator adalah kunci penghubung** yang paling penting namun kurang mendapat perhatian publik. Simulator bekerja pada tingkat geometri dan fisika yang mendasarinya, sehingga pemahamannya dapat diproyeksikan ke dalam piksel (untuk renderer) atau prediksi konsekuensi tindakan (untuk planner). Tren terpenting saat ini adalah peleburan batas antara ketiga kategori ini, didorong oleh kesadaran bahwa pengetahuan dasar tentang dunia yang dibutuhkan adalah sama. Tujuan akhirnya adalah model dunia terpadu yang dapat beralih di antara rendering, simulasi, dan perencanaan sesuai kebutuhan. Perkembangan ini mendorong kemajuan menuju kecerdasan spasial, di mana mesin tidak hanya memahami bahasa tentang dunia, tetapi juga dapat memahami, membayangkan, bernalar, dan berinteraksi dengan dunia fisik itu sendiri.

marsbit4j yang lalu

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

marsbit4j yang lalu

Trading

Spot
活动图片