SISAM

Sistema de Seleção Aduaneira por

Aprendizado de Máquina

Jorge Jambeiro Filho

jorge.jambeiro@receita.fazenda.gov.br
Auditor Fiscal da Receita Federal do Brasil
 Sistema de Seleção Aduaneira por
Aprendizado de Máquina (SISAM)
• Aprende com o histórico de Declarações de Importação
(DIs), conferidas ou não
• Analisa DIs novas
• Calcula a probabilidade de cerca de 30 tipos de erro
em cada item de cada DI.
• Para cada campo que possa ter erro calcula a
probabilidade de cada valor correto possível.
• Avalia consequências tributárias e administrativas
• Calcula expectativa de retorno de cada verificação
possível.
 Infrações detectadas pelo SISAM

•Erro de classificação fiscal

•Erro na descrição da mercadoria
•Erro no país origem
•Falta de Licenciamento
•Erro de alíquota
– II, IPI, PIS, COFINS e Antidumping
– Regime tributário, Fundamento legal, Acordo tarifário, EX
tarifários, Atos legais
 Cores destacam estimativas da IA

Expectativa de retorno de
uma possível verificação
(em Reais)

Probabilidades de erro

Diferenças de alíquota
O mouse sobre
uma célula que
contém uma
expectativa de
retorno,
decompõe esta
expectativa,
quanto a sua
natureza e
quanto a causas
primárias
Mouse sobre
probabilidade de
erro (ex: NCM)

Explicação em
linguagem
natural

Alternativas arrumadas
em árvore, com
probabilidades

Consequências caso
alternativa se
confirme
 Texto em linguagem natural
Exemplo real 1: NCM
TUNGSTENIO EM PO 1,0 MICRON, W 1,0 - REF. WC0C050M

A probabilidade de erro de classificação fiscal neste item foi estimada em 92.46%

O histórico específico deste importador define um contexto, onde são esperadas tantas
importações de produtos classificados em NCMs que costumam ser confundidas com a
NCM declarada (28499030) que é mais fácil ela ter sido informada erroneamente do que
corresponder a um produto realmente sendo importado.

Neste histórico, uma mercadoria do subitem 81011000 da NCM é mais comum e constam
confusões deste subitem específico com a NCM declarada que o tornam uma suspeita de
altíssima relevância.

Ao mesmo tempo, o fato do fabricante ter sido FILMS S.P.A. favorece fortemente a ideia
de que a NCM real é, de fato, a 81011000, aumentando bastante a suspeita de erro de
classificação.

Soma-se, a isto o fato de que , estatisticamente, a descrição da mercadoria favorece a

fortemente ideia de que a NCM real é mesmo a 81011000. Isto obviamente aumenta a
suspeita de erro de classificação fiscal.
 Texto em linguagem natural
Exemplo real 2: NCM
FC-100/F - LUMINARIA ULTRAVIOLETA 100W,230V,FAN COOLED8" PRI, 8 "SEC.

A probabilidade de erro de classificação fiscal neste item foi estimada em 44.85%

No histórico específico deste importador uma mercadoria do subitem 85437099 da ncm é

mais comum e constam confusões deste subitem específico com a NCM declarada que o
tornam uma suspeita de altíssima relevancia.

Vale a pena apontar o fato de que, no histórico do Sisam, este importador já teve
mercadorias do subitem NCM 85437099 da NCM conferidas por fiscais 3 vezes e em
todos os casos a NCM foi declarada erradamente como sendo do subitem 90275090.

A influência deste fabricante (SPECTRONICS CORPORATION ) pesou apenas um pouco

sobre a suspeita de erro de classificação, mas confirmou levemente a ideia de que a NCM
real seria, de fato, a 85437099.

Além disto , estatisticamente, a descrição da mercadoria favorece a ideia de que a NCM real
é mesmo a 85437099, aumentando assim a suspeita de erro de classificação.
 Texto em linguagem natural
Exemplo real 3: NCM
MOLA DE RODA MOVIM. DA MESA HF15X20 UTILIZADA EM MAQUINAS DE
ALTA FREQUENCIA. 901-26249

A probabilidade de erro de classificação fiscal neste item foi estimada em 78.32%.

Vale a pena apontar o fato de que, no histórico do Sisam, este importador já teve
mercadorias do subitem NCM 7320.20.10 da ncm conferidas por fiscais 2 vezes e em uma
delas a NCM foi declarada como sendo do subitem 7318.19.00.

O momento de registro da DI reduz a suspeita. Ele é mais distante do único caso em que
este importador declarou esta NCM por engano que dos casos em que o fez corretamente.

Em contraste, estatisticamente, a descrição da mercadoria sugere fortemente que a NCM

real é a 7320.20.10, o que levanta suspeita de erro de classificação fiscal.

Além disto, este produto já foi conferido por AFRFBs no passado e o histórico destas
conferências indica muito fortemente que a classificação correta é a 7320.20.10 ao invés da
7318.19.00.
 Texto em linguagem natural
Exemplo real 3: NCM
1.500 DOSES DE SÊMEN BOVINO PARA REPRODUÇÃO DA RAÇA ANGUS DO
DOADOR QUAKER HILL RAMPAGE 0A36/ 16925771, COD. 029AN01891.

A probabilidade de erro de classificação fiscal neste item foi estimada em 0.01%.

O histórico específico deste importador define um contexto, onde praticamente não existem
importações de produtos classificados em NCMs que costumem ser confundidas com a
NCM declarada (0511.10.00), o que traz bastante segurança a declaração.

Soma-se, a isto o fato de que a descrição da mercadoria, tratada estatisticamente, confirmou

a ideia de que a NCM declarada está correta.

No entanto, considerado o histórico de erros na descrição da mercadoria vinculados a erros

de classificação fiscal, se a NCM declarada (0511.10.00) não for a correta, a probabilidade
de que também haja erro na descrição é muito grande, anulando sua relevância.
 Texto em linguagem natural
Exemplos reais 3 e 4: Origem
A probabilidade de erro de origem neste item foi estimada em 20.42%

No contexto histórico deste importador e das rotas que envolvem este país de aquisição e
procedência (ESTADOS UNIDOS) existem erros nas declarações dos países de origem que
tornam a possibilidade de que um item tenha sido produzido em outro país CHINA,
REPUBLICA POPULAR) uma suspeita relevante.

Além disto, o fato da NCM declarada ter sido a 84433111 favorece a ideia de que o país
origem real é , de fato, CHINA, REPUBLICA POPULAR e contribui para a suspeita de
erro na declaração.

A probabilidade de erro de origem neste item foi estimada em 18.57%

A influência da NCM declarada (29291021) pesou apenas um pouco sobre a suspeita de

erro de origem, favorecendo levemente a idéia de que o país origem real seria JAPAO.

Ao mesmo tempo, o fato do fornecedor ter sido AMEROPA AG favorece intensamente a

idéia de que o país origem real é, de fato, JAPAO ao invés de INDIA , aumentando
bastante a suspeita de erro na declaração de origem.
 Percepção do usuário
• Com o SISAM são capturados erros que quase
com certeza escapariam em meio as milhares de
DIs diárias
• Gera alguns textos tão perfeitos que nem parecem
vir de uma máquina
• O sistema percebeu sozinho padrões de risco que já
conhecidos
• Alguns fiscais dizem que não concebem mais o
trabalho sem este sistema
• O sistema erra, mas a taxa de acerto satisfaz
Taxas de recuperação para erros de NCM
Perc. Seleção 1% 2% 5% 10% 20% 50% 75%

Maio 2016 19,4% 31,4% 49,2% 63,9% 76,0% 93,6% 98,3%

Maio 2017 24,6% 37,5% 55,4% 67.8% 80,2% 92,6% 99,4%
Taxas de recuperação para erros na alíquota do Cofins
Perc. Seleção 1% 2% 5% 10% 20% 50% 75%
Maio 2016 5,7% 11,3% 30,8% 50,3% 63,4% 82,8% 92,9%
Maio 2017 41,5% 51.0% 66,7% 77.9% 85,9% 98,5% 99,6%
 Tecnologia
•Não depende de ferramentas ou bibliotecas de IA
•Tecnologia desenvolvida para o Sisam
–Redes Bayesianas com hierarquias de suavização
•Variáveis nominais
•Estendidas para texto e variáveis contínuas
–Capturam interações não lineares sem superajuste
–Acompanha 8,5 bilhões de padrões
–Aprendizado incremental e distribuído
–É possível subtrair modelos uns dos outros
–Múltiplas variáveis desconhecidas
–Classes mutantes
•Base de conhecimento em arquivos em formato B+
•Gerenciamento de memória próprio
•Balanceamento de carga
 Referências
Jambeiro Filho, Jorge. Inteligência Artificial no Sistema de Seleção
Aduaneira por Aprendizado de Máquina. Prêmio de Criatividade e
Inovação da RFB, 2015.

Jambeiro Filho, Jorge. Artificial Intelligence in the Customs Selection

System through Machine Learning (Sisam). Prêmio de Criatividade e
Inovação da RFB, 2015.

Jambeiro Filho, Jorge; Jacques Wainer. HPB: A model for handling BN

nodes with high cardinality parents. Journal of Machine Learning
Research (JMLR), 9:2141–2170, 2008.

Jambeiro Filho, Jorge. Tratamento Bayesiano de Interações entre

Atributos de Alta Cardinalidade. Tese de Doutorado, Instituto de
Computação da Universidade Estadual de Campinas (IC/UNICAMP), 2007.

Jambeiro Filho, Jorge. A história do Sisam como a Vivi. 6 Concurso de

Histórias de Trabalho da Receita federal do Brasil, 2015.