Como Funciona?
O GB-FiscalAI utiliza inteligencia artificial para analisar cada declaracao aduaneira e detetar automaticamente anomalias.
Visao Geral do Sistema
┌──────────────────────────────────────────────────────────────────────┐
│ GB-FiscalAI │
├──────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────┐ ┌─────────────┐ ┌─────────────┐ ┌──────────┐ │
│ │ SYDONIA │───▶│ IMPORTAR │───▶│ MOTOR IA │───▶│ ALERTAS │ │
│ │ (CSV) │ │ CSV/Excel │ │ (ML Engine)│ │ │ │
│ └─────────┘ └─────────────┘ └─────────────┘ └──────────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌─────────────┐ ┌─────────────┐ ┌──────────┐ │
│ │ BASE │ │ PONTUACOES │ │ PAINEL │ │
│ │ DADOS │◀──▶│ DE RISCO │───▶│ CONTROLO │ │
│ └─────────────┘ └─────────────┘ └──────────┘ │
│ │
└──────────────────────────────────────────────────────────────────────┘Passo a Passo
1. Importacao de Dados
As declaracoes sao importadas do sistema SYDONIA atraves de ficheiros CSV ou Excel.
| Campo | Exemplo | Utilizacao |
|---|---|---|
| Referencia | DEC-2026-001 | Identificacao unica |
| Codigo SH | 8703.23 | Classificacao do produto |
| Origem | JP | Pais de origem |
| Valor | 45.000 USD | Montante declarado |
| Importador | GW-IMP-001 | Identificacao fiscal |
2. Analise pelo Motor de IA
O motor de inteligencia artificial analisa cada declaracao segundo 5 criterios principais:
| Criterio | Peso | Descricao |
|---|---|---|
| Subvalorizacao | 30% | Valor declarado vs Preco de referencia mundial |
| Historico do Importador | 25% | Numero de fraudes passadas, taxa de conformidade |
| Codigo SH Sensivel | 20% | Produtos de alto risco: eletronicos, alcool, tabaco |
| Pais de Origem | 15% | Risco associado ao pais de origem |
| Anomalias Documentais | 10% | Incoerencias entre documentos |
3. Calculo da Pontuacao de Risco
A pontuacao final e uma combinacao ponderada dos 5 criterios:
PONTUACAO = (Subvalorizacao × 0.30)
+ (Historico × 0.25)
+ (Codigo SH × 0.20)
+ (Pais × 0.15)
+ (Documentos × 0.10)Exemplo concreto:
| Criterio | Valor | Peso | Pontuacao |
|---|---|---|---|
| Subvalorizacao | 80% | × 0.30 | 24 |
| Historico mau | 60% | × 0.25 | 15 |
| Codigo SH sensivel | 70% | × 0.20 | 14 |
| Pais de risco | 50% | × 0.15 | 7.5 |
| Documentos OK | 10% | × 0.10 | 1 |
| TOTAL | 61.5% |
4. Classificacao do Risco
| Nivel | Pontuacao | Acao Recomendada |
|---|---|---|
| 🟢 Baixo | 0-30% | Controlo aleatorio possivel |
| 🟡 Medio | 31-50% | Verificacao documental recomendada |
| 🟠 Elevado | 51-75% | Inspecao fisica necessaria |
| 🔴 Critico | 76-100% | Inspecao aprofundada + Alerta automatico |
5. Geracao de Alertas
Quando a pontuacao ultrapassa 75%, um alerta e automaticamente gerado com:
- Referencia da declaracao
- Identificacao do importador
- Pontuacao de risco
- Detalhes da anomalia detetada
- Acao recomendada
Aprendizagem Continua
O sistema aprende e melhora com o tempo:
- Fraude confirmada → Reforca o modelo
- Falso positivo → Ajusta os limiares
- Novo padrao → Adiciona aos criterios
Tecnologias Utilizadas
| Tecnologia | Funcao |
|---|---|
| Python + FastAPI | Backend e API |
| scikit-learn | Motor de Machine Learning |
| React + TypeScript | Interface utilizador |
| PostgreSQL | Base de dados |
| Redis | Cache e filas |
| Docker | Containerizacao |