Creación de conjuntos de datos sintéticos de alta fidelidad para casos fiscales para la evaluación de la IA en el ámbito fiscal estadounidense.
Shaip creó 2,000 casos fiscales estadounidenses realistas con declaraciones federales y estatales, documentos de respaldo, flujos de trabajo al estilo de los contadores públicos certificados (CPA), validación por expertos en el ámbito financiero y controles de anonimización para pruebas de IA fiscal empresarial.
Descripción general del proyecto: Conjunto de datos fiscales sintéticos para evaluación mediante IA
A medida que los sistemas de IA tributaria se vuelven más capaces, la calidad de los datos de evaluación se convierte en un factor diferenciador crucial. El cliente requería un conjunto de datos a gran escala de casos tributarios individuales realistas que abarcaran los requisitos de presentación federales, además de las variaciones estatales en California, Texas, Nueva York, Illinois y Florida. Cada caso debía replicar los flujos de trabajo reales de un contador público certificado e incluir un formulario de admisión completo, documentación de respaldo, formularios tributarios conciliados, resúmenes ejecutivos y etiquetas de dificultad.
Shaip fue contratado para diseñar una canalización de conjuntos de datos lista para producción capaz de generar 2,000 casos tributarios totalmente conciliados, con la capacidad operativa para escalar a casos 5,000 A medida que se ampliaron las necesidades del programa, el conjunto de datos debía abarcar los últimos años fiscales, reflejar una complejidad equilibrada entre los casos de complejidad media y moderada, y mantener estrictos controles de calidad en cuanto a coherencia, anonimización, formato y ausencia de duplicados.
Métricas clave del conjunto de datos
Volumen del conjunto de datos
2,000 casos fiscales
Escalabilidad organizacional
Capacidad para ampliar a 5,000 casos.
Documentos de respaldo
Entre 7 y 15 documentos por caso.
Rendimiento de entrega
300-400 conjuntos de datos por semana
Desafíos de la evaluación de la IA en materia fiscal
- Garantizar que cada caso reflejara un flujo de trabajo realista al estilo de un contador público certificado (CPA), con narrativas del contribuyente, documentos fuente y declaraciones finales internamente coherentes.
- Gestionar la lógica tributaria específica de cada estado en cinco estados, manteniendo la coherencia con los formularios y resúmenes federales.
- Elaboración de escenarios fiscales de complejidad media y moderada que involucran cuentas de ahorro para la salud (HSA), ingresos multiestatales, formularios K-1, formularios de la Ley de Cuidado de la Salud Asequible (ACA), Anexo C, ganancias de capital y cuentas extranjeras.
- Mantener estándares estrictos de integridad, formato y exhaustividad de los datos, incluyendo la entrega únicamente en formato PDF y el rechazo de archivos incompletos, duplicados o estructuralmente inconsistentes.
- Protección de la privacidad mediante conjuntos de datos sintéticos o anonimizados con medidas de seguridad para la desidentificación y una revisión en varias etapas.
Solución de datos fiscales sintéticos de Shaip
Estrategia de datos
Shaip estructuró el compromiso en torno a la producción de 2,000 casos reales de impuestos individuales, cada uno diseñado para su uso en evaluación y pruebas. El flujo de trabajo se construyó para admitir una futura ampliación a casos 5,000 Sin comprometer la coherencia ni la calidad. Los casos se diseñaron para representar los últimos cinco años fiscales, con una mayor representación de los períodos de presentación de declaraciones más recientes.
Diseño de casos y modelado de admisión
Cada caso incluía un cuestionario detallado para el cliente que abarcaba datos personales, estado civil, personas a cargo, empleo, compensación en acciones, ingresos por jubilación, ingresos por el formulario 1099, formularios K-1, ingresos por alquiler, ingresos extranjeros, deducciones, créditos, historial de cumplimiento y requisitos específicos de cada estado. Esto garantizaba que cada escenario reflejara la etapa de recopilación de información de un caso fiscal real.
Creación de paquetes de documentos
Para que cada conjunto de archivos resultara realista y estuviera listo para su evaluación, cada caso incluía un paquete de documentos justificativos como formularios W-2, 1099-INT/DIV/B, 1099-R, 1099-NEC/MISC, K-1, 1095-A, formularios de intereses hipotecarios, facturas de impuestos sobre la propiedad, extractos de corretaje, contratos de alquiler, extractos bancarios, recibos de gastos comerciales y registros de HSA/IRA.
Preparación y conciliación de declaraciones
Cada conjunto de datos incluía datos completos Formularios de declaración de impuestos federales y estatalesIncluye el Formulario 1040 y sus anexos correspondientes, además de los formularios de declaración estatales y los documentos de crédito o comprobante relacionados, cuando sea necesario. Los resúmenes ejecutivos breves incluyen el ingreso bruto ajustado (AGI), el ingreso imponible, el impuesto total, los pagos, el reembolso o el saldo adeudado, las multas y la tasa impositiva efectiva, con campos de resumen a nivel estatal.
Marco de complejidad
Los casos se organizaron en niveles de dificultad definidos, con énfasis en Nivel 2 (Medio) & Nivel 3 (Complejidad moderada) escenarios. Estos incluyeron situaciones de presentación de declaraciones en varios estados, actividad de HSA, ingresos del Anexo C, ganancias de capital, informes de la ACA, cuentas extranjeras y lógica tributaria basada en el formulario K-1.
Controles de garantía de calidad y aceptación
Shaip ajustó la entrega a estrictos requisitos de calidad que abarcaban la coherencia lógica, la asignación de campos fiscales, la integridad de los documentos, la conformidad estructural con las plantillas fiscales estadounidenses y la preparación para la auditoría final. El flujo de trabajo también tuvo en cuenta los criterios de rechazo relacionados con archivos PDF incorrectos, detalles financieros faltantes, conjuntos de datos duplicados y la ubicación incorrecta de los campos.
Privacidad y cumplimiento
Todos los datos se diseñaron para ser sintéticos o debidamente anonimizados, sin información personal identificable real y con un proceso de desidentificación en varias etapas. Esto garantizó que el conjunto de datos pudiera satisfacer las necesidades de pruebas empresariales manteniendo la confidencialidad.
Alcance del conjunto de datos fiscales sintéticos
| Componente del conjunto de datos | <b></b><b></b> |
|---|---|
| Volumen del caso | casos 2,000 |
| Escalabilidad organizacional | Ampliable hasta 5,000 unidades. |
| Geografía | California, Texas, Nueva York, Illinois, Florida |
| Documentos por caso | 7–15 documentos |
| Niveles de dificultad | Enfoque en los niveles 2 y 3 |
| Formularios federales | Formulario 1040, Anexos 1–3, A, B, C, D, E, SE y formularios aplicables. |
| Formularios estatales | Formularios de declaración estatal, anexos, créditos y comprobantes pertinentes |
| Resumen de resultados | Resúmenes de impuestos federales y estatales |
| formato de entrega | Solo en formato PDF |
| Rendimiento semanal | 300–400 conjuntos de datos |
Resultado: Conjunto de datos de evaluación de IA tributaria listo para empresas
- Creó un marco para 2,000 casos fiscales de alta fidelidad Diseñado para evaluación y pruebas internas.
- Preparación operativa establecida para escalar la producción a casos 5,000
- Permitió realizar pruebas de modelos realistas en los flujos de trabajo tributarios federales y de los cinco estados.
- Cada caso se estructuró para reflejar la lógica de admisión, documentación, presentación y resumen propia del estilo de un contador público certificado (CPA).
- Controles estrictos integrados para la anonimización, la conciliación, la integridad y el formato PDF.
En resumen, esta colaboración demuestra cómo Shaip puede ayudar a los equipos de IA fiscal a ir más allá de los ejemplos genéricos y adentrarse en conjuntos de datos de evaluación de nivel empresarial que reflejan la complejidad real de la presentación de declaraciones, el razonamiento multidocumento y el comportamiento fiscal específico de cada jurisdicción. El resultado es una base más sólida para la evaluación comparativa de modelos, el control de calidad y la validación interna del producto.
Shaip aportó estructura, rigor y escalabilidad a una iniciativa de datos tributarios sumamente compleja. Su capacidad para traducir los complejos requisitos de presentación de declaraciones federales y estatales en conjuntos de datos de casos realistas y conciliados sentó una base sólida para nuestros flujos de trabajo de evaluación de IA.
