Los riesgos y oportunidades en el uso de técnicas de machine learning por parte de la administración tributaria

  1. ELIZABETH GIL GARCÍA
Revista:
Documentos - Instituto de Estudios Fiscales

ISSN: 1578-0244

Año de publicación: 2024

Título del ejemplar: Revisión crítica de la Ley General Tributaria tras veinte años de su aprobación

Número: 3

Tipo: Documento de Trabajo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Documentos - Instituto de Estudios Fiscales

Resumen

Cuando se cumplen dos décadas de la aprobación de la Ley General Tributaria y ante la creciente implementación de sistemas de Inteligencia Artificial por parte de la Administración tributaria, nos planteamos cuál es el tratamiento jurídico del uso de dichas técnicas. Aunque no exista una habilitación legal específica, la observancia de ciertas garantías puede minimizar los riesgos de sesgos e imprecisiones en las decisiones adoptadas mediante la aplicación de mo delos de aprendizaje automático, así como limitar el uso que de nuestros datos personales se hace y salvaguardar los derechos de los contribuyentes a partir de modelos de aprendizaje que resulten explicables.

Referencias bibliográficas

  • ADADI, A. y BERRADA, M. (2018): “Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)”, IEEE Access, vol. 6.
  • AEAT (2021): Informe sobre prevención y control del fraude tributario y aduanero. Resultados 2020.
  • AEAT (2022): Informe sobre prevención y control del fraude tributario y aduanero. Resultados 2021.
  • AEPD (2020): Adecuación al RGPD de tratamientos que incorporan Inteligencia Artificial. Una introducción.
  • AEPD y EDPS (2022): 10 malentendidos sobre el machine learning (aprendizaje automático).
  • BISHOP, C. M. (2006): Pattern Recognition and Machine Learning, Springer.
  • BURCHELL, J. (2022): “How to Prepare Your Dataset for Machine Learning and Analysis”, The JetBrains Datalore Blog.
  • BURRELL, J. (2016): “How the machine ‘thinks’: Understanding opacity in machine learning algorithms”, Big Data & Society.
  • COCKFIELD, A. J. (2019): “Sharing Tax Information in the 21st Century: Big data Flows and Taxpayers as Data Subjects”, Canadian Tax Journal, vol. 67, núm. 4.
  • COM(2021) 296 final: Propuesta de Reglamento del Parlamento Europeo y del Consejo por el que se establecen normas armonizadas en materia de Inteligencia Artificial (Ley de Inteligencia Artificial) y se modifican determinados actos legislativos de la Unión, Bruselas, 21 de abril de 2021.
  • EPRS (2019): Understanding algorithmic decision-making: Opportunities and challenges. Study Panel for the Future of Science and Technology
  • EUROPEAN UNION AGENCY FOR FUNDAMENTAL RIGHTS (2018): #BigData: Discrimination in data-supported decision making.
  • EUROPEAN UNION AGENCY FOR FUNDAMENTAL RIGHTS (2019): Data quality and artificial intelligence – mitigating bias and error to protect fundamental rights.
  • GIL GARCÍA, E. (2022a): “Hacia el diseño de una Inteligencia Artificial garantista en el contexto tributario” en B. D. Olivares Olivares (dir.): La inteligencia artificial en la relación entre los obligados y la Administración tributaria. Retos ante la gestión tecnológica, La Ley.
  • GIL GARCÍA, G. (2022b): “Respuestas a los riesgos de los sistemas de IA en el marco jurídico de protección de datos de la UE” en B. D. Olivares Olivares (dir.): La inteligencia artificial en la relación entre los obligados y la Administración tributaria. Retos ante la gestión tecnológica, La Ley.
  • GUNNING, D. y AHA, D. W. (2019): “DARPA’s Explainable Artificial Intelligence Program”, AI Magazine. Association for the Advancement of Artificial Intelligence.
  • HURTADO BUENO, A. (2022): “Uso de la Inteligencia Artificial y el Big Data por parte de la Administración Tributaria. «Compliance by design» como única estrategia posible” en B. D. Olivares Olivares (dir.): La inteligencia artificial en la relación entre los obligados y la Administración tributaria. Retos ante la gestión tecnológica, La Ley.
  • JANIESCH, C., ZSCHECH, P. y HEINRICH, K. (2021): “Machine learning and deep learning”, Electron Markets. The International Journal on Networked Business, vol. 31, núm. 3.
  • LECUN, Y., BENGIO, Y. y HINTON, G. (2015): “Deep Learning” Nature, vol. 521.
  • MARÍN, J. L. (2018): “Ciencia de datos, machine learning y deep learning”, Blog datos.gob.es, Ministerio de Asuntos Económicos y Transformación Digital.
  • MARTÍN LÓPEZ, J. (2022): “Inteligencia Artificial, sesgos y no discriminación en el ámbito de la inspección tributaria”, Crónica Tributaria, núm. 182.
  • OECD (2022): Tax Administration 2022: Comparative Information on OECD and other Advanced and Emerging Economies, OECD Publishing, París.
  • OLIVARES OLIVARES, B.D. (2020): “Transparencia y aplicaciones informáticas en la Administración tributaria”, Crónica Tributaria, núm. 174.
  • RAI, A. (2020): “Explainable AI: from black box to glass box”, Journal of the Academy of Marketing Science, vol. 48.
  • SÁNCHEZ, J. A. (2020): “¿Cómo aprenden las máquinas? Machine Learning y sus diferentes tipos”, Blog datos.gob.es, Ministerio de Asuntos Económicos y Transformación Digital.
  • SOTO BERNABEU, L. (2021): “La importancia de la transparencia algorítmica en el uso de la Inteligencia Artificial por la Administración Tributaria”, Crónica Tributaria, núm. 179.
  • VAN BEKKUM, M. y ZUIDERVEEN BORGESIUS, F. (2021): “Digital welfare fraud detection and the Dutch SyRI judgment”, European Journal of Social Security, vol. 23, núm. 4
Fuente de los datos: Dialnet