ΟΠΕΚΕΠΕ: Πώς η Τεχνητή Νοημοσύνη θα μπορούσε να αποτρέψει τη διασπάθιση δεκάδων εκατομμυρίων ευρώ
Η εκτεταμένη έρευνα της Ευρωπαϊκής Εισαγγελίας (EPPO) για τις ενισχύσεις που χορηγήθηκαν την περίοδο 2016–2022 από τον ΟΠΕΚΕΠΕ και οι πολιτικές εξελίξεις που έχει προκαλέσει, έχει φέρει στο φως χιλιάδες ΑΦΜ που φέρονται να εμπλέκονται σε κατ’ επανάληψη δηλώσεις δημόσιων βοσκοτόπων χωρίς νόμιμη χρήση, με τελικό ύψος επιχορηγήσεων δεκάδων εκατομμυρίων ευρώ. Στο πλαίσιο της υπόθεσης, οι ευρωπαϊκές αρχές προχώρησαν σε ελέγχους ψηφιακών βάσεων δεδομένων, ζητώντας πρόσβαση σε ιστορικά στοιχεία δηλώσεων, μισθωτηρίων και κατανομών Μονάδων Ζωικού Κεφαλαίου (ΜΖΚ).
Σε μία Ελλάδα που εδώ και χρόνια η αξιοποίηση τεχνολογιών τεχνητής νοημοσύνης (Artificial Intelligence – AI) και μηχανικής μάθησης (Machine Learning – ML) έχει βρεθεί στις κορυφαίες θέσεις του κυβερνητικού προγράμματος, το ερώτημα που προκύπτει είναι αν υπάρχουν εργαλεία τεχνολογιών τεχνητής νοημοσύνης και μηχανικής μάθησης τα οποία θα μπορούσαν να έχουν εντοπίσει τις απάτες και να τις έχουν αποσοβήσει.
Η έρευνα του newsbomb.gr για τα εργαλεία αυτά δείχνει πώς θα μπορούσαν να είχαν συνδράμει στη διασφάλιση της ακρίβειας και της διαφάνειας στις αγροτικές ενισχύσεις με τους ανθρώπους μεν να έχουν τον τελευταίο λόγο και την τελική απόφαση, αλλά να υφίσταται μία ισχυρή προειδοποίηση σε υπηρεσιακό επίπεδο.
Ανάλυση «ανωμαλιών» σε δηλώσεις και Μονάδες Ζωικού Κεφαλαίου (Anomaly detection)
Αλγόριθμοι μη εποπτευόμενης μάθησης όπως οι Isolation Forests και Autoencoders μπορούν να εντοπίζουν δηλώσεις που αποκλίνουν από τα στατιστικά πρότυπα. Περιπτώσεις όπως απότομες αυξήσεις στον αριθμό δηλωμένων ζώων, ασυνήθιστα μεγάλες εκτάσεις σε σχέση με τις Μονάδες Ζωικού Κεφαλαίου ή αναντιστοιχία ιστορικών στοιχείων σηματοδοτούνται αυτόματα για περαιτέρω έλεγχο.
Ανίχνευση συσχετισμών με χρήση γραφημάτων
Η τεχνολογία graph analytics δίνει τη δυνατότητα να απεικονίζονται σχέσεις μεταξύ δικαιούχων, μισθωτηρίων και εκτάσεων. Με εργαλεία όπως το Neo4j ή Graph Neural Networks δημιουργούνται δυναμικά δίκτυα που αποκαλύπτουν συχνότητες κοινών δηλώσεων, πανομοιότυπων συμβολαίων και μοτίβων μίσθωσης.
Ανάλυση δορυφορικών εικόνων με αλγόριθμους computer vision
Η παρακολούθηση της πραγματικής χρήσης γης επιτυγχάνεται μέσω δορυφορικών δεδομένων Sentinel και εργαλείων όπως το Google Earth Engine. Μοντέλα υπολογιστικής όρασης (Convolutional Neural Networks – CNNs) ταξινομούν την κάλυψη γης και επιβεβαιώνουν την ύπαρξη βόσκησης ή άλλης δραστηριότητας. Η συσχέτιση των δηλώσεων με τα γεωχωρικά δεδομένα προσφέρει εξωτερικό εργαλείο επαλήθευσης.
Έλεγχος εγγράφων με επεξεργασία φυσικής γλώσσας (Natural Language Processing – NLP)
Η εφαρμογή τεχνικών φυσικής γλώσσας (Natural Language Processing – NLP) επιτρέπει τον αυτοματοποιημένο έλεγχο εγγράφων, όπως μισθωτήρια και δηλώσεις. Με χρήση μοντέλων όπως το spaCy και το BERT εντοπίζονται επαναλαμβανόμενες διατυπώσεις, χρονικές συμπτώσεις ή κοινές προελεύσεις που υποδηλώνουν αυξημένο ρίσκο. Το σύστημα προσφέρει αξιολόγηση μεγάλου όγκου εγγράφων χωρίς ανθρώπινη παρέμβαση.
Δυναμική αξιολόγηση κινδύνου και προληπτική φιλτράριση
Με τη χρήση εποπτευόμενης μάθησης και μοντέλων όπως τα Random Forests και XGBoost δημιουργούνται δείκτες αξιολόγησης ρίσκου για κάθε δικαιούχο. Τα συστήματα λαμβάνουν υπόψη μεταβολές στις δηλώσεις, το γεωγραφικό αποτύπωμα, τις σχέσεις με άλλους δικαιούχους, το ιστορικό επιδοτήσεων και την κανονικότητα ως προς το σύνολο του δείγματος. Η βαθμολογία κινδύνου μπορεί να χρησιμοποιείται για αυτόματο φιλτράρισμα και ενεργοποίηση ελέγχων πριν την πληρωμή.
Υποδομή δεδομένων και διαλειτουργικότητα
Η επιτυχής εφαρμογή των τεχνολογιών αυτών προϋποθέτει συγκέντρωση δεδομένων από διαφορετικές βάσεις, όπως το Κτηματολόγιο, οι φορολογικές δηλώσεις Ε9, τα μητρώα του ΟΠΕΚΕΠΕ, δορυφορικές βάσεις και κατανομές Μονάδων Ζωικού Κεφαλαίου. Η δημιουργία data lake με διαλειτουργικά API και δομημένο pipeline για καθαρισμό και ενοποίηση δεδομένων (ETL) επιτρέπει τη συνεχή ενημέρωση και αξιολόγηση με βάση τα πιο πρόσφατα στοιχεία.
newsbomb.gr
