Brasil describió por primera vez sus soluciones para la gestión de riesgos integrada hace seis años en un artículo publicado en la revista WCO News.  En aquel momento, se hizo hincapié en tres sistemas principales.  El primero era el SISAM[1], un sistema de aprendizaje automático que analiza las declaraciones de importación utilizando el histórico de datos para evaluar la probabilidad de alrededor de 30 tipos de errores.  El segundo era ANIITA[2], un sistema de integración y de pericia que ofrece a los funcionarios aduaneros una visión uniforme de las transacciones combinando la información de diversas bases de datos y aplicando normas formuladas por el ser humano para generar alertas, agilizando así los procesos de toma de decisiones.  El tercero era PATROA, un sistema de seguimiento en línea centrado en la capacidad de respuesta en tiempo real que envía correos electrónicos y mensajes instantáneos a los funcionarios aduaneros siempre que se detecta una transacción sospechosa, lo que, en caso necesario les permite actuar en consecuencia y de forma inmediata.

El conjunto de estas soluciones ha permitido la rápida modernización de los procedimientos de control de la Aduana de Brasil y ha sido determinante para mejorar su eficacia y rendimiento.  Estas herramientas han evolucionado de tal forma que actualmente resultan fundamentales para la gestión de las actividades aduaneras en Brasil.

ANIITA y PATROA han sido objeto de importantes actualizaciones, pero la operatividad de SISAM es la que ha experimentado mayores cambios.  Además, se han ideado nuevos sistemas para reforzar aún más la capacidad del país para gestionar y supervisor el comercio internacional y la circulación de los viajeros.

El sistema de selección aduanera mediante aprendizaje automático, conocido como SISAM, ha resultado fundamental en el análisis de todas las declaraciones de importación en Brasil durante los últimos diez años.  Ha demostrado ser de suma utilidad para detectar diversos tipos de errores, especialmente en la clasificación errónea de las mercancías.  Recientemente, se han realizado los cambios necesarios para garantizar que dicha herramienta cuenta con los últimos avances tecnológicos.

El sistema se basa en el aporte exhaustivo de datos para controlar eficazmente las operaciones de importación.  El SISAM recopila y analiza información sobre las declaraciones de importación que se presentan a través del Sistema Integrado de Comercio Exterior del Brasil (Siscomex).  Basado en la IA, esta herramienta “aprende” del histórico de las declaraciones de importación mediante un aprendizaje tanto supervisado como no supervisado, que son dos métodos utilizados para que los algoritmos puedan analizar una serie de datos y extraer información útil.

Cuando se descubren discrepancias durante el despacho y las declaraciones de importación se rectifican consecuentemente, la versión rectificada de la declaración se envía igualmente al SISAM para que se puedan establecer correlaciones directas entre la presencia o ausencia de errores y seguir las pautas que describen los atributos de la declaración (aprendizaje supervisado).

Las declaraciones de importación despachadas sin haber sido objeto de control se utilizan a efectos del aprendizaje no supervisado y permiten la identificación de tendencias típicas y atípicas.  El mayor ejemplo de este proceso de detección de datos atípicos está relacionado con las incompatibilidades entre la descripción de las mercancías en lenguaje natural y sus códigos de nomenclatura declarados.  También despiertan la atención del sistema aquellas mercancías consideradas «inusuales» para una empresa con un determinado código de actividad económica, y mercancías compradas a proveedores o fabricantes que no suelen vender ese tipo de productos a otros importadores brasileños.

Uno de los problemas de este modo operativo era que el SISAM no recurría a las notificaciones de infracción que se emiten tras detectar infracciones en el momento del despacho (en cuyo caso la declaración de importación no es objeto de rectificación), ni a los informes de los peritos ni a las resoluciones anticipadas.  Para resolver esta cuestión, el SISAM se ha integrado recientemente en los diversos sistemas que almacenen este tipo de información, lo que ha permitido introducir un procedimiento conocido como “rectificación virtual”.  Las declaraciones oficiales no se rectifican nunca realmente, pero la información ya forma parte de la base de conocimientos del SISAM.

El SISAM funciona según un modelo central de redes bayesianas que actualiza las probabilidades en función de nuevas pruebas sin recurrir a un entrenamiento completo. En el marco de las operaciones aduaneras, este modelo permite que el sistema ajuste continuamente sus predicciones y su proceso de toma de decisiones a medida que recibe más información, lo que le permite reaccionar con prontitud ante la aparición de nuevos fraudes.  Otro punto fuerte del SISAM es su habilidad para gestionar las descripciones incorrectas de las mercancías, algo que realiza de dos formas distintas.

En primer lugar, relaciona el código de clasificación arancelaria correcto con la descripción inicialmente presentada.  Este método permite que el SISAM se familiarice con los errores e inexactitudes que habitualmente se encuentran en las declaraciones. Por ejemplo, si bien el uso del término “plástico” debería ser inusual en la descripción de un producto correspondiente a un código de clasificación de la Nomenclatura común del Mercosur (NCM) en relación con el caucho, el SISAM tiene en cuenta que, en la práctica, tales discrepancias se producen más a menudo de lo que cabe esperar.

En segundo lugar, el SISAM tiene en cuenta una serie de factores adicionales que van más allá de la descripción de las mercancías.  Se trata de lo que se espera que compre el importador, de lo que se espera que venda el proveedor, de los errores en los códigos de clasificación arancelaria detectados en el pasado, de los errores en las descripciones descubiertos en el pasado, de quién ha cometido dichos errores y en qué periodos de tiempo se han producido estos últimos.  Mediante el análisis de estas tendencias y pautas, el SISAM puede predecir más exactamente las posibles discrepancias, identificar las anomalías con mayor precisión y señalar las transacciones sospechosas.

Para determinar las tendencias adoptadas por un importador, el SISAM utiliza el histórico de todas las declaraciones, hayan sido objeto de control o no, y el histórico de las declaraciones de otros importadores, excluyendo deliberadamente las declaraciones del importador seleccionado que no hayan sido objeto de control.  Esta capacidad del sistema para excluir los datos no comprobados del importador en cuestión resulta fundamental, ya que, de otro modo, los errores que este haya podido cometer de forma repetida podrían confundir al SISAM y hacerle creer que el comportamiento erróneo es correcto.  El SISAM elimina este sesgo de inmediato, lo que es posible gracias a su enfoque de modelización totalmente bayesiano.

Si bien su aplicación no será fácil, ya se ha establecido un plan minucioso con miras a utilizar el aprendizaje profundo y los grandes modelos lingüísticos (LLM) con el fin de procesar las descripciones de las mercancías en el SISAM sin mermar las ventajas anteriormente indicadas.

Además, la herramienta deberá ajustarse para tener en cuenta un cambio fundamental producido en la forma en que los importadores describen las mercancías.  Como se indica en la 103 edición de WCO News, se ha incorporado al sistema SISCOMEX un catálogo que describe las mercancías utilizando atributos definidos anteriormente.  Dicho Catálogo de productos (CP) permite que el importador describa las características de sus mercancías de forma normalizada, mediante campos estructurados.  Este sistema favorece la reutilización de la información para futuras transacciones, la reducción del número de errores al cumplimentar las declaraciones y la agilización del análisis de las operaciones.  La utilización de dicho catálogo será obligatoria en breve.  Con miras a aprovechar al máximo las posibilidades que ofrecen los campos estructurados, será necesario modificar los modelos de aprendizaje automático del SISAM.  Estos cambios están en fase de desarrollo.

El SISAM se concibió al objeto de detectar errores en los códigos de clasificación arancelaria, y no para ayudar a los importadores y exportadores bien intencionados a clasificar las mercancías.  Con este fin, se creó un nuevo sistema denominado  CLASSIF[1].  Este sistema analiza la clasificación de las mercancías utilizando los códigos de la NCM, que se basan en los códigos del Sistema Armonizado de Designación y Codificación de las Mercancías (SA), pero con dos dígitos adicionales.  Los importadores y exportadores pueden introducir la descripción de un producto en el sistema y este les muestra información sobre los códigos de la NCM que contienen los términos utilizados en la descripción, las notas legales relacionadas con dichos códigos, así como las Notas explicativas pertinentes del Sistema Armonizado de la OMA, las resoluciones anticipadas relativas a dichos códigos y, por último, propuestas de clasificación que proceden directamente del SISAM.

De hecho, hemos adaptado el SISAM para que estime las probabilidades únicamente en función de la descripción de las mercancías, descartando los demás atributos utilizados habitualmente.  Este método debilita un tanto el modelo, pero ofrece a cambio la ventaja de que no muestra a los usuarios el modo de engañar al sistema.  Si un importador mal intencionado continúa cambiando la descripción hasta que CLASSIF le propone el código deseado, ello no es óbice para que el SISAM no detecte el error más adelante. El resultado en lo relativo a los importadores sigue siendo satisfactorio.

Un artículo publicado recientemente en el World Customs Journal[2] detalla una lista de mercancías que se pueden utilizar para poner a prueba la capacidad de los sistemas de ayuda en materia de aranceles aduaneros en lo relativo a encontrar los códigos correctos del SA, ya que cada producto presenta dificultades concretas para estos sistemas.  Tradujimos la lista al portugués y la introdujimos en el sistema CLASSIF.  Los resultados se muestran en el cuadro 1.  Cabe mencionar que el CLASSIF fue programado para proponer un código de 8 dígitos cuando se considera que la calidad del resultado es alta, y un código de solo 4 dígitos cuando la calidad es baja.

Cada vez que el CLASSIF proponía un código de 8 dígitos, el resultado era correcto, y el código correcto era el código que el sistema proponía como el que tenía mayor probabilidad de exactitud.  Esto ocurrió en seis de cada diez intentos.  En tres ocasiones, el CLASSIF propuso un código correcto de 4 dígitos, si bien no como primer resultado más probable, pero siempre dentro de las diez primeras alternativas.  Tan solo en una ocasión, el CLASSIF falló por completo.  El problema fue debido a la presencia de datos “basura” en la base de conocimientos del SISAM que se resolverá en breve.

El SISAM se creó inicialmente para ayudar a seleccionar las declaraciones de importación a efectos de su control en zonas primarias.  No obstante, sus informes de riesgo se pueden agrupar de diversas formas, por ejemplo, por empresas o por clasificación arancelaria.  Estos grupos de datos pueden ser de utilidad para los equipos encargados de las ACP y contribuir además a desplazar los controles aduaneros hacia la fase de la auditoría a posteriori, en consonancia con los acuerdos de facilitación del comercio.  Actualmente, en lugar de crear mecanismos de agrupación en el SISAM, preferimos alimentar nuestro lago de datos con informes individuales del SISAM que pueden agruparse utilizando un software como Power BI, CONTÁGIl[5], ANALYTICS[6], Jupyter Notebook, HUE y SPARK.

Se han introducido nuevos sistemas para reforzar la capacidad del país en la gestión y seguimiento del comercio internacional y la circulación de viajeros.

Brasil se encuentra actualmente en proceso de elaboración de un nuevo sistema de ventanilla única para el comercio exterior, conocido como Portal Único do Comércio Exterior (PUCOMEX).[7]  Este sistema optimiza y centraliza la tramitación de los documentos relacionados con el comercio, ofreciendo importantes ventajas a las empresas, especialmente en cuanto a la reducción del tiempo y los costes asociados con las operaciones transfronterizas.  En cuanto a la Administración de aduanas, PUCOMEX ofrece considerables ventajas en relación con el control y la gestión de los flujos comerciales internacionales.  Esta plataforma centralizada permite un seguimiento más eficaz y una mejor coordinación entre los distintos organismos gubernamentales que intervienen en el control aduanero y fronterizo.

La creación de PUCOMEX se asienta sobre las experiencias altamente satisfactorias de los programas informáticos aduaneros desarrollados internamente, como, por ejemplo, ANIITA y PATROA.  Si bien PUCOMEX es obra de una empresa externa, Serpro (Servicio federal de procesamiento de datos), aprovecha ampliamente los conocimientos y la experiencia adquiridos en estos proyectos internos.  El método adoptado ha demostrado ser sumamente beneficioso, ya que ofrece flexibilidad para experimentar antes de pasar a un sistema más robusto y al contar con una empresa especializada que se encarga del desarrollo y el mantenimiento de la nueva plataforma.

Nuestro sistema de control de viajeros está actualmente integrado en los sistemas de las compañías aéreas y evalúa los riesgos teniendo en cuenta la situación económica de los viajeros, el itinerario elegido, los viajes realizados previamente y los  compañeros de viaje no declarados, pero repetidos.[8]^,[9]  En los aeropuertos se utilizan igualmente dispositivos de reconocimiento facial directamente conectados con los sistemas aduaneros.

Un sistema denominado SIVANA se encarga de supervisar los vehículos cerca de las fronteras terrestres de Brasil utilizando las imágenes tomadas por las cámaras de vigilancia en carretera.  Dicho sistema permite a los funcionarios aduaneros analizar las rutas utilizadas por los vehículos seleccionados y recibir información en tiempo real sobre su ubicación, lo que propicia una respuesta rápida a las posibles amenazas, especialmente las relacionadas con el tráfico de estupefacientes y el comercio de productos falsificados.

Con miras a mejorar las capacidades de SIVANA, especialmente en la identificación de pautas o anomalías que pudieran indicar la existencia de actividades ilegales en las fronteras terrestres de Brasil, hemos establecido una sociedad con Itaipu Parquetec, un ecosistema innovador compuesto por diversas entidades, a saber, instituciones educativas, empresas y organismos gubernamentales.  Con ello se persigue desarrollar una aplicación denominada SMART WALL, que utiliza el análisis bayesiano y el aprendizaje profundo.

Otro ejemplo de tecnología innovadora es el sistema BATDOC [10], creado para comparar declaraciones de importación (que son documentos electrónicos destinados a ser entendidos por un ordenador) acompañadas de documentos justificativos que se presentan todavía en formato digital o imágenes escaneadas de formularios originales, como facturas y conocimientos de embarque.  Este sistema permite garantizar la coherencia de los datos en todos los documentos.  Mediante la tecnología de reconocimiento óptico de caracteres (OCR), BATDOC compara automáticamente información fundamental, como el nombre y la dirección de las partes implicadas, así como la cantidad y el valor de las mercancías.  Al cruzar las referencias de estos documentos, BATDOC permite controlar los errores y discrepancias, reforzando así la exactitud y fiabilidad de la información.

Una importante limitación del SISAM reside en la imposibilidad de incorporar a su análisis imágenes de rayos X.  Para paliar esta deficiencia, se puso en marcha el proyecto AJNA.  AJNA[11] es un sistema impulsado por una red neuronal de aprendizaje profundo, que recopila, muestra y analiza imágenes de rayos X de forma automatizada.

En un principio, el AJNA se aplicó exclusivamente en Port of Santos, uno de los mayores puertos de América latina.  El sistema gestiona procesos como la recopilación de imágenes desde los escáneres de los almacenes aduaneros, el almacenamiento centralizado y normalizado de dichas imágenes y su recorte para aislar los contenedores de los camiones que los transportan.  Además, el AJNA puede detectar mercancías en contenedores que están supuestamente vacíos.

Al igual que el SISAM, el AJNA fue creado con la idea de que fuera un equipo interno quien se ocupara de su desarrollo y mantenimiento.  No obstante, si bien el SISAM era el único proyecto de inteligencia artificial en fase de desarrollo en aquel momento, el lanzamiento del AJNA se produjo conjuntamente con otros casi 40 proyectos relacionados con la inteligencia artificial.  Pronto se hizo necesario recurrir a la pericia externa para continuar desarrollando la aplicación.  Actualmente se están llevando a cabo dos proyectos con empresas privadas.

El primero de estos proyectos, denominado X-Class, pretende utilizar las imágenes de rayos X para detectar errores de clasificación.  Optamos por trabajar con una empresa emergente porque estábamos convencidos de que únicamente un modelo de aprendizaje profundo meticulosamente elaborado podía gestionar todas las peculiaridades del proyecto y porque disponemos de millones de imágenes y de declaraciones de importación correspondientes para entrenar el modelo.

Se trata de una tarea compleja ya solo por la existencia de más de 10.000 códigos.  Si bien algunos de estos códigos corresponden a mercancías que producen patrones claros y fácilmente reconocibles en las imágenes de rayos X, otros corresponden a mercancías que producen imágenes bastante similares.  Para complicar aún más esta tarea, un mismo contenedor puede transportar diferentes tipos de mercancías, lo que produce patrones superpuestos difíciles de distinguir.  El hecho de que solo se pueda utilizar un solo haz de rayos X complica aún más el problema, dificultando todavía más la tarea de separar e identificar con exactitud los diversos tipos de mercancías presentes en un mismo contenedor.

Afortunadamente, el SISAM enviará los resultados del análisis de clasificación a X-Class, reduciendo así considerablemente el número de códigos probables.  Es posible que X-Class sea todavía incapaz de reconocer un producto en algunos casos, pero, al menos, suprimirá las propuestas del SISAM que resulten incompatibles con las imágenes observadas.

El segundo proyecto está relacionado con los pequeños paquetes y el equipaje de los viajeros.  Para ayudar a analizar las imágenes escaneadas, decidimos utilizar el modelo Google Gemini.  Se trata de un modelo entrenado previamente y multimodal, es decir, capaz de tratar y analizar mucho más que solo texto.  Tras mostrarle una imagen, Gemini puede describirla y responder a preguntas sobre el contenido, resumirlo y hacer extrapolaciones en función del mismo.

De este modo, resulta innecesario utilizar datos para entrenar el modelo.  En su lugar, los funcionarios aduaneros deben formular preguntas al sistema en portugués.  Existen dos tipos de preguntas.  Los funcionarios pueden pedir a la máquina que detecte un artículo definido previamente, como drogas, armas o productos derivados de la fauna salvaje.  Preguntarán, por ejemplo : ¿“hay drogas en este equipaje?” o ¿“hay algo que se parezca al esqueleto de un pájaro en este paquete?”.  Las preguntas del segundo tipo son más sofisticadas y pueden utilizarse para detectar la evasión de impuestos, por ejemplo : ¿“hay algo en este paquete que no se corresponda con la descripción facilitada, que era …?”

Hasta ahora, solo se han probado las preguntas de primer tipo con resultados prometedores.  Las imágenes de rayos X de pequeños paquetes son mucho más precisas que las imágenes de contenedores y suelen hablar por si solas, reduciendo así la necesidad de integración con otras herramientas de análisis.

El uso de la inteligencia artificial, que hasta hace muy poco constituía una novedad, se ha extendido por toda la Administración de aduanas de Brasil.  La resistencia inicial, producto de la incertidumbre y el escepticismo, se ha logrado superar y ha dado paso a una demanda masiva de soluciones en el ámbito informático.  Nuestro modelo de desarrollo inicial, que giraba únicamente alrededor de un equipo interno, tuvo que extenderse para dar cabida a socios como universidades, parques de innovación grandes tecnológicas, empresas emergentes y al Servicio federal de tratamiento de datos de Brasil.  Todavía estamos aprendiendo a gestionar esta nueva realidad.

La inteligencia artificial no es algo que flota en espacio, debe estar conectada a un amplio ecosistema tecnológico que abarca distintas herramientas de recopilación de datos, bases de datos múltiples, herramientas de visualización de datos, sistemas de alerta en tiempo real, sistemas heredados, nuevos sistemas internos, sistemas gubernamentales distintos de la Secretaría de Ingresos Federales de Brasil y sistemas de empresas privadas.  Estas integraciones suponen frecuentemente una parte significativa de los trabajos de desarrollo.

Nuestros sistemas de inteligencia artificial aprenden de las personas, sin intentar sustituirlas, y todas las decisiones adoptadas por estos sistemas son revisadas.  Siempre que es posible, nuestros sistemas ofrecen explicaciones que nos ayudan a revisar dichas decisiones.

La inteligencia artificial se ha convertido en una herramienta indispensable para gestionar las complejidades del comercio moderno.  Aunque ya se han conseguido resultados significativos, como un tratamiento más exacto y eficaz de los datos de las transacciones, aún queda mucho por hacer en el futuro.

Para más información
jorge.jambeiro@rfb.gov.br
gustavo.coutinho@rfb.gov.br
kelly.morgero@rfb.gov.br

[1] Jambeiro Filho, Jorge. Artificial Intelligence in the Customs Selection System through Machine Learning (SISAM). Prêmio de Criatividade e Inovação da RFB, 2015 (Premio de la creatividad y de la innovación de RFB 2015). https://www.jambeiro.com.br/jorgefilho/sisam_mono_eng.pdf

[2] Coutinho, Gustavo. Aniita – uma abordagem pragmática para o gerenciamento de risco aduaneiro baseada em software. Prêmio de Criatividade e Inovação da RFB, 2012 (Premio de la creatividad y de la innovación de RFB 2012). http://repositorio.enap.gov.br/handle/1/4607

[3] Domingues, Luiz Henrique; Navarro, Claudia Elena Figueira Cardoso; Steckel, Carlos Humberto; Lima, Lucas Araújo de; Casado, Marco Antônio Rodrigues. Prêmio de Criatividade e Inovação da RFB, 2023(Premio de la creatividad y de la innovación de RFB 2023). https://ea.ufba.br/wp-content/uploads/2023/11/E-book-A_22-premio_16_abr24.pdf

[4] Grainger, Andrew. Customs Tariff Classification and the Use of Assistive Technologies. World Customs Journal, 2024.

[5] Figueredo, Gustavo Henrique Britto. Um novo paradigma na auditoria em meio digital. Prêmio de Criatividade e Inovação da RFB, 2010 (Premio de la creatividad y de la innovación de RFB 2010). https://repositorio.enap.gov.br/handle/1/4580

[6] Receita Federal do Brasil. Receita Federal apresenta ferramentas de gerenciamento de riscos em evento informal da OCDE na Suécia. 2024.

https://www.gov.br/receitafederal/pt-br/assuntos/noticias/2024/junho/receita-federal-apresenta-ferramentas-de-gerenciamento-de-riscos-em-evento-informal-da-ocde-na-suecia

[7] Corbari, Jackson Aluir; Zambrano, Alexandre da Rocha; Morgero, Kelly Cristina Silva. Portal Único Siscomex: A transformação digital no comércio exterior brasileiro. 2024.
https://alfandegas.cplp.org/Newsletter/Documents/Newsletter%208%20janeiro%202024_VF.pdf

[8] Moraes, Felipe Mendes. Sistema e-DBV – Módulo viajante único, 2017. https://repositorio.enap.gov.br/handle/1/4635

[9] Thompson, Ronald Cesar. Projeto IRIS – Reconhecimento facial de viajantes. 2016. https://repositorio.enap.gov.br/handle/1/4627

[10] Barbosa, Diego de Borba. Batimento Automatizado de Documentos na Importação – BatDoc. Prêmio de Criatividade e Inovação da RFB, 2016 (Premio de la creatividad y de la innovación de RFB 2016). http://repositorio.enap.gov.br/handle/1/4630

[11] Brasílico, Ivan. AJNA – Plataforma de Visão Computacional e Aprendizado de Máquina. Prêmio de Criatividade e Inovação da RFB, 2017 (Premio de la creatividad y de la innovación de RFB 2017). https://repositorio.enap.gov.br/jspui/handle/1/4634