Maschinelles Lernen

Maschinelles Lernen (engl. Machine Learning (ML)) befasst sich in erster Linie mit der Entwicklung selbstlernender Algorithmen, die aus großen Datenmengen neue Erkenntnisse extrahieren können. Immer mit dem Ziel, eventuell vorhandene Muster zu erkennen oder Vorhersagen über zukünftig eintretende Ereignisse zu treffen. Die Vorstellung, wie die Algorithmen dabei lernen, ist ähnlich zu den Fähigkeiten eines Menschen. Die Maschine startet mit einem rudimentären Weltverständnis analog zur Entwicklungstheorie „tabula rasa“ des britischen Philosophen John Locke. Anhand von eintretenden Ereignissen werden neue Erkenntnisse gesammelt und Rückschlüsse gebildet, um diese im Anschluss neu miteinander zu verknüpfen. In der Folge wird das Verständnis für ein ausgewähltes Anwendungsgebiet kontinuierlich weiterentwickelt. Hierzu zählen bspw. die automatisierte Identifikation von SPAM-Mails, die Untersuchung von Wörtern, Sätzen oder ganzen Texten im Zuge sogenannter Sentiment-Analysen (z. B. Twitter-Analysen), die Betrugserkennung in Transaktionsdaten (Fraud Detection), Empfehlungssysteme, Chatbots und Sprachassistenten wie Siri, Alexa und Google Now [1].

Allen Ansätzen und Methoden des ML ist gemein, dass Algorithmen nach Mustern in großen Datenmengen suchen. Auf deren Basis werden dann neue Informationen abgeleitet, Zusammenhänge innerhalb dieser erkannt und schließlich eigenständig Entscheidungen getroffen. Die Verfahren lassen sich dabei nach Art und Weise der Zielsetzung und Funktionsweise in verschiedene Rubriken kategorisieren. Grundsätzlich unterscheidet man zwischen drei Lernverfahren [1]:

Überwachtes Lernen (engl. Supervised Learning): Dem Algorithmus werden Beispieldaten mit bekannten Eingaben und den dazugehörigen Ausgaben zur Verfügung gestellt, um eine Funktion zu approximieren. Der Algorithmus entwickelt also eine möglichst simple Rechenformel, um mit deren Hilfe die verschiedenen Eingaben den richtigen Ausgaben zuordnen zu können.

Unüberwachtes Lernen (engl. Unsupervised Learning): In diesem Fall werden dem Algorithmus nur die Eingabedaten ohne die dazugehörigen Ausgabewerte, sog. Labels, gegeben. Anschließend sucht der Algorithmus in den vorhandenen Datenmengen dann selbstständig nach Strukturen und Mustern, um neue Erkenntnisse zu gewinnen.

Bestärkendes Lernen (engl. Reinforcement Learning): Anders als bei den beiden zuvor genannten Lernverfahren interagiert der Algorithmus (Agent) hierbei mit einer Umgebung (Environment) und erhält Rückmeldungen bzw. Feedbacks (Belohnungen oder Bestrafungen) basierend auf seinen Aktionen. Der Algorithmus lernt kontinuierlich per Versuch und Irrtum (Trial and Error) die besten Aktionen auszuwählen, um ein bestimmtes Ziel zu erreichen. Im Gegensatz zum Überwachten Lernen handelt es sich beim Feedback-Verfahren aber nicht um korrekte Klassenbezeichnungen, sondern um ein Maß, wie gut die Aktion im Ausführungskontext war. Einen Überblick über typische Verfahren ist in folgender Abbildung dargestellt.

ML ist in dreierlei Hinsicht relevant für den Steuerbereich. Zum einen müssen große Mengen an Finanz- und Geschäftsdaten verarbeitet und analysiert werden. Des Weiteren muss die Steuerabteilung mit verschiedenen Steuerarten, Gesetzen und Compliance-Richtlinien umgehen können. Aber auch mit wiederkehrenden Aufgaben wie der Erstellung und Überprüfung von Steuererklärungen, der Identifizierung von Abweichungen und der Einhaltung von Fristen ist die Steuerabteilung konfrontiert.

Vor dem Hintergrund eines effektiven Einsatzes von Personalressourcen kann ML die Steuerfunktion bei der Identifizierung potenzieller Betrugsfälle oder Fehler im Rahmen der Steuerprüfung unterstützen. Indem es Muster und Anomalien in großen Datenmengen erkennt, lassen sich verdächtige Transaktionsmuster in Echtzeit überwachen und im Fall von ungewöhnlichen Aktivitäten entsprechende Alarme auslösen. Aber auch die Genauigkeit und Effizienz der Erstellung von Steuererklärungen kann durch ML erhöht werden. Hierfür kann das Modell sämtliche Steuerdaten durchsuchen und automatisch die entsprechenden Steuerabzüge und -anpassungen berechnen. Eine Eigenschaft, die letztendlich zu einer Verbesserung der steuerlichen Compliance führt. Auch wiederkehrende und zeitaufwendige Aufgaben, wie z. B. die Überprüfung von Steuererklärungen oder die Extraktion von relevanten Informationen aus Dokumenten, lassen sich durch ML automatisieren. In Kombination mit LLMs können sogar neue Services entwickelt werden, um bspw. konkrete Fragen zu einem Dokument automatisch zu beantworten.

Neben den genannten Vorteilen birgt der Einsatz von ML aber auch gewisse Limitationen. So basieren die trainierten Modelle zumeist auf bereits vorhandenen historischen Daten. Sind diese nicht aktuell, vollständig oder sogar fehlerhaft, kann das Modell Schwierigkeiten haben, komplexe steuerliche Ausnahmeregelungen oder rechtliche Nuancen zu verstehen. Ganz im Gegenteil zu menschlichen Experten, die diese Punkte allein aufgrund ihrer Erfahrung berücksichtigen würden. Der Einsatz von ML erfordert zudem den Zugriff auf große Mengen sensibler, steuerlicher und finanzieller Daten. Ebenfalls können Probleme auftreten, sollte sich die Qualität, Relevanz und Verfügbarkeit von Trainingsdaten bspw. zu bestimmten steuerlichen Szenarien nicht sicherstellen lassen. In diesem Fall ist die Fähigkeit des Modells beeinträchtigt, genaue Vorhersagen oder Entscheidungen in Bezug auf diese Szenarien zu treffen.

Die Verwendung eines vortrainierten Modells und dessen Anwendung auf eine neue Aufgabe kann durchaus als Lösungsalternative angesehen werden. Dennoch bedarf es insbesondere im Steuerbereich weiterer Forschung und Entwicklung, inwiefern Transfer Learning für bestimmte Aufgaben überhaupt eingesetzt werden kann. Zudem sind steuerliche Entscheidungen oft mit erheblichen finanziellen Auswirkungen verbunden. Aus diesem Grund müssen die dem trainierten Modell zugrundeliegenden Faktoren und Logiken für Steuerexperten nachvollziehbar sein, damit diese die Richtigkeit der Ergebnisse überprüfen und ggf. korrigieren können. Je nach Komplexität des Modells könnte es bspw. im Kontext von Verrechnungspreisen schwierig sein, der jeweiligen Finanzbehörde zu erklären, warum ein bestimmter Preis oder (bestimmte) Methode durch das KI-Modell vorgeschlagen und in die Verrechnungspreisdokumentation mit aufgenommen wurde.