Suomenkielisten vero-oikeustapauksien käsittely ja kategorisointi luonnollisen kielen prosessoinnin avulla

Abstract

Tämä opinnäyte kuvaa PricewaterhouseCoopers Oy:n sisäistä projektia, jossa selvitettiin luonnollisen kielen prosessoinnin hyödyntämistä suomenkielisten vero-oikeustapausten kategorisoimisessa. Luonnollisen kielen prosessointiin liittyy olennaisesti tekoäly, koneoppiminen, neuroverkot ja syväoppiminen. Opinnäytetyön rajaukseen perustuen projektin tavoitteena oli kategorisoida suomenkielisiä vero-oikeustapauksia oikein suomalaisen lainsäädäntöön pohjautuen, jolloin työntekijöiden resursseja voitaisiin allokoida nykyistä allokointia tehokkaammin liiketoiminnallisesti näkökulmasta katsottuna.

Opinnäytetyössä kerrotaan ohjelmointikoodin kehittämisestä mahdollisimman kronologisessa järjestyksessä, ja uusista ohjelmointikoodin versioista kerrottaessa pyritään kuvailemaan, mitä muutoksia tai jatkokehitystä ohjelmointikoodiin tehtiin edelliseen versioon verrattuna. Ohjelmointikoodien eri versioista esitetään yhteenveto, jonka perusteella projektin aikana tehdystä kehitystyöstä voidaan muodostaa kokonaiskuva.

Opinnäytetyön tarkastelujakson aikana projektitiimi ei ollut saanut selvitettyä, minkä syyn tai syiden takia kehitetty tekninen toteutus ei tuota tuloksia, joita voitaisiin hyödyntää laajemmin liiketoiminnassa. Jatkotutkimusehdotuksissa pohditaan muun muassa poissulkevan menetelmän avulla, miten projektin teknistä toteutusta ja sen osa-alueita voitaisiin parantaa sekä miten nykyisten ongelmien tai ongelma-alueiden juurisyitä voitaisiin identifioida.

Opinnäytetyössä pohditaan projektia kokonaisuutena mahdollisimman monesta eri näkökulmasta. Erilaisten näkökulmien avulla huomioidaan esimerkiksi, kuinka projektitiimin tekniset valinnat, valitut menetelmät ja aineisto mahdollisesti vaikuttivat projektin lopputulokseen. Opinnäytetyössä esitetään jatkotutkimuskohteita, joiden avulla projektitiimi voisi varmistaa, että esimerkiksi aineisto ei vaikuttanut negatiivisesti projektin lopputulokseen.

The utilisation of natural language processing in categorising Finnish tax law cases was studied in this thesis. Based on the scope of the thesis, the goal was to categorise Finnish-language tax law cases correctly based on Finnish legislation, so that PricewaterhouseCoopers Oy’s resources could be allocated more efficiently from a business point of view.

The data were gathered from both internal and external sources as the research team utilised the company’s internal data management system as an internal source of data and Semantic Finlex as an external source of data. The research team eventually combined the data from both sources to a single dataframe, which was used in the technical implementation.

The technical implementation consisted of various versions of programming code which included different variations of machine learning, artificial intelligence and deep learning modeling techniques. The research team also utilised certain pretrained models designed for Finnish natural language processing tasks.

In the thesis, the final precise success rates of the previously mentioned modeling techniques are not presented although results from some intermediate stages are presented. For example, the research team achieved outstanding results in the field of named-entity recognition.

More work will need to be done so that the research team can achieve the desired success rate and implement the solution for the business users. Proposals for further research could include, inter alia, how the technical implementation of the project and its components could be improved and how the root causes for the current problem area or areas could be identified.