Prevenção de irregularidades em contratos públicos : uma análise utilizando técnicas de Machine Learning

Abstract

Técnicas de machine learning (aprendizado de máquina), embora largamente empregadas como suporte à gestão de risco de crédito, em instituições financeiras e em empresas de seguro, suas aplicações vêm se tornando cada vez mais bem-sucedidas no setor público. O objetivo deste trabalho foi demostrar como a inteligência artificial, por meio de algoritmos de machine learning, pode ser útil na redução da inadimplência nas aquisições do governo federal brasileiro e na prevenção de irregularidades em contratos públicos. Diferentes técnicas de classificação, atualmente disponíveis, foram aplicadas, dentre as quais, técnicas tradicionais de análise estatística (discriminant analysis - DA elogistic regression - LR) e técnicas de machine learning (k-nearest neighbors - KNN,bayesian networks - BN,support vector machine - SVM, decision trees - DT, random forests - RF, bagging - BG, gradient boosting - GB eneural networks- NN). Os métodos tradicionais, DA e LR, foram utilizados como parâmetro comparativo naanálise de desempenho de cada algoritmo testado. Na amostra de teste, os métodos ensemble learning (aprendizagem de conjunto) RF, GB e BG apresentaram os melhores resultados, com taxas de erro tipo II de 4,42%, 5,65% e 6,64% e acurácia de 90,95%, 90,21% e 90,82%, respectivamente. Os resultados mostraram que as técnicas, ensemble, avaliadas são importantes ferramentas de apoio à decisão que podem ser empregadas na priorização da atividade, fiscalização de contratos, sendo valiosas na alocação adequada de fiscais de contratos e na prevenção de irregularidades e ilegalidades em contratos públicos.