El modelo de aprendizaje automático de la STT para el fraude y la corrupción en la contratación pública

El Servicio Especial de Investigación de Lituania (STT) colaboró con la OCDE y el Government Transparency Institute, financiados por el Instrumento de Apoyo Técnico de la Comisión Europea, para construir una herramienta de evaluación de riesgo mediante aprendizaje automático para la contratación pública. El equipo integró once conjuntos de datos administrativos — delitos e infracciones administrativas, registros de empresas, titularidad real, listas negras y datos de proyectos financiados por la UE — en una única base de datos analítica, reestructurando los registros de contratación de nivel de licitación a nivel de lote para captar la dinámica de las ofertas.

El objetivo era ayudar a los analistas del STT a priorizar la atención investigativa en los contratos públicos con mayor probabilidad de implicar fraude o corrupción, manteniendo cada predicción explicable para que oriente el juicio del investigador en lugar de sustituirlo.

Dado que solo una pequeña parte de los contratos está vinculada a infracciones confirmadas, el equipo utilizó un Random Forest Estratificado por Distancia de Hellinger, un método diseñado para el aprendizaje Positivo-No Etiquetado y el desequilibrio severo de clases. Cada predicción se acompaña de valores SHAP (SHapley Additive exPlanations) en un panel interactivo, para que los analistas puedan rastrear qué factores — patrones de licitación, concentración de titularidad, posición en la red — determinaron la puntuación de riesgo de un contrato.

En pruebas retrospectivas, centrar la atención investigativa en el cuartil del 25% de contratos con mayor riesgo previsto captó aproximadamente el 60% de los contratos vinculados a infracciones penales probadas o sospechadas, frente al 25% esperado por selección aleatoria, y el decil superior captó unas cinco veces más casos conocidos que el azar.

El estudio de caso publicado por la OCDE es explícito al señalar que se trata de una prueba de concepto, no de un sistema operativo: recomienda una fase inicial de actualizaciones anuales respaldada por un flujo de datos estable antes de un despliegue más amplio, y subraya que la herramienta está pensada para orientar el juicio de los investigadores, no para sustituirlo.