Le modèle d'apprentissage automatique de la STT pour la fraude et la corruption dans les marchés publics

Le Service spécial d'enquête de Lituanie (STT) a collaboré avec l'OCDE et le Government Transparency Institute, financés par l'instrument d'appui technique de la Commission européenne, pour construire un outil d'évaluation des risques par apprentissage automatique pour les marchés publics. L'équipe a intégré onze ensembles de données administratives — infractions pénales et administratives, registres d'entreprises, bénéficiaires effectifs, listes noires et données de projets financés par l'UE — dans une base de données analytique unique, restructurant les données de passation de marchés du niveau appel d'offres au niveau lot pour saisir la dynamique des offres.

L'objectif était d'aider les analystes du STT à concentrer l'attention des enquêteurs sur les marchés publics les plus susceptibles d'impliquer fraude ou corruption, tout en gardant chaque prédiction explicable afin qu'elle guide le jugement de l'enquêteur plutôt que de le remplacer.

Comme seule une faible part des contrats est liée à des infractions confirmées, l'équipe a utilisé une forêt aléatoire stratifiée par distance de Hellinger, une méthode conçue pour l'apprentissage positif-non étiqueté et un déséquilibre de classes sévère. Chaque prédiction est accompagnée de valeurs SHAP (SHapley Additive exPlanations) dans un tableau de bord interactif, permettant aux analystes de retracer les facteurs — schémas d'offres, concentration de propriété, position dans le réseau — à l'origine du score de risque d'un contrat.

Lors des tests rétrospectifs, concentrer l'attention des enquêteurs sur le quartile de 25 % des contrats au risque prédit le plus élevé a permis de capter environ 60 % des contrats liés à des infractions pénales prouvées ou suspectées, contre 25 % attendus par sélection aléatoire, et le décile supérieur a capté environ cinq fois plus de cas connus que le hasard.

L'étude de cas publiée par l'OCDE précise explicitement qu'il s'agit d'une preuve de concept et non d'un système opérationnel : elle recommande une phase initiale de mises à jour annuelles appuyée par un pipeline de données stable avant un déploiement plus large, et souligne que l'outil est destiné à guider le jugement des enquêteurs, non à le remplacer.