A Aposta da ONS em IA nas Estatísticas Oficiais — da Investigação em Codificação Automática SIC/SOC ao Protótipo ScannerAI de Leitura de Recibos

O Gabinete Nacional de Estatística do Reino Unido (ONS) atribui respostas de texto livre de inquéritos a códigos da Classificação Industrial Normalizada (SIC) e da Classificação Ocupacional Normalizada (SOC) em grandes inquéritos, incluindo o Censo de 2021 (500.000 registos), o Inquérito à Força de Trabalho (300.000 registos), o Inquérito à Infeção por COVID-19 (70.000 registos) e o Inquérito Anual sobre Horas e Salários. A sua ferramenta interna baseada em regras, construída sobre correspondência aproximada com bases de conhecimento, atinge taxas de correspondência de cerca de 50–62%, consoante o inquérito.

O Data Science Campus criou um protótipo alternativo usando regressão logística sobre características de texto (unigramas, bigramas e trigramas) — uma abordagem deliberadamente 'básica', com a equipa a notar que métodos mais avançados como o BERT poderiam ter melhor desempenho. Os resultados publicados mostram a abordagem de aprendizagem automática a atingir 73% de correspondência / 84% de exatidão global nos dados SOC do Censo, 70% de correspondência / 85% de exatidão no Inquérito à Força de Trabalho, e 66–67% de correspondência / 69–76% de exatidão em dois inquéritos mais pequenos — uma melhoria clara face à linha de base baseada em regras. O desempenho caiu acentuadamente num quinto inquérito (DLHE, para uma taxa de correspondência de 60% face aos 84% do Censo), o que a equipa atribui à dificuldade do modelo em transferir-se para uma população de respondentes diferente, e assinala que ainda não existem dados de treino validados ('gold-coded') suficientes para o SIC, e que o modelo aprenderá e repetirá quaisquer erros sistemáticos já presentes na codificação manual anterior. O código está disponível em código aberto (ACE2, no GitHub) e o projeto permanece em fase de investigação, com a ONS a afirmar que é necessário um novo estudo comparativo antes de qualquer decisão de implementação.

Em paralelo, o Campus está a construir o ScannerAI, um sistema para extrair automaticamente dados detalhados de fotografias de recibos submetidos para o Inquérito aos Custos de Vida e Alimentação, que recolheu cerca de 60.000 recibos de perto de 4.000 agregados familiares num ano recente. O sistema encadeia pré-processamento de imagem, OCR (Tesseract e Google Vision, com o modelo multimodal Gemini Pro atualmente preferido), reestruturação de texto via Gemini Pro, e a escolha entre Random Forest ou um microsserviço de classificação generativa para atribuir categorias de despesa. A documentação da própria ONS descreve a ferramenta como um protótipo em fase inicial, ainda em testes de exatidão face a recibos codificados por humanos, não estando ainda em produção. Reportagens independentes de agosto de 2026 situaram ambos os projetos num esforço mais amplo de IA que abrange a grande maioria dos cerca de 6.000 funcionários da ONS, empreendido enquanto a agência absorvia um corte orçamental em termos reais — um lembrete de que estes projetos de eficiência são, em parte, uma resposta à pressão de recursos e não apenas uma iniciativa liderada pela tecnologia.