Modelo de Aprendizagem Automática da STT para Fraude e Corrupção na Contratação Pública

O Serviço de Investigação Especial da República da Lituânia (STT) trabalhou com a OCDE e o Government Transparency Institute, financiado pelo Instrumento de Apoio Técnico da Comissão Europeia, para construir uma ferramenta de avaliação de risco baseada em aprendizagem automática para a contratação pública. O projeto integrou onze conjuntos de dados administrativos — abrangendo infrações criminais e administrativas, registos de empresas, titularidade beneficiária, listas negras e dados de projetos financiados pela UE — numa única base de dados analítica, reestruturando os registos de contratação do nível de concurso para o nível de lote, de modo a captar a dinâmica das propostas.
Como apenas uma pequena parte dos contratos está ligada a infrações confirmadas, a equipa utilizou uma Random Forest Estratificada de Distância de Hellinger, um método concebido para aprendizagem Positiva-Não-Rotulada e forte desequilíbrio de classes. Cada previsão é acompanhada por valores SHAP (SHapley Additive exPlanations) num painel interativo, para que os analistas da STT possam identificar exatamente quais os fatores — padrões de licitação, concentração de propriedade, posição em rede — que motivaram a pontuação de risco de um determinado contrato, em vez de tratar o modelo como uma caixa negra.
Em testes retrospetivos, concentrar a atenção investigativa nos 25% de contratos com maior risco previsto captou cerca de 60% dos contratos ligados a infrações criminais provadas ou suspeitas (face aos 25% esperados por seleção aleatória), e os 10% de topo captaram cerca de cinco vezes mais casos conhecidos do que o acaso. O estudo de caso publicado pela OCDE é explícito quanto ao facto de se tratar de uma prova de conceito, e não de um sistema operacional: recomenda uma fase inicial de atualizações anuais apoiada por um fluxo de dados estável antes de uma implementação mais alargada, e sublinha que a ferramenta deve orientar o julgamento dos investigadores, não substituí-lo.