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

O Serviço de Investigação Especial da Lituânia (STT) colaborou 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 os contratos públicos. A equipa integrou onze conjuntos de dados administrativos — abrangendo infrações penais e administrativas, registos de empresas, titularidade efetiva, listas negras e dados de projetos financiados pela UE — numa única base de dados analítica, reestruturando os registos de contratação de nível de concurso para nível de lote para captar a dinâmica das propostas.

O objetivo era ajudar os analistas do STT a priorizar a atenção investigativa nos contratos públicos com maior probabilidade de envolver fraude ou corrupção, mantendo cada previsão explicável para que oriente o julgamento do investigador em vez de o substituir.

Como apenas uma pequena parte dos contratos está associada a infrações confirmadas, a equipa utilizou uma Random Forest Estratificada por Distância de Hellinger, um método concebido para aprendizagem Positiva-Não-Rotulada e desequilíbrio severo de classes. Cada previsão é acompanhada de valores SHAP (SHapley Additive exPlanations) num painel interativo, permitindo aos analistas identificar quais fatores — padrões de licitação, concentração de titularidade, posição na rede — determinaram a pontuação de risco de um contrato.

Em testes retrospetivos, concentrar a atenção investigativa no quartil de 25% de contratos com maior risco previsto captou cerca de 60% dos contratos associados a infrações penais provadas ou suspeitas, face aos 25% esperados por seleção aleatória, e o decil superior captou cerca de cinco vezes mais casos conhecidos do que o acaso.

O estudo de caso publicado pela OCDE é explícito ao afirmar que se trata de uma prova de conceito, e não de um sistema operacional: recomenda uma fase inicial de atualizações anuais apoiada por um pipeline de dados estável antes de uma implementação mais ampla, e sublinha que a ferramenta se destina a orientar o julgamento dos investigadores, não a substituí-lo.