Aplicação de aprendizado de máquina na detecção de fraudes públicas

• Ano de defesa: 2019
• Autor(a) principal: Lopes, Marco Antonio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Artificial intelligence; Biddings; Big data; Dados desbalanceados; Eventos raros; Fraudes públicas; Imbalanced datasets; Inteligência artificial; Licitações; Machine learning; Public frauds; Rare events
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/12/12139/tde-10022020-174317/

Nos últimos anos, os governos mundiais vêm participando de esforços conjuntos para aumentar a disponibilidade dos dados governamentais para seus cidadãos, e o resultado disso, no Brasil, foi a criação do Portal Brasileiro de Dados Abertos. Com mais dados disponíveis ao cidadão comum, várias análises que não são feitas pelo governo, em razão da falta de conhecimento ou de interesse, tornam-se possíveis, como, por exemplo, a identificação de fraudes em licitações públicas. Uma forma de identificar os padrões existentes nessas fraudes é o uso de aprendizado de máquina. Atualmente, existem softwares como R e Python que permitem o uso de diversas técnicas de aprendizado de máquina já implementadas. Esses softwares, devido à sua grande capacidade de processamento, também, podem auxiliar em problemas com dados desbalanceados, em que a ocorrência do evento que está sendo estudado é muito rara, como é o caso de fraudes. Assim, um exemplo desse tipo de problema e que é alvo do estudo desta dissertação é a detecção de fraudes em sistemas públicos por meio da descoberta de contratos que pertencem a empresas inidôneas. Tal desafio pode potencializar-se com grandes volumes de dados, visto que podem tornar o processamento dessas bases mais complexo. Assim, esta dissertação visa contribuir para a resolução desse problema propondo avaliar metodologias e técnicas de aprendizado de máquina que apresentam resultados satisfatórios nesse cenário.