Score de risco para priorização de auditoria em contratos públicos : uma abordagem com inteligência artificial explicável (xai)

Abstract

A priorização eficiente de auditorias em contratos públicos é fundamental para combater a corrupção, melhorar a governança e otimizar o uso dos recursos públicos. Este tra balho apresenta uma metodologia inovadora, organizada em um framework que integra aprendizado de máquina e explicabilidade de inteligência artificial (XAI) para classificar contratos e fornecedores com maior risco de irregularidades. Foram utilizadas bases públi cas para a construção do dataset, seguidas por etapas de pré-processamento, balancea mento(SMOTE, ADASYN, TOMEK Link e variações), seleção de atributos via LASSO e ajuste de Hiperparâmetros. Entre os modelos testados, com 177 variações de mod elo e balanceamento treinados, o modelo Ensemble (Tabular Prior-Data Fitted Network (TabPFN) + XGBoost +LightGBM) obteve o melhor desempenho, com AUC-ROC de 0,86, Recall de 0,767 e F2-Score de 0,631, métrica que mede a eficácia na detecção de em presas com padrão de fraude, porém com maior penalização de falsos negativos — visando reduzir o risco da auditoria. Para garantir a robustez da escolha, aplicou-se o Model Con fidence Set (MCS) com nível de confiança de 95%, permitindo a comparação e seleção dos modelos com menor variabilidade estatística (desvio padrão reduzido na métrica Weight LogLoss ao longo das validações cruzadas). Adicionalmente, foram aplicadas técnicas de interpretabilidade com valores de Shapley (SHAP), permitindo compreender os fatores determinantes no cálculo do risco para cada contrato ou fornecedor. Os resultados foram apresentados em um painel analítico de governança e priorização de auditorias, demon strando que a abordagem proposta pode transformar a auditoria pública ao torná-la mais estratégica, eficiente, transparente e orientada por dados.