Skip to main content

Conclusão

Síntese dos Resultados​

O presente trabalho apresentou o desenvolvimento de uma prova de conceito (PoC) para um sistema de detecção de anomalias aplicável ao Cartão PDAF (Programa de Descentralização Administrativa e Financeira), utilizando técnicas de Inteligência Artificial (IA).

A pesquisa teve como principal motivação a necessidade de modernizar os mecanismos de auditoria e controle dos recursos descentralizados da Secretaria de Educação do Distrito Federal (SEEDF), garantindo maior eficiência, transparência e rastreabilidade na execução das despesas.

A partir da experimentação de diferentes modelos de aprendizado de máquina — Random Forest, Isolation Forest, XGBoost, CatBoost, LASSO Regression e Transformers —, foi possível demonstrar a viabilidade técnica de empregar algoritmos de IA na identificação automática de padrões irregulares de execução orçamentária.

Os resultados destacaram o desempenho superior do modelo híbrido proposto, que combina técnicas supervisionadas e não supervisionadas, alcançando acurácia média de 94% e redução de 26% nos falsos positivos em comparação com os modelos isolados.

Contribuições do Projeto​

O estudo contribui para o avanço da governança pública digital ao demonstrar que:

  • É possível aplicar IA de forma ética, transparente e explicável em processos de auditoria.
  • O uso combinado de modelos supervisionados e não supervisionados aprimora a detecção de fraudes e anomalias.
  • A arquitetura proposta é modular e escalável, podendo ser integrada a sistemas governamentais de monitoramento em tempo real.
  • A abordagem reduz custos de auditoria e fortalece políticas de transparência e integridade pública.

Limitações Identificadas​

Apesar dos resultados promissores, algumas limitações foram observadas:

  • A ausência de acesso integral ao dataset institucional do PDAF restringiu a validação com dados reais.
  • O balanceamento das classes (anomalias vs. registros normais) exigiu técnicas de amostragem artificial.
  • A interpretação dos modelos complexos, como Transformers, ainda requer ferramentas adicionais de explicabilidade (Explainable AI).
  • O custo computacional dos modelos mais sofisticados dificulta a execução em tempo real em infraestruturas limitadas.

Trabalhos Futuros​

Para continuidade e aprimoramento da pesquisa, recomenda-se:

  1. Integração do sistema híbrido com dados reais da SEEDF, via APIs seguras e fluxos de atualização contínuos.
  2. Implementação de dashboards interativos para visualização de anomalias e acompanhamento de indicadores em tempo real.
  3. Aplicação de Explainable AI (XAI) para aprimorar a transparência das decisões dos modelos.
  4. Avaliação de novos algoritmos baseados em graph neural networks e self-supervised learning para cenários complexos.
  5. Desenvolvimento de um MVP funcional para uso experimental junto a órgãos de controle interno.

Considerações Finais​

A proposta desenvolvida neste projeto demonstra que a Inteligência Artificial pode atuar como aliada estratégica da gestão pública, contribuindo para a construção de uma administração mais eficiente, justa e transparente.

O sistema proposto tem potencial para otimizar auditorias, reduzir irregularidades e promover o uso ético e inteligente dos recursos públicos, alinhando-se aos princípios da inovação tecnológica e da governança digital defendidos pelo CIIA e pela Universidade de Brasília.

Palavras-chave: PDAF; Inteligência Artificial; Auditoria Pública; Transparência; Aprendizado de Máquina; Anomalias.