Banca de DEFESA: Rodrigo Vilela Fonseca de Souza

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Rodrigo Vilela Fonseca de Souza
DATA : 20/06/2023
HORA: 16:00
LOCAL: https://teams.microsoft.com/l/meetup-join/19%3a0a9998084fcc459f92b72fb6608767f7%40thread.tacv2/16865
TÍTULO:

IDENTIFICAÇÃO AUTOMÁTICA DE CONLUIO EM PREGÕES DO COMPRASNET COM APRENDIZADO DE MÁQUINA

PALAVRAS-CHAVES:

Pregão eletrônico, Conluio, Aprendizado de máquina, Cartel.

PÁGINAS: 71
RESUMO:

O Governo Federal Brasileiro executa um grande volume de licitações públicas da modalidade pregão através do Portal de Compras Comprasnet. No período de 2018 a 2021, aproximadamente R$ 144 bilhões foram licitados com a execução de mais de 122 mil processos desta modalidade. A auditoria destes certames é uma das atribuições da Controladoria Geral da União - CGU, que desenvolveu ferramentas para apoiar esta atividade, envolvendo o processamento de um grande volume de dados. Isso possibilita que os pregões eletrônicos sejam auditados e diversas irregularidades identificadas em tempo de serem sanadas. Entre os anos de 2019 e 2020, após atuações preventivas da CGU, licitações que totalizaram mais de R$ 6,7 bilhões foram revogadas, suspensas ou ajustadas. Entre as irregularidades que a CGU busca combater, a identificação de conluio entre os participantes de um certame é de difícil identificação, dado o volume diário de novas licitações e o conjunto de variáveis envolvidas no processo. A Inteligência Artificial aplicada à análise de dados, a partir de algoritmos de aprendizado de máquina, se apresenta como promissora na indicação de conluio entre os participantes de uma licitação. Neste trabalho foi realizado o estudo de um conjunto de algoritmos de aprendizado de máquina aplicados na identificação de conluio, em 4 cenários distintos, sobre dois datasets gerados a partir do Comprasnet e outros datasets de conluio publicados. De forma geral, nos melhores cenários, os algoritmos baseados em ensemble methods obtiveram uma acurácia maior que 87%. Considerando todas as métricas adotadas no experimento, o algoritmo de melhor desempenho foi o Extra Trees, capaz de indicar novos possíveis casos de conluio em itens de pregões realizados no Comprasnet.

MEMBROS DA BANCA:
Externo à Instituição - FABIANO CAVALCANTI FERNANDES - IFB
Interno - 906.575.601-97 - DANIEL ALVES DA SILVA - UnB
Presidente - 2311780 - FABIO LUCIO LOPES DE MENDONCA
Interno - 2556078 - GEORGES DANIEL AMVAME NZE