Machine Learning Aplicada ao Contexto de Monitoramento de Suspeitas de Fraudes no Cadastro Único para Programas Sociais do Governo Federal: um estudo de Caso do MDS
Validação de documentos, Visão Computacional, Identificação de Fraudes
O Cadastro Único para Programas Sociais do Governo Federal (CadÚnico) é a principal base de dados utilizada para seleção de beneficiários de políticas públicas no Brasil, abrangendo mais de 95 milhões de pessoas. A dimensão e relevância dessa base tornam imprescindível a adoção de mecanismos avançados para prevenção de fraudes, garantindo a integridade das informações e a correta destinação dos recursos públicos. Este trabalho propõe uma abordagem híbrida para detecção de irregularidades no Cadastro Único, integrando técnicas de aprendizado de máquina e visão computacional. No primeiro estágio, foi desenvolvido um módulo para validação de documentos anexados, utilizando ResNet18 para classificação de imagens e FaceNet com FAISS para detecção de duplicidade facial, sinalizando 0,56% de casos suspeitos entre milhões de registros processados. No segundo estágio, estão sendo testados modelos de classificação para identificar possíveis fraudes a partir de dados cadastrais da base do Cadastro Único, essa frente ainda será finalizada e apresentada após a qualificação. Os resultados demonstram a viabilidade da solução proposta, com ganhos significativos na capacidade de monitoramento e prevenção de fraudes. Além disso, o estudo aponta desafios relacionados à qualidade heterogênea das imagens e à ausência de dados operacionais, sugerindo trabalhos futuros voltados à integração de novas variáveis, aprimoramento da análise biométrica e uso de arquiteturas mais avançadas de aprendizado profundo. A abordagem apresentada contribui para fortalecer os mecanismos de controle do Cadastro Único, promovendo maior eficiência e transparência na gestão das políticas sociais.