Impacto da inteligência artificial na atividade de auditoria: equacionando gargalos nos repasses da união para entes subnacionais

• Autor(a) principal: Carvalho, Sergio Tadeu Neiva
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/29680
• topic: Controle; Auditoria; Inteligência Artificial; Administração Pública; Transferências Discricionárias; Control; Auditing; Artificial Intelligence; Public Administration; Discretionary Transfers; Administração pública; Administração pública; Auditoria - Processamento de dados; Prestação de contas; Inteligência artificial; Inteligência artificial

Objetivos: Esta pesquisa visa compreender as circunstâncias em que o uso do sistema “Malha Fina de Convênios”, que usa Inteligência Artificial (IA) para analisar as prestações de contas de convênios e prevê o resultado da análise, é suficientemente percuciente para dispensar a necessidade de análise convencional de prestação de contas de convênios por parte de servidores públicos. A utilização de técnicas de auditoria por meio de soluções tecnológicas como machine learning (ML) e IA vem se ampliando no setor privado com impactos positivos em termos de prevenção às fraudes e incremento da eficiência e eficácia do trabalho realizado pelos auditores. Entretanto, os estudos acerca de seu uso na Administração Pública ainda são incipientes. Logo, este trabalho almeja, também, compreender os impactos da IA na atividade de auditoria. Metodologia: a estratégia metodológica valeu-se da implementação empírica de um ambiente computacional em linguagem phyton para testar 2 arquiteturas de treinamento para a aprendizagem do algoritmo, parametrizando a sequência de treinamento conforme o seu tamanho e a identidade do órgão concedente. Dessa forma, o desempenho dos algoritmos foi avaliado pelas métricas inexatidão (ε) e Area Under the Curve (AUC). Resultados: os resultados apontam que a identidade do órgão concedente influencia o desempenho do algoritmo de ML e à medida que o tamanho da sequência de treinamento cresce, o desempenho aumenta, não obstante ocorra um ponto de saturação em que o aumento do tamanho não interfere no desempenho. Limitações: ocorre um intenso desbalanceamento das sequências de treinamento, na medida em que a quantidade de contas rejeitas é muito inferior às contas aprovadas. Além disso, as arquiteturas de teste exigem grande capacidade computacional para serem executadas. Contribuições: a compreensão do desempenho do “Malha Fina de Convênios” diante de circunstâncias diferentes validará essa abordagem inovadora, fazendo com que os atores do processo de Transferências Voluntárias da União empreguem seus esforços apenas nos convênios com indícios de rejeição, racionalizando a força de trabalho. Originalidade: pelo conhecimento adquirido durante esta pesquisa, constatou-se que este é o primeiro trabalho que aborda o uso de IA nas Transferências Voluntárias da União.