A palestra tem por objetivo apresentar o trabalho de classificação de risco de fraude em benefícios do tipo seguro-desemprego utilizando técnicas de aprendizagem de máquina que foi realizado no ciclo de fiscalização contínua de benefícios trabalhistas de 2017. O trabalho utilizou uma massa de dados de 1,6 milhão de requerimentos de seguro-desemprego dos anos de 2016 e 2017 e teve por objetivo construir um modelo preditivo que fosse capaz de prever o risco de fraude associado a cada requerimento, possibilitando priorizar os requerimentos que seriam encaminhados para a realização de rotinas adicionais de verificação de fraude, antes do efetivo cancelamento dos benefícios fraudados. Os resultados obtidos comprovaram a efetividade do modelo.

Instituição: Tribunal de Contas da União

Nome: Aloísio Dourado Neto

Tipo da proposta: apresentação

Foco principal: técnico (apresentação das técnicas utilizadas no trabalho e resultados obtidos)

Fase do trabalho: estudo de caso com resultados práticos

Detalhes Técnicos:

Algoritmo Utilizado: Distributed Gradient Boosting (XGBOOST)

Técnicas Adicionais de Machine Learning: Cross-Validation, Hyper-Parameter Grid Search

Softwares Utilizados: SAS Enterprise Guide (Preparação de Dados), Python, Scikit-learn, Pandas, XGBoost (Treinamento e Validação do Modelo)

Mini Currículo:

Aloísio é Auditor do TCU, e possui graduação em engenharia elétrica pela UFBa e mestrado em computação aplicada com foco em análise de dados pela UnB. Atualmente é doutorando em Visão Computacional com foco em Deep Learning, também pela UnB. No TCU, trabalha com fiscalização de benefícios sociais amparada em análise de dados nas áreas de Previdência, Assistência Social e Trabalho. Suas áreas de interesse são Machine Learning, Deep Learning, Visão Computacional e Análise de Impacto de Políticas públicas por meio de análise de dados.