Ir para o menu de navegação principal Ir para o conteúdo principal Ir para o rodapé

v. 155 (2025)
Revista do TCU

Artigos

Modelo de automatização para monitoramento de deliberações de atos de pessoal para o Tribunal de Contas da União

https://doi.org/10.69518/rtcu.155.245-269

Publicado 27-08-2025

  • Helton Garcia
    • ,
  • Edans Flávius de Oliveira Sandes

Helton Garcia
Tribunal de Contas da União (TCU)

Edans Flávius de Oliveira Sandes
Tribunal de Contas da União (TCU)

Resumo

Uma das competências constitucionais do Tribunal de Contas da União (TCU) é apreciar, para fins de registro, a legalidade de atos de pessoal (Brasil, 1988). O crescimento do estoque de deliberações a serem monitoradas constitui grande desafio, agravado pela necessidade de racionalização de recursos. Uma solução é empregar inteligência artificial (IA). Este trabalho tem como objetivo propor modelo baseado em aprendizagem de máquina para automatizar o monitoramento de deliberações relacionadas a atos de pessoal, incluindo cessação de pagamentos envolvendo atos de admissão e de concessão de aposentadoria e reforma. A arquitetura do modelo é formada por cinco conjuntos de módulos e emprega algoritmos não supervisionados e supervisionados (Naive-Bayes), seguindo a metodologia CRISP-DM. Cenários sobre cessação de pagamentos foram submetidos a cruzamento de dados com informações extraídas do Sistema Integrado de Administração de Pessoal (Siape). O modelo atendeu aos critérios de sucesso de mineração de dados com acurácia de 93,89% e precisão de 96% e 97%, nas categorias de interesse. O uso de oversampling reduziu as divergências de 1,65% para 0,23%. Os resultados foram considerados satisfatórios pela unidade responsável por atos de pessoal e por áreas de coordenação de negócio do TCU. Trata-se de trabalho inovador, dado não haver no TCU, até então, solução especialista aplicável a tal objeto.

Palavras-chave

Mineração de dados, aprendizagem de máquina, clusterização, classificador Naive-Bayes, atos de pessoal, monitoramento

PDF

Biografia do Autor

Helton Garcia

Mestre em engenharia pela Universidade de Brasília (UnB). Especialista em análise de dados para o controle pelo Instituto Serzedello Corrêa (ISC). Especialista em criptografia e segurança de redes pela Universidade Federal Fluminense (UFF). Graduado em engenharia da computação pelo Instituto Militar de Engenharia (IME). Certified Information Systems Auditor/Information Systems Audit and Control Association (CISA/ISACA). Possui outras 20 certificações profissionais. Subject Matter Expert/ISACA, desde 2019. Auditor Federal de Controle Externo (AUFC) do Tribunal de Contas da União desde 2009.

Edans Flávius de Oliveira Sandes

Doutor em informática pela Universidade de Brasília (UnB). Auditor Federal de Controle Externo (AUFC) do Tribunal de Contas da União (TCU), onde atua com análise de dados. Em 2016, recebeu o prêmio nacional de melhor tese em ciência da computação no Prêmio Capes de Tese, o que lhe permitiu a realização de um pós-doutorado no ano seguinte.

Referências

  1. BALANIUK, Remis. A Mineração de Dados como apoio ao Controle Externo. Revista do TCU, Brasília, v. 117, n. 1, p. 79-86, jan. 2010.
  2. BOUGUETTAYA, Athman; YU, Qi; LIU, Xumin; ZHOU, Xiangmin. Efficient agglomerative hierarchical clustering. Expert Systems with Applications, [s. l.], v. 42, n. 5, p. 2785-2797, abr. 2015.
  3. BRANCO, Claudio Souza Castello. Histórico sobre a obtenção e o tratamento de dados para o Controle Externo no TCU, de 1995 a 2014. Revista do TCU, Brasília, v. 131, n. 1, p. 12-21, jan. 2014.
  4. BRASIL. [Constituição Federal (1988)]. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República, 1988. Disponível em: http://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm. Acesso em: 8 nov. 2024.
  5. BRASIL. Lei n. 8.112, de 11 de dezembro de 1990. Dispõe sobre o regime jurídico dos servidores públicos civis da União, das autarquias e das fundações públicas federais. Brasília, DF: Presidência da República, 1990. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/l8112cons.htm. Acesso em: 8 nov. 2024.
  6. BRASIL. Tribunal de Contas da União. Conheça a nova estrutura da Secretaria-Geral de Controle Externo, área-fim do TCU. Portal TCU, Brasília, 9 de fevereiro de 2023a. Notícias. Disponível em: https://portal.tcu.gov.br/imprensa/noticias/conheca-a-nova-estrutura-da-secretaria-geral-de-controle-externo-area-fim-do-tcu.htm. Acesso em: 8 nov. 2024.
  7. BRASIL. Tribunal de Contas da União. Implementação do e-Pessoal chega à reta final. Portal TCU, Brasília, 15 de março de 2018. Notícias. Disponível em: https://portal.tcu.gov.br/imprensa/noticias/implementacao-do-e-pessoal-chega-a-reta-final.htm. Acesso em: 8 nov. 2024.
  8. BRASIL. Tribunal de Contas da União (Plenário). Acórdão n. 1.032/2019. Processo: 24.000/2018-3. Relatório de Acompanhamento. Relatório de Acompanhamento autuado com o objetivo de realizar o 4º Ciclo da fiscalização contínua realizada nos dados cadastrais e nas folhas de pagamento de diversos órgãos da administração pública federal, referentes aos meses de março a setembro de 2018. Relator: Ministro Aroldo Cedraz, 8 de maio de 2019a. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/acordao-completo/ACORDAO-COMPLETO-2353039. Acesso em: 8 nov. 2024.
  9. BRASIL. Tribunal de Contas da União. Portaria-Sefip n. 1, de 10 de junho de 2019. Dispõe sobre a organização interna, as competências e atividades da Secretaria de Fiscalização de Pessoal (Sefip). Brasília, DF: TCU, 2019b. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/norma/NORMA-1613. Acesso em: 8 nov. 2024.
  10. BRASIL. Tribunal de Contas da União. Resolução TCU n. 246, de 30 de novembro de 2011. Altera o Regimento Interno do Tribunal de Contas da União, aprovado pela Resolução TCU nº 155, de 4 de dezembro de 2002. Brasília, DF: TCU, 2011. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/norma/NORMA-21217. Acesso em: 8 nov. 2024.
  11. BRASIL. Tribunal de Contas da União. Resolução TCU n. 255, de 26 de setembro de 1991. Dispõe sobre a apreciação, pelo Tribunal de Contas da União, para fins de registro da legalidade dos atos de admissão de pessoal e de concessão de aposentadoria, reformas e pensões. Brasília, DF: TCU, 1991. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/norma/NORMA-20028. Acesso em: 8 nov. 2024.
  12. BRASIL. Tribunal de Contas da União. Resolução TCU n. 353, de 22 de março de 2023. Estabelece procedimentos para exame, apreciação e registro dos atos de admissão de pessoal e de concessão de aposentadoria, reforma e pensão pelo TCU. Brasília, DF: TCU, 2023b. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/norma/NORMA-21630. Acesso em: 8 nov. 2024.
  13. BRASIL. Tribunal de Contas da União (Segunda Câmara). Acórdão n. 10.974/2015. Processo: 025.757/2015-6. Aposentadoria. Relatora: Ministra Ana Arraes, 24 de novembro de 2015. Disponível em: https://pesquisa.apps.tcu.gov.br/redireciona/acordao-completo/ACORDAO-COMPLETO-1584431. Acesso em: 8 nov. 2024.
  14. CHAPMAN, Pete. The CRISP-DM user guide. 4. CRISP-DM, 1999.
  15. CHAWLA, Nitesh V. Data mining for imbalanced datasets: an overview. In: MAIMON, Oded; ROKACH, Lior. (ed.). Data mining and knowledge discovery handbook. Boston: Springer, 2005. p. 853-867.
  16. EL NAQA, Issam; MURPHY, Martin J. What is machine learning? In: EL NAQA, I.; LI, R.; MURPHY, M (ed.). Machine learning in radiation oncology. Boston: Springer, 2015.
  17. IRANI, Jasmine; PISE, Nitin; PHATAK, Madhura. Clustering techniques and the similarity measures used in clustering: a survey. International journal of computer applications, [s. l.], v. 134, n. 7, p. 9-14, jan. 2016.
  18. KAUR, Harsurinder; PANNU, Husanbir Singh; MALHI, Avleen Kaur. A systematic review on imbalanced data challenges in machine learning: Applications and solutions. ACM computing surveys (CSUR), [s. l.], v. 52, n. 4, p. 1-36, ago. 2019.
  19. MACEDO, Mônica de Lima. Qualidade no Tribunal de Contas da União: práticas adotadas pela Secretaria de Fiscalização de Pessoal para controlar os gastos de pessoal. 2004. Monografia (Especialização em Controle Externo) – Tribunal de Contas da União, Instituto Serzedello Corrêa, Brasília, DF, 2004.
  20. MITCHELL, Tom M. Machine learning. Nova York: McGraw-Hill, 1997.
  21. MOHAMMED, Roweida; RAWASHDEH, Jumanah; ABDULLAH, Malak A. Machine learning with oversampling and undersampling techniques: overview study and experimental results. 11th international conference on information and communication systems (ICICS), 2020. p. 243-248.
  22. MONDAL, Bhaskar. Artificial intelligence: state of the art. In: BALAS, Valentina E.; KUMAR, Raghvendra; SRIVASTAVA, Rajshree (ed.). Recent trends and advances in artificial intelligenceand internet of things. Berlim: Springer, 2020. p. 389-425.
  23. PALIWAL, Shweta; BHARTI, Vishal; MISHRA, Amit Kumar. Ai chatbots: transforming the digital world. In: BALAS, Valentina E.; KUMAR, Raghvendra; SRIVASTAVA, Rajshree (ed.). Recent trends and advances in artificial intelligenceand internet of things. Berlim: Springer, 2020. p. 455-482.
  24. PANDIT, Shraddha; GUPTA, Suchita. A comparative study on distance measuring approaches for clustering. International Journal of Research in Computer Science, [s. l.], v. 2, n. 1, p. 29-31, 2011.
  25. SAMUEL, Arthur L. Some studies in machine learning using the game of checkers. IBM Journal of research and development, [s. l.], v. 3, n. 3, p. 210-229, jul. 1959.
  26. SCHRÖER, Christoph; KRUSE, Felix; GÓMEZ, Jorge Marx. A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, [s. l.], v. 181, p. 526-534, fev. 2021.
  27. WIRTH, Rüdiger; HIPP, Jochen. CRISP-DM: Towards a standard process model for data mining. 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, [s. l.], 2000. p. 29-39.
  28. ZAKI, Mohammed J.; MEIRA JR., Wagner. Data mining and analysis: fundamental concepts and algorithms. Inglaterra: Cambridge University Press, 2014.