Skip to main navigation menu Skip to main content Skip to site footer

Vol. 155 (2025)
Revista do TCU

Articles

Automation model for monitoring personnel acts deliberations at the brazilian Federal Court of Accounts

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

Published 2025-08-27

  • Helton Garcia
    • ,
  • Edans Flávius de Oliveira Sandes

Helton Garcia
Federal Court of Accounts (TCU)

Edans Flávius de Oliveira Sandes
Federal Court of Accounts (TCU)

Abstract

One of the constitutional responsibilities of the Brazilian Federal Court of Accounts (TCU) is to assess, for registration purposes, the legality of personnel acts (Brazil, 1988). The growing volume of deliberations to be monitored poses a major challenge, aggravated by the trend towards resource rationalization. A promising solution is to employ Artificial Intelligence (AI). This study presents a machine learning (ML) based model designed to automate the monitoring of deliberations related to personnel acts, including the cessation of payments involving admissions, retirements, and personnel reforms. The model architecture consists of five sets of modules, containing unsupervised and supervised (Naïve-Bayes) ML algorithms, following the CRISP-DM methodology. Scenarios involving cessation of payments were cross-referenced with data extracted from the Integrated Personnel Administration System (Siape). The model met the data mining success criteria, achieving 93.89% accuracy and 96% and 97% precision for the categories of interest. Additionally, the use of oversampling reduced the percentage of discrepancies from 1.65% to 0.23%. The results were considered satisfactory by the personnel management unit, as well as by the TCU’s business coordination areas. This represents an innovative development, as no specialized solution of this nature had previously been implemented at the Court.

Keywords

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

PDF (Português)

Author Biography

Helton Garcia

Computer Engineer from the Military Institute of Engineering. Post-graduated in Data Analysis for Control by ISC/TCU, Post-graduated by the Federal Fluminense University. Master's degree from the University of Brasília. Certified Information Systems Auditor/Information Systems Audit and Control Association (CISA/ISACA), along with other 20 professional certifications. Subject Matter Expert/ISACA since 2019. Federal External Control Auditor since 2009.

Edans Flávius de Oliveira Sandes

Ph.D. in Informatics since 2015 from the University of Brasília and Federal External Control Auditor at the TCU since 2008, where he works with Data Analysis. He received the national award for best thesis in Computer Science at the Capes Thesis Award in 2016, allowing him to pursue a post-doctorate in 2017. His areas of interest include Artificial Intelligence, Machine Learning, Text Mining, and Parallel Computing.

References

  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.