1
INTRODUÇÃO
A fiscalização das ações
de Governo e o combate a ilícitos são atribuições do sistema de controle
interno previsto no Art. 70 da Constituição Federal do Brasil [1]. Ainda, o surgimento da Lei de
Responsabilidade Fiscal (LRF) [2] reforça e amplia as competências deste sistema, que em sua
essência tem a atribuição de fiscalizar os atos da gestão pública quanto à
legalidade, legitimidade, economicidade, aplicação das subvenções e renúncia de
receitas.
Em Pernambuco, o órgão
responsável pela gestão do sistema de controle interno é a Secretaria da
Controladoria Geral do Estado (SCGE). A modernização da Gestão Pública, através
da implantação de sistemas informatizados para execução das mais diversas
atividades, impôs um novo desafio ao Governo: como utilizar as informações
coletadas para gerar conhecimento e melhor atender as necessidades da
sociedade?
Entre os anos 2016 e 2017,
a despesa estadual executada ultrapassou 30 (trinta) bilhões de reais. Esta
despesa é executada de forma descentralizada. Cada uma das 66 unidades gestoras
executam seus processos licitatórios e são responsáveis por todas as etapas da
execução da despesa pública.
A SCGE utiliza os dados
disponíveis nos sistemas corporativos do Governo Estadual para planejar e
executar auditorias e fiscalizações dos recursos públicos. A eficiência das
equipes envolvidas nestas atividades está diretamente relacionada com a
qualidade das informações contidas nestes bancos de dados.
1.1 Definição do Problema
O Sistema de Gestão do
Banco de Preços (GBP) é o responsável pelo cadastro e gerenciamento dos itens
comprados pela administração pública estadual. No passado, o cadastro de novos
itens adquiridos era realizado de forma descentralizada, permitindo que itens
semelhantes fossem cadastrados livremente, resultando em inserção inadequada.
Tais incoerências prejudicam a comparação de valores em novas compras, bem
como, a identificação de outliers em compras já realizadas, sendo esta última,
uma das principais ações de controle executada pela equipe de auditoria da
SCGE. Atualmente, após mudança no processo, este cadastro ocorre de forma
centralizada.
Visando corrigir estas
inconsistências, o Estado, através da Secretaria de Administração (SAD),
iniciou atividade para tratá-las. No entanto, o trabalho não tem sido auxiliado
por nenhuma técnica apurada, consistindo de intervenções manuais.
O grande volume de dados,
associado com a multidisciplinaridade dos itens adquiridos, fazem deste um
problema de difícil resolução. Este trabalho apresenta uma metodologia baseada
em mineração textual para identificar características relevantes em cada item
cadastrado (documento), aproximando-os de forma a agrupar itens que atendem a
uma mesma necessidade.
1.2 Objetivo Geral
Segmentar itens de compra adquiridos
pelo Governo do Estado, aproximando-os a partir de características extraídas
das suas descrições.
1.2.1 OBJETIVOS ESPECÍFICOS
·
Desenvolver
metodologia de exploração de textos para agilizar ações de auditoria;
·
Categorizar itens
de compra em agrupamentos semânticos mais específicos.
No contexto
de pesquisas relacionadas à utilização de algoritmos de mineração de texto para
auxiliar as atividades de auditoria, destacam-se os trabalhos de [3][4].
Em [3] é apresentado o resultado da aplicação do algoritmo de
descoberta não supervisionada de clusters EM (Expectation-Maximization)
[5], utilizando a ferramenta WEKA para
identificar padrões de comportamento nos dados de processos licitatórios que
possam apontar eventuais irregularidades cometidas por empresas e assim
subsidiar ações de auditoria governamental.
O estudo [4] apresenta análise comparativa dos algoritmos Naïve
Bayes, Naïve Bayes Multinomial – Frequência Inversa e Similaridade para
encontrar o algoritmo mais indicado para classificar sentenças como evidências
de irregularidades ou não.
Nos trabalhos [6] [7] técnicas de Inteligência Artificial
são aplicadas para o cálculo do preço médio de produtos adquiridos pelo poder
público.
Em [6] foram utilizadas técnicas de detecção de anomalia implementadas em R, enquanto
que em [7]
foi utilizado o
classificador J48, baseado em árvores de decisão na
ferramenta WEKA. A técnica foi aplicada para classificar os itens
adquiridos a partir de suas descrições, divergindo deste trabalho pela técnica
aplicada e pela limitação do escopo - identificar os
empenhos destinados às aquisições dos objetos de gastos: gêneros Alimentícios,
Combustível, Material de
Expediente, Peças Automotivas e Material para Obras.
Este artigo traz uma contribuição
adicional ao apresentar um estudo de caso de segmentação de itens de compra por
proximidade semântica utilizando modernas técnicas de mineração textual sobre
dados de auditoria governamental.
2 BASE CONCEITUAL
Nesta seção, serão
apresentados conceitos necessários para o entendimento do problema, tais como:
auditoria governamental, mineração textual e algoritmos de descoberta de
tópicos, bem como as técnicas de estimativa de partições e avaliação da
qualidade da separação.
2.1 Auditoria Governamental
Conjunto de técnicas
aplicadas sobre determinadas atividades, objetivando constatar sua conformidade
com as normas, regras, orçamentos e objetivos. Sua execução está diretamente
relacionada ao acompanhamento das ações efetuadas pelos órgãos e entidades que
compõem a administração direta e indireta das três esferas de Governo.
Constitui-se em um importante instrumento de controle para garantir melhor
alocação de recursos públicos, transparência, prevenção e combate à corrupção [8].
2.2 Clusterização
Segundo [9], clusterização é a tarefa na qual se
procura identificar um conjunto finito de categorias, ou clusters, para
descrever uma informação, sem a existência de um professor ou crítico que
indique o que cada padrão representa.
2.3 Mineração Textual
Do inglês, Knowledge
Discovery in Text (KDT), é o processo de descoberta de conhecimento
potencialmente útil e não trivial, previamente desconhecido, em bases de dados
desestruturadas [10].
Trata-se de um campo
multidisciplinar, envolvendo recuperação de informação, análise textual,
extração de informação, agrupamento, categorização, visualização e tecnologias
de bases de dados. Abrange as seguintes fases [9]:
·
Coleta de
Documentos: definição
dos documentos relevantes para o negócio. É a etapa responsável pela escolha da
fonte mais confiável e das colunas mais relevantes em um conjunto de dados;
·
Pré-processamento: os documentos serão processados,
para que seja definida uma estrutura, a qual será utilizada na próxima etapa;
·
Extração de
Conhecimento: serão
utilizadas técnicas para
detectar os padrões não visíveis nos dados;
·
Avaliação e
Interpretação dos Resultados: os usuários
utilizarão o conhecimento gerado para apoiar as suas decisões.
2.3.1 PRÉ-PROCESSAMENTO
Etapa realizada
imediatamente após a fase de coleta para definir uma estrutura para a
massa textual. Pré-processar textos é, por muitas vezes, o processo mais
oneroso do KDT, uma vez que não existe uma única técnica que possa ser
aplicada para a obtenção de uma representação satisfatória em todos os domínios [11].
A definição da estrutura
aplicada aos documentos impactará diretamente os resultados do trabalho em
andamento, ou seja, as próximas etapas serão diretamente afetadas pelas
técnicas utilizadas aqui. Foram selecionadas as seguintes técnicas de
pré-processamento:
·
Tokenização (Atomização): consiste na divisão de um texto em um
conjunto de termos [12].
Nesse passo, são removidos caracteres especiais e pontuações, dado que não
contribuem para classificação. Além disso, os caracteres maiúsculos são
convertidos para minúsculos [4];
·
Radicalização (Stemming): palavras variantes morfologicamente
serão combinadas em uma única representação, o radical [12]. Por exemplo, os termos livro
e livrinho são reduzidas para o radical livre;
·
Remoção de Stop
Words: nesta
etapa os termos com pouca ou nenhuma relevância serão removidos. Estas palavras
são, em sua maioria, pronomes, preposições, artigos, numerais e conjunções [13];
·
Correção
Ortográfica: erros
ortográficos são comuns quando se trabalha com grandes massas de dados,
especialmente se geradas a partir de digitação manual por seres humanos [11]. Para auxiliar o trabalho de
identificação destes erros foram utilizadas a matriz de frequência dos termos (TF),
bem como a seleção dos termos para cada tópico da LDA (Seção 2.4).
·
Indexação: atribui-se uma pontuação para cada
termo, garantindo uma única instância do termo no documento [10].
Os modelos probabilísticos
de tópicos (Probabilistic Topic Models) [14] surgiram como nova área de pesquisa, a
partir de 2003,
motivados pela
necessidade de maior eficiência na extração de informações textuais.
A exploração de grandes
volumes de dados é simplificada pelos modelos probabilísticos na descoberta dos
tópicos. Os tópicos são estruturas com valor semântico que formam grupos de palavras
que frequentemente ocorrem juntas. Esses grupos de palavras quando analisados,
dão indícios da existência de um tema ou assunto que ocorre em um subconjunto
de documentos. A expressão tópico é usada levando-se em conta que o assunto
tratado em uma coleção de documentos é extraído automaticamente, ou seja, um
tópico é definido como um conjunto de palavras que frequentemente ocorre em
documentos semanticamente relacionados [15].
O Latent Dirichlet
Allocation (LDA) é um algoritmo para modelagem de tópicos que utiliza a
abordagem bayesiana para aprender a estrutura latente de tópicos que compõem um
documento e segmentar uma coleção de documentos a partir de tópicos dominantes
em cada documento submetido. Baseia-se em um modelo generativo assumindo que cada
documento em uma coleção é uma mistura de tópicos.
Ou seja, aplicando uma
técnica como a LDA, é possível organizar e agrupar um subconjunto de documentos
pelos seus respectivos temas. O modelo é baseado em duas premissas:
a)
Todo tópico é
uma mistura de palavras: cada tópico é constituído por palavras relevantes identificadas nos
documentos de uma coleção. Por exemplo, o tópico A pode ser constituído pelos
termos palavra I, palavra II e palavra III. Enquanto o tópico B, de uma
mesma coleção, pode ser composto pelos termos palavra III, palavra IV e palavra
V. É importante ressaltar que os termos podem ser compartilhados entre os
tópicos (ver Figura 1).
b)
Todo documento
é uma mistura de tópicos: cada documento pode conter palavras de vários tópicos em
proporções específicas. Por exemplo, um determinado documento em uma coleção de
produtos poderia ser composto por uma mistura de 50% sobre o tópico A, 30%
sobre B e 20% sobre C; enquanto outro documento poderá ser composto por 30%
sobre o tópico A, 20% sobre B, 30% sobre C, e 20% sobre D (ver Figura 1).
Um modelo LDA é definido por
dois parâmetros:
·
: a
frequência média da ocorrência de cada tópico em um determinado documento. Um alto valor de 
significa que cada documento
provavelmente conterá uma maior mistura de tópicos. Um valor baixo para indica maior probabilidade de os documentos conterem mistura
de poucos tópicos.
·
β: a distribuição de palavras por
tópico. Da mesma forma, um valor alto para β significa que cada tópico
terá alta probabilidade de conter misturas de várias palavras. Um valor baixo
sugere que o tópico será formado por poucas palavras.
Os tópicos são β1:k , onde cada βk é uma distribuição sobre o vocabulário fixo. As
proporções dos tópicos para o d-ésimo documento são θd, onde θd,k é a proporção do tópico K no
documento d. As atribuições de tópicos para o d-ésimo documento são zd,
onde zd,n é a atribuição do tópico para a n-ésima palavra no
documento d. Finalmente, as palavras observadas para o documento d são wd,
onde wd,n é a n-ésima palavra no documento d, a qual é um
elemento do vocabulário fixo. Com essa notação, o processo generativo em LDA corresponde à
distribuição conjunta das variáveis observadas e ocultas representada na
formulação do processo generativo da LDA, sob a forma de uma distribuição [17].
No treinamento do modelo, o objetivo é
encontrar parâmetros e β, que maximizem a probabilidade do Corpus ser gerado pelo modelo. A LDA pode ser
formalmente descrita através da Equação 1.
2.4.1 INFERÊNCIA
DA LDA VIA MÉTODO GIBBS
O problema computacional
definido pela LDA reside na inferência de
estruturas temáticas que correspondem às distribuições de probabilidades relacionadas com as relações documento-tópico e tópico-palavra [15].
Dentre os métodos de
inferência, o método Gibbs é o mais
popular, principalmente pela facilidade de implementação e sua aplicação em
diversos problemas [16].
O método é um caso especial da simulação de
Monte Carlo em Cadeia de Markov, capaz de emular distribuições de probabilidades com alta dimensionalidade [15].
O modelo LDA pode capturar correlações
de palavras em uma coleção de documentos textuais com um conjunto de
distribuição multinominal de baixa dimensão, chamado tópicos. No entanto, é
importante selecionar o número apropriado de tópicos para um conjunto de dados
específico [18].
Dentre as estratégias para
obter tal estimativa destacam-se as técnicas que tentam maximizar ou minimizar
P (w | ϕ, θ) para encontrar estimativas de máxima ou mínima
verossimilhança de ϕ e θ. Onde W é o conjunto de palavras do vocabulário; θ a distribuição de tópicos por
documentos; e φ a distribuição dos tópicos sobre as
palavras de todo o vocabulário. Estas técnicas podem ser conferidas em [18-21].
Foram selecionadas quatro
técnicas para estimativa do número de tópicos nos documentos analisados: Griffiths2004
[20]
e Deveaud2014 [21] (métricas de maximização; CaoJuan2009
[18]
e Arun2010 [19] (métricas de minimização).
2.4.3
MÉTRICAS DE AVALIAÇÃO
Nesta técnica, é utilizado o
conhecimento do especialista para verificar se os documentos de um mesmo tópico
foram segmentados de forma coerente, ou seja, se valor semântico entre
documentos de um mesmo agrupamento. Para auxiliar a análise humana aplicamos
uma técnica de identificação dos tópicos, que consiste em utilizar as duas
palavras mais relevantes de cada tópico para intitulá-lo [22].
Uma forma de avaliação utiliza o
tamanho dos tópicos como métrica, onde os agrupamentos que possuem mais
documentos associados são melhores [22].
No entanto, esta conclusão entra em
conflito com a possibilidade de utilização do modelo para encontrar
agrupamentos especializados e, portanto, com poucos documentos relacionados.
Os tópicos obtidos como saída da LDA
são formados por palavras estatisticamente relacionadas. No entanto, isto não
significa que elas possuam relacionamento semântico claro entre si, ou seja,
que façam sentido para um avaliador humano que as leia. As medidas de coerência
atribuem um valor ao grau de similaridade semântica, de forma a tornar possível
a automatização do processo de validação daqueles tópicos [23]. Ou seja, a partir do cálculo da
coerência é possível verificar, sem a atuação humana, a existência de valor
semântico nos tópicos. Calculamos a coerência através da função FitLdaModel
disponível na biblioteca textmineR [24], na linguagem R.
3 MATERIAIS E MÉTODOS
Esta seção descreve as etapas
executadas neste trabalho, conforme Figura 2.
3.1
Coleta
de Documentos
Foi utilizada a ferramenta
Pentaho Data Integration (PDI) para auxiliar no processo de Extract,
Transform and Load (ETL). Os dados foram extraídos do Portal da Transparência de
Pernambuco e carregados no SGBD Postgres. Nesta etapa, foram
selecionados 65.461 (sessenta e cinco mil quatrocentos e sessenta e um)
documentos, que correspondem aos diferentes itens adquiridos pelo Governo do
Estado de Pernambuco entre os anos de 2008 a 2017.
A base de dados
selecionada possui 63 atributos, em sua maioria com informações relacionadas ao
processo de compra. Por exemplo: dados sobre a entidade compradora, o
fornecedor, valor praticado, número do processo licitatório, entre outros. As
informações relacionadas ao item adquirido se restringem a quatro atributos:
descrição, nome, classe e grupo.
A partir da análise
exploratória dos dados, foi selecionada apenas a descrição dos itens comprados
como documento submetido
às próximas etapas do presente trabalho. A decisão foi tomada para reduzir
impacto dos erros humanos no processo de cadastro de cada processo de compra e
para permitir a comparabilidade de itens adquiridos por outras entidades, uma
vez que os demais atributos não teriam sua correlação assegurada em outras
bases de dados.
Esta escolha trouxe também
um desafio ao modelo, o tamanho dos documentos analisados varia entre textos
curtos com apenas cinquenta caracteres e medianos com até dez mil caracteres.
3.2 Pré-processamento
Considerando que os documentos
coletados nesta pesquisa foram redigidos por diferentes atores, sem supervisão
ou controle de qualidade, foram aplicadas as técnicas de pré-processamento: tokenização,
stemming, indexação, correção ortográfica e remoção de stop words.
Todas estas técnicas foram implementadas na linguagem R.
Figura 3: Resultado das métricas para escolha do K (número de tópicos)
ideal. Fonte: o Autor, 2018.
Após a tokenização foi aplicada
a técnica de indexação, onde, por meio do TF-IFD [13], as palavras de cada documento
receberam um valor indicando sua relevância. Esta informação, associada ao
conhecimento sobre o domínio do negócio, auxiliou na definição das stop
words. Na sequência, com o auxílio da frequência das palavras, cruzada com
a informação do TF-IDF, foram corrigidas palavras relevantes que se
encontravam com grafia errada.
3.3 Extração de
Conhecimento
Nesta etapa foi utilizado
a LDA (Seção 2.4), implementado na Linguagem R, disponível na biblioteca topicmodels
[25].
Para
a avaliação dos resultados, a análise humana foi aplicada para avaliar os
desempenhos das técnicas descritas em b) e c). Foram selecionados vinte tópicos para cada técnica, os dez
de melhor pontuação e os dez de pior, nas respectivas métricas.
Outros dez tópicos foram
selecionados aleatoriamente para uma avaliação independente dos critérios
descritos nas técnicas já avaliadas. No total cinquenta tópicos avaliados, o
que representa 40% do total de tópicos identificados. Esta atividade foi
executada pelo autor deste artigo, que atua na SCGE, como Gestor Governamental
de Controle Interno, desde 2010.
4 RESULTADOS
Por se tratarem de dados brutos nunca
tratados, a etapa de pré-processamento apresentou impacto significativo nos
resultados obtidos durante os experimentos realizados. Após esta etapa, a
escolha do número de tópicos que seria utilizado na modelagem da LDA foi
escolhido com base na análise da Figura 3. Assim foram selecionados 85 e 125
para valores de K.
Quadro 1 -
Resumo das coerências dos tópicos
|
k-Tópicos
|
Mínimo
|
Máximo
|
Média
|
|
85
|
3,2%
|
44,8%
|
14,7%
|
|
125
|
1,5%
|
58,4%
|
14,0%
|
Fonte:
o Autor, 2018.
Com base no Quadro 1 observamos que há uma equivalência na
média das coerências dos tópicos, no entanto o experimento com maior quantidade
de tópicos apresenta também o pior e o melhor tópico. Apesar do experimento com
85 tópicos se aproximar da classificação humana pré-existente na base de dados,
que é de 78 classes, optamos por analisar os resultados obtidos no experimento
com 125 tópicos, pois este representa um ganho significativo no objetivo deste
trabalho.
Quanto ao tamanho dos tópicos (ver
Figura 4), foi observado equilíbrio na distribuição dos documentos, onde 60%
dos agrupamentos possuem tamanho próximo a 500 documentos.
Figura 3: Distribuição do tamanho dos tópicos.
Fonte: o Autor, 2018.
|
Nome Sugerido
|
agulh_descartavel
|
cab_conexa
|
manutenca_servic
|
liqu_ativ
|
automot_veicul
|
impressa_resoluca
|
|
Palavra 1
|
agulh
|
cab
|
manutenca
|
liqu
|
automot
|
impressa
|
|
Palavra 2
|
descartável
|
conexa
|
servic
|
ativ
|
veicul
|
resoluca
|
|
Palavra 3
|
atox
|
conector
|
corret
|
composica
|
pec
|
veloc
|
|
Palavra 4
|
protetor
|
par
|
equip
|
álcool
|
original
|
folh
|
|
Palavra 5
|
sering
|
red
|
pec
|
basic
|
ano
|
minim
|
|
Palavra 6
|
luer
|
mach
|
prevent
|
frasc
|
genuin
|
impressor
|
|
Coerencia
|
0,584
|
0,483
|
0,447
|
0,383
|
0,374
|
0,364
|
Quanto a distribuição das
coerências (ver Figura 4) observamos uma maior concentração
dos tópicos para uma coerência inferior a 0,2 (20%), a figura demonstra o
resultado onde 80% dos tópicos apresentaram coerência inferior a 20%. Neste
experimento obtivemos o melhor tópico, agulha_descartavel (ver Quadro 2)
com coerência igual a 0,584 (58,4%).
Apesar de termos observado a relação
direta entre a qualidade do valor semântico dos tópicos e sua coerência, em
nossa análise exploratória, identificamos tópicos com melhor valor semântico
que obtiveram valores inferiores nos cálculos de suas coerências. Como exemplo,
o tópico “Extintor_Incendio”, apresentou coerência igual a 4,31% e tamanho
igual a 239.
Quadro 3: Exemplos de inconsistências
|
Item
|
Documento
|
Tópico
|
|
1
|
COCO SECO - GRANDE
|
Extintor_Incendio
|
|
2
|
COLA PARA FORMICA – RESINA FENOLICA, PARA SER
UTILIZADA EM FORMICA, BORRACHA, NA COR AMBAR, APRESENTADO COMO LIQUIDA,
APLICACAO POR PINCEL OU ESPATULA, EMBALADO EM 740 GRAMAS.
|
Agulha_descartavel
|
Fonte: o Autor, 2018
Na análise humana, identificou-se
apenas vinte documentos agrupados inadequadamente. O resultado equivale a 8% do
total de documentos pertencentes a este tópico. A mesma análise foi realizada
para o tópico “Agulha_descartavel” e o resultado foram trinta e três documentos
agrupados inadequadamente de um total de 311. O resultado, 10%, sugere uma leve
vantagem para o tópico “Extintor_Incendio” segundo a análise humana, mesmo
havendo diferença nos valores das respectivas coerências.
Figura 4: Distribuição das coerências dos tópicos
Fonte: o Autor, 2018.
O Quadro 3
apresenta alguns exemplos das incoerências verificadas nos agrupamentos, no
item 1 um documento com tamanho inferior a 20 caracteres foi alocado no tópico
Extintor_Incendio. Enquanto o item 2, cola para fórmica, está agrupado em
Agulha_descartavel. Os exemplos apresentados refletem a fragilidade do modelo
em trabalhar com documentos muito pequenos.
A LDA apresentou bom desempenho quando
submetido ao agrupamento de documentos com formação consistente e tamanho
adequado, no Quadro 4 é fácil perceber a existência de um valor semântico entre
os documentos de um mesmo grupo.
5 CONCLUSÕES
Este artigo descreveu a
aplicação de um modelo de Alocação de Tópicos Latentes aplicado sobre a base de
dados de itens adquiridos pelo Governo do Estado de Pernambuco, com o objetivo
de agrupá-los a partir de características extraídas de suas descrições.
Quadro 4: Exemplos de tópicos
|
Item
|
Documento
|
Tópico
|
|
1
|
RECARGA PARA EXTINTORES – GAS CARBONICO (CO2).
|
Extintor_Incendio
|
|
2
|
EXTINTOR DE INCENDIO A PO QUIMICO SECO – DO TIPO
VEICULAR E MARITIMO, CLASSE ABC, 1ª-5B, (GARANTIA DE 05 ANOS), 1KG,
PRESSURIZADO.
|
Extintor_Incendio
|
|
3
|
DISCO DE SINALIZACAO PARA EXTINTOR – EM ALUMINIO,
25CM DE DIAMETRO, CIRUCULO INTERNO NA COR AMARELA, COM INDICACAO FONE 193 E
CIRCUNSCRITO POR OUTRO NA COR VERMELHA, USO EM EXTINTOR TIPO CO2, INCLUSIVE
PARAFUSOS E BUCHAS.
|
Extintor_Incendio
|
|
4
|
SERINGA DESCARTAVEL – EM PLASTICO, ATOXICO,
APIROGENICO INTEGRO E TRANSPARENTE, APRESENTANDO RIGIDEZ E RESISTENCIA
MECANICA NA SUA UTILIZACAO, CORPO COM GRADUACAL MILIMETRADA, EMBOLO BORRACHA
ATOXICA NA PONTA, BICO LATERAL LUER, OXIDO DE ETILENOSILICONIZADA, COM
CAPACIDADE DE 20 ML, SEM AGULHA, CONF. NBR-09752, ART.31 L.8078/90 E
PORT.N.A/96-M.S.
|
Agulha_descartavel
|
|
5
|
CATETER INTRAVENOSO RADIOPACO ESTERIL – EM
POLIURETANO, RADIOPACO, ESTERIL, ACESSO PERIFERICO, DESCARTAVEL, COM FILTRO
HIDROFOBO, COM CONECTOR LUER LOCK, E CONECTOR LUER LOCK COM BISEL TRIFACETADO
C/CAMARA DE REFLUXO SANGUINEO QUE FACILITE A EMPUNHADURA, COM SISTEMA TRAVA
DE SEGURANCA (PROTECAO DA AGULHA), TAMANHO VARIANDO DE ACORDO COM O USO
TAMANHO 18G, PADRONIZACAO DE CORES DE ACORDO COM A NORMA ABNT 10555-2,
EMBALADO EM TRANSPARENTE, INDIVIDUAL, ATOXICO, ROTULAGEM RESPEITANDO O
DECRETO LEI 79094/77 ROTULAGEM RESPEITANDO ACORDO COM LEGISLACAO VIGENTE.
|
Agulha_descartavel
|
Fonte:
o Autor, 2018
Quanto aos resultados
obtidos, as técnicas de pré-processamento se mostraram muito valiosas na
manipulação e qualificação dos documentos submetidos. No entanto, o tamanho
curto da descrição dos itens analisados prejudicou o desempenho do algoritmo,
tornando-se um desafio a ser superado em trabalhos futuros.
A base utilizada possuía
uma classificação prévia que sugeria a existência de 78 tópicos. A
identificação dos 125 tópicos extraídos pela LDA disponibiliza para gestores e
auditores agrupamentos mais especializados. Foram verificadas. No entanto,
inconsistências causadas, principalmente, pelo curto tamanho dos documentos
submetidos ao modelo.
Ainda, por se tratar de
técnica que utilizou apenas dados das descrições dos itens adquiridos, a
comparabilidade destes tópicos com outras bases pode trazer grandes benefícios
à Administração Pública, pois tornaria viável a comparação de itens
independente da estrutura de dados.
Por fim, o Governo do
Estado de Pernambuco lançou, em 2018, ferramenta que utiliza as informações
contidas nas notas fiscais eletrônicas, emitidas pelo sistema fiscal da
Secretaria da Fazenda do Estado, para auxiliar o cidadão a identificar o melhor
preço de compra de produtos. Esta funcionalidade, útil para a sociedade, teria
grande impacto se aplicada para as compras estaduais. A solução proposta neste
trabalho, possibilita o desenvolvimento de uma solução equivalente à
disponibilizada ao cidadão e com possibilidade de atualização e verificação do
valor de mercado em tempo real.
5.1 Trabalhos Futuros
·
Submeter os
resultados a um grupo maior de especialistas para expansão da validação
subjetiva;
·
Aprofundar
processo de análise com inclusão de técnicas de visualização de tópicos;
·
Aplicar outras
técnicas de Mineração Textual para comparar com a LDA;
·
Evoluir o trabalho
para identificar o preço médio de cada item adquirido pelo Estado e adicionar
dados do mercado privado e de outras entidades.
REFERÊNCIAS
[1] BRASIL (País). Constituição da República Federativa do
Brasil. Senado, Brasília. Disponível
em:www.planalto.gov.br/ccivil_03/014.constituicao/constituicao.htm, Acesso em
10/10/2018.
[2] BRASIL (País). Lei Complementar nº
101, de 4 de maio de 2000. Estabelece normas de finanças
públicas voltadas para a
responsabilidade fiscal e dá outras providências. Diário Oficial da União, 05 de
maio de 2000.
[3] SILVA, C. V. S.; RALHA, C. G.
Detecção de cartéis em licitações públicas com agentes de mineração de dados. Revista
Eletrônica de Sistemas de Informação, v. 10, n. 1, p. 1-19, 2011.
[4] SANTOS, BRENO SANTANA; et al. Comparing Text Mining
Algorithms for Predicting Irregularities in Public Accounts. Proceedings of the XI
Brazilian Symposium on Information Systems (SBSI 2015).
[5] NEAL, R.; HINTON, G. E. A view of
the em algorithm that justifies incremental, sparse, and other variants.
In: Learning in Graphical Models. [S.l.]: Kluwer Academic Publishers, 1998. p.
355–368.
[6] CARVALHO, R. N. Banco de preços:
metodologia para cálculo de preços médios nas compras do governo brasileiro,
2014.
[7] SOARES, A. M. 2010. A mineração de
texto na análise de contas públicas municipais. Master’s thesis. State
University of Ceará, Fortaleza, Brazil.
[8] ARAÚJO, I. DA P. S. Introdução à
auditoria: breves apontamentos de aula aplicáveis à área governamental.
Egba, Salvador, BA. 1998.
[9] REZENDE, S. O. J. B; PUGLIESI, E. A; MELANDA, M. F. P. Mineração de dados. In: Sistemas
Inteligentes: Fundamentos e aplicações. São Paulo: Manole, 2003.
[10] FELDMAN, R. AND DAGAN, I. 1995. Knowledge Discovery in
Textual Databases (KDT). (1995).
Retrieved February 1, 2015.
[11] CARRILHO JUNIOR, JOÃO RIBEIRO; PASSOS, EMMANUEL PISECES LOPES
(ADVISOR). Development
of a Methodology for text Mining. Rio de Janeiro, 2007. 96p. MSc Dissertation - Departamento de Engenharia
Elétrica, Pontifícia Universidade Católica do Rio de Janeiro.
[12] WEISS, S. M., INDURKHY, N. and
ZHANG, T. 2010. Fundamentals of predictive text mining. Springer London, New York, NY.
[13] SÁ, H. R. de. 2008. Seleção de características para
classificação de texto. Federal University of Pernambuco, Recife, PE.
[14] BLEI, D. M.; NG, A. Y.; JORDAN, M. I. Latent
dirichlet allocation. J. Mach. Learn. Res., JMLR.org, v. 3, p. 993–1022,
mar. 2003. ISSN 1532-4435.
[15] FALEIROS, T. P.. Modelos probabilísticos de tópicos:
desvendando o Latent Dirichlet Allocation. 2016. – Instituto de Ciências Matemáticas e de Computação (ICMC/USP), São Carlos – SP.
[16] GEMAN, S.; GEMAN, D. Stochastic
relaxation, Gibbs distributions and the Bayesian resto- ration of images.
IEEE Transactions on Pattern Analysis and Machine Intelligence, Tay- lor &
Francis, v. 6, n. 6, p. 721–741, nov. 1984.
[17] BLEI, D. M. Probabilistic topic models. Communications of the
ACM, 55 (2012).
[18] CAO JUAN, XIA TIAN, LI
JINTAO, ZHANG YONGDONG, AND TANG SHENG. 2009. A density-based method for
adaptive LDA model selection. Neurocomputing — 16th European Symposium on
Artificial Neural Networks 2008 72, 7–9: 1775–1781.
[19] ARUN, R.; et al. On
Finding the Natural Number of Topics with Latent Dirichlet Allocation: Some
Observations. In Advances in Knowledge Discovery and Data Mining, Springer
Berlin Heidelberg, 391–402, 2010.
[20] DEVEAUD R.; SANJUAN, E.; BELLOT,
P. Accurate and effective latent concept modeling for ad hoc information
retrieval. Document numérique 17, 1: 61–84, 2014.
[21] GRIFFITHS, T. L.; STEYVERS,
M. Finding scientific topics. Proceedings of the National Academy of
Sciences 101, suppl 1: 5228–5235, 2004.
[22] MIMNO, D. et al. Optimizing
semantic coherence in topic models. In EMNLP, 2011.
[23] NEWMAN, D. et
al. Automatic evaluation of topic coherence. In Human Language
Technologies: The 2010 Annual Conference of the North American Chapter of the
Association for Computational Linguistics.
[24] LDA models
parameters tuning, Disponível
em: https://github.com/nikita-moor/ldatuning.
[25] Tools and Classes for Statistical
Models. Disponível
em https://CRAN.R-project.org/package=modeltools .