Page 117 - Auditoría Pública Nº 85

La inteligencia artificial al servicio del órgano interventor: casos de uso en el sector local

La utilidad de este mapa de riesgos trasciende la simple servaciones o desfavorable).
identificación de áreas problemáticas. Constituye la base • Procedimiento (ordinario o urgente).
para la elaboración automatizada del Plan Anual de Con- • Órgano gestor.
trol Financiero (PACF). A partir de los riesgos priorizados • Asunto.
y sus correspondientes indicadores, el sistema puede • Importe.
sugerir de manera automática una serie de actuacio- • Órgano competente.
nes de control financiero que respondan a esos riesgos. • Tipo de expediente.
Estas sugerencias están alineadas con los objetivos de • Número de días hábiles empleados en la fiscali-
eficacia, eficiencia y economía en la gestión de los re- zación.
cursos públicos y permiten seleccionar de forma objetiva • Número de observaciones formuladas.
las actuaciones planificables, dejando constancia de los • Trascendencia de las observaciones (previamen-
criterios técnicos que sustentan cada elección. te categorizadas en el software).

Asimismo, el sistema permite integrar en el PACF otros Con esta estructura de datos, ha sido posible construir
elementos de carácter sistemático que se repiten cada una “columna de riesgo” que clasifica retrospectivamen-
año, como las actuaciones de seguimiento de planes an- te los expedientes en tres niveles: alto, medio o bajo.
teriores, el resto de actuaciones obligatorias anuales de Esta categorización se basa en factores clave como el
acuerdo con la normativa vigente, etc. La combinación número de observaciones realizadas, la trascendencia
de elementos automatizados con contenidos estructura- de dichas observaciones y el resultado final de la fisca-
les y programáticos permite disponer de un plan integral, lización. Este enfoque permite una comprensión más
coherente y trazable, que responde tanto a las necesida- profunda de los expedientes y abre la puerta a una fisca-
des reales de control como a los principios de planifica- lización más selectiva y eficiente.
ción estratégica.
Aplicación de algoritmos de machine learning.
En definitiva, la posibilidad de automatizar parcialmente
la elaboración del PACF a partir de un mapa de riesgos Para avanzar en la categorización automática de los ex-
generado con base en datos objetivos representa un pedientes según su nivel de riesgo, se han empleado
avance significativo hacia un modelo de control interno algoritmos de aprendizaje automático (machine learning)
basado en evidencias. Este modelo refuerza la capacidad que permiten entrenar sistemas predictivos basados en
del órgano interventor para anticiparse a los riesgos, me- los datos históricos disponibles. Inicialmente, se utilizó
jorar la asignación de recursos de fiscalización y rendir el algoritmo Random Forest, debido a sus múltiples for-
cuentas con mayor transparencia y fundamento técnico. talezas:
No se trata de sustituir la decisión profesional, sino de
dotarla de mejores herramientas de análisis, contextua- ¡ Manejo de variables categóricas: Random Forest
lización y priorización, que permitan elevar la calidad de es capaz de trabajar eficazmente con datos es-
la planificación del control financiero en el ámbito local. tructurados que incluyen variables categóricas y
numéricas, como las que están presentes en el
4.3. La categorización de expedientes en repositorio.
función del riesgo en función interventora.
¡ Robustez ante el sobreajuste: Su capacidad para
La categorización de expedientes en función del riesgo generar múltiples árboles de decisión basados
se apoya en un repositorio sólido de datos históricos so- en subconjuntos aleatorios del dataset reduce
bre la actividad de control interno del órgano interventor. significativamente el riesgo de sobreajuste, ase-
Este repositorio, generado gracias al uso continuo de un gurando un modelo más confiable.
software de control interno, contiene información estruc-
turada detallada sobre todas las observaciones realizadas ¡ Interpretabilidad: Proporciona medidas claras so-
durante el ejercicio de la función interventora y los resul- bre la importancia de las variables, facilitando la
tados de la fiscalización. Los datos disponibles incluyen comprensión y comunicación de los factores que
variables específicas como: más influyen en la clasificación de los expedien-
tes.
• Expediente.
• Ejercicio. ¡ Altamente preciso: El modelo entrenado con
• Naturaleza. Random Forest logró alcanzar una precisión (ac-
• Usuario tramitador. curacy) del 84%, reflejando su alta capacidad
• Fase de gasto. predictiva para clasificar los expedientes según
• Resultado de la fiscalización (favorable, con ob- su nivel de riesgo.

117