Page 118 - Auditoría Pública Nº 85

REVISTA AUDITORÍA PÚBLICA / 85

El uso de Random Forest ha permitido identificar con plementa el trabajo del interventor, facilitando
precisión expedientes con alto potencial de riesgo, apo- la filtración y priorización de expedientes, pero
yando la toma de decisiones en el proceso de fiscaliza- dejando la valoración final en manos del órgano
ción previa. Esto ha facilitado no solo la priorización de fiscalizador.
recursos hacia trámites más relevantes, sino también la
elaboración de informes analíticos por órgano gestor y la ¡ Enfoque proactivo: Centrar el esfuerzo fiscaliza-
detección de patrones que podrían derivar en actuacio- dor en los trámites más relevantes reduce el es-
nes de control más específicas. fuerzo en expedientes de bajo riesgo y aumenta
la cobertura del control interno.
Optimización para clases desbalanceadas: XGBoost.
¡ Asignación eficiente de recursos: La identifica-
En algunos ejercicios, se observó un desequilibrio en la ción temprana de expedientes críticos permite
distribución de las clases de riesgo, siendo los expedien- una asignación más estratégica de los recursos
tes clasificados como “riesgo alto” significativamente humanos y técnicos.
menos frecuentes. Para abordar este desafío, se intro-
dujo el algoritmo XGBoost (Extreme Gradient Boosting), Futuras líneas de desarrollo.
que destaca por su excelente rendimiento en escenarios
con clases minoritarias y sus capacidades avanzadas, en- Los avances logrados hasta ahora abren la puerta a futu-
tre las que se incluyen: ras mejoras, como:

¡ Eficiencia computacional: XGBoost optimiza los ¡ El entrenamiento continuo de los modelos con
tiempos de procesamiento, lo que resulta espe- nuevos datos.
cialmente valioso cuando se trabaja con grandes
volúmenes de datos. ¡ El desarrollo de mecanismos para explicar las de-
cisiones tomadas por el sistema.
¡ Manejo de interacciones complejas: Su capaci-
dad para modelar interacciones entre variables ¡ La extensión de estos modelos automatizados
permite capturar patrones más detallados inclu- a otras áreas del control financiero y la auditoría
so en clases menos representadas, como los ex- pública.
pedientes de riesgo alto.
En definitiva, la aplicación de algoritmos de machine
¡ Rendimiento excepcional: En situaciones de cla- learning para categorizar expedientes por riesgo repre-
ses desbalanceadas, XGBoost ofrece una mayor senta una innovación significativa en la gestión del con-
capacidad de predicción, asegurando que los ex- trol interno local. Este enfoque permite avanzar hacia
pedientes críticos no pasen desapercibidos. un modelo de fiscalización selectiva y proactiva, basa-
do en datos y evidencias, con resultados satisfactorios
La combinación de ambos enfoques, Random Forest y que refuerzan la capacidad del órgano interventor para
XGBoost, ha enriquecido significativamente el sistema garantizar la transparencia y la eficiencia en la adminis-
de clasificación automática, ofreciendo predicciones de tración pública.
alta fiabilidad que sirven como base para la selección
proactiva de expedientes críticos y la asignación eficiente 4.4. Aplicación en el ejercicio de control
de los recursos de control. planificado, creación de alertas tempranas.

Integración en el software de control interno. La incorporación del análisis de datos en tiempo real al
ejercicio del control interno planificado representa un
Actualmente, se están realizando esfuerzos para integrar cambio estructural en la forma en que los órganos de
estos modelos de machine learning en el software de control pueden abordar la supervisión del gasto público.
control interno del órgano interventor. Esta integración En particular, disponer de un dataframe estructurado
permitirá que los expedientes sean clasificados de forma sobre la contratación pública permite realizar, mediante
automática según su riesgo estimado antes de ser in- programación en Python, un conjunto de análisis estadís-
tervenidos por los profesionales fiscales. Los resultados tico–descriptivos que sientan las bases para la detección
obtenidos hasta ahora son satisfactorios, destacando los automatizada de riesgos y anomalías, así como para la
siguientes beneficios: generación de alertas tempranas en los procedimientos
fiscalizables.
¡ Apoyo al juicio profesional: La clasificación auto-
mática actúa como una herramienta que com- El análisis comienza con la generación de estadísticas

118