Page 121 - Auditoría Pública Nº 85

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

se identifican proveedores que acumulan un nú- mienta útil para detectar casos que no encajan
mero anormalmente alto de adjudicaciones (por en los patrones generales, sin necesidad de defi-
encima del percentil 95) y que presentan porcen- nir previamente reglas específicas.
tajes de baja muy bajos (por debajo del percentil
5). Este doble patrón permite sugerir posibles re- ¡ Clustering con DBSCAN: Permite identificar
laciones de privilegio o ausencia de competencia agrupaciones naturales de contratos según su
efectiva. similitud, clasificando como ruido aquellos casos
que no pertenecen a ningún grupo. Este méto-
¡ Relaciones sospechosas: Se han diseñado fun- do permite corroborar los patrones detectados y
ciones para detectar coincidencias de apellidos descubrir nuevos grupos de interés fiscalizador.
entre responsables de contratación y administra-
dores de empresas adjudicatarias. Combinando ¡ Clasificación supervisada: Una vez se ha
esta información con la frecuencia y condiciones construido una columna de riesgo validada (por
de adjudicación se identifican posibles vínculos ejemplo, categorizando contratos como riesgo
indebidos. alto, medio o bajo en función de observaciones
anteriores), se pueden entrenar modelos como
¡ Creación de indicadores de riesgo: A partir de Random Forest o XGBoost para predecir el ries-
las reglas anteriores se asignan puntuaciones de go de nuevos contratos. Esto permite anticipar el
riesgo a cada contrato. Se suman indicadores comportamiento de los expedientes antes de su
como fraccionamiento, favoritismo o relaciones fiscalización efectiva.
sospechosas, y se añaden variables adicionales
como el uso de procedimientos no competitivos ¡ Análisis de redes: Se exploran relaciones entre
en contratos de importe elevado, bajas anormal- proveedores, responsables y departamentos,
mente pequeñas, o concentración de adjudica- detectando estructuras centralizadas, relaciones
ciones a final de ejercicio. El resultado se norma- cruzadas o comunidades que podrían sugerir co-
liza a una escala 0-100, lo que permite visualizar lusión o conflictos de interés.
claramente los contratos más susceptibles de
riesgo. Estas funcionalidades se integran en cuadros de man-
do interactivos que permiten al interventor identificar en
¡ Análisis de anomalías con Isolation Forest: tiempo real los contratos con mayor puntuación de riesgo
Esta técnica de aprendizaje automático no su- o comportamiento anómalo. La visualización, combinada
pervisado permite identificar contratos que pre- con filtros y capas de información, constituye una herra-
sentan comportamientos atípicos en el conjunto mienta de alerta temprana que facilita el ejercicio de un
de variables analizadas. Se trata de una herra- control inteligente, selectivo y basado en evidencias.

121