É POSSÍVEL ESTIMAR O RISCO DE ATRASOS OU PARALISAÇÕES DE OBRAS PÚBLICAS NO BRASIL COM O USO DE INTELIGÊNCIA ARTIFICIAL?

Este estudo investiga a aplicação de técnicas de ciência de dados para prever o risco de paralisação de obras públicas no Brasil, uma área pouco explorada na literatura existente. Utilizando dados de operações de repasse do Orçamento Geral da União, bem como indicadores do SELO CAIXA GESTÃO SUSTENTÁVEL, foram construídos modelos preditivos com e sem histórico de evolução para avaliar o risco de atrasos em obras públicas. Modelos como Gradient Boosting e Random Forest foram otimizados usando busca em grade, sendo que o Gradient Boosting apresentou o melhor desempenho geral. A análise sugere que a inclusão de informações históricas melhora significativamente a capacidade preditiva dos modelos, destacando a importância do uso de dados passados para prever riscos futuros e que mesmo o modelo sem histórico alcança bom desempenho preditivo, o que amplia seu uso mesmo para contratos novos. Os resultados deste estudo contribuem para a melhor gestão de obras públicas, fornecendo subsídios objetivos para a tomada de decisões e a alocação eficiente de recursos em obras públicas.