Large Language Models para detecção de conluios em licitações

• Jorge N. Pavão Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Diego Brandão Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Kele Belloze Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0000-0001-6257-2520

DOI: https://doi.org/10.5753/sbbd.2025.247791

Resumo

A identificação de conluios em licitações públicas é um desafio persistente, com diversas abordagens baseadas em aprendizado de máquina sendo exploradas na literatura. Este trabalho investiga a aplicação de Large Language Models (LLMs) na detecção de indícios de conluio em licitações. Foram realizados testes utilizando técnicas de engenharia de prompt e fine-tuning, comparando o desempenho dos modelos com os de algoritmos tradicionais como Random Forest, Regressão Logística e Support Vector Machine. Os resultados demonstraram que, embora a engenharia de prompt não tenha alcançado resultados satisfatórios, o fine-tuning permitiu que o ChatGPT 4o Mini superasse os algoritmos tradicionais nos conjuntos de dados analisados.

Palavras-chave: Large Language Models, conluio, engenharia de prompt, fine-tuning

Referências

Anisuzzaman, D., Malins, J. G., Friedman, P. A., and Attia, Z. I. (2025). Fine-tuning large language models for specialized use cases. Mayo Clinic Proceedings: Digital Health, 3(1):100184.

Benzinho, J. et al. (2024). Llm based chatbot for farm-to-fork blockchain traceability platform. Applied Sciences, 14(19).

Berryman, J. and Ziegler, A. (2024). Prompt Engineering for LLMs: The Art and Science of Building Large Language Model–Based Applications. O’Reilly Media, 1st edition.

Huber, M. and Imhof, D. (2019). Machine learning with screens for detecting bid-rigging cartels. International Journal of Industrial Organization, 65:277–301.

Huber, M., Imhof, D., and Ishii, R. (2022). Transnational machine learning with screens for flagging bid-rigging cartels. Journal of the Royal Statistical Society. Series A: Statistics in Society, 185:1074–1114.

Imhof, D. and Wallimann, H. (2021). Detecting bid-rigging coalitions in different countries and auction formats. International Review of Law and Economics, 68.

Lima, M. C. (2021). Deep vacuity: Detecção e classificação automática de padrões com risco de conluio em dados públicos de licitações de obras. Master’s thesis, Universidade de Brasília.

OCDE (2021). Combate a cartéis em licitações no brasil: Uma revisão das compras públicas federais. Organização para a Cooperação e Desenvolvimento Econômico (OCDE).

Rodríguez, M. G. et al. (2022). Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, 133.

Scoralick, L., Brandão, D., and Belloze, K. (2024). Aprimoramento de modelos para detecção de conluios em licitações públicas brasileiras com variáveis estatísticas e modelos explicáveis. In Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 680–686, Porto Alegre, RS, Brasil. SBC.

Silveira, D. et al. (2022). Won’t get fooled again: A supervised machine learning approach for screening gasoline cartels. Energy Economics, 105.

Silveira, D. et al. (2023). Who are you? cartel detection using unlabeled data. International Journal of Industrial Organization, 88.

Souza, R. V. F. D. (2023). Identificação automática de conluio em pregões do comprasnet com aprendizado de máquina. Master’s thesis, Universidade de Brasília.

Velasco, R. et al. (2021). A decision support system for fraud detection in public procurement. International Transactions in Operational Research, 28:27–47.

Wallimann, H., Imhof, D., and Huber, M. (2023). A machine learning approach for flagging incomplete bid-rigging cartels. Computational Economics, 62:1669–1720.