Avaliação de modelo de Machine Learning para classificação de informações sigilosas - um estudo dos dados do Governo Federal

Aug 4, 2026

Carregar por Sage

A Administração Pública avança na modernização alinhada à política de Governo Digital, favorecendo automações e aprendizado de máquina para elevar eficiência dos processos e qualidade do serviço. Nesse cenário, o tratamento de dados deve cumprir a LAI e a LGPD e manter rigorosas práticas de segurança para proteger informações sensíveis. O trabalho avalia um modelo de machine learning com base em dados históricos do Governo Federal, analisando desempenho e métricas como precisão-recall. O Random Forest alcança 94,39% de acurácia, mas surgem desafios de desbalanceamento e separação entre categorias de sigilo, exigindo refinamentos futuros.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas28

Tempo de leitura43 min

AcessoDownload gratuito

Índice

Introdução

Estrutura experimental e metodologia

Experimentos e resultados

Desafios e trabalho futuro

AVALIAÇÃODE MODELODE MACHINE LEARNING PARA CLASSIFICAÇÃO DE INFORMAÇÕES SIGILOSAS: UMESTUDO DOS DADOS DO GOVERNO FEDERAL EVALUATION OF A MACHINE LEARNING MODEL FOR SENSITIVE DATA CLASSIFICATION: A STUDY ON FEDERAL GOVERNMENT DATA Rafaella Weiss Siqueira Costa [rwsc@discente.ifpe.edu.br](rwsc@discente.ifpe.edu.br) Guilherme José de Carvalho Cavalcanti [guilherme.cavalcanti@belojardim.ifpe.edu.br](guilherme.cavalcanti@belojardim.ifpe.edu.br) RESUMO Nos últimos anos, a Administração Pública tem avançado fortemente na modernização dos sistemas governamentais alinhada à política de Governo Digital. Esse movimento incentiva ouso de novas tecnologias disruptivas, como automações e aprendizado de máquina, que possam contribuir para eficiência dos processos administrativos e para qualidade do serviçopúblico. Nesse contexto, um dos temas centrais é o tratamento de dados, que deve estar em conformidade com a Lei de Acesso à Informação (LAI) e Lei Geral de Proteção de Dados (LGPD) . Além disso, é necessária a rigorosa observação de tratativas de segurança da informação na proteção de dados sensíveis. O presente artigo teve como objetivo a avaliaçãode um modelo de machine learning para classificação de informações sigilosas com base em dados históricos do Governo Federal. O modelo Random Forest apresentou bom desempenho na classificação de informações sigilosas, atingindo 94,39% de acurácia. Outras métricas, como a Precisão-Recall (PRC), foram analisadas. No entanto, desafios no desbalanceamento de classes e na diferenciação entre categorias de sigilo foram identificados, destacando anecessidade de refinamento futuro na modelagem, de coleta de um maior volume representativo de amostras e seleção de características. Palavras-chave: Governo Digital; Classificação de informações; Machine Learning. ABSTRACT In recent years, Public Administration has made significant progress in modernizing government systems in alignment with the Digital Government policy. This movement encourages the adoption of disruptive technologies, such as automation and machine learning, which can enhance administrative processes' efficiency and improve public service quality. Data processing has become a central issue in this context, requiring compliance with the Access to Information Law (LAI) and the General Data Protection Law (LGPD) . Furthermore, strict adherence to information security protocols is essential to safeguard sensitive data. This article aims to evaluate a machine learning model for classifying confidential information based on historical data from the Federal Government. To this end, the study is divided into three sections: the first presents the justification and motivation for the work, along with the theoretical framework, considering the advancements in the use of ICTs in public services; the second section addresses the experimental structure, detailing the methodology used for data collection and processing, as well as the experiments conducted; finally, the results, challenges faced, and future work are discussed. The Random Forest model demonstrated good performance in classifying confidential information, achieving an accuracy of 94.39% . Other metrics, such as the Precision-Recall Curve (PRC), were also analyzed. However, challenges related to class imbalance and the differentiation between confidentiality categories were identified, highlighting the need for future refinements in modeling, the collection of a more representative volume of samples, and feature selection. Keywords: Digital Government; Data Classification; Machine Learning. 1 INTRODUÇÃO Nos últimos anos, a Administração Pública tem avançado fortemente na modernização dos sistemas governamentais alinhada à política de Governo Digital. Esse movimento incentiva o uso de novas tecnologias disruptivas, como automações e aprendizado demáquina, que possam contribuir para eficiência dos processos administrativos e paraqualidade do serviço público. Nesse

Perguntas frequentes

Qual é o objetivo do artigo sobre machine learning para dados sigilosos?

Avaliar um modelo de machine learning para classificar informações sigilosas usando dados históricos do Governo Federal, considerando aspectos de segurança da informação e requisitos legais.

Qual modelo apresentou melhor desempenho no estudo?

O modelo Random Forest obteve bom desempenho, atingindo 94,39% de acurácia na classificação de informações sigilosas.

Quais desafios foram identificados nos resultados do modelo?

Foram observados problemas ligados ao desbalanceamento de classes e à diferenciação entre categorias de sigilo, indicando necessidade de refinamentos na modelagem e na coleta e seleção de características.

Aug 4, 2026

Carregar por Sage