Aplicação de Inteligência Artificial à contabilidade: Modelos preditivos e prescritivos para deteção de anomalias

Abstract

Esta dissertação investiga a aplicação de técnicas de Inteligência Artificial (IA) para apoiar a deteção de anomalias no processo de fecho mensal na contabilidade, num cenário em que o volume de transações é elevado e o tempo disponível para revisão humana é limitado. Foi realizada uma revisão sistemática da literatura segundo as orientações PRISMA, identificando abordagens de deteção baseada em regras, modelos de deteção de anomalias e estratégias híbridas, bem como requisitos de interpretabilidade e adoção organizacional. O desenvolvimento da solução seguiu CRISP-DM e integrou: regras de negócio para validações determinísticas; um modelo não supervisionado (Isolation Forest) para sinalização de comportamentos atípicos; e uma estratégia Top-K para priorização dos casos a rever. A avaliação foi conduzida com validação por especialistas e análise de desempenho sob orçamento de revisão, comparando regras, modelo e abordagem combinada. Os resultados sugerem que a abordagem híbrida melhora a capacidade de priorização de casos relevantes, reduzindo o esforço de revisão e fornecendo indícios para apoiar a interpretação das sinalizações. Conclui-se com recomendações para operacionalização, governança do modelo e trabalho futuro para reforço de métricas, explicabilidade e generalização.

This dissertation investigates the application of Artificial Intelligence (AI) techniques to support anomaly detection in monthly closing processes in accounting, in a context where transaction volumes are high and the time available for manual review is limited. A systematic literature review following PRISMA was performed to identify rule-based methods, anomaly detection models, hybrid strategies, and adoption requirements such as interpretability. The proposed solution was developed using the CRISP-DM methodology and integrates: business rules for deterministic validations; an unsupervised model (Isolation Forest) to flag atypical behaviour; and a Top-K strategy to prioritise cases for review. The evaluation combines expert validation with performance analysis under a review-budget setting, comparing rules, model and the combined approach. Results indicate that the hybrid approach improves the prioritisation of relevant cases, reduces review effort, and provides cues that support interpretation of the alerts. The dissertation concludes with recommendations for operational deployment, model governance and future work to strengthen metrics, explainability and generalisation.