A Secretaria da Fazenda Nacional (SEFAZ-Nacional) implementou um sistema de auditoria baseado em técnicas de Business Intelligence (BI) e Data Mining para identificar contribuintes com alto risco de sonegação. O sistema utiliza um modelo de detecção de anomalias que analisa um conjunto de dados multidimensionais, incluindo declarações fiscais, movimentações financeiras e cadastros. Durante a fase de validação, a equipe de auditoria observou que o modelo sinalizava como anômalos diversos casos de pequenos contribuintes que apresentavam variações sazonais legítimas em suas receitas, enquanto deixava de detectar grandes contribuintes que realizavam operações atípicas, porém diluídas em volumes elevados de transações. Diante desse cenário, a equipe propôs ajustes no processo de mineração de dados.

Considerando as melhores práticas de mineração de dados e detecção de anomalias aplicadas à auditoria fiscal, avalie as afirmativas a seguir:

• I. A utilização de técnicas de aprendizado não supervisionado, como clustering, é adequada para identificar padrões de comportamento e agrupar contribuintes com características similares, permitindo distinguir variações sazonais legítimas de anomalias reais.
• II. A detecção de anomalias em grandes volumes de transações exige a aplicação de métodos de redução de dimensionalidade e seleção de atributos, pois a maldição da dimensionalidade pode tornar o modelo sensível a ruídos e dificultar a identificação de desvios significativos.
• III. A adoção de um modelo supervisionado de classificação, treinado com casos rotulados de sonegação e não sonegação, é suficiente para eliminar falsos positivos e falsos negativos, desde que o conjunto de treinamento seja representativo.
• IV. A análise de anomalias deve considerar o contexto temporal e a sazonalidade dos dados, uma vez que padrões legítimos de variação podem ser erroneamente classificados como desvios quando analisados de forma estática.

Está correto o que se afirma em: