Pular para o conteúdo principal
IA + Direito Recuperação aumentada por geração

IA Generativa e RAG aplicados à Análise Processual

JurisRAG: Arquitetura para recuperação semântica, processamento de autos e análise jurídica fundamentada em evidências.

Sistema experimental que transforma autos, peças, decisões, imagens e normas em uma base semântica pesquisável. A inteligência artificial não responde baseada em conhecimento genérico prévio: o algoritmo de RAGRetrieval-Augmented Generation: Técnica que busca o documento exato na base e o injeta como contexto para o modelo gerar a resposta.[1] localiza os trechos mais relevantes do conjunto documental e os utiliza para ancorar (GroundingRestringir as respostas da IA exclusivamente às informações e evidências extraídas dos documentos fornecidos.[7]) uma análise jurídica estritamente supervisionada.

MultiformatoPDF, DOCX e Imagens
OCR HíbridoLocal & Visão Computacional
FAISSBusca Vetorial Rápida
EvidênciasRastreabilidade de Trechos
Explorar arquitetura Potencial científico

Apoio à análise, não substituição da responsabilidade profissional

O JurisRAG é uma solução independente de pesquisa e desenvolvimento. As respostas dependem da qualidade dos documentos, da recuperação dos trechos e do modelo utilizado. Todo resultado deve ser conferido por profissional habilitado (Supervisão HumanaConferência obrigatória do resultado sugerido pelo algoritmo antes da tomada de decisão.[10]); o sistema não decide processos, não emite parecer institucional e não substitui leitura técnica, contraditório ou julgamento humano.

A origem do problema

O processo eletrônico digitalizou os autos, mas não eliminou a sobrecarga cognitiva

A migração do papel para sistemas eletrônicos ampliou o acesso e a circulação dos documentos jurídicos. Entretanto, um processo continua sendo composto por dezenas ou centenas de peças produzidas em momentos diferentes, por partes diferentes e com finalidades distintas. Petição inicial, contestação, provas, decisões interlocutórias, sentença, recursos, acórdãos e certidões convivem no mesmo conjunto documental.

Para compreender a situação atual de um caso, não basta localizar palavras. É necessário reconhecer a ordem dos acontecimentos, distinguir alegação de decisão, identificar qual documento é posterior, verificar se uma tese foi superada e relacionar fatos, pedidos, fundamentos e provas. Uma certidão de trânsito em julgado, por exemplo, altera completamente a interpretação dos pedidos formulados no início da ação.

Os modelos de linguagem conseguem redigir e resumir textos, mas uma pergunta enviada sem contexto suficiente pode produzir resposta genérica, desatualizada em relação aos próprios autos ou apoiada em inferências não documentadas. O desafio central, portanto, não é apenas “usar IA no Direito”. É construir uma cadeia capaz de selecionar evidências pertinentes, preservar sua origem e entregar ao modelo somente o contexto necessário para responder.

O JurisRAG nasceu dessa necessidade: organizar documentos de um processo, extrair seu conteúdo mesmo quando digitalizado como imagem via OCROptical Character Recognition: Reconhecimento óptico utilizado para converter imagens de texto em conteúdo pesquisável.[5], transformar o texto em representações vetoriais e recuperar semanticamente os trechos mais relacionados à pergunta. A resposta permanece generativa, mas passa a ser condicionada pelo conteúdo efetivamente cadastrado e acompanhada das evidências recuperadas.

Fragmentação documental

Informações relevantes ficam distribuídas entre documentos extensos, versões, páginas digitalizadas e diferentes fases processuais.

Dependência temporal

O significado jurídico de uma peça depende do que aconteceu antes e, principalmente, das decisões e certidões produzidas depois.

Risco generativo

Sem algoritmos de recuperação e ancoragem (GroundingCondicionamento da resposta às evidências e provas físicas fornecidas ao modelo, bloqueando respostas inventadas.[9]), fluência textual pode ser confundida com correção jurídica.

Núcleo de inteligência

Como o RAG jurídico funciona

RAGRetrieval-Augmented Generation: arquitetura que recupera informações externas e as fornece como contexto para um modelo generativo.[1] combina recuperação de informação e geração de linguagem. No JurisRAG, a pergunta é convertida em vetor, comparada aos vetores dos trechos do processo e usada para selecionar o contexto que será enviado ao modelo.

1

Preparar

Extrair e limpar o texto, mantendo números, datas, nomes e estrutura jurídica.

2

Segmentar (ChunksSegmento de texto indexado como unidade isolada de recuperação.)[3]

Dividir documentos em chunks ordenados, com sobreposição (*overlap*) para reduzir perda de contexto.

3

Representar

Gerar embeddings para aproximar semanticamente perguntas e trechos, mesmo sem coincidência literal.

4

Recuperar

Buscar no FAISS ou calcular similaridade de cossenoMedida trigonométrica de proximidade espacial entre vetores.[7] diretamente quando existe filtro por documentos.

5

Responder e conferir

Gerar a análise usando o contexto selecionado e exibir os trechos que sustentaram a resposta.

Segmentação com sobreposição (Python) 
def chunk_text(texto, limite=4000, overlap=400):
    paragrafos = normalizar(texto)
    chunks, atual = [], []

    for paragrafo in paragrafos:
        if tamanho(atual, paragrafo) <= limite:
            atual.append(paragrafo)
        else:
            # Salva o chunk e preserva o rastro para o próximo
            chunks.append(" ".join(atual))
            cauda = atual[-1] if overlap else ""
            atual = [cauda, paragrafo]

    return chunks
Recuperação vetorial (Lógica essencial) 
# Converte pergunta em vetor matemático
vetor_pergunta = embedding(pergunta)
vetor_pergunta = normalizar(vetor_pergunta)

# Busca os IDs dos chunks mais próximos na base de evidências
scores, ids = indice_faiss.search(
    vetor_pergunta.reshape(1, -1),
    quantidade_de_candidatos_top_k
)

contexto = recuperar_chunks(ids)

# Gera a resposta limitada apenas ao contexto recuperado
resposta = modelo.chat(
    pergunta=pergunta,
    contexto=contexto,
    temperatura=0
)

Busca híbrida e regras de relevância

A implementação alterna entre índice FAISS, adequado à consulta global, e cálculo exato no banco quando o usuário limita o escopo a documentos específicos. Depois da similaridade semântica, aplica regras de reordenaçãoAjuste algorítmico da posição dos resultados após a busca inicial para refletir regras de prioridade.[8] para priorizar textos revisados manualmente, documentos do processo e trechos associados a eventos decisivos. Também inclui o início e o final dos documentos para preservar identificação, datas e decisões finais. Essa estratégia melhora a cobertura, mas deve ser avaliada experimentalmente para verificar se os pesos introduzem vieses indesejados.

Engenharia documental

Antes da IA responder, o documento precisa tornar-se legível

Processos contêm PDFs digitais, digitalizações, fotografias, documentos editáveis e textos obtidos na web. O JurisRAG mantém uma área de preparação na qual o conteúdo pode ser extraído, revisado e corrigido antes de entrar na base restrita do processo.

Ingestão multiformato

Acomoda estruturalmente PDF, DOCX, TXT, Markdown, CSV, imagens nativas e conteúdo raspado diretamente por URL.

OCR em camadas

Extração nativa veloz e *fallbacks* locais com Tesseract/EasyOCR, suportando ainda opções profundas de visão computacional em caso de rasuras.

Revisão humana

Módulo editor em interface permite corrigir o texto extraído visualmente da imagem antes de adicionar e indexar o documento nos vetores do processo.

Controle de duplicidade

Aferição de integridade via *Hash* do conteúdo auxilia na identificação rápida de documentos repetidos no acervo.

Classificação jurídica

Documentos podem ser classificados por origem ou posição processual para apoiar filtragens e análises cruzadas posteriores no RAG.

Reindexação controlada

Alterações no corpo do texto podem gerar proativamente novos *chunks*, recálculo de *embeddings* e reconstrução silenciosa do índice vetorial afetado.

Modelo de informação

Entidades que preservam processo, documento, evidência e interação

O modelo relacional separa e vincula o arquivo original, os trechos textuais utilizados na busca vetorial, o histórico conversacional da sessão e as análises de peças ativas. Isso permite relacionar fisicamente e juridicamente qualquer resposta às suas exatas unidades documentais originárias.

erDiagram
  PROCESSO ||--o{ DOCUMENTO : possui
  PROCESSO ||--o{ CHUNK : indexa
  DOCUMENTO ||--o{ CHUNK : origina
  PROCESSO ||--o{ CHAT_TURN : registra
  PROCESSO ||--o{ ANALISE_PECA : produz
  PROCESSO ||--o{ PARTE : relaciona
  ACERVO_DOCUMENTO ||--o{ PROCESSO_ACERVO : reutiliza
  PROCESSO ||--o{ PROCESSO_ACERVO : seleciona
  PROCESSO {
    int id PK
    string numero_processo
    string nome_processo
    text bloco_inicial
  }
  DOCUMENTO {
    int id PK
    int processo_id FK
    string origem
    string classificacao
    string conteudo_hash
  }
  CHUNK {
    int id PK
    int documento_id FK
    int chunk_ordem
    int page_num
    text embedding
  }
  CHAT_TURN {
    int id PK
    string role
    int feedback
    text citations
  }
  ANALISE_PECA {
    int id PK
    string user_role
    text peca_texto
    text analise_resultado
  }

Potencial de pesquisa científica

O JurisRAG situa-se na complexa interseção entre Inteligência Artificial, Recuperação de Informação, Processamento de Linguagem Natural, Engenharia de Software e a Ciência do Direito.

O problema científico não se resume a avaliar metodologicamente se um modelo “responde bem e com eloquência”. É imperativo auditar e investigar toda a cadeia analítica: qualidade crua da malha de OCR, estratégia métrica de segmentação espacial, precisão de desempenho da recuperação no FAISS, fidelidade da resposta final atrelada à evidência extraída, efeito prático da ordem cronológica e a capacidade psicológica e de interface de o profissional detectar os inevitáveis erros do sistema.

Por ser um sistema arquitetural funcional isolado, ele detém tração para atuar como plataforma de laboratório experimental para comparar *LLMs*, geração de embeddings de terceira geração, mensuração dos impactos por variação de tamanhos de *chunks*, atestar a validade de métodos agressivos de reordenação (Reranking) e formatar rígidos protocolos de supervisão humana em bases de documentos jurídicos reais devidamente protegidos, sanitizados ou anonimizados na origem.

Perguntas de Pesquisa Metodológica

  1. Q1. Qual combinação calibrada métrica de tamanho de chunk_size e margem de sobreposição (overlap) garante a melhor taxa de recuperação de trechos em processos extremamente extensos?
  2. Q2. A inserção predeterminada e dirigida dos trechos iniciais (Autoria) e finais (Assinaturas e Datas) nos vetores melhora substancialmente a precisão na identificação contextual da fase processual da lide?
  3. Q3. Quais regras parametrizadas complementares de reordenação conseguem de fato majorar a precisão sem acidentalmente penalizar ou ocultar documentos mais longos e contudo relevantes?
  4. Q4. Em qual percentual documentável o uso da técnica RAG consegue coibir afirmações "inventadas" ou sem suporte fático direto em comparação à inquirição em modelos LLMs puramente soltos (*Zero-shot*)?
  5. Q5. Como os equívocos visuais produzidos pelo OCR em matrizes de qualidade precária transitam do banco vetorial até causar a corrupção irrecuperável da argumentação de resposta jurídica gerada?
  6. Q6. A plotagem destacada das provas, arquivos e scores das evidências atreladas otimiza concretamente a capacidade humana de realizar a contraprova e recusar argumentações enviesadas entregues pela IA?

Roteiro Experimental Laboratorial Projetado

  • • Edificar um conjunto maciço (*dataset* ouro) com gabaritos de perguntas, respostas ideais e mapeamento cirúrgico de evidências periciadas previamente de modo manual e unânime por especialistas humanos.
  • • Fatiar os casos operacionais com base em volumetria documental (Alta vs Baixa Escala), fase judicial e o grau de legibilidade ótica provida na digitalização.
  • • Parear a acurácia das metodologias variadas confrontando arquitetura puramente Lexical (BM25), Similaridade Algébrica Exata, e o agrupamento vetorizado de alto volume hospedado no ecossistema FAISS e as arquiteturas híbridas interpostas.
  • • Aferir matematicamente as margens com *Recall@K*, *Precision@K*, *MRR* e índices não-booleanos como *nDCG* destinados puramente ao modelo interno de recuperação computacional (Retrieval Engine).
  • • Realização periódica da validação com profissionais pares (Blind Review Controlado) computando as intersecções de anuência (*Cohen’s Kappa*), mitigando distorções enviesadas sobre a leitura lógica legal concluída do modelo de linguagem.

Testagem Condicionada (Hipóteses Formais)

H1 — Blindagem de Inferência

A fixação sistemática do modelo via recuperação de RAG impõe um rebaixamento estatístico direto no *output* de respostas alucinadas e de formulações jurídicas vagas provindas dos parâmetros soltos do LLM original (Zero-Shot base).

H2 — Metadados Roteadores

A inserção formal de marcações heurísticas, metadados cronológicos, ordenação alfanumérica e categorização de tipagem documental elevam consideravelmente a resolução final do contexto fornecido na estruturação jurídica e identificação estrita de fases supervenientes.

H3 — Eficácia Operacional Auditoria

A apresentação nativa contígua interligando as evidências, metadados com as referências, score semântico de similaridade e a leitura de trechos subverte o ceticismo inicial perante a máquina, reduzindo empiricamente as iterações e a contagem cronométrica de dupla conferência na supervisão procedimental do perito jurídico encarregado.

Transparência e Limites Arquiteturais

Limitações atuais e condições estritas de contorno para adoção futura

O mapeamento honesto de restrições algorítmicas, sistêmicas e procedimentais blinda a robustez metodológica do pipeline. O entendimento do estágio experimental pavimenta organicamente a pauta evolutiva.

Qualidade de Output e Algoritmos

  • Os ajustes nas fórmulas de reordenação estatística de vetores remanescem pautados por aproximações matemáticas (Heurística Empírica); faltam laudos controlados absolutos determinando calibrações analíticas.
  • Ainda demanda um *dataset* de avaliação cruzada e gabarito (Golden Dataset Formal) homologado na jurisprudência para cravar taxas de confiança plena de *Recall* nas buscas e fidelidade interpretativa profunda.
  • Extrações corrompidas, falhas massivas, codificação corrompida nos PDFs governamentais submetidos impõem ruído estatístico invisível para datas, CNPJs, nomes próprios, e cifras sensíveis ou multas fundamentadas.
  • A invocação de um artigo de lei citado numa folha anexa do RAG pela IA não comprova matematicamente a veracidade doutrinária unívoca ou subsunção do rito do julgado final emitido sobre aquela base semântica.
  • O modelo gerativo requer arquitetura paralela determinística de contingência apta a reverter, anular ou refutar formalmente uma análise carente de evidências cruzadas ou que produza conflito no material probatório isolado.

Segurança da Informação e Privacidade

  • A consolidação de *Autos Processuais Brutos* inevitavelmente congrega volumosos relatórios, dossiês sigilosos, certidões bancárias ou de foro íntimo em acervo indexado único e unificado, que se encontram estáticos perante o perigo de acessos colaterais indiscriminados.
  • Tornam-se compulsórios à expansão: integração sistêmica de autenticação biométrica/credenciada corporativa rigorosa (SAML/AD), RBAC (Acesso Basilar em Escopo), e blindagem de comunicação nas portas ativas do SQLite.
  • O emparelhamento do cérebro generativo com a inteligência externa em nuvens da OpenAI obriga ao saneamento completo de matriz e redação final de contratos normativos rígidos atrelando o modelo LLM do provedor selecionado a diretrizes incondicionais contra absorção ou treinamento sub-reptício da massa sigilosa submetida.
  • Protótipos analíticos com volumes e amostras judiciais em produção, na sua integralidade sensível e com segredo de justiça, vedam explicitamente qualquer hipótese de exposição pública isentas de tratativas profundas e contundentes de criptografia descaracterizadora pseudo-física local.

Performance em Operação Analítica

  • O consumo e ingestão estrutural demandada pelo rastreio óptico profundo de páginas em PDFs físicos desconfigurados trava as portas do aplicativo (Blocking Events), requisitando incondicionalmente a terceirização do carregamento computacional para infraestrutura de enfileiramento autônoma com tolerância a retrocesso e repetição assíncrona.
  • Versões, indexações matriciais comutadas ou fragmentos corrompidos do banco vetorial isolado determinam falhas silenciosas brutais na precisão generativa caso o documento fonte central perca conexão ou delete arquivos referenciados no índice original; a conciliação demanda auditoria recorrente de hash.
  • Gastos flutuantes monetários decorrentes do limite iterativo das janelas da API de Geração Numérica e Inquirição, associados indissociavelmente às contas de Tokens, clamam pela estruturação metódica de telemetria econômica no nível individual atrelado a um processo em particular.

Risco Jurídico Estrutural e Diretriz de Salvaguarda

Na práxis judiciária e normativa civil, uma conclusão artificial tecnicamente irrepreensível, gramaticalmente eloquente e sistemicamente coerente com o arcabouço isolado do modelo processado pode transmutar-se fatalmente em um veredito juridicamente corrompido, superado ou fatal para o constituinte em questão de dias. A implantação proba de tecnologias RAG em despachos, sentenças ou recursos de alto impacto veta peremptoriamente o acionamento unilateral cego dos *outputs* da máquina. A arquitetura condiciona sua finalidade instrumental subsidiária ao acesso contínuo às matrizes originárias nativas por parte do perito humano da corporação legal. Prescreve inquestionavelmente a contraposição metodológica perante os achados parciais recuperados contra a integridade estrita das vigências dogmáticas, legais e preceitos jurisprudenciais atuais do Superior Tribunal competente, com transferência irredutível e inexorável da imputabilidade legal, decisória e deontológica para os ombros da assinatura profissional habilitada que manuseia o sistema laboratorial.

Arquitetura de Software e Liderança de P&D

A fundamentação analítica e o fluxo estrito processual legal atrelado, a infraestrutura sistêmica relacional persistida, a implementação primária de rotinas heterogêneas pesadas de captura digital (Engine *OCR* Multi-Camadas), assim como a concepção profunda e a tessitura de todo arcabouço computacional vetorial (Indexador FAISS, Extração em Similaridade e Injeção Contextual via *Prompt Engineering*) integram um projeto singular erigido exaustivamente por Wilmar Borges Leal Junior em arquitetura própria. O modelo tangível no *JurisRAG* ratifica pragmaticamente a sua expertise simbiótica transversal calcada profundamente nas fronteiras do Direito Público Administrativo, nos contornos práticos em Ciência da Computação, Engenharia Robusta de Dados e nos ecossistemas pragmáticos atrelados às subjacências da modelagem baseada em algoritmos matemáticos gerativos voltados a uma efetiva e comprovável legalidade procedimental (*State-of-the-Art* Aplicada à LegalTech e à Gestão Governamental).

Wilmar Borges Leal Junior

Wilmar Borges Leal Junior

Mestre em Modelagem Computacional de Sistemas
Professor do IFTO
Advogado — OAB/TO 11.673
Tecnologia e Inovação — AGU

Portfólio Profissional (Main) Currículo Lattes Integrado (CNPq)