Relatorio Ia 2fase

I N T E
L I
G Ê N
C I A
A R T I
F I
C I A L
T E C N O L O G I A A P L I C A D A
À G E S T Ã O D O S
C O N F L I T O S N O Â M B I T O
D O P O D E R J U D I C I Á R I O
B R A S I L E I R O
C O O R
D E N A LUIS FELIPE SALOMÃO
Ç Ã O
Presidente Suplentes
Carlos Ivan Simonsen Leal Almirante Luiz Guilherme Sá de Gusmão
Carlos Hamilton Vasconcelos Araújo
Vice-Presidentes General Joaquim Maia Brandão Júnior
Francisco Oswaldo Neves Dornelles José Carlos Schmidt Murta Ribeiro
Marcos Cintra Cavalcanti de Albuquerque Leila Maria Carrilo Cavalcante Ribeiro Mariano
Luiz Roberto Nascimento Silva
CONSELHO DIRETOR Manoel Fernando Thompson Motta Filho
Olavo Monteiro de Carvalho (Monteiro Aranha
Vogais Participações S.A)
Armando Klabin Patrick de Larragoiti Lucas (Sul América Companhia Nacional de
Seguros)
Carlos Alberto Pires de Carvalho e Albuquerque
Ricardo Gattass
Cristiano Buarque Franco Neto
Rui Barreto
Ernane Galvêas
Solange Srour (Banco de Investimentos Crédit
José Luiz Miranda
Suisse S.A)
Lindolpho de Carvalho Dias
Marcílio Marques Moreira
Roberto Paulo Cezar de Andrade
Suplentes
Aldo Floris
Antonio Monteiro de Castro Filho
Ary Oswaldo Mattos Filho
Eduardo Baptista Vianna
Gilberto Duarte Prado
José Ermírio de Moraes Neto
Marcelo José Basílio de Souza Marinho
Coordenação
CONSELHO CURADOR Luis Felipe Salomão
Vogais Coordenador-Adjunto
Alexandre Koch Torres de Assis Elton Leme
Antonio Alberto Gouvêa Vieira
Carlos Eduardo de Freitas Coordenadora-Executiva e Pesquisadora
Cid Heraclito de Queiroz Juliana Loss
Eduardo M. Krieger
Estado da Bahia Pesquisadores
Estado do Rio de Janeiro José Leovigildo Coelho
Estado do Rio Grande do Sul Fernanda Bragança
Isaac Sidney Menezes Ferreira (Federação Brasileira de Bancos) Renata Braga
Jorge Irribarra (Souza Cruz S/A)
José Carlos Cardoso (IRB-Brasil Resseguros S.A.)
Luiz Chor
Luiz Ildefonso Simões Lopes
Marcelo Serfaty
Marcio João de Andrade Fortes
Miguel Pachá
Pedro Henrique Mariani Bittencourt
Ronaldo Vilela (Sindicato das Empresas de Seguros O conteúdo desta publicação é de responsabilidade dos
Privados, de Previdência Complementar e de Capitalização nos autores e não reflete, necessariamente, a opinião da FGV.
Estados do Rio de Janeiro e do Espírito Santo)
Willy Otto Jordan Neto ISBN 000-00-00000-00-0
S SUMÁRIO
AGRADECIMENTOS ______________ 06
APRESENTAÇÃO ________________ 07
01 INTRODUÇÃO __________________ 10
1.1 Missão do Centro de Inovação,

Administração e Pesquisa do Judiciário __ 11
1.2 Rede de Pesquisa Interinstitucional _____ 11
1.3 Objetivos _______________________ 13
1.4 Metodologia _____________________ 13

02 CONTEXTO EM QUE SE INSERE A PESQUISA ___________________ 20
2.1. Principais conceitos de Inteligência Artificial e Computacional ________________ 21
2.2. Aplicação da Inteligência Computacional no Judiciário _____________________ 26
2.3. Tecnologia na Justiça ____________________________________________ 38
2.4. O percurso da regulamentação da IA no Brasil ___________________________ 44
03 APRESENTAÇÃO DOS DADOS DA 2ª FASE DA PESQUISA ___________ 52
3.1. Conselho Nacional de Justiça – CNJ __________________________________ 53

3.2. Supremo Tribunal Federal – STF _____________________________________ 56
3.3. Superior Tribunal de Justiça – STJ ____________________________________ 59
3.4. Tribunal Superior do Trabalho – TST ___________________________________ 71
3.5. Tribunal Regional Federal da 1ª Região – TRF1 ___________________________ 75
3.10. Tribunal de Justiça do Acre – TJ/AC ___________________________________ 87
3.11. Tribunal de Justiça de Alagoas – TJ/AL _________________________________ 90
3.12. Tribunal de Justiça do Amapá – TJ/AP _________________________________ 93
3.13. Tribunal de Justiça da Bahia – TJ/BA __________________________________ 96
3.14. Tribunal de Justiça do Ceará – TJ/CE ___________________________________ 99
3.15. Tribunal de Justiça do Distrito Federal – TJ/DFT ___________________________ 105
3.16. Tribunal de Justiça do Espírito Santo – TJ/ES _____________________________ 120
3.17. Tribunal de Justiça de Goiás – TJ/GO __________________________________ 123
3.18. Tribunal de Justiça do Mato Grosso – TJ/MT _____________________________ 126
3.19. Tribunal de Justiça do Mato Grosso do Sul – TJ/MS ________________________ 132
3.20. Tribunal de Justiça do Para – TJ/PA ___________________________________ 135
3.21. Tribunal de Justiça de Paraíba – TJ/PB _________________________________ 142
3.22. Tribunal de Justiça do Paraná – TJ/PR _________________________________ 145
3.23. Tribunal de Justiça de Pernambuco – TJ/PE ______________________________ 148
3.24. Tribunal de Justiça do Rio de Janeiro – TJ/RJ _____________________________ 151
3.25. Tribunal de Justiça do Rio Grande do Norte – TJ/RN ________________________ 158
3.26. Tribunal de Justiça de Rondônia – TJ/RO _______________________________ 161
3.27. Tribunal de Justiça de Roraima – TJ/RR ________________________________ 164
3.28. Tribunal de Justiça do Rio Grande do Sul – TJ/RS __________________________ 164
3.29. Tribunal de Justiça de Santa Catarina – TJ/SC _____________________________ 167
3.30. Tribunal de Justiça de São Paulo – TJ/SP ________________________________ 182
3.31. Tribunal de Justiça de Sergipe – TJ/SE _________________________________ 188
3.32. Tribunal de Justiça de Tocantins – TJ/TO ________________________________ 191
3.33. Tribunal Regional do Trabalho da 1ª Região – TRT1 _________________________ 195
3.40. Tribunal Regional do Trabalho da 11ª Região – TRT11 _______________________ 227
04 CONSOLIDAÇÃO E ANÁLISE DOS DADOS _____________________ 251

4.1. Metodologia de padronização dos dados _______________________________ 252
4.2. Distribuição das iniciativas por região _________________________________ 252
4.3. Situação atual das iniciativas _______________________________________ 255
4.4. Sistemas em produção ___________________________________________ 256
4.5. Equipe ______________________________________________________ 257
4.6. Validação dos resultados __________________________________________ 258
4.7. Infraestrutura _________________________________________________ 260
4.8. Bases de dados ________________________________________________ 261
4.9. Métodos e linguagens adotadas _____________________________________ 263
CONSIDERAÇÕES FINAIS ________________________________ 265

AGRADECIMENTOS
O Centro de Inovação, Administração
e Pesquisa do Judiciário da Fundação
Getulio Vargas agradece ao Conselho
Nacional de Justiça e aos tribunais que
foram objeto da pesquisa e, gentilmen-
te, se disponibilizaram a fornecer as in-
formações que constam neste relatório.

A P R E S E N TAÇ ÃO
RELATÓRIO DE PESQUISA
O Poder Judiciário brasileiro assumiu um compromisso relevante no que se refere à concre-

tização dos Objetivos de Desenvolvimento Sustentável (ODS) da Agenda 2030 das Nações
Unidas, tendo sido reconhecido como o primeiro Judiciário no mundo a integrar oficialmente
os ODS aos seus procedimentos cotidianos.
A implementação das metas da ODS 16 - que se referem à promoção de sociedades pací-

ficas e inclusivas com acesso à Justiça para todos e com instituições eficazes, responsáveis
e inclusivas em todos os níveis - coloca em evidência o importante papel da incorporação
da tecnologia às rotinas judiciárias, com a expectativa de proporcionar uma melhor e mais
célere prestação jurisdicional aos usuários do sistema de justiça.
Na conjuntura da análise das metas de desenvolvimento sustentável da Agenda 2030

das Nações Unidas, em 2019, o Centro de Inovação, Administração e Pesquisa do Po-
der Judiciário da Fundação Getulio Vargas (CIAPJ-FGV) iniciou o levantamento inédito
“Tecnologias Aplicadas à Gestão de Conflitos no Poder Judiciário com ênfase no uso da
Inteligência Artificial”, o qual buscou verificar o estado da arte da IA nas Cortes brasileiras
com o intuito de identificar as iniciativas e delimitar os resultados obtidos a partir dos se-
guintes elementos: situação atual, problemas que busca solucionar, resultados esperados
e resultados obtidos.
Essa 1ª fase da pesquisa mapeou que 47 tribunais empregavam a IA em alguma(s) ativi-

dade(s), além da Plataforma Sinapse do Conselho Nacional de Justiça. A utilização dessa
ferramenta tecnológica tem uma importância significativa no contexto brasileiro, em espe-
cial se considerada a necessidade de racionalizar os recursos, bem como a judicialização
expressiva refletida em mais de 75 milhões de processos em tramitação, segundo as
informações do Relatório Justiça em Números 2021.
Em 2021, a pesquisa foi replicada nos tribunais brasileiros, tendo em vista a dinamicidade
dos dados que, consequentemente, impõe uma necessidade de constante atualização.
Essa 2ª edição ampliou o levantamento das tecnologias utilizadas, as quais passaram a
englobar a Inteligência Computacional/Inteligência Artificial e Analytics/Business Intelli-
gence. As informações mapeadas incluíram: equipe; aspectos técnicos; base de dados;
avaliação e monitoramento. A amostra dos tribunais pesquisados se manteve a mesma da
1ª edição, e a metodologia incluiu um formulário mais abrangente, com maior número de
variáveis para investigação.
8
INTELIGÊNCIA ARTIFICIAL
Este estudo tem grande relevância tanto para as instituições judiciárias quanto para o setor
público em geral, uma vez que a progressão da inovação nesta seara gera impactos desde
o aperfeiçoamento dos serviços prestados até questões como acessibilidade, segurança
da informação e privacidade.
O Centro de Inovação, Administração e Pesquisa do Poder Judiciário, por meio de sua

rede de pesquisa interinstitucional, espera que este relatório contribua com a promoção de
conhecimento multidisciplinar sobre a utilização da tecnologia pela Justiça brasileira.
Ministro Luis Felipe Salomão

Coordenador do Centro de Inovação, Administração e Pesquisa do Poder Judiciário
9
I INTRODUÇÃO
01
INTRODUÇÃO
1.1. Missão do Centro de Inovação, Administração e Pesquisa do

Judiciário
A missão do Centro de Inovação, Administração e Pesquisa do Judiciário é contribuir para

o aperfeiçoamento do sistema de justiça, promovendo o desenvolvimento de pesquisas,
estudos, fóruns de discussão, eventos e atividades acadêmicas.
1.2. Rede de Pesquisa Interinstitucional
A presente pesquisa foi desenvolvida por meio de um Grupo Interinstitucional de

Pesquisadores:
André C. P. L. F. de Carvalho
Professor Titular do Instituto de Ciências Matemáticas e de Computação e Bolsista de
Produtividade em Pesquisa do CNPq. Foi Pesquisador Visitante no Alan Turing Institute, no
Reino Unido. É membro do Comitê de Governança da Estratégia Brasileira em Inteligência
Artificial, do Strategy and Partnerships Board of the UKRI Centre for Doctoral Training in
Accountable, Responsible and Transparent AI, no Reino Unido, e do Comitê Diretivo para
América Latina e Caribe da International Network for Government Science Advice. Pesqui-
sador Colaborador Externo do Centro de Inovação, Administração e Pesquisa do Judiciário
da Fundação Getulio Vargas.
André Nascimento
Doutor e Mestre em Ciências da Computação pela Universidade Federal de Pernambuco.
Graduado em Engenharia da Computação pela Universidade de Pernambuco. Professor
adjunto do Departamento de Computação da Universidade Federal Rural de Pernambuco
e um dos coordenadores do Laboratório de Inteligência Artificial (https://aiboxlab.org/).
Caroline Tauk
Juíza Federal no Tribunal Regional Federal da 2ª Região. Mestre em Direito Público pela
Universidade Estadual do Rio de Janeiro. Pesquisadora Visitante na Columbia Law School.
Pesquisadora Colaboradora Externa do Centro de Inovação, Administração e Pesquisa do
Judiciário da Fundação Getulio Vargas.
11
Fernanda Bragança
Doutora em Direito pela Universidade Federal Fluminense. Foi Pesquisadora Visitante na
Université Paris 1 Pantheón Sorbonne. Pesquisadora do Centro de Inovação, Administração
e Pesquisa do Judiciário da Fundação Getulio Vargas. Advogada.
José Leovigildo Coelho

Doutorando em Tecnologia Aplicada à Medicina Diagnóstica na Universidade Federal de
São Paulo. Certificação Executiva em Leadership & Management pelo MIT. Especialização
em Tecnologias Exponenciais pela Singularity University. Graduado em Ciência da Compu-
tação pela Universidade Federal de Pernambuco. Coordenador de Projetos em Tecnologia
da FGV Conhecimento. Pesquisador do Centro de Inovação, Administração e Pesquisa do
Judiciário. Sócio da NESS Tecnologia, empresa de Outsourcing de TI. Sócio e Fundador da
Ionic Health, empresa de tecnologia aplicada à medicina diagnóstica. Sócio da IARA Health,
empresa de IA em reconhecimento de voz para área da saúde. Pesquisador Colaborador
Externo do Centro de Inovação, Administração e Pesquisa do Judiciário da Fundação Ge-
tulio Vargas.
Juliana Loss
Doutora em Direito pela Université Paris 1 Pantheón Sorbonne e pela Universidad Carlos III
de Madrid. Coordenadora Executiva e Pesquisadora do Centro de Inovação, Administração
e Pesquisa do Judiciário. Coordenadora Técnica de Mediação da Fundação Getulio Vargas.
Péricles Miranda
Doutor em Ciência da Computação pela Universidade Federal de Pernambuco, com ênfa-
se em Inteligência Artificial. Mestre em Ciência da Computação pela Universidade Federal
de Pernambuco (2012). Bacharel em Engenharia da Computação pela Universidade de
Pernambuco (2010). Professor Adjunto na Universidade Federal Rural de Pernambuco.
Atuação em temas relacionados à otimização, aprendizagem de máquina, algoritmos me-
ta-heurísticos e hiper-heurísticos.
Rafael Ferreira Mello

Pós-doutor pela Escola de Informática da Universidade de Edimburgo em 2018. Doutor
em Ciência da Computação pela Universidade Federal de Pernambuco, com interesses de
pesquisa que abrangem processamento de linguagem natural, learning analytics e tecno-
logia educacional. Participação em vários projetos de pesquisa multinacionais que envol-
vem parceiros acadêmicos e empresas na Europa, na Austrália, nos Estados Unidos e na
América Latina. Professor na Universidade Federal Rural de Pernambuco. Coordenador do
Laboratório de Inteligência Artificial (https://aiboxlab.org/).
Renata Braga
Pós-doutora pela Universidade Federal do Rio de Janeiro/Universidade de Coimbra. Dou-
tora em Direito pela Universidade Federal de Santa Catarina. Mestre em Direito Civil pela
Universidade do Estado do Rio de Janeiro. Professora adjunta do Curso de Direito da
Universidade Federal Fluminense em Volta Redonda. Coordenadora do Grupo de Estudos
e Pesquisa em Métodos Consensuais de Solução de Conflitos. Pesquisadora Externa Co-
laboradora do Centro de Inovação, Administração e Pesquisa do Judiciário da FGV.
12
Trícia Navarro
Juíza de Direito no Tribunal de Justiça do Estado do Espírito Santo, atualmente no cargo de
Juíza Auxiliar da Presidência do Conselho Nacional de Justiça. Pós-doutora em Direito pela
Universidade de São Paulo. Doutora em Direito Processual pela Universidade do Estado do
Rio de Janeiro. Mestre em Direito Processual pela Universidade Federal do Espírito Santo.
Professora da Graduação e do Mestrado da Universidade Federal do Espírito Santo.
1.3. Objetivos
O objetivo geral desta pesquisa é realizar um levantamento do uso da Ciência de Dados e

Analytics, bem como de tecnologias baseadas em Inteligência Artificial (IA) e aprendizagem
de máquina no Judiciário brasileiro. O estudo buscou identificar projetos e iniciativas em
andamento, suas respectivas funcionalidades e o impacto produzido pelo uso da IA, bem
como a verificação da repercussão da IA sobre a celeridade, eficiência e produtividade
dos tribunais.
1.4. Metodologia
A presente pesquisa é de natureza exploratória, descritiva e analítica, a fim de identificar e

descrever as iniciativas e experiências nacionais de tecnologias com a utilização de Inteli-
gência Computacional e Artificial nos tribunais, que visem ao aperfeiçoamento do sistema
de justiça sob a perspectiva de seu funcionamento e de sua estrutura.
A amostra de pesquisa abrangeu o Conselho Nacional de Justiça, o Supremo Tribunal

Federal, o Superior Tribunal de Justiça, o Tribunal Superior do Trabalho, os Tribunais Re-
gionais do Trabalho, os Tribunais Regionais Federais e os Tribunais de Justiça.
Um formulário padrão, com perguntas abertas e fechadas, foi enviado para todos os tri-
bunais participantes da pesquisa. A consolidação deste estudo procurou manter o texto
elaborado pelos tribunais, de forma a representar de maneira fiel os dados enviados.
A análise quantitativa dos dados foi realizada a partir de dois cenários principais: o conjunto
total de iniciativas e um recorte de sistemas com status informado “em produção”.
Abaixo, segue o modelo do formulário de pesquisa enviado aos tribunais:
1. NOME DA INICIATIVA DE INTELIGÊNCIA COMPUTACIONAL:
2. TRIBUNAL:
3. ANO DE IMPLANTAÇÃO:
4. SITUAÇÃO ATUAL DA INICIATIVA:
( ) em ideação;
( ) em desenvolvimento;
( ) em execução de projeto piloto;
( ) em implantação;
( ) em produção.
13
DADOS DA EQUIPE
5. NOME DO RESPONSÁVEL (PROJECT OWNER):

Para esta pergunta, entende-se por project owner o membro da equipe responsável por
definir e priorizar os requisitos do projeto e agilizar a execução das prioridades, mantendo
a integridade conceitual e técnica dos recursos ou componentes para a equipe.
6. INFORMAÇÕES DE CONTATO:
E-mail:
Telefone:
7. EQUIPE TÉCNICA:
( ) interna (concursados, prestadores de serviço, etc);

( ) externa (Universidades, Fundações, Empresas, etc);
( ) interna e externa.
8. Caso haja a participação de membros externos, favor informar a origem (iniciativa pri-
vada, universidade):
9. EQUIPE DE CURADORIA E TREINAMENTO:
( ) interna (concursados, prestadores de serviço, etc);

( ) externa (Universidades, Fundações, Empresas, etc);
( ) interna e externa.
10. CASO HAJA A PARTICIPAÇÃO DE MEMBROS EXTERNOS, FAVOR INFORMAR A ORI-

GEM (iniciativa privada, universidade):
ASPECTOS TÉCNICOS
11. QUAL O(S) PROBLEMA(S) OU OBJETIVO(S) DE GESTÃO DO TRIBUNAL ABORDADO

PELA SOLUÇÃO?
(Indicar mais de um problema, se aplicável)
12. A INICIATIVA ESTÁ VINCULADA A ALGUM SISTEMA JÁ EXISTENTE NO TRIBUNAL (ex.:

PJe, saj, eproc, etc)
13. TIPO DE TECNOLOGIA:
( ) Inteligência Computacional/Artificial;
( ) Analytics / Business Intelligence (ex.: Jurimetria);
14. Quais os modelos e técnicas de Inteligência Computacional aplicados na iniciativa de

Inteligência Computacional?
( ) Processamento de Linguagem Natural (PLN);

( ) Aprendizagem de máquina;
( ) Aprendizagem profunda (Deep learning).
15. QUAL O PROCESSO DE TREINAMENTO UTILIZADO?
( ) Aprendizado Supervisionado;
( ) Aprendizado Não supervisionado;
14
( ) Aprendizado Semissupervisionado;
( ) Aprendizado por Reforço;
( ) Outro: _____.
16. QUAL(IS) O(S) PROBLEMA(S) MAJORITARIAMENTE ABORDADO(S) NA SOLUÇÃO?

(MARCAR MAIS DE UMA SE APLICÁVEL)
( ) Visualização / Exploração de dados;

( ) Analytics / Business Intelligence;
( ) Jurimetria;
( ) Sumarização;
( ) Extração de informação;
( ) Processamento de sinais (ex.: áudio, vídeo, etc.);
( ) Categorização/Classificação de documentos;
( ) Agrupamento/Clustering;
( ) Modelagem de tópicos;
( ) Detecção de anomalias;
( ) Recuperação de informação (ex.: engines de busca, indexação, etc.);
( ) Geração textual (ex.: suporte na escrita semiautomatizada de peças, decisões, etc.);
( ) Otimização (ex.: alocação de recursos, processos, pessoas, rotas, etc.);
( ) Sistema de recomendação;
( ) Outros: ________________________.
17. DESCREVA, EM LINHAS GERAIS, O FUNCIONAMENTO DA SOLUÇÃO (Arquitetura,

processo de treinamento, etc.):
18. QUAL TIPO DE REPRESENTAÇÃO TEXTUAL É UTILIZADA:
( ) Frequência de termos (TF, TF-IDF, etc.);

( ) Word Embeddings (word2vec, glove, etc.);
( ) Contextual embeddings (FLAIR, BERT, ULMFit, etc.);
( ) OUTROS: _____________.
19. QUAL A LINGUAGEM DE PROGRAMAÇÃO UTILIZADA (MARCAR MAIS DE UMA SE

APLICÁVEL):
( ) Python;
( ) R;
( ) Java;
( ) C/C++;
( ) Javascript;
( ) OUTROS: _____________.
20. QUAL A ARQUITETURA / PLATAFORMA PRINCIPAL DA SOLUÇÃO:
( ) Web;
( ) Desktop;
( ) Microsserviços;
15
( ) Dispositivos Móveis;
( ) Cloud providers (AWS SageMaker, Azure ML, Google AI, etc.).
21. FERRAMENTAS DE TECNOLOGIA UTILIZADAS (Ex.: Tensorflow, Keras, Scikit-Learn,

Weka, Gensim, etc)
22. QUAL ALGORITMO APRESENTOU MELHOR RESULTADO / FOI IMPLANTADO? (Ex.:

Random Forest, SVM, CNN, LSTM, CRF, XGBoost etc.)
23. INFRAESTRUTURA DE PROCESSAMENTO DE DADOS
24. INDICAR A PLATAFORMA PRINCIPAL DE EXECUÇÃO DOS PIPELINES DE PROCESSA-

MENTO E TRANSFORMAÇÃO DE DADOS, TREINAMENTO DE MODELOS, ETC.
( ) Dispositivo local (ex.: Desktop, etc.);

( ) Computação distribuída (ex.: Hadoop, Kubernetes, etc.)
25. INFRAESTRUTURA DE ARMAZENAMENTO DE DADOS
( ) Rede local (e.g.: on-premisses, etc.);

( ) Computação em nuvem (ex.: HDFS, AWS S3, Google Cloud Storage, etc.).
BASE DE DADOS
26. FOI UTILIZADA ALGUMA BASE DE DADOS PARA TREINAMENTO DOS MODELOS?
( ) Sim
( ) Não
Caso tenha respondido SIM na pergunta anterior, responder as perguntas 27-30.
27. DESCREVA BREVEMENTE A BASE DE DADOS UTILIZADA:
28. QUAL A QUANTIDADE DE INSTÂNCIAS (ex.: Documentos, Imagens, etc) NA BASE UTILIZADA?
29. QUAL O PROCESSO DE ANOTAÇÃO DE DADOS UTILIZADO?
( ) Base pré-anotada (dados históricos);

( ) Anotação feita durante o projeto.
30. A BASE UTILIZADA SE APRESENTOU SUFICIENTE PARA TREINAMENTO DOS MODE-

LOS DO PROJETO? FORAM IDENTIFICADOS DESAFIOS RELACIONADOS À BASE? (ex.:
classes desbalanceadas, ruído, baixa qualidade de imagens, etc.)
31. INDIQUE OS TIPOS DE DADOS UTILIZADOS NA CONSTRUÇÃO DA SOLUÇÃO:
( ) Textos (linguagem natural);

( ) Logs;
( ) Dados tabulares (e.g., sistemas transacionais, etc);
( ) Imagens;
( ) Áudio;
( ) Vídeo;
( ) Outros: _____________.
16
AVALIAÇÃO E MONITORAMENTO
32. COMO OS MODELOS DE INTELIGÊNCIA COMPUTACIONAL FORAM AVALIADOS?
( ) Acurácia;
( ) AUC / AUPR;
( ) Precisão;
( ) Revocação;
( ) Medida F (F1-Score);
( ) Outras métricas: ________.
33. AS DECISÕES/RESULTADOS DO SISTEMA PASSAM POR VALIDAÇÃO HUMANA? (ex.:

as predições da solução são utilizadas como sugestões/recomendações, que são subme-
tidas à validação de um ser humano?)
( ) Sim
( ) Não
34. PARA OS SISTEMAS EM PRODUÇÃO: COMO SE DÁ O MONITORAMENTO DO MODE-

LO (ex.: detecção de concept drift, anomalias etc.)?
35. O(S) SISTEMA(S) DE INTELIGÊNCIA COMPUTACIONAL EM OPERAÇÃO JÁ PASSOU-

(ARAM) POR ALGUMA ATUALIZAÇÃO OU APERFEIÇOAMENTO?
( ) Sim
( ) Não
36. A CALIBRAÇÃO/O AJUSTE É FEITO MANUAL OU AUTOMATICAMENTE?
37. O SISTEMA É AUDITÁVEL (OU FOI AUDITADO NO SEU DESENVOLVIMENTO), DO

PONTO DE VISTA DE FAIRNESS, ACCOUNTABILITY, TRANSPARENCY (FAT)?
( ) Sim
( ) Não
38. QUAL O ATUAL ESTÁGIO DOS RESULTADOS JÁ OBTIDOS DOS MODELOS DE INTE-
LIGÊNCIA COMPUTACIONAL APLICADOS NESTAS INICIATIVAS?
39. JÁ FOI POSSÍVEL MAPEAR OS RESULTADOS DA UTILIZAÇÃO DA INTELIGÊNCIA

COMPUTACIONAL NO TRIBUNAL?
( ) Sim
( ) Não
40. AS EXPECTATIVAS DE CURTO, MÉDIO E LONGO PRAZO FORAM ATENDIDAS?
( ) Sim
( ) Não
( ) Não foram avaliadas
17
41. FOI FEITO ALGUM ESTUDO PARA VALIDAR OS BENEFÍCIOS OU GANHOS EM PRO-
DUTIVIDADE COM O USO DA SOLUÇÃO (ex.: uma pessoa precisava de X horas e com o
uso do sistema este tempo foi reduzido para X minutos, etc.)?
42. QUAIS AS PRINCIPAIS DEMANDAS QUE PODEM SER ATENDIDAS PELA TECNOLOGIA?
43. QUAIS AS ATUAIS LIMITAÇÕES DOS RESULTADOS ESPERADOS DOS MODELOS DE

INTELIGÊNCIA COMPUTACIONAL APLICADOS NESTA INICIATIVA (ex.: baixa taxa de acerto,
dificuldades de interoperabilidade, etc.)?
44. DESCREVA OS RISCOS DOS MODELOS DE INTELIGÊNCIA COMPUTACIONAL APLICA-

DOS NESTA INICIATIVA (ex.: necessidade de atualização constantes, desafios legais, baixo
grau de aceitação, etc.):
CONCLUSÃO
45. QUAL O PLANO DE INVESTIMENTO DO TRIBUNAL EM TECNOLOGIA PARA OS PRÓ-

XIMOS ANOS?
46. O TRIBUNAL POSSUI UM CLUSTER DEDICADO PARA DESENVOLVIMENTO DE PRO-

JETOS DE APRENDIZAGEM DE MÁQUINA?
( ) Não
( ) Sim (sem GPU)
( ) Sim (com GPU)
( ) Outro: ____
47. QUE INTEGRAÇÕES DE BASE DE DADOS EXTERNAS E SISTEMAS EXTERNOS SERIAM

IMPORTANTES PARA O APRIMORAMENTO E ENRIQUECIMENTO DESTE SISTEMA DE IN-
TELIGÊNCIA COMPUTACIONAL?
48. QUAIS FORAM, SE EXISTIREM, AS DESCOBERTAS REALIZADAS APÓS O PROCES-

SAMENTO DOS DADOS COM USO DE TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL
DESTAS INICIATIVA? INDIQUE:
49. QUAIS OUTROS PROJETOS COM USO DE INTELIGÊNCIA COMPUTACIONAL PODE-

RIAM SER DESENVOLVIDOS PARA A MELHORIA DA JUSTIÇA DO PAÍS?
18
19
C CONTEXTO
02
CONTEXTO EM QUE SE
INSERE A PESQUISA
2.1. Principais conceitos de Inteligência Artificial e computacional
André C. P. L. F. de Carvalho1
A Inteligência Artificial (IA) nunca foi tão popular como é hoje. O termo saiu de univer-
sidades, laboratórios de pesquisa e eventos científicos para empresas, órgãos públicos,
serviços, produtos, nossas vidas.
Outro termo utilizado com propósito semelhante, embora não tão conhecido, é “Inteligência
Computacional” (IC). Por estarem associados à Inteligência, é natural que sejam usados para
denominar conceitos semelhantes ou, até mesmo, considerados sinônimos.
No meio acadêmico, sobretudo antes do advento da internet, era comum que grupos de
pesquisadores espalhados pelo mundo realizassem pesquisas com temas semelhantes e
batizassem esses estudos com termos diferentes. Isso ocorreu também com as diferentes
abordagens para reproduzir ocomportamento inteligente em computadores.
Contudo, isso não ocorreu com os termos IA e IC, pois os pesquisadores dessas duas
áreas trabalharam com abordagens diferentes. Para descrever as diferenças entre ambos
termos, é importante abordar o histórico sobre como e quando eles foram propostos, bem
como os temas inicialmente abordados e a evolução nas últimas décadas.
Inteligência Artificial
O termo “Inteligência Artificial” apareceu pela primeira vez em 1955, no título de uma pro-
posta de projeto de verão a ser realizado no Dartmouth College, em Hanover, New Hamp-
shire, Estados Unidos. O termo foi definido como a ciência e engenharia de fazer máquinas
inteligentes, sob finalidade de denominar a área em que estes pesquisadores trabalhavam.
John McCarthy propôs esse termo por considera-lo neutro, nem tão específico como teoria
dos autômatos nem tão focado em mecanismos de feedback como cibernética.
1 Professor Titular do Instituto de Ciências Matemáticas e de Computação e Bolsista de Produtividade em Pesquisa do

CNPq. Foi Pesquisador Visitante no Alan Turing Institute, Reino Unido. É membro do Comitê de Governança da Estratégia Brasileira
em Inteligência Artificial, do Strategy and Partnerships Board of the UKRI Centre for Doctoral Training in Accountable, Responsi-
ble and Transparent AI, Reino Unido e do Comitê Diretivo para América Latina e Caribe da International Network for Government
Science Advice. Pesquisador Colaborador Externo do Centro de Inovação, Administração e Pesquisa do Judiciário da Fundação
Getulio Vargas.
21
O projeto solicitava recursos para custear uma reunião de pesquisadores que trabalha-
vam em temas correlatos para discutir o que estava sendo feito e o que poderia ser feito
no futuro. A proposta do projeto foi submetida por John McCarthy (Professor Assistente
de Matemática do Dartmouth College), Marvin Minsky (autor do livro Perceptron), Claude
Shannon (pai da Teoria da Informação) e Nathaniel Rochester (projetou o primeiro com-
putador científico a ser produzido em massa).
Uma vez aprovado o financiamento, o projeto foi realizado no verão de 1956. Original-
mente, ele foi planejado para durar 2 meses (18 de junho a 17 de agosto) e reunir 11
pesquisadores. Esses 11 pesquisadores incluem John Holland, que não participou, mas
teve um importante papel na IC, como será mostrado mais adiante. O evento contou com
a participação de 20 pesquisadores das áreas de Ciência da Computação e Ciência Cog-
nitiva, e os temas debatidos incluíram computadores, processamento de linguagem natural,
redes neurais, teoria da computação, abstração e criatividade.
Desde então, a IA teve uma existência conturbada: horas no topo da onda, quando era vis-
ta como uma máquina capaz de superar os seres humanos na realização de várias tarefas;
horas no fundo do poço, quando vista como uma área que fazia promessas exageradas,
que levavam ao seu descrédito.
Mesmo aos solavancos, a área cresceu em número de pesquisadores, centros de pesquisa

e temas abordados. O número de conferências e periódicos dedicados exclusivamente à
IA também aumentou. Em 1964, foi criada, no Reino Unido, a sociedade para o estudo da
IA e simulação de comportamento (AISB, do original em inglês Study of Artificial Intelligen-
ce and Simulation of Behaviour). Em 1969, foi realizado o primeiro evento científico com
submissão de artigos de pesquisa, a Conferência Conjunta Internacional sobre Inteligência
Artificial (IJCAI, do original em inglês International Joint Conference on Artificial Intelligence).
O IJCAI é realizado uma vez por ano, em diferentes países. No Brasil, o primeiro evento de
IA foi realizado em 1984, o I Simpósio Brasileiro de Inteligência Artificial (SBIA), organizado
pela Sociedade Brasileira de Computação (SBC).
Com todo esse crescimento, a IA virou uma área de conhecimento consolidada e, atual-
mente, possui diversas subáreas, como:
• Aprendizado de máquina;
• Busca e otimização;
• Lógica;
• Planejamento;
• Processamento de linguagem natural;
• Raciocínio probabilístico;
• Representação de conhecimento;
• Robótica;
• Sistemas multiagente;
• Visão computacional.
22
A expansão desses temas deu origem a cursos de graduação em IA. A criação de cursos
de graduação na área começou no exterior e, no Brasil, o MEC está autorizando estes
cursos e a Sociedade Brasileira de Computação tem uma comissão preparando o currículo
de referência.
Uma das subáreas mais populares, muitas vezes confundida com a IA, é a de aprendi-
zado de máquina (AM), que investiga como computadores podem aprender a partir de
experiências passadas, representadas por um conjunto de dados. Este termo foi usado
pela primeira vez por foi Arthur Samuel2, um dos 20 participantes do projeto de verão de
Dartmouth, para descrever um programa que desenvolveu para o jogo de damas.
Algoritmos de AM, ao serem aplicados a um conjunto de dados, podem induzir modelos

para lidar com tarefas descritivas, como agrupar dados em subconjuntos de dados seme-
lhantes, e para tarefas preditivas, quando induzem modelos para tarefas como classificação
e regressão.
Existem dezenas de milhares de algoritmos de AM, cada um projetado para considerar

diferentes aspectos presentes em conjuntos de dados de uma forma criativa e eficiente.
Cada algoritmo possui seus vieses, que os torna mais adequados para determinados con-
juntos de dados.
Parte dos algoritmos existentes foi proposta para treinar redes neurais artificiais (RNAs),
que são sistemas computacionais distribuídos baseados na estrutura e no funcionamento
do sistema nervoso. Para isso, utilizam unidades de processamento simples, que simulam
neurônios naturais, conectados de forma a simular a ocorrência de sinapses. Um tipo es-
pecial de RNAs, as RNAs profundas, tem superado o desempenho preditivo obtido por
modelos gerados por outros algoritmos de AM. Para isso, são treinadas com algoritmos de
aprendizado profundo. As RNAs apresentam, no entanto, uma característica que impede
seu uso em algumas aplicações: a de serem modelos caixa-preta, ou seja, difíceis de
entender seu funcionamento interno e todas as decisões.
Nas primeiras décadas de pesquisa em AM, havia uma divisão entre os pesquisadores que
investigavam algoritmos baseados em lógica e símbolos, que compunham o subgrupo de
AM simbólica, e os pesquisadores que investigavam as RNAs, subgrupo chamado de AM
conexionista, devido à importância dos valores de peso associados às conexões entre os
neurônios artificiais, nos quais ocorria o aprendizado. Os pesquisadores desse segundo
grupo realizavam seus próprios eventos científicos e tinham seus próprios periódicos. Fo-
ram, ainda, um dos principais atores por trás da criação da área de IC.
Inteligência Computacional
A área de RNAs percorreu uma trilha praticamente paralela à trilha da IA. A história das
RNAs, como usamos hoje, começou em 1943, com a publicação de um artigo pelo neu-
rofisiologista Warren McCulloch3 e pelo matemático Walter Pitts, que descrevia o funciona-
2 SAMUEL, Arthur. Some Studies in Machine Learning Using the Game of Checkers. In: IBM Journal of Research and
Development, vol. 3, no. 3, pp. 210-229, jul. 1959.
3 Cf. MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. In: Bulletin of
23
mento dos neurônios e como modelar esse funcionamento por meio de circuitos elétricos
simples. Desde então, assim como a IA, teve uma história de altos e baixos. Na década de
1980, houve um ressurgimento de interesse na área, com a publicação dos dois volumes
do livro Parallel Distributed Processing4.
O ano seguinte, 1987, fortaleceu o ressurgimento da área de RNAs, com a criação da

Sociedade Internacional de Redes Neurais (International Neural Network Society - INNS) e
da realização da Conferência internacional de Redes Neurais (International Conference on
Neural Networks - ICNN) pelo Instituto de Engenheiros Eletricistas e Eletrônicos (Institute of
Electrical and Electronics Engineers - IEEE). Em 1988, ocorreu o primeiro evento anual da
INNS. Em 1989, os dois eventos, ICNN e INNS, se juntaram, dando origem à Conferência
Conjunta Internacional sobre Redes Neurais (International Joint Conference on Neural Net-
works - IJCNN). Desde então, o IEEE organiza a conferência nos anos ímpares e a INNS,
nos anos pares.
Na mesma época, dois grupos de pesquisas em temas relacionados ao comportamento

da inteligência ganharam expressão. Um deles teve origem nas pesquisas de Lofti Zadeh5
sobre conjuntos nebulosos (Lógica Fuzzy), em que elementos poderiam pertencer a diver-
sos conjuntos, com diferentes graus de pertinência, em vez de apenas pertencer ou não
pertencer. O crescimento das pesquisas nessa área deu origem à Conferência internacio-
nal de Sistemas Nebulosos do IEEE (International Conference on Fuzzy Systems - IEEE) e
periódicos.
O outro grupo pesquisou como aspectos da genética e da seleção natural poderiam

inspirar algoritmos de otimização e busca, a computação evolucionária, que teve como
um dos percussores o pesquisador John Holland6. Talvez, a subárea mais conhecida da
computação evolucionária seja a dos algoritmos genéticos. Os algoritmos investigados e
usados nesta área são chamados de meta-heurísticas, por serem heurísticas que podem
ser utilizadas, sem grandes alterações, na maioria dos problemas de otimização e busca.
As heurísticas, também chamadas de métodos aproximados, aceleram o processo de
busca e otimização, restringindo as alternativas (soluções) a serem avaliadas. Para isso,
levam em conta aspectos do problema a ser abordado. Problemas de busca e otimização
podem ser, ainda, resolvidos por métodos exaustivos, em que todas as possíveis soluções
são testadas; e métodos exatos, que podem encontrar a melhor solução matematicamente,
e, por isso, são restritos a problemas em que é possível calcular a solução exata em um
tempo factível.
Existem várias outras meta-heurísticas além das baseadas em computação evolucionária.

Muitas delas procuram simular algum processo encontrado na natureza, fazendo com que
essas meta-heurísticas sejam organizadas em uma área chamada computação natural.
Mathematical Biophysics 5, pp. 115–133, 1943.

4 Cf. RUMELHARD, David E.; MCCLELLAND, James L.; CORPORATE PDP Research Group (Eds.). Parallel distributed
processing: explorations in the microstructure of cognition, vol. 1: foundations. Cambridge: MIT Press, 1986.
5 ZADEH, L.A. Fuzzy sets. Information and Control, v. 8, n. 3, pp. 338-353, 1965.
6 HOLLAND, John. Adaptation in natural and artificial systems: An introductory analysis with applications to biology,
control, and artificial intelligence. Michigan Press, 1975.
24
Sob esse aspecto, as RNAs, por serem baseadas no sistema nervoso, também são uma
abordagem de computação natural.
Assim como as áreas de RNAs e de sistemas fuzzy, a área de computação evolucionária,

a área maior de computação natural e outras meta-heurísticas baseadas em computação
natural, possui conferências e periódicos especificamente dedicados a elas. O primeiro
grande evento dessa área foi o Simpósio de Computação Evolucionária do IEEE (Sym-
posium on Evolutionary Computation), realizado em 1984. Esse simpósio foi realizado em
conjunto com os eventos de RNAs e de Sistemas Fuzzy, do IEEE, que compuseram o I
Congresso Mundial de Computação Inteligente do IEEE, e foi responsável por difundir o
termo “Inteligência Computacional”. A cada quatro anos, os três eventos se juntam para
compor o Congresso Mundial de Computação Inteligente.
Assim, além do apoio da maioria dos pesquisadores que trabalhavam com redes neurais,
a área de IC ganhou corpo com a realização, em 1994, de um grande evento que reuniu
as três grandes conferências sobre o assunto. Atualmente, a área de IC inclui vários sub-
temas que incluem:
• Aprendizado de máquina;
• Autômatos celulares;
• Computação natural;
• Redes neurais;
• Robótica;
• Sistemas fuzzy;
• Visão computacional.
É importante observar que, enquanto os pesquisadores que realizam pesquisas em IA vêm

majoritariamente das áreas de Computação e Matemática, os pesquisadores que atuam em
IC provêm, majoritariamente, das áreas de Computação, Engenharia e Física.
25
2.2. Aplicação da Inteligência Computacional no Judiciário
André Nascimento7
José Leovigildo Coelho8
Péricles Miranda9
Rafael Ferreira Mello10
Nos últimos anos, com a crescente adoção dos Tribunais de Justiça brasileiros ao modelo
de processo eletrônico, associado à crescente informatização da prática jurídica, uma série
de desafios tecnológicos têm surgido, em especial, no que se refere a adaptar processos,
sistemas e tecnologias ao volume e velocidade de crescimento de dados não estruturados.
O Conselho Nacional de Justiça, em seu relatório “Justiça em Números”11, informa que, em

2019, os 92 tribunais brasileiros receberam um total de 78,7 milhões de novos casos, dos
quais aproximadamente 79,7% estão totalmente em meio eletrônico12. Na prática, esses
números se materializam em forma de milhões de páginas de documentos de texto, em
formato não estruturado, que demandam grande esforço humano para tarefas de triagem,
análise e tomada de decisão.
Tal volume de dados requer o desenvolvimento de soluções escaláveis, voltadas especi-

ficamente para o domínio jurídico. Isto se traduz nos levantamentos recentes de iniciativas
voltadas à inovação tecnológica no Judiciário brasileiro13. Observa-se que boa parte das
iniciativas envolvem algum tipo de modelo de Inteligência Artificial (IA), no intuito de trazer
maior eficiência ao processamento e análise de tais documentos.
A IA é um campo de pesquisa bastante ativo e, desde os anos 1980, tem sido incorporada
com sucesso em aplicações industriais, inclusive legais, as quais têm passado por uma
7 Doutor e Mestre em Ciências da Computação pela Universidade Federal de Pernambuco. Graduado em Engenharia
da Computação pela Universidade de Pernambuco. Professor adjunto do Departamento de Computação da Universidade Federal
Rural de Pernambuco e um dos coordenadores do Laboratório de Inteligência Artificial (https://aiboxlab.org/).
8 Graduação em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE, 2004). Especialização em
Empreendedorismo pela Harvard Business School (2017, 2018, 2022). Certificação Executiva em Leadership & Management pelo
MIT (2019-2021). Especialização em Tecnologias Exponenciais pela Singularity University (2019). Doutorando em Tecnologia
Aplicada à Medicina Diagnóstica na Universidade Federal de São Paulo (DDI - UNIFESP). Conselho de Administração da FAPUni-
fesp - Fundação de Apoio à Universidade Federal de São Paulo. Coordenador de Tecnologia de Projetos de Exames, Concursos e
Mediação da FGV Conhecimento. Pesquisador Interno do CIAPJ - Centro de Inovação, Administração e Pesquisa do Judiciário da
FGV - Fundação Getulio Vargas. Sócio da NESS Tecnologia. Sócio e Fundador da IONIC Health, empresa de tecnologia aplicada à
medicina diagnóstica. Sócio da IARA Health, empresa de IA em reconhecimento de voz para área da saúde.
9 Doutor em Ciência da Computação pela Universidade Federal de Pernambuco, com ênfase em Inteligência Artificial.
Mestre em Ciência da Computação pela Universidade Federal de Pernambuco (2012). Bacharel em Engenharia da Computação
pela Universidade de Pernambuco (2010). Professor Adjunto na Universidade Federal Rural de Pernambuco. Atuação em temas
relacionados à otimização, aprendizagem de máquina, algoritmos meta-heurísticos e hiper-heurísticos.
10 Pós-doutor pela Escola de Informática da Universidade de Edimburgo em 2018. Doutor em Ciência da Computação
pela Universidade Federal de Pernambuco, com interesses de pesquisa que abrangem processamento de linguagem natural,
learning analytics e tecnologia educacional. Participação em vários projetos de pesquisa multinacionais que envolvem parceiros
acadêmicos e empresas na Europa, na Austrália, nos Estados Unidos e na América Latina. Professor na Universidade Federal Rural
de Pernambuco. Coordenador do Laboratório de Inteligência Artificial (https://aiboxlab.org/).
11 CNJ. Justiça em Números 2020: ano-base 2019. Brasília: CNJ, 2020.
12 CNJ. Inteligência artificial na Justiça; Brasília: CNJ, 2019.
13 Cf. FUNDAÇÃO GETULIO VARGAS. Tecnologia Aplicada à Gestão Dos Conflitos No Âmbito Do Poder Judiciário
Brasileiro. Rio de Janeiro: FGV, 2020. Disponível em: <https://ciapj.fgv.br/sites/ciapj.fgv.br/files/estudos_e_pesquisas_ia_1afase.pdf>
Acesso em: 10 nov. 2021.
26
revolução na última década. Existem várias empresas e grupos de pesquisa em IA que

têm aberto diversas frentes de atuação na prática jurídica, mais especificamente utilizando
técnicas como aprendizagem de máquina, mineração de textos, recuperação de informa-
ção (RI) e extração de informações (IE). Alguns projetos desenvolvidos neste contexto têm
alcançado um grande sucesso, sendo desenvolvidas tanto no âmbito privado, em platafor-
mas como o IBM Watson ou Google Cloud AI14 quanto em plataformas desenvolvidas no
contexto do poder público brasileiro, como o Sinapses (CNJ).
O interesse em áreas específicas da IA, cujo objetivo seja desenvolver soluções capazes
de organizar as informações presentes em documentos não estruturados, é de extrema
relevância para o Judiciário. Este é o primeiro passo para que tais dados possam ser
utilizados em sistemas analíticos, de suporte à decisão, bem como modelos preditivos,
capazes de antever possíveis resultados de um processo judicial ou ainda estimar o valor
da causa de um novo processo. Entretanto, é importante frisar que estas são apenas as
etapas iniciais na adoção de uma cultura de dados no Judiciário. Sistemas Computacionais
de Argumentação Legal15 são aplicações que implementam um processo que evidencia
atributos do raciocínio jurídico humano. O processo pode envolver a análise de uma situa-
ção e a resposta a uma questão jurídica, a previsão de um resultado ou a apresentação
de um argumento jurídico. A extração, organização e devida representação do conteúdo
presente no vasto corpus de documentos jurídicos é uma etapa primordial no avanço deste
tipo de abordagem na prática judicial.
Um outro aspecto de grande importância para o desenvolvimento de tais sistemas de ar-

gumentação legal consiste em métodos eficazes para a representação do conhecimento
jurídico, sendo um dos principais objetivos da pesquisa em IA e Direito atualmente16. Este
é um desafio importante para a implementação de sistemas robustos o suficiente para
servirem como ferramentas de prática jurídica do mundo real. Dentro da IA, ontologias são
consideradas um padrão bem estabelecido de representação de conhecimento de maneira
geral. Uma ontologia é uma “especificação explícita, formal e geral de uma conceituação
das propriedades e relações entre objetos em um determinado domínio”17. Em outras
palavras, as ontologias transformam os conceitos em um domínio explícito, para que um
algoritmo ou motor de inferência possa raciocinar com eles. Porém, o processo de criação,
instalação e manutenção de ontologias ainda é majoritariamente baseado em metodologias
manuais e, portanto, demanda um alto custo operacional. Sendo assim, o desenvolvimento
de soluções que permitam a construção automática ou semiautomática de sistemas de
anotação de termos legais e suas relações é de extrema relevância para o avanço no uso
da IA no Judiciário brasileiro.
14 DALE, Robert. Law and word order: NLP in legal tech. Natural Language Engineering, 25(1), pp. 211-217, 2019.
15 ASHLEY, Kevin D. Artificial intelligence and legal analytics: new tools for law practice in the digital age. Cambridge: Cam-
bridge University Press, 2017.
16 FAWEI, Biralatei, et al. A methodology for a criminal law and procedure ontology for legal question answering. Joint
International Semantic Technology Conference. Springer, Cham, 2018.
17 WYNER, Adam. An ontology in OWL for legal case-based reasoning. Artificial Intelligence and Law 16.4 (2008): 361.
27
A primeira fase da pesquisa18, associada a outros estudos e levantamentos complementa-

res19, permitiu mapear o nível de maturidade de projetos de IA desenvolvidos no Judiciário
brasileiro. Os resultados indicaram que, em sua maioria, tanto os projetos já implantados
quanto os que estão em desenvolvimento, concentram-se em tarefas de estruturação de
dados, cujo objetivo é aumentar a eficiência do Judiciário. Dentre tais tarefas, destacam-se
fluxos de categorização e triagem de processos, automação de fluxos de trabalho, e re-
cuperação e extração de informações. Assim, a segunda fase desse estudo concentra-se
em detalhar o conjunto de bases de dados, técnicas e abordagens de IA que têm sido
aplicados em tais projetos. Nesta seção, serão apresentados alguns dos principais aspec-
tos relacionados a essa etapa do processo de adoção da IA no domínio jurídico.
Este capítulo descreve os principais conceitos relacionados à Inteligência Computacional,

mineração de texto e legal analytics, as quais são as técnicas mais empregadas nas so-
luções encontradas nos resultados deste relatório. As seções 2 e 3 descrevem o que é
Inteligência Computacional e aprendizado de máquina, respectivamente. A seção 4 apre-
senta os conceitos fundamentais sobre mineração de texto. A seção 5 detalha o método de
legal analytics, no qual são utilizadas técnicas de visualização para dar suporte a decisões
no setor jurídico. Por fim, a seção 6 apresenta as considerações finais.
2.2.1. Inteligência Computacional
Inteligência Computacional (IC)20 é um sub-ramo da Inteligência Artificial (IA), cujo objeto

de estudo são os mecanismos adaptativos para permitir ou facilitar o comportamento inte-
ligente em ambientes complexos. Esses mecanismos incluem paradigmas que apresentam
uma capacidade de aprender ou se adaptar a novas situações para generalizar, abstrair,
descobrir e associar. Os sistemas de IC geralmente incorporam paradigmas híbridos, como
redes neurais artificiais, sistemas fuzzy e computação evolucionária, e costumam ser pro-
jetados para imitar um ou mais aspectos da inteligência biológica.
Aplicações de técnicas de IC no contexto jurídico têm se destacado nos últimos anos,

especialmente em situações complexas, quando analisadas em termos de abordagens
clássicas. Em tais cenários, modelos alternativos a modelos clássicos de associação de
conjuntos (e.g., lógica difusa/fuzzy) seriam mais adequados. Este tipo de modelo é parti-
cularmente útil quando uma decisão deve ser tomada com base em critérios ambíguos e
difíceis de medir. Um exemplo de utilização de IC no setor jurídico é a criação de modelos
de inferência difusa a fim de determinar a avaliação final completa do perpetrador, com
base nas premissas avaliadas pelo juiz21.
18 FUNDAÇÃO GETULIO VARGAS. Ob. Cit.

19 Cf. BRAGANÇA, Fernanda; BRAGANÇA, Laurinda Fátima da Fonseca Pereira Guimarães. Revolução 4.0 no poder judiciá-
rio: levantamento do uso de Inteligência Artificial nos tribunais brasileiros. Revista da Seção Judiciária do Rio de Janeiro v. 23, n. 46,
pp. 65-76, 2019.
20 KRUSE, Rudolf et. al. Computational intelligence. Vieweg+ Teubner Verlag, 2011.
21 LOWER, Michael; LOWER, Monika. “Fuzzy Inference Model for Punishing a Perpetrator in a Judicial Process”. In: Compu-
tational Collective Intelligence, 11th International Conference, ICCCI 2019, Hendaye, França, Set. 4–6, 2019, pp. 463-472.
28
Outras áreas de aplicação da IC envolvem a otimização na alocação de recursos dentro

do sistema Judiciário. Neste contexto, os recursos podem representar casos/processos,
pessoas, entre outros. A eficácia do sistema judicial depende muito da maneira como os
processos são operacionalizados. Embora o desenvolvimento de sistemas computacionais
para o gerenciamento de processos já seja uma realidade na maioria dos tribunais bra-
sileiros, considerando o volume e a velocidade de crescimento dos dados, os modelos
clássicos de otimização podem se mostrar ineficientes em alguns contextos. Dessa forma,
as técnicas de IC, mais especificamente os algoritmos de otimização, podem ajudar neste
tipo de problema. Em uma pesquisa realizada na Tailândia22, pesquisadores compara-
ram técnicas de otimização clássicas e evolucionárias (meta-heurísticas) no problema de
atribuição de um conjunto de N casos a M equipes. Os resultados demonstraram que
as técnicas baseadas em meta-heurísticas foram mais eficientes do que as abordagens
clássicas na solução.
Na edição atual desta pesquisa, foram incluídas questões referentes a aspectos práticos
do uso da IC em iniciativas nos tribunais brasileiros. Não obstante a identificação de um
pequeno número de iniciativas de IC pelo estudo, acredita-se que essa é uma tendência,
dadas as características de alto volume e diversidade de dados supracitados. À medida
que os aspectos de estruturação de dados avançam, a aplicação de algoritmos de otimi-
zação e suporte na resolução de conflitos e nas decisões judiciais tem se tornado cada
vez mais comum em pesquisas dentro do contexto legal ao redor do mundo, o que deve
ocorrer de forma semelhante no Brasil nos próximos anos.
2.2.2. A aprendizagem de máquina no contexto jurídico
Segundo FLACH23, a “aprendizagem de máquina (AM) é o estudo sistemático de algorit-

mos e sistemas que melhoram seu conhecimento ou desempenho com a experiência”.
Em sua essência, a AM utiliza-se de três aspectos principais: características, tarefas e mo-
delos. As características correspondem a atributos segundo os quais os objetos relevantes
do domínio em questão são representados. No universo jurídico, os objetos normalmente
consistem em documentos e suas características incluem os termos que eles contêm, as-
sim como, possivelmente, as construções gramaticais e algumas informações semânticas,
como também os metadados e os dados estruturados associados a eles.
A tarefa é uma representação abstrata de um problema que se queira resolver em relação a

esses objetos. Em projetos de AM, as tarefas podem ser representadas como atributos alvo,
informações que se deseja extrair automaticamente. Um exemplo comum de tarefa é a tria-
gem de processos em duas ou mais categorias predeterminadas (nesse caso, as categorias
seriam os atributos alvo), um problema de classificação. Muitas dessas tarefas podem ser
definidas como uma função de mapeamento entre pontos de dados em um espaço de saí-
das/categorias desejadas. Um modelo, por sua vez, corresponde ao resultado da aplicação
de um algoritmo de aprendizagem de máquina capaz de realizar tal mapeamento.
22 WONGSINLATAM, Wullapa; BUCHITCHON, Suntaree. The comparison between dragonflies algorithm and fireflies
algorithm for court case administration: a mixed integer linear programming. Journal of Physics: Conference Series. v. 1061. n. 1. IOP
Publishing, 2018.
23 FLACH, Peter. Machine learning: the art and science of algorithms that make sense of data. Cambridge University Press,
2012.
29
O aprendizado de máquina pode ser classificado de acordo com a estratégia utilizada para
a produção da função de mapeamento. Em situações nas quais se possuem informações
acerca de padrões de dados, atributo alvo e cujo mapeamento é conhecido, torna-se
possível a aplicação de um paradigma chamado de aprendizado supervisionado. Nele, os
padrões de treinamento são apresentados ao algoritmo de aprendizagem acompanhados
do conjunto de rótulos (ou classes) previamente conhecidos. O algoritmo busca uma as-
sociação das características dos padrões de entrada ao rótulo correto, de modo que seja
capaz de realizar predições para novos padrões, sem informação de rótulo.
Uma outra abordagem de AM consiste em utilizar algoritmos não supervisionados, que se

caracterizam pela ausência de dados rotulados, com o propósito de identificar padrões
na distribuição dos dados de entrada. Em geral, as saídas destes modelos apresentam
grupos de objetos similares, como os processos jurídicos. Tais abordagens são de gran-
de importância em projetos que não tenham definição clara da tarefa a ser realizada, ou
ainda quando o principal objetivo seja o levantamento de hipóteses sobre os dados. Al-
goritmos de regras de associação e agrupamento são de grande utilidade em projetos de
jurimetria ou ainda de Business Intelligence, uma vez que permitem observar relações não
diretamente observáveis, quando analisadas de forma isolada. Por exemplo, algoritmos de
agrupamento podem ser utilizados para identificar petições iniciais que descrevem fatos
similares24.
2.2.2.1. Modelos de aprendizagem de máquina
Existem diferentes modelos de aprendizagem de máquina que são utilizados no contexto

jurídico. Atualmente, as redes neurais profundas (do inglês deep learning), uma técnica que
se encontra no paradigma de IC, têm alcançado resultados relevantes25. As redes neurais
artificiais são um paradigma de aprendizagem de máquina que simulam as conexões de
neurônios no cérebro para criar modelos que aprendem a partir dos dados fornecidos. A
diferença das redes neurais tradicionais para as profundas é a quantidade de camadas de
neurônios que é utilizada para a criação do modelo final26. Se, por um lado, o aumento
das camadas pode levar a uma precisão maior, por outro, são necessários mais dados
rotulados e uma infraestrutura computacional maior para utilizar essas redes.
Outros paradigmas de AM podem ser usados de forma eficiente para resolver proble-
mas do mundo real. Nessa direção, vale destacar os algoritmos de árvore de decisão e
floresta aleatória (do inglês random forest)27. Estes algoritmos se baseiam na quantidade
de informação que cada característica utilizada para modelar os objetos traz para resolver
24 SILVA, Ingrid et al. Assessment of text clustering approaches for legal documents. In: Encontro Nacional de Inteligência
Artificial e Computacional (eniac), 18, 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021, pp.
37-48.
25 BANSAL, Neha; SHARMA, Arun; SINGH, R. K. A review on the application of deep learning in legal domain. In: MACIN-
TYRE, J. et al. (Eds) Artificial Intelligence Applications and Innovations. AIAI 2019. IFIP Advances in Information and Communication
Technology, vol 559. Springer, Cham.
26 GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aron. Deep learning. MIT press, 2016.
27 FERNÁNDEZ-DELGADO, Manuel. Do we need hundreds of classifiers to solve real world classification problems? The
Journal of Machine Learning Research, v. 15, n. 1, pp. 3133-3181, 2014.
30
o problema em questão. No fim, os modelos de árvore de decisão criam uma série de

regras baseadas nas características relevantes que servem para predizer novas instâncias.
Este modelo tem vantagem em relação às redes neurais, pois seus resultados são regras
e podem ser checados e validados facilmente.
2.2.2.2. Avaliação de modelos de aprendizagem de máquina
Apesar da utilização de AM tornar-se cada vez mais acessível para diferentes públicos,
é fundamental avaliar detalhadamente os modelos criados antes de utilizá-los na prática.
Em geral, os modelos de AM são avaliados utilizando duas abordagens28: (i) avaliação
intrínseca, a qual se relaciona diretamente ao resultado da técnica computacional utilizada;
e (ii) avaliação extrínseca, que é realizada a partir da aplicação do sistema proposto em
ambientes reais.
Na avaliação intrínseca, o principal objetivo é executar o algoritmo em diferentes contextos

para verificar a precisão e generalização dos modelos criados. Para isso, existem várias
métricas que podem ser utilizadas. As técnicas mais tradicionais são aquelas baseadas na
matriz de confusão do modelo. A Tabela 1 apresenta uma matriz de confusão genérica
em que as colunas representam a anotação dos dados realizada por humanos, enquanto
as linhas são as predições dos modelos de AM. Essa tabela apresenta a classificação de
objetos em duas classes: positivo e negativo. Quando a predição do modelo é igual à
anotação humana, entende-se que aquela instância categorizada é verdadeira (positivo ou
negativo). Caso contrário, ela é falsa.
A partir desta tabela, são derivadas as métricas de acurácia, precisão, cobertura e medida
F. A acurácia mede a quantidade de instâncias que foram categorizadas corretamente (ou
seja, são verdadeiras) em relação àa quantidade geral de instâncias (Fórmula 1). A preci-
28 AGGARWAL, Charu; ZHAI, ChengXiang. A survey of text classification algorithms. In: Aggarwal C., Zhai C. (eds) Mining
Text Data. Springer, Boston, MA., 2012, pp. 163-222.
31
são mede, dentre todas as classificações de classe positivaso feitas pelo modelo, quantas
estão corretas (Fórmula 2). A cobertura verifica se, dentre as instâncias que deveriam estar
na classe positiva, quais delas de fato foram categorizadas desta formaassim (Fórmula
3). Por fim, a medida F apresenta uma média harmônica entre a precisão e a cobertura
(Fórmula 4).
Outra medida bastante utilizada para a avaliação de modelos supervisionados é a AUC (do
inglês area under the curve)29. Em resumo, a AUC calcula a área sob a curva de um grá-
fico plotado em relação aos verdadeiros e falsos positivos. Quanto maior a AUC, maior é a
chance de o modelo prever as categorias esperadas de forma correta. Ou seja, o melhor
modelo é o que tem valor de AUC mais próximo de 1.
Por fim, é válido destacar algumas outras medidas de avaliação do modelo que não se
preocupam, necessariamente, com a acurácia final, mas com outros aspectos relevantes.
No contexto jurídico, três medidas são importantes: (i) Fairness30, que tenta identificar se o
modelo é tendencioso em categorizações de classes minoritárias para os dados analisa-
dos; (ii) Accountability31, que identifica se os modelos de aprendizagem de máquina vão
tomar decisões responsáveis, de acordo com parâmetros predefinidos; e (iii) Transparency
ou Explainability32, relacionada à habilidade de entender o modelo gerado de forma sim-
ples e direta. Apesar da clara importância destas métricas para o setor jurídico, poucos
trabalhos se aprofundam nesses aspectos. Em geral, a avaliação dos modelos se limita às
medidas de acurácia.
29 HUANG, Jin; LING, Charles. X. Using AUC and accuracy in evaluating learning algorithms. IEEE Transactions on knowled-
ge and Data Engineering, v. 17, n. 3, pp.299-310, 2005.
30 MEHRABI, Ninareh. A survey on bias and fairness in machine learning. ACM Computing Surveys (CSUR), v. 54, n.6, pp.
1-35, jul. 2022.
31 KIM, Been; DOSHI-VELEZ, Finale. Machine Learning Techniques for Accountability. AI Magazine, v. 42, n. 1, 2021, pp. 47-52.
32 BIBAL, Adrien. et al. Legal requirements on explainability in machine learning. Artificial Intelligence and Law, v. 29, n. 2,
pp. 149-169, 2021.
32
2.2.3. Mineração de textos
A Mineração de Textos33 (MT) é uma área consolidada da ciência da computação, que

concentra-se em metodologias e técnicas para a descoberta de conhecimento a partir de
arquivos de texto. Em geral, tais abordagens envolvem técnicas linguísticas, estatísticas e
de aprendizado de máquina que modelam e estruturam o conteúdo de informações de
fontes textuais para que possam ser devidamente analisadas em aplicações, como análise
exploratória de dados, painéis analíticos (por exemplo, Business Intelligence), entre outros.
Assim, as técnicas de mineração de texto permitem a transformação de informações não
estruturadas em fontes de dados estruturadas, reduzindo o gargalo de aquisição de co-
nhecimento, que há muito tempo impede o progresso no campo de aplicações jurídicas
inteligentes. Desse modo, elas possibilitam a redução da dependência de técnicas manuais
para representar o que os textos jurídicos significam nas formas que os programas podem
usar, ampliando o nível de automação no processo de representação do conhecimento.
Dentre as técnicas de mineração de textos, as técnicas de recuperação e extração de

informação são de particular relevância para ampliar a eficiência do Poder Judiciário. Di-
versas ferramentas comerciais, cujos processos de gerenciamento de corpus, indexação
e manutenção de índice e pesquisa são estabelecidos, confiáveis e eficientes, podem ser
aplicadas diretamente a conjuntos de documentos jurídicos. Em geral, dada uma nova
consulta, a plataforma de recuperação de informação irá retirar palavras comuns, e.g., stop-
words, ou seja, artigos, preposições, radicais, terminações, entre outros; contar o número
de vezes que cada palavra (ou token) é observado no texto e, a partir deste número, cons-
truir um índice invertido, o qual pode ser utilizado para recuperar documentos conforme um
conceito de similaridade com a consulta realizada.
Além destas etapas, uma série de possibilidades e técnicas de pré-processamento e

representação textual podem ser utilizadas. Muitas dessas técnicas são baseadas em
aprendizagem de máquina, com adaptações ao domínio do processamento de linguagem
natural (PLN).
2.2.2.3. Processamento de Linguagem Natural (PLN)
O Processamento de Linguagem Natural34 (PLN) é uma área de pesquisa da IA que com-

bina linguística computacional, como, por exemplo, a modelagem da linguagem humana,
baseada em regras, modelos estatísticos e aprendizagem de máquina. Juntas, estas tec-
nologias permitem que os computadores processem a linguagem humana (por exemplo,
nossa linguagem “natural”) na forma de texto ou voz, e “entendam” todo o seu significado,
incluindo a intenção, conceitos, sutilezas e o sentimento do falante ou do escritor. O pro-
cessamento, em geral, concentra-se em como converter palavras em números, ou seja,
dados manipuláveis por um computador digital.
33 FERREIRA MELLO, Rafael. Text mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Disco-
very, v. 9, n. 6, e1332, 2019.
34 CHOWDHURY, Gobinda. Natural language processing. Annual review of information science and technology, v. 37, n. 1,
pp. 51-89, 2003.
33
O grande desafio de pesquisa na PLN consiste no alto grau de ambiguidade da linguagem

humana, o que torna incrivelmente difícil para uma máquina determinar com precisão o
significado pretendido pelo autor da mensagem. Homônimos, sarcasmo, expressões idio-
máticas, referências cruzadas, metáforas e entonação são apenas alguns dos aspectos e
irregularidades da linguagem que tornam o desenvolvimento de soluções úteis para esse
tipo de dado em um grande desafio. No entanto, avanços recentes da PLN têm permitido
o desenvolvimento de aplicações em diversos tipos de tarefas distintas, como por exemplo:
reconhecimento de fala ou conversão de voz para texto; análise sintática e identificação
gramatical de termos (Part of Speech Tagging - POS Tagging35); desambiguação semânti-
ca, como a seleção do significado de uma palavra com múltiplos significados, dependendo
do contexto); reconhecimento de entidades nomeadas (Named Entity Recognition36 - NER);
categorização/classificação; resolução de correferências, dentre outras.
A etapa mais básica para a maioria das tarefas de PLN consiste em identificar os compo-
nentes elementares em uma sentença, como, por exemplo, seus tokens. Este processo,
também chamado de tokenização, como muitos outros aspectos da PLN, é extremamente
dependente do idioma e da tarefa em questão. Uma vez escolhido o método de tokeniza-
ção adequado, a filtragem ou seleção dos tokens que são irrelevantes pode ser aplicada,
por exemplo, a artigos, preposições, entre outros, normalmente baseada em uma lista de
termos a serem removidos, a lista de stopwords.
Para serem manipulados por um sistema computacional, cada token deve ter uma re-
presentação numérica, uma etapa conhecida como representação de texto. O método de
representação pode ser bastante simples, como a conversão de uma sentença em sua
representação binária (one-hot encoding), contagem de palavras (Bag of Words - BoW),
ou ainda sua frequência relativa (Term Frequency - TF). Em alguns casos, é preciso su-
primir o impacto de palavras muito frequentes e ignorar palavras pouco frequentes, pois é
necessário normalizar os “pesos” das palavras de acordo com sua relevância em relação
aos demais documentos. Uma das técnicas mais populares para realizar isso é definir o
peso atribuído a cada palavra de forma proporcional à frequência em que ela ocorre em
todo o corpus/corpora (Inverse Document Frequency - IDF), resultando na métrica co-
nhecida como TF-IDF. Esta forma de representação é extremamente comum dado seu
baixo custo computacional e alto grau de sucesso em aplicações clássicas de PLN (e.g.,
classificação de textos).
As formas de representação descritas anteriormente compartilham duas grandes des-

vantagens: (1) a informação posicional da palavra não é capturada na representação da
sentença; e (2) a representação é altamente dependente do corpus. A fim de mitigar esses
efeitos, e permitir a incorporação de relacionamentos mais complexos entre os termos,
foram desenvolvidas representações de palavras capazes de capturar a semântica dos
termos, levando em consideração sua vizinhança, os chamados word embeddings37. Neste
tipo de representação, cada palavra é representada por um vetor numérico denso (e.g., de
números reais) de tamanho fixo (geralmente varia de 50 a 300).
35 VOUTILAINEN, Atro. Part-of-speech tagging. In: The Oxford handbook of computational linguistics, 2003, pp. 219-232.
36 MOHIT, Behrang. Named entity recognition. In: Natural language processing of semitic languages. Springer, Berlin,
Heidelberg, 2014, pp. 221-245.
37 WANG, Shirui; ZHOU, Wenan; JIANG, Chao. A survey of word embeddings based on deep learning. Computing, v. 102, n.
3, pp. 717-740, 2012.
34
2.2.2.4. Recuperação de informação
A área de Recuperação de Informação38 (RI) é uma subárea da mineração de texto que foi
criada pela necessidade de organizar documentos não estruturados (documentos textuais)
de uma forma sistemática, para facilitar a busca por informação. Os métodos de RI conver-
tem os textos de uma grande coleção de documentos em estruturas vetoriais que contêm
informações pré-armazenadas sobre as palavras do texto. A partir destas informações, os
sistemas de busca podem recuperar documentos de forma eficiente e pertinente para os
usuários do sistema. Os maiores exemplos de sistemas de recuperação de informação são
os sistemas de busca da Internet, como o Google.
A utilização de RI facilita a aplicação de outras técnicas de mineração de texto, como a

classificação, pois os sistemas de RI já fazem uma organização na coleção de documentos
existentes de forma a otimizar o uso de todos os textos dessa coleção. Dentro dessa área,
a ferramenta que tem sido mais utilizada em aplicações recentes é o Elasticsearch39. Ele
provê uma série de métodos de RI previamente implementados que facilita a análise de
documentos em diferentes formatos, como pdf, doc, csv, entre outros.
2.2.2.5. Extração de informação
A Extração de Informação40 (EI) também é uma subárea da mineração de texto, mas no

presente caso ela visa analisar documentos individuais e não coleções de documentos,
como a RI. O principal foco da EI é identificar e categorizar entidades em textos para obter
informações estruturadas a partir dos documentos textuais. Por exemplo, a identificação de
nomes de pessoas e locais são facilmente extraídas a partir de modelos genéricos de EI.
Para esse tipo de aplicação, a ordem na qual as palavras aparecem no texto é uma carac-
terística bastante relevante, e por isso os modelos mais utilizados são criados a partir de al-
goritmos sequenciais, como o CRF (Conditional Random Field)41. Recentemente, variações
deste algoritmo têm sido propostas, inclusive com a utilização de aprendizado profundo.
No contexto jurídico, a EI tem sido bastante utilizada para a extração de informações em

petições iniciais, com diferentes objetivos. Por exemplo, o artigo “Named entity recognition
in Portuguese legal documents using deep learning” apresenta uma abordagem de deep
learning para extrair informações relacionadas à legislação e aos precedentes citados expli-
citamente em textos de petições iniciais42. Outros trabalhos também utilizam a EI para extrair
outras informações, como nomes das partes, data das ocorrências, OAB, entre outros.
38 BAEZA-YATES, Ricardo; RIBEIRO-NETO, Berthier. Recuperação de Informação: Conceitos e Tecnologia das Máquinas de
Busca. Bookman Editora, 2013.
39 KUMAR, Praveen et al. Analysis and comparative exploration of elastic search, mongodb and hadoop big data proces-
sing. In: Soft computing: Theories and applications. Springer, Singapore, 2018, pp. 605-615.
40 SARAWAGI, Sunita. Information extraction. Now Publishers Inc, 2008.
41 FINKEL, Jenny. R.; KLEEMAN, Alex; MANNING, Christopher. D. Efficient, feature-based, conditional random field parsing. In
Proceedings of ACL-08: HLT, pp. 959-967, jun 2018.
42 MOTA, Caio et al. Named entity recognition in Portuguese legal documents using deep learning. In: Encontro Nacional
De Inteligência Artificial E Computacional (ENIAC), 18, 2021, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Com-
putação, 2021, pp. 130-140.
35
2.2.3. Legal analytics
A área de Legal Analytics43 (LA) engloba diversos conceitos e tecnologias, tem natureza
interdisciplinar e está relacionada à obtenção de conhecimento a partir de vastos conjuntos
de dados de natureza jurídica. Assim, temas como aprendizagem de máquina, processa-
mento de linguagem natural e recuperação de informação são intimamente relacionados ao
LA, pela área encontrar-se mais próxima da conclusão do processo decisório.
Sendo assim, um dos objetivos da LA é expandir a forma como adquire-se conhecimento

a partir de peças jurídicas e processos, entre outros. Muito embora as técnicas conven-
cionais possam ser aplicadas no domínio jurídico, como, por exemplo, os algoritmos de
recuperação de informação em textos, a incorporação de especificidades desta classe de
documentos pode levar tais plataformas ainda mais longe. A incorporação de métricas de
relevância e similaridade jurídica, tais como os métodos baseados em cocitações ou redes
complexas44,45, amplia a noção de proximidade, sob uma ótica que não é abordada em
modelos gerais de RI.
Além do aspecto da recuperação de documentos semelhantes, a noção de similaridade

em textos jurídicos permite o desenvolvimento de soluções específicas de mineração de
dados. O Agrupamento (ou clustering) é uma técnica da IA que busca dividir determinados
objetos em grupos, levando em consideração medidas de similaridade. Dessa forma, a
tarefa do agrupamento de textos consiste em associar de forma conjunta documentos que
sejam semelhantes entre si.
A combinação de técnicas de aprendizagem não supervisionada, a exemplo de agrupa-

mentos e regras de associação à modelos estatísticos de dados estruturados em sistemas
de informação jurídica, tem motivado o desenvolvimento da chamada Jurimetria. A Jurime-
tria é definida como “estatísticas aplicadas à lei”46,47. Ou seja, a análise de grandes volumes
de dados com o objetivo de identificar padrões em decisões judiciais, sendo estas normal-
mente sumarizadas na forma de estatísticas e painéis, como por exemplo os dashboards.
43 BHATTACHARYA, Paheli. Legal Data Analytics: Developing Assistive Tools for Legal Practitioners. In: Proceedings of the
43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, 2020, pp. 2476-2476.
44 BHATTACHARYA, Paheli et al. Methods for Computing Legal Document Similarity: A Comparative Study. ArXiv
abs/2004.12307, 2020.
45 MANDAL, Arpan et al. Measuring similarity among legal court case documents. In Proceedings of the 10th Annual ACM
India Compute Conference (Compute ‘17). Association for Computing Machinery, New York, NY, USA, pp. 1–9.
46 BARBOZA, Ingrid Eduardo Macedo. A Jurimetria aplicada na criação de soluções de Inteligência Artificial, desenvolvidas
pelo CNJ, em busca do aprimoramento do Poder Judiciário. Diálogo Jurídico v. 18, n.2, pp. 9-23, 2019.
47 UNGER, Adriana Jacoto et al. Process mining-enabled jurimetrics: analysis of a Brazilian court’s judicial performance in
the business law processing. In: Proceedings of the Eighteenth International Conference on Artificial Intelligence and Law. Associa-
tion for Computing Machinery, New York, NY, USA, 2021, pp240–244.
36
Considerações finais
Neste capítulo, foram apresentados alguns dos principais conceitos e tecnologias que têm
sido adotados em iniciativas no Judiciário, como observado nesta pesquisa. As descri-
ções de modelos computacionais expõem os leitores a uma variedade de métodos a fim
de familiarizar profissionais do direito com os principais aspectos referentes à adoção de
IA no contexto do Judiciário. Além disso, foram apresentadas como, e em que medida,
o desempenho dessas tecnologias pode ser avaliado experimentalmente, assim como o
significado das principais medidas.
O número crescente de projetos que incorporam aspectos de IA já implementados ou

em desenvolvimento demonstra a busca por maior eficiência dentro do Poder Judiciário
brasileiro. Tais iniciativas têm se mostrado inevitáveis para manter a capacidade do sistema
de absorver números cada vez maiores de ações judiciais, combinado à necessidade de
redução de custos de pessoal, e de ampliar a transparência no trâmite dos processos. Os
levantamentos recentes de tais iniciativas demonstram a crescente necessidade de inves-
timentos em infraestrutura de TI para o desenvolvimento e a implantação desses sistemas;
em especial, iniciativas cujo foco consista em estruturar e automatizar processos repetitivos
de análise e triagem de documentos de texto.
37
2.3. Tecnologia na Justiça

Fernanda Bragança48
Juliana Loss49
Renata Braga50
2.3.1. Etapas da digitalização da Justiça
O primeiro momento de maior inserção da tecnologia no Judiciário se deu com a di-

gitalização dos processos em papel para o formato eletrônico. Essa mudança impactou
severamente na rotina dos profissionais que atuam no sistema de justiça. Os processos
precisavam ser protocolados presencialmente nos fóruns, apenas um advogado conseguia
consultar os autos por vez e era comum que inúmeras páginas precisassem ser fotoco-
piadas para a prática do ato processual seguinte51.
Nesta circunstância em que a tramitação processual ocorria no formato físico, havia um

obstáculo à elaboração de estatísticas do Judiciário, em razão de uma ausência de ma-
peamento dos dados. Atualmente, diante do reconhecimento dos ganhos que este tipo
de análise possibilita em termos de eficiência de política pública, entende-se a dificuldade
daquele tempo em formular políticas públicas que realmente possibilitassem uma melhora
dos serviços judiciários.
O segundo momento é marcado pela desmaterialização52 ou digitalização dos procedi-

mentos, o que possibilita a realização de atos processuais por videoconferência, como,
por exemplo, as audiências e o contato virtual com e os magistrados e a secretaria dos
tribunais. Uma conquista significativa deste momento foi a possibilidade de maior obtenção
de dados e a elaboração de análises estatísticas relativas ao processo, ao desempenho
dos juízes e servidores, e à estruturação dos tribunais.
O terceiro momento é a caracterização pela automação de diversas tarefas, bem como a

aplicação de algoritmos e Inteligência Artificial (IA)53 para tratamento de informações. Esta
fase tem despertado intensos debates acadêmicos, em consequência às diversas implica-
48 Doutora em Direito pela Universidade Federal Fluminense. Foi Pesquisadora Visitante na Université Paris 1 Pantheón
Sorbonne. Pesquisadora do Centro de Inovação, Administração e Pesquisa do Judiciário da Fundação Getulio Vargas. Advogada.
49 Doutora em Direito pela Université Paris 1 Pantheón Sorbonne e pela Universidad Carlos III de Madrid. Diretora Executiva
da Câmara de Mediação e Arbitragem da FGV. Coordenadora Executiva e Pesquisadora do Centro de Inovação, Administração e
Pesquisa do Judiciário. Coordenadora Técnica de Mediação da Fundação Getulio Vargas.
50 Doutora em Direito pela Universidade Federal de Santa Catarina. Mestre em Direito Civil pela Universidade do Estado
do Rio de Janeiro. Professora adjunta do Curso de Direito da Universidade Federal Fluminense em Volta Redonda. Coordenadora do
Grupo de Estudos e Pesquisa em Métodos Consensuais de Solução de Conflitos. Pesquisadora Externa Colaboradora do Centro de
Inovação, Administração e Pesquisa do Judiciário da FGV.
51 BRAGANÇA, Fernanda. Justiça digital: implicações sobre a proteção de dados pessoais, solução on-line de conflitos e
desjudicialização. Londrina: Editora Thoth, 2021.
52 BRANDEN, Adrien van den. Les robots à l’assaut de la justice. Bruxelas: Bruylant, 2019, p. 73.
53 O termo “Inteligência Artificial” apareceu pela primeira vez no âmbito da Universidade de Dartmouth, nos Estados
Unidos, por volta de 1956, e partia do pressuposto de que era possível reproduzir diferentes capacidades humanas, tais como o
raciocínio, o cálculo e mesmo a criação artística.
Cf. DUPRÉ, Jérôme. Du Droit saisi par l’I.A. au droit saisissant l’I.A: élements de réflexion. In: La Justice Prédictive, Archives de philo-
sophie du droit, Tome 60. Paris: Dalloz, 2018, p. 104.
38
ções do uso da IA no sistema de Justiça, tais como o processo de tomada de decisão, as

avaliações de risco, a predição de decisões e o perfilamento dos juízes.
O uso da IA pelo Judiciário é visto por algumas instituições como um critério de qua-
lidade e efetividade do sistema de Justiça. Neste sentido, a Comissão Europeia para a
Eficácia da Justiça criou um grupo de trabalho (GT) sobre a qualidade da justiça respon-
sável por orientar a aplicação dessas ferramentas nos tribunais europeus. Em dezembro
de 2018, o trabalho deste GT resultou na Carta Ética Europeia sobre o uso de IA nos
sistemas judiciais54.
Em outubro de 2019, a Conferência organizada no âmbito do Comitê de Ministros do

Conselho da Europa, com o tema “Justiça na Europa face aos desafios da Era digital”55,
demonstrou o interesse do Conselho e dos Ministros da Justiça dos Estados-membros
na crescente inclusão da tecnologia e, particularmente, da IA nos sistemas judiciários; o
que também foi acompanhado pela preocupação em garantir que essas inovações não
comprometam os direitos e as garantias dos cidadãos.
Em dezembro de 2019, a CEPEJ criou um novo GT sobre ciberjustiça e IA para apro-

fundar-se no assunto, com o objetivo de oferecer uma normativa que oriente e preveja
garantias aos Estados-membros e aos profissionais que pretendam criar ou utilizar tecno-
logias e/ou modelos de IA nos sistemas judiciais para melhorar a eficiência e a qualidade
da Justiça.
Esse movimento de crescente incorporação da tecnologia pela Justiça também mobilizou

a CEPEJ a elaborar o Plano de Ação “Digitalização para uma justiça melhor” (Digitalisation
for a better justice) para o período de 2022 a 202556. O objetivo fundamental consiste em
acompanhar os Estados e os tribunais numa transição bem-sucedida para a digitalização,
em conformidade com as normas europeias, em particular o artigo 6.º da Convenção Eu-
ropeia dos Direitos do Homem57.
54 CEPEJ. European ethical Charter on the use of Artificial Intelligence in judicial systems and their environment. Adopted
at the 31st plenary meeting of the CEPEJ (Strasbourg, 3-4 December 2018). Disponível em: < https://rm.coe.int/ethical-charter-en-
-for-publication-4-december-2018/16808f699c>. Acesso em: 28 jan. 2022.
55 CF. MIJATOVIC, Dunja. Justice in Europe facing the challenges of digital technology. Conference of Council of Europe
Justice Ministers. Strasburg, 15 out. 2019. Disponível em: < https://rm.coe.int/-justice-in-europe-facing-the-challenges-of-digital-te-
chnology-speech-/16809835e0>. Acesso em: 28 jan. 2022.
56 CEPEJ. 2022 – 2025 CEPEJ Action plan: “Digitalisation for a better justice”. Adopted at the 37th CEPEJ plenary meeting
Strasbourg and online, 8 e 9 dez. 2021. Disponível em: < https://rm.coe.int/cepej-2021-12-en-cepej-action-plan-2022-2025-digita-
lisation-justice/1680a4cf2c>. Acesso em 28 jan. 2022.
57 ARTIGO 6°
Direito a um processo equitativo
1. Qualquer pessoa tem direito a que a sua causa seja examinada, equitativa e publicamente, num prazo razoável por um tribunal
independente e imparcial, estabelecido pela lei, o qual decidirá, quer sobre a determinação dos seus direitos e obrigações de carác-
ter civil, quer sobre o fundamento de qualquer acusação em matéria penal dirigida contra ela. O julgamento deve ser público, mas
o acesso à sala de audiências pode ser proibido à imprensa ou ao público durante a totalidade ou parte do processo, quando a bem
da moralidade, da ordem pública ou da segurança nacional numa sociedade democrática, quando os interesses de menores ou a
proteção da vida privada das partes no processo o exigirem, ou, na medida julgada estritamente necessária pelo tribunal, quando,
em circunstâncias especiais, a publicidade pudesse ser prejudicial para os interesses da justiça.
2. Qualquer pessoa acusada de uma infração presume-se inocente enquanto a sua culpabilidade não tiver sido legalmente provada.
3. O acusado tem, como mínimo, os seguintes direitos:
a) Ser informado no mais curto prazo, em língua que entenda e de forma minuciosa, da natureza e da causa da acusação contra ele
formulada;
b) Dispor do tempo e dos meios necessários para a preparação da sua defesa;
c) Defender-se a si próprio ou ter a assistência de um defensor da sua escolha e, se não tiver meios para remunerar um defensor,
poder ser assistido gratuitamente por um defensor oficioso, quando os interesses da justiça o exigirem;
39
Neste documento, a CEPEJ propõe orientações ou princípios no que diz respeito à efi-
ciência; à transparência; à colaboração; à humanização; à centralização do usuário; à in-
formação; e à responsabilidade.
Segundo a CEPEJ, a transição do papel para os arquivos judiciais digitais é contínua e

necessária. Além disso, a administração da justiça deve utilizar a tecnologia da informação
para otimizar suas operações, bem como os vínculos de interligação entre as diversas ins-
tituições judiciárias. Esses instrumentos escolhidos pelos Estados e pelos tribunais precisam
ser os mais adequados e compatíveis com uma justiça de qualidade, eficiente, acessível
e imparcial, de maneira que contribua para o aperfeiçoamento da prestação jurisdicional.
A transparência implica na promoção da digitalização para melhorar o conhecimento sobre

a Justiça. As novas tecnologias devem proporcionar aos usuários um melhor conhecimento
dos procedimentos, duração dos processos, instituições judiciárias e os respectivos papéis
de cada um dos profissionais da Justiça. É recomendável que cada tribunal tenha painéis
que permitam o monitoramento e o gerenciamento do seu fluxo de processos; isto permite
identificar e limitar potenciais atrasos, respeitar prazos razoáveis e gerir melhor a carga de
trabalho dos servidores judiciários.
A colaboração diz respeito à criação de ferramentas digitais relevantes para a interconec-

tividade entre os participantes do processo judicial (juízes, promotores, advogados, outros
profissionais da justiça, usuários).
A humanização está relacionada à promoção da acessibilidade digital, por meio do apoio

à ambientação dos profissionais da justiça na utilização das ferramentas tecnológicas. O
CEPEJ ressalta que a inserção da tecnologia no Judiciário não tem a perspectiva de subs-
tituir o trabalho dos magistrados.
A centralização do usuário é uma decorrência da humanização e está ligada à formação

e proficiência dos profissionais da justiça, o que inclui os advogados, no processo de
transformação digital. A informação visa ampliar a visibilidade e o uso dos resultados da
avaliação CEPEJ sobre os sistemas judiciais. A responsabilidade mostra a preocupação
da CEPEJ em garantir a acessibilidade dessas tecnologias a todos, bem como reflitam a
expertise de quem as desenvolveu.
d) Interrogar ou fazer interrogar as testemunhas de acusação e obter a convocação e o interrogatório das testemunhas de defesa
nas mesmas condições que as testemunhas de acusação;
e) Fazer-se assistir gratuitamente por intérprete, se não compreender ou não falar a língua usada no processo.
Cf. CONSELHO DA EUROPA. Convenção Europeia dos Direitos do Homem, 1950. Disponível em < https://www.echr.coe.int/docu-
ments/convention_por.pdf>. Acesso em: 28 jan. 2022.
40
2.3.2. Evolução tecnológica na Justiça brasileira
O primeiro sistema informatizado implantado de forma bem-sucedida no Judiciário brasi-

leiro foi a urna eletrônica, utilizada pela primeira vez nas eleições municipais de 199658. A
consolidação desse sistema na Justiça Eleitoral foi responsável por impulsionar o investi-
mento em tecnologia nos tribunais.
Inicialmente, o foco dos investimentos teve dois objetivos principais59: proporcionar maior
acessibilidade, sobretudo na perspectiva de maior facilidade de acesso, aos cidadãos; e
a transmissão de dados entre os órgãos judiciários. Diante da identificação destas prio-
ridades, o CNJ estabeleceu um planejamento para a adoção de padrões eletrônicos de
interoperabilidade governamental60.
Os tribunais se empenharam, então, na disponibilização de serviços via internet, como a

consulta processual e notificações pelo sistema push com atualizações sobre o andamento
processual e envio de boletins informativos jurisprudenciais. O peticionamento eletrônico
foi regulamentado pela Lei n. 9.800 de 199961, e começou a ser operacionalizado por
meio do sistema fac-símile. Entretanto, os advogados continuavam com a obrigação de
protocolar o original em papel, presencialmente, em até cinco dias, conforme prevê o art. 2º
da referida Lei.
Em 2004, o Poder Judiciário aderiu à estrutura nacional de chaves públicas e, em 2006,

a Lei n. 11.419 regulamentou a informatização do processo judicial. Com isso, os tribunais
começaram a publicar uma série de normativas para regular o peticionamento eletrônico
com certificação digital (ICP-Brasil), como a Resolução n. 417 de 2009 do STF e a Reso-
lução n. 2 de 2007 do STJ. O STJ foi o primeiro tribunal do país a erradicar os arquivos
em papel62.
A seara trabalhista também foi precursora de uma iniciativa inovadora com a disponibiliza-
ção do software “Cálculo Rápido Trabalhista”63 na página do TST na web para o cálculo
dos valores envolvidos na ação com juros e correção monetária64.
Mais recentemente, a pauta da inovação no Poder Judiciário brasileiro ganhou corpo com
uma série de iniciativas do CNJ. Em fevereiro de 2021, o Conselho lançou o programa
de Justiça 4.0, o qual tem a proposta de desenvolver ações, estudos e estratégias para
58 FRAGALE, Roberto; VERONESE, Alexandre. Electronic Justice in Brazil. In: CERRILO I MARTINEZ, Agustí; FABRA I ABAT,
Pere. E-Justice: using information communication Technologies in the Court System. Catalonia: Scopus, 2008, p. 131.
59 BRAGANÇA, Fernanda. Ob. Cit., p. 167.
60 FRAGALE, Roberto; VERONESE, Alexandre. Ob. Cit., p. 132.
61 BRASIL. Lei nº. 9.800 de 26 de maio de 1999. Permite às partes a utilização do sistema de transmissão de dados para
a prática de atos processuais. Disponível em <http://www. planalto.gov.br/ccivil_03/leis/l9800.htm> acesso em 30 de janeiro de
2022.
62 SUPERIOR TRIBUNAL DE JUSTIÇA. Uma era digital. Portal STJ. Disponível em <http://www.stj.jus.br/sites/portalp/Insti-
tucional/Historia/A-era-digital> Acesso em 3 fev. 2022.
63 Cf. TRT disponibiliza sistema de avaliação rápida. Portal TRT da 3a Região, 10 de outubro de 2006. Disponível em
<https://portal.trt3.jus.br> Acesso em 31 jan. 2022.
64 O software evoluiu para um Sistema Único de Cálculos da Justiça do Trabalho (versão 2.4), integrado à Tabela Única
para atualização e conversão de dados trabalhistas. Para mais informações sobre o funcionamento consultar <http://www.tst.jus.br/
sistema-unico-de-calculos-da-jt> acesso em 31 de janeiro de 2022.
41
ampliar a prestação jurisdicional e facilitar o acesso à justiça no país. O programa engloba

o Juízo 100% Digital; o Balcão Virtual; a Plataforma Digital do Poder Judiciário (PDPJ);
o auxílio aos tribunais nos registros processuais primários; a consolidação, implantação,
tutoria, treinamento, higienização e publicização da Base de Dados Processuais do Poder
Judiciário (DataJud); a plataforma Codex; o aprimoramento e disseminação da Plataforma
Sinapses.
O Juízo 100% digital é a possibilidade de o cidadão valer-se da tecnologia para ter acesso
à justiça sem precisar comparecer fisicamente nos fóruns. Todos os atos processuais serão
praticados exclusivamente por meio eletrônico e remoto. A opção pelo Juízo 100% digital
é facultativa e é regulada pela Resolução n. 345 de 2020 do CNJ.
O Balcão Virtual consiste no atendimento remoto direto e imediato dos usuários dos servi-
ços da justiça pelas secretarias das varas de todo o país. É um meio de acesso permanen-
te a essas unidades por meio de recursos de videoconferência, regulado pela Resolução
n. 372 de 2021 do CNJ.
A PDPJ, regulada pela Resolução n. 335 de 2020 do CNJ, tem o objetivo de integrar e
consolidar todos os sistemas eletrônicos do Judiciário brasileiro em um ambiente unificado;
implantar o conceito de desenvolvimento comunitário, no qual todos os tribunais contri-
buem com as melhores soluções tecnológicas para o aproveitamento comum; estabelecer
padrões de desenvolvimento, arquitetura, experiência do usuário (User Experience - UX)
e operação de software, obedecendo às melhores práticas de mercado e disciplinado em
Portaria da Presidência do CNJ; e instituir plataforma única para publicação e disponibiliza-
ção de aplicações, microsserviços e modelos de IA por meio de computação em nuvem.
O DataJud, instituído pela Resolução n. 331 de 2020 do CNJ, é a base nacional do Poder
Judiciário, responsável pelo armazenamento centralizado dos dados e metadados pro-
cessuais relativos a todos os processos físicos ou eletrônicos, públicos ou sigilosos do
Superior Tribunal de Justiça (STJ); Tribunal Superior do Trabalho (TST); Tribunais Regionais
Federais (TRFs); Tribunais Regionais do Trabalho (TRTs); Tribunais Eleitorais; Tribunais
Militares; os Tribunais Estaduais e do Distrito Federal e Territórios.
Os dados do DataJud são usados para estudos e diagnósticos com o intuito de contribuir
com a construção e acompanhamento de políticas públicas, além de conferir maior trans-
parência sobre o Poder Judiciário.
O Codex é uma plataforma nacional desenvolvida pelo TJRO em parceria com o CNJ,
e que conta com duas funções principais: alimentar o DataJud de forma automatizada e
transformar, em texto puro, decisões e petições, a fim de serem tratados por modelo de IA.
Atualmente, o Judiciário brasileiro é destaque no uso de tecnologias sofisticadas, notada-

mente de IA, com a proposta fundamental de automação de tarefas e otimização dos re-
cursos humanos65. A relevância da utilização deste tipo de ferramenta no Brasil é verificável
por fatores como o número de processos, o tempo de tramitação e o volume de recursos.
65 Cf. SALOMÃO, Luís Felipe; BRAGA, Renata. O papel do Judiciário na Agenda 2030 da ONU. Conjur, opinião, 9 jul. 2021.
Disponível em: < https://www.conjur.com.br/2021-jul-09/salomao-braga-judiciario-agenda-2030-onu>. Acesso em: 31 jan. 2022.
42
O Relatório Justiça em Números do CNJ registrou que o Poder Judiciário brasileiro en-
cerrou o ano de 2020 com mais de 75,4 milhões de processos em tramitação66. Este ano
também foi marcado pela maior redução de processos pendentes na série histórica. O
tempo médio de tramitação até a baixa definitiva67 do processo ficou em 3 anos e 6 meses
e está em crescimento contínuo desde 2016. O índice de recorribilidade externa, ou seja,
recursos dirigidos a uma instância superior, também atingiu seu maior patamar histórico de
13,6% neste mesmo período68.
Não obstante os notáveis avanços tecnológicos do Judiciário brasileiro, evidenciados in-

clusive por meio de um levantamento nacional pioneiro sobre o uso de IA nos tribunais
do país realizado pelo Centro de Inovação, Administração e Pesquisa do Poder Judiciário
da Fundação Getulio Vargas69, essas informações ainda não ganharam o destaque devido,
sobretudo em órgãos e instituições internacionais. Assim, a Organização para a Coopera-
ção e Desenvolvimento Econômico (OCDE) ainda mantém uma base desatualizada desses
dados, monitorados pelo seu Observatório de IA70.
De acordo com os dados da OCDE e com o Relatório da FGV, o Judiciário brasileiro conta
com mais ferramentas de IA que a União Europeia, Estados Unidos, Reino Unido, China
e Índia71. Diante deste protagonismo do Brasil e da importância da consolidação dessas
informações de forma continuada, a FGV, com o objetivo de sistematizar e difundir sobre
a inovação nos tribunais, deu continuidade à referida pesquisa, com a atualização desses
dados nesta 2ª edição.
A boa administração do sistema de justiça gera desdobramentos econômicos e sociais

relevantes para o país, por isso a melhora da prestação jurisdicional, por meio do ofereci-
mento de serviços mais eficientes e qualificados aos cidadãos, é uma questão fundamental
e que perpassa pela aposta na inovação.
66 CONSELHO NACIONAL DE JUSTIÇA. Relatório Justiça em Números 2021. Brasília: CNJ, 2021, p. 102.
67 Ibidem, p. 203.
68 Ibidem, p. 138.
69 Cf. FUNDAÇÃO GETULIO VARGAS. Inteligência Artificial: Tecnologia aplicada à gestão dos conflitos no âmbito do
Poder Judiciário brasileiro. Rio de Janeiro: FGV, 2020. Disponível em: < https://ciapj.fgv.br/sites/ciapj.fgv.br/files/estudos_e_pesqui-
sas_ia_1afase.pdf>. Acesso em: 31 jan. 2022.
70 Cf. OECD.AI Policy Observatory. Disponível em: < https://oecd.ai/en/dashboards/countries/Brazil>. Acesso em: 31 jan.
2022.
71 Cf. OECD. AI Policy Observatory. National AI policies & strategies. Disponível em: < https://oecd.ai/en/dashboards>.
Acesso em: 31 jan. 2022.
43
2.4. O percurso da regulamentação da IA no Brasil

Caroline Tauk72
Trícia Navarro73
2.4.1. O Conselho Nacional de Justiça (CNJ)
O uso da tecnologia e da Inteligência Artificial no Poder Judiciário tem evoluído de forma

exponencial nos últimos anos, e foi ainda mais potencializado pela pandemia da Covid-19.
São muitos os benefícios identificados, que servem para implementar mecanismos de se-
gurança, otimizar processos, melhorar a eficiência, proporcionar maior agilidade e reduzir
desperdícios ao meio ambiente.
Com efeito, de acordo com estudo de Fábio Porto74, é possível verificar diversas funcio-
nalidades no âmbito do Poder Judiciário, como o auxílio nos atos de constrição e busca
de pessoas, especialmente do devedor (Sisbajud, Renajud, SIEL, Serasajud, entre outros);
identificação de suspensão por decisões em demandas repetitivas; degravação de audiên-
cia; classificação adequada dos processos, gerando dados estatísticos mais consistentes;
elaboração do relatório dos processos, filtrando as etapas relevantes; busca de jurispru-
dência; pronto atendimento ao usuário com uso, inclusive, de sistemas que podem viabi-
lizar informações e prevenir a judicialização.
A gestão cartorária também é beneficiada com a identificação de pontos de gargalos,

processos paralisados, servidores com menor/maior carga de trabalho, otimização de
algumas tarefas, como a numeração de páginas de processo, identificação de processos
para movimentação em lote e atendimento remoto ao usuário.
Nota-se que há um grande avanço na utilização dos sistemas para melhoria tanto da
prestação jurisdicional quanto do trabalho desenvolvido pelos próprios juízes, serventuários
e demais auxiliares.
Assim, essa transformação digital afetou as esferas administrativa e processual dos tribu-
nais, bem como exigiu o devido acompanhamento e fiscalização para garantir eficiência,
transparência e responsabilidade social.
Diante disso, o CNJ, instituição pública de governança e gestão que visa aperfeiçoar o
trabalho do Judiciário brasileiro, tem se dedicado a regulamentar a temática por meio de
atos normativos capazes de direcionar os tribunais e conferir segurança jurídica.
72 Juíza Federal no Tribunal Regional Federal da 2ª Região. Mestre em Direito Público pela Universidade Estadual do Rio de
Janeiro. Pesquisadora Visitante na Columbia Law School. Pesquisadora Colaboradora Externa do Centro de Inovação, Administra-
ção e Pesquisa do Judiciário da Fundação Getulio Vargas.
73 Juíza de Direito no Tribunal de Justiça do Estado do Espírito Santo, atualmente no cargo de Juíza Auxiliar da Presidên-
cia do Conselho Nacional de Justiça. Pós-doutora em Direito pela Universidade de São Paulo. Doutora em Direito Processual pela
Universidade do Estado do Rio de Janeiro. Mestre em Direito Processual pela Universidade Federal do Espírito Santo. Professora da
Graduação e do Mestrado da Universidade Federal do Espírito Santo.
74 PORTO, Fábio Ribeiro. O impacto da utilização da Inteligência Artificial no executivo fiscal: estudo do caso do Tribunal de
Justiça do Rio de Janeiro. Revista Direito e Movimento [online], vol. 17. Disponível em: <https://www.emerj.tjrj.jus.br/revistadireitoe-
movimento_online/edicoes/volume17_numero1/volume17_numero1_142.pdf>. Acesso em: 19 abr. 2021.
44
Uma das primeiras aproximações do CNJ com a regulamentação do uso da tecnologia

deu-se por meio da Resolução nº 261 de 11 de agosto de 2018, que criou o Sistema de
Solução Digital da Dívida Ativa, com objetivo de melhorar a composição entre o contribuinte
e as Fazendas Públicas 75
.
Ademais, a Portaria nº 25 do CNJ, de 19 de fevereiro de 2019 (posteriormente revogada

pela Resolução nº 395 de 07 de junho de 2021), foi um importante marco para a im-
plantação de um laboratório de inovação e um centro de IA para atender ao Judiciário,
instituindo um espaço de pesquisas e produções, visando a padronização dos sistemas e
a criação de uma política pública de inovação no âmbito de todos os tribunais.
Não obstante, o incentivo ao acesso à justiça digital integra o 4º Eixo da gestão do Ministro
Luiz Fux à frente do CNJ: Justiça 4.0 e Promoção do Acesso à Justiça Digital: Diálogo entre
o real e o digital para o incremento da governança, da transparência e da eficiência do
Poder Judiciário, com efetiva aproximação com o cidadão e redução de despesas 76
. De
acordo com os objetivos do “Programa Justiça 4.0 – inovação e efetividade na realização
da Justiça para todos” da atual gestão, ações e programas serão desenvolvidos para o uso
colaborativo de produtos que empregam novas tecnologias e IA. 77
Nesse contexto, observa-se que o CNJ tem exercido um papel fundamental no desen-
volvimento de tecnologia e Inteligência Artificial no âmbito do Poder Judiciário, primando,
ainda, pelo seu adequado controle. Em seguida, alguns atos normativos que tratam do
assunto:
75 BRASIL. Conselho Nacional de Justiça. Resolução nº 261, de 11 de agosto de 2018. Cria e institui a Política e o Sistema
de Solução Digital da Dívida Ativa, estabelece diretrizes para a criação de Grupo de Trabalho Interinstitucional e dá outras provi-
dências. Disponível em: https://atos.cnj.jus.br/atos/detalhar/atos-normativos?documento=2689#:~:text=Cria%20e%20institui%20
a%20Pol%C3%ADtica,Interinstitucional%20e%20d%C3%A1%20outras%20provid%C3%AAncias. Acesso em: 10 mar. 2021.
76 FUX, Luiz. Projetos de Gestão do Ministro Luiz Fux. Brasília, DF, 2020. Disponível em: https://www.cnj.jus.br/wp-content/
uploads/2020/10/5-Eixos-da-Justi%C3%A7a-Ministro-Luiz-Fux-22.09.2020.pdf. Acesso em: 10 jun. 2021.
77 BRASIL. Conselho Nacional de Justiça. Cartilha Justiça 4.0. Disponível em: https://www.cnj.jus.br/wp-content/uplo-
ads/2021/06/Cartilha-Justica-4-0-WEB-28-06-2021.pdf. Acesso em 24 out. 2021.
45
PORTARIA EMENTA
2019
Portaria nº 197 de 22/11/2019 Institui Grupo de Trabalho destinado à elaboração de estudos e pro-
postas voltadas à ética na produção e uso da Inteligência Artificial no
poder judiciário e dá outras providências.
2020
Portaria nº 7 de 16/01/2020 Institui o Repositório Nacional de Projetos e Versionamento de Arquivos

do Conselho Nacional de Justiça– Git.jus, como sistema de acompanha-
mento de projetos, controle de versão de arquivos e ambiente digital
central para colaboração e inovação do Poder Judiciário.
Portaria nº 271 de 04/12/2020 Regulamenta o uso de Inteligência Artificial no âmbito do Poder

Judiciário.
RECOMENDAÇÃO EMENTA
2020
Recomendação nº 70, de Recomenda aos tribunais brasileiros a regulamentação da forma de

04/08/2020 atendimento virtual aos advogados, procuradores, defensores públi-
cos, membros do Ministério Público e da Polícia Judiciária e das partes
no exercício do seu Jus Postulandi (art. 103 do NCPC), no período da
pandemia da Covid-19.
Recomendação nº 83, de Recomenda aos tribunais brasileiros o estabelecimento de critérios para

16/12/2020 a realização de audiências, avaliação da equipe interprofissional, partici-
pação em programa e/ou curso de preparação para adoção e outros atos
processuais por meio de videoconferência, enquanto perdurar o estado de
calamidade pública, reconhecido pelo Decreto Federal nº 06/2020,
em razão da pandemia mundial por Covid-19.
2021
Recomendação nº 93, de Recomenda o uso da Plataforma de Governança Digital Colaborativa

06/04/2021 do Poder Judiciário (Connect-Jus).
Recomendação nº 94, de Recomenda aos tribunais brasileiros a adoção de medidas incentivado-

09/04/2021 ras da prática de gravação de atos processuais, com vistas à melhoria
da prestação jurisdicional.
Recomendação nº 97, de Recomenda aos Tribunais de Justiça dos Estados e do Distrito Federal e
09/04/2021 dos Territórios a utilização de ferramentas tecnológicas para a realização
de audiências e atendimentos pelas equipes técnicas, em razão da
pandemia mundial por Covid-19, dentre outras recomendações.
Recomendação nº 99, de Recomenda aos tribunais e autoridades judiciais a adoção de diretrizes e

21/05/2021 procedimentos para realização de audiências concentradas para reavaliar
as medidas socioeducativas de internação e semiliberdade.
46
RESOLUÇÃO EMENTA
2018
Resolução nº 261, de 11/09/2018 Cria e institui a Política e o Sistema de Solução Digital da Dívida Ativa,
estabelece diretrizes para a criação de Grupo de Trabalho Interinstitu-
cional e dá outras providências.
2019
Resolução nº 305, de 17/12/2019 Estabelece os parâmetros para o uso das redes sociais pelos membros
do Poder Judiciário.
2020
Resolução nº 317, de 30/04/2020 Dispõe sobre a realização de perícias em meios eletrônicos ou virtuais
em ações em que se discutem benefícios previdenciários por incapaci-
dade ou assistenciais, enquanto durarem os efeitos da crise ocasionada
pela pandemia do novo Coronavírus, e dá outras providências.
Resolução nº 320, de 15/05/2020 Altera a Resolução CNJ nº 185/2013, que institui o Sistema Processo
Judicial Eletrônico – PJe como sistema de processamento de informa-
ções e prática de atos processuais e estabelece os parâmetros para sua
implementação e funcionamento.
Resolução nº 330, de 26/08/2020 Regulamenta e estabelece critérios para a realização de audiências e

outros atos processuais por videoconferência, em processos de apu-
ração de atos infracionais e de execução de medidas socioeducativas,
durante o estado de calamidade pública, reconhecido pelo Decreto
Federal nº 06/2020, em razão da pandemia mundial por Covid-19.
Resolução nº 331, de 20/08/2020. Institui a Base Nacional de Dados do Poder Judiciário – DataJud como
fonte primária de dados do Sistema de Estatística do Poder Judiciário
– SIESPJ para os tribunais indicados nos incisos II a VII do art. 92 da
Constituição Federal
Resolução nº 332, de 21/08/2020 Dispõe sobre a ética, a transparência e a governança na produção e no

uso de Inteligência Artificial no Poder Judiciário e dá outras providências
Resolução nº 334, de 21/09/2020 Institui o Comitê Consultivo de Dados Abertos e Proteção de Dados no
âmbito do Poder Judiciário.
Resolução nº 335, de 29/09/2020 Institui política pública para a governança e a gestão de processo judi-
cial eletrônico. Integra os tribunais do país com a criação da Plataforma
Digital do Poder Judiciário Brasileiro – PDPJ-Br. Mantém o sistema PJe
como sistema de Processo Eletrônico prioritário do Conselho Nacional
de Justiça.
Resolução nº 337, de 29/09/2020 Dispõe sobre a utilização de sistemas de videoconferência no Poder

Judiciário.
Resolução nº 341, de 07/10/2020 Determina aos tribunais brasileiros a disponibilização de salas para
depoimentos em audiências por sistema de videoconferência, a fim de
evitar o contágio pela Covid-19.
47
Resolução nº 342, de 09/09/2020 Institui e regulamenta o Banco Nacional de Medidas Protetivas de

Urgência – BNMPU, nos termos do parágrafo único do artigo 38-A
da Lei nº 11.340/2006, com redação dada pela Lei nº 13.827/2019.
Resolução nº 345, de 09/10/2020 Dispõe sobre o “Juízo 100% Digital” e dá outras providências.
Resolução nº 354, de 9/11/2020 Dispõe sobre o cumprimento digital de ato processual e de ordem
judicial e dá outras providências.
Resolução nº 357, de 26/11/2020 Dispõe sobre a realização de audiências de custódia por video-
conferência quando não for possível a realização, em 24 horas, de
forma presencial.
Resolução nº 358, de 02/12/2020 Regulamenta a criação de soluções tecnológicas para a resolução de

conflitos pelo Poder Judiciário por meio da conciliação e mediação.
Resolução nº 360, de 17/12/2020 Determina a adoção do Protocolo de Gerenciamento de Crises

Cibernéticas no âmbito do Poder Judiciário (PGCC/PJ).
Resolução nº 361, de 17/12/2020 Determina a adoção de Protocolo de Prevenção a Incidentes Ciber-

néticos no âmbito do Poder Judiciário (PPICiber/PJ).
Resolução nº 362, de 17/12/2020 Institui o Protocolo de Investigação para Ilícitos Cibernéticos no

âmbito do Poder Judiciário (PGCC/ PJ).
2021
Resolução nº 370, de 28/01/2021 Estabelece a Estratégia Nacional de Tecnologia da Informação e

Comunicação do Poder Judiciário (ENTIC-JUD).
Resolução nº 371, de 12/02/2021 Altera a Resolução CNJ nº 227/2016, que regulamenta o teletraba-
lho no âmbito do Poder Judiciário e dá outras providências.
Resolução nº 372, de 12/02/2021 Regulamenta a criação de plataforma de videoconferência denomi-

nada “Balcão Virtual.”
Resolução nº 375, de 02/03/2021 Altera a Resolução CNJ nº 227/2016, que regulamenta o teletraba-
lho no âmbito do Poder Judiciário e dá outras providências, criando
a Equipe de Trabalho Remoto e dando outras providências.
Resolução nº 378, de 09/03/2021 Altera a Resolução CNJ nº 345/2020, que dispõe sobre o “Juízo
100% Digital”
Resolução nº 383, de 25/03/2021 Cria o Sistema de Inteligência de Segurança Institucional do Poder

Judiciário e dá outras providências.
Resolução nº 385, de 06/04/2021 Dispõe sobre a criação dos “Núcleos de Justiça 4.0” e dá outras
providências.
Resolução nº 390, de 06/05/2021 Dispõe sobre a extinção de soluções de Tecnologia da Informação

e Comunicações e serviços digitais, que foram substituídos ou se
encontram inoperantes, fixa regras para a criação de novas soluções
de tecnologia e dá outras providências.
Resolução nº 395, de 07/06/2021 Institui a Política de Gestão da Inovação no âmbito do Poder Judiciário.
Resolução nº 396, de 07/06/2021 Institui a Estratégia Nacional de Segurança Cibernética do Poder

Judiciário (ENSEC-PJ)
Resolução nº 398, de 09/06/2021 Dispõe sobre a atuação dos “Núcleos de Justiça 4.0”, disciplinados pela
Resolução CNJ nº 385/2021, em apoio às unidades jurisdicionais.
48
Portanto, evidencia-se que o CNJ vem se empenhando para manter o Poder Judiciário em
sintonia com as exigências sociais, jurídicas e éticas para o uso de soluções tecnológicas
e dos sistemas de IA.
2.4.2. EBIA e marco legal
Em maio de 2019, a OCDE (Organização para a Cooperação e Desenvolvimento Econô-

mico) anunciou princípios para o desenvolvimento de Inteligência Artificial78. Ao todo, 42
países são signatários do documento — e o Brasil é um deles. O documento da OCDE
buscou apontar o caminho para a promoção de Inteligência Artificial de forma inovado-
ra, confiável e que respeite os direitos humanos e os valores democráticos. Para tanto,
recomenda que os países signatários promovam e implementem cinco princípios para a
administração responsável de Inteligência Artificial confiável. São os seguintes princípios:
(i) crescimento inclusivo, desenvolvimento sustentável e bem-estar: a IA deve ser concebi-

da para colocar os interesses das pessoas e do planeta em primeiro lugar, por meio do
aumento das capacidades humanas, da promoção do crescimento inclusivo e do desen-
volvimento sustentável, bem como da proteção dos ambientes naturais;
(ii) valores e justiça centrados no ser humano: os atores de IA devem respeitar o Estado
de Direito, os direitos humanos e os valores democráticos, durante todo o ciclo de vida
do sistema, incluindo liberdade, dignidade e autonomia, privacidade e proteção de dados,
não discriminação e igualdade, diversidade, justiça, justiça social e direitos trabalhistas in-
ternacionalmente reconhecidos.
(iii) transparência e explicabilidade: sistemas de IA devem ser regidos pela transparência e

divulgação responsável. Para tanto, os atores devem fornecer informações com significado,
apropriadas ao contexto e consistentes com o avanço tecnológico. Tal princípio é essencial
para promover informação ampla e de fácil compreensão pela sociedade sobre os siste-
mas de IA, para possibilitar que os adversamente afetados desafiem seus resultados, bem
como para conscientizar as partes interessadas sobre suas interações com os sistemas de
IA, inclusive no local de trabalho.
(iv) robustez, segurança e proteção: um sistema de IA robusto é aquele protegido durante

todo o seu ciclo de vida, para que possa funcionar de forma apropriada e não coloque
riscos de segurança inaceitáveis. Por isso, os atores de IA devem assegurar a rastreabili-
dade, incluindo a relativa aos conjuntos de dados, processos e decisões tomadas ao longo
do ciclo de vida do sistema de IA. Ainda, os atores da IA devem aplicar uma abordagem
contínua de avaliação e de gerenciamento de riscos.
(v) responsabilidade ou prestação de contas: os atores da IA devem ser responsabilizados

pelo seu funcionamento adequado e em harmonia com os princípios acima, conforme
seus papéis, o contexto e consistência com o avanço tecnológico.
78 OCDE. Recomendação do Conselho de Inteligência Artificial, n. 449 de 2019. Disponível: [https://legalinstruments.oecd.

org/en/instruments/OECD-LEGAL-0449].
49
Com base nos cinco princípios definidos pela OCDE para uma gestão responsável dos
sistemas de IA e em observância às suas recomendações, foi criada a Estratégia Brasi-
leira de Inteligência Artificial (EBIA) em abril de 202179. Essa estratégia busca potencializar
o desenvolvimento e a utilização da tecnologia para a promoção do avanço científico e
a solução de problemas concretos do país, identificando áreas prioritárias nas quais há
maior potencial de obtenção de benefícios. Para sua implementação, foram estabelecidos
os nove eixos temáticos abaixo:
EDUCAÇÃO
FORÇA DE TRABALHO E CAPACITAÇÃO
PD&I E EMPREENDEDORISMO
APLICAÇÃO NOS SETORES PRODUTIVOS
APLICAÇÃO NO PODER PÚBLICO
SEGURANÇA PÚBLICA
EIXOS TRANSVERSAIS
LEGISLAÇÃO, REGULAÇÃO E USO ÉTICO
GOVERNAÇA DE IA
ASPECTOS INTERNACIONAIS
EIXOS VERTICAIS
A partir destes nove pilares, a estratégia busca: (i) contribuir para a elaboração de princí-
pios éticos para o desenvolvimento e uso de IA responsáveis; (ii) promover investimentos
sustentados em pesquisa e desenvolvimento em IA; (iii) remover barreiras à inovação em
IA; (iv) capacitar e formar profissionais para o ecossistema da IA; (v) estimular a inovação
e o desenvolvimento da IA brasileira em ambiente internacional e (vi) promover ambiente
de cooperação entre os entes públicos e privados, a indústria e os centros de pesquisas
para o desenvolvimento da IA.
Como se percebe, os três eixos transversais perpassam todos os demais eixos da estra-
tégia. O primeiro deles – Legislação, Regulação e Uso Ético – ressalta a necessidade de
desenvolvimento de parâmetros jurídicos, regulatórios e éticos para orientar o desenvolvi-
mento e aplicação da tecnologia. São exemplos de temas a serem tratados neste eixo a
proteção de dados pessoais e a prevenção de discriminação e vieses algorítmicos, bem
como o estabelecimento de parâmetros legais que confiram segurança jurídica aos dife-
rentes atores que participam do ciclo de vida dos sistemas.
O segundo eixo – Governança de IA – é uma decorrência do uso ético de IA. É preciso

que estruturas de governança promovam métodos e procedimentos que assegurem a ob-
servância dos princípios éticos nos setores público e privado. É neste eixo que se insere
o debate sobre a curadoria e seleção dos dados empregados para a aprendizagem de
máquinas, a criação de rotinas, inclusive voluntárias e consensuais, de gestão de riscos,
79 MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÕES. Estratégia Brasileira de Inteligência Artificial, 2021. Disponível:
<https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/inteligencia-artificial>. Acesso em: 18 dez. 2021.
50
de monitoramento e de supervisão quanto ao uso de sistemas de IA, bem como sobre a

necessidade de que os princípios éticos sejam incorporados desde o momento da con-
cepção do sistema (privacy by design).
Finalmente, o terceiro pilar – Aspectos Internacionais – visa auxiliar a integração do Brasil

em organismos e fóruns internacionais que promovam o uso ético da IA, assim como
intensificar o compartilhamento de conhecimento, melhores práticas, comércio, finanças,
pessoas, dados e comunicações entre os países e blocos com interesses convergentes
neste campo.
A EBIA comprova a importância das ações estratégicas para que o Brasil se afirme no
cenário internacional como um produtor de tecnologia, e não apenas como importador.
Sua elaboração foi, evidentemente, uma escolha acertada do Poder Executivo. Deve-se
ressaltar, no entanto, que ao longo do desenvolvimento desta estratégia é preciso que
sejam fixados prazos e orçamento para sua implementação, a fim de dar mais concretude
às suas propostas.
Alinhando-se ao eixo 1 da EBIA, Legislação, Regulação e Uso Ético, e aos princípios éticos
estabelecidos pela OCDE, a Câmara dos Deputados aprovou o Projeto de Lei nº 21/2020,
de autoria do Deputado Federal Eduardo Bismarck, que estabelece fundamentos, princípios
e diretrizes para o desenvolvimento e a aplicação da Inteligência Artificial no Brasil80. Atual-
mente, o Projeto de Lei nº 21/2020 encontra-se no Senado, onde seguirá sua tramitação
até ser aprovado ou rejeitado.
O referido projeto, chamado Marco Legal da Inteligência Artificial, foi apresentado logo
após a publicação da Recomendação da OCDE, antes mesmo da edição da EBIA. Suas
proposições têm nítida inspiração no conteúdo ético da Recomendação e são harmô-
nicas com as ações da Estratégia. O projeto representa uma escolha acertada do Le-
gislativo ao pautar a discussão e trata da definição de conceitos técnicos, objetivos e
fundamentos do desenvolvimento e aplicação de IA, princípios éticos e diretrizes para a
atuação do Poder Público.
Dentre as diretrizes previstas para a atuação do Poder Público, merece destaque a atuação
setorial. Foi esta, aliás, a proposta na Nota Técnica elaborada em relação ao Projeto de
Lei, ocasião em que foi sugerido que “deve-se estimular que, a partir desse marco legal,
sejam estabelecidas normativas específicas para determinados setores (autorregulação) a
fim de guiar o uso de IA em certos mercados”81. É um exemplo da atuação setorial adotada
pelo CNJ ao tratar do assunto para o Judiciário por meio da Resolução nº 332/2020 e da
Portaria nº 271/2020, citadas anteriormente. É assim que o Judiciário, de forma pioneira,
seguido pelo Legislativo e Executivo, vem atuando para tentar criar um ecossistema para
o desenvolvimento e a crescente adoção de IA.
80 Projeto de Lei 21/2020, autoria Dep. Fed. Eduardo Bismarck. Disponível: [https://www.camara.leg.br/propostas-legislati-
vas/2236340].
81 FUNDAÇÃO GETULIO VARGAS. Nota Técnica sobre o Projeto de Lei 21/2020. Rio de Janeiro: FGV, 2021. Disponível
em: < https://ciapj.fgv.br/sites/ciapj.fgv.br/files/ciapj_fgv_notatecnica_ia.pdf>. Acesso em: 18 dez. 2021.
51
DOS DADOS
03
52
A P R E S E N TAÇ ÃO D O S
DA D O S DA 2 ª FA S E
DA PESQUISA
3.1. Conselho Nacional de Justiça - CNJ
NOME DA INICIATIVA Sinapses
ANO DE IMPLANTAÇÃO 2020
EQUIPE TÉCNICA Interna e Externa (PNUD, UFG, UFPE, UnB)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Em implantação
PROBLEMAS QUE Todas as iniciativas são voltadas para os processos judiciais com
BUSCA SOLUCIONAR a meta de reduzir o trabalho repetitivo e agilizar o andamento
processual.
VINCULAÇÃO A UM SISTEMA
PJe
JÁ EXISTENTE NO TRIBUNAL
TIPO DE TECNOLOGIA Inteligência Computacional / Artificial
MODELOS E TÉCNICAS DE
INTELIGÊNCIA COMPUTACIONAL Processamento de Linguagem Natural, Aprendizagem de máquina
e Aprendizagem profunda
APLICADOS NA INICIATIVA
PROCESSO DE
Supervisionado e Não supervisionado
TREINAMENTO UTILIZADO
PROBLEMA(S) Extração de informação, categorização / classificação de documentos,

MAJORITARIAMENTE agrupamento / clustering, recuperação de informação, geração textu-
ABORDADO(S) NA SOLUÇÃO al, sistema de recomendação e processamento de sinais.
DESCRIÇÃO DO É uma plataforma de modelos de Inteligência Artificial. Nela, são

recebidos os modelos e, junto com o Codex (base de dados de pro-
FUNCIONAMENTO
cessos judiciais), os modelos são treinados e, quando aplicáveis, im-
DA INICIATIVA plantados.
TIPO DE REPRESENTAÇÃO
Frequência de termos, Word Embeddings e Contextual embeddings
TEXTUAL UTILIZADA
53
LINGUAGEM DE
Python e Java
PROGRAMAÇÃO UTILIZADA
ARQUITETURA / PLATAFORMA Web, Microsserviços e Cloud providers

PRINCIPAL DA INICIATIVA
FERRAMENTAS DE Tensorflow, Scikit-Learn e Gensim. Destaca-se que, por ser uma pla-
taforma, o Sinapses pode hospedar qualquer modelo e tecnologia
TECNOLOGIA UTILIZADAS
de IA.
QUAL ALGORITMO APRESENTOU

MELHOR RESULTADO E FOI Não se aplica.
IMPLANTADO?
INFRAESTRUTURA DE Elasticsearch, memSQL e Kubernetes

PROCESSAMENTO DE DADOS
INFRAESTRUTURA DE AWS S3, Elasticsearch e memSQL

ARMAZENAMENTO DE DADOS
Chamada de Codex, essa base de dados é um JSON de todo o proces-
BASE DE DADOS/ so judicial, assim como seus andamentos (movimentações) e docu-
QUANTIDADE DE INSTÂNCIAS mentos convertidos para texto.
Atualmente, é formada por mais de 3 milhões de documentos.
PROCESSO DE ANOTAÇÃO Anotação feita durante o projeto.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
APRESENTOU SUFICIENTE
PARA O TREINAMENTO DOS
A base de dados foi suficiente para os treinamentos.
MODELOS DO PROJETO? Foram identificados diversos desafios relacionados à base.
FORAM IDENTIFICADOS
DESAFIOS RELACIONADOS
À BASE?
TIPOS DE DADOS UTILIZADOS

Textos, dados tabulares, imagens, áudio e vídeo.
NA CONSTRUÇÃO DA SOLUÇÃO
AVALIAÇÃO DOS MODELOS DE

Acurácia
INTELIGÊNCIA COMPUTACIONAL
VALIDAÇÃO HUMANA DAS

Sim
DECISÕES E DOS RESULTADOS
Ainda está em processo de implantação, mas os modelos atuais
MONITORAMENTO DO MODELO são verificados quanto à acurácia. As anomalias são reportadas
manualmente.
REALIZAÇÃO DE ATUALIZAÇÃO
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Manual e automático, dependendo do modelo a ser usado.
AUDITABILIDADE DO SISTEMA Sim
54
ATUAL ESTÁGIO DOS Em fase de implantação.

RESULTADOS
FOI REALIZADO MAPEAMENTO

DOS RESULTADOS DA UTILIZA-
ÇÃO DA INTELIGÊNCIA COMPU-
TACIONAL NO TRIBUNAL?
AS EXPECTATIVAS DE CURTO,
MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois a plata-
forma está em processo de implantação.
FORAM ATENDIDAS?
FOI FEITO ESTUDO PARA
VALIDAR OS BENEFÍCIOS OU
GANHOS EM PRODUTIVIDADE
COM O USO DA SOLUÇÃO?
ATUAIS LIMITAÇÕES DOS

Ainda não é aplicável.
RESULTADOS ESPERADOS
RISCOS DOS MODELOS DE

Classificação inadequada.
APLICADOS NESTA INICIATIVA
PLANO DE INVESTIMENTO DO
Aproximadamente 48 milhões de reais por ano.
TRIBUNAL EM TECNOLOGIA
PARA OS PRÓXIMOS ANOS
O TRIBUNAL POSSUI UM
CLUSTER DEDICADO AO Sim (com GPU).
DESENVOLVIMENTO DE
PROJETOS DE APRENDIZAGEM
DE MÁQUINA?
INTEGRAÇÕES DE BASE DE
DADOS EXTERNAS E SISTEMAS
EXTERNOS QUE SERIAM
Integração com todos os sistemas de processo eletrônico de todos
IMPORTANTES PARA O os tribunais.
APRIMORAMENTO E ENRIQUE-
CIMENTO DESTE SISTEMA DE
DESCOBERTAS REALIZADAS
APÓS O PROCESSAMENTO
DOS DADOS COM USO DE Ainda não está disponível.
TÉCNICAS DE INTELIGÊNCIA
COMPUTACIONAL
OUTROS PROJETOS DE
INTELIGÊNCIA ARTIFICIAL QUE
O Sinapses é uma plataforma aberta e, portanto, pode hospedar
PODERIAM SER DESENVOLVIDOS qualquer projeto ou modelo de IA.
PARA MELHORIA NA PRESTAÇÃO
JURISDICIONAL
55
3.2. Supremo Tribunal Federal - STF
NOME DA INICIATIVA Victor
EQUIPE TÉCNICA Interna e externa (UNB)
EQUIPE DE CURADORIA
Interna e externa (UNB)
E TREINAMENTO
SITUAÇÃO ATUAL Em produção
PROBLEMAS QUE
Indicação de temas de repercussão geral no âmbito recursal no STF
BUSCA SOLUCIONAR
STF Digital
INTELIGÊNCIA COMPUTACIONAL Aprendizagem de máquina
PROCESSO DE Aprendizado supervisionado

PROBLEMA(S) Visualização / Exploração de dados, extração de informação, catego-

MAJORITARIAMENTE rização / classificação de documentos, otimização e sistema de reco-
ABORDADO(S) NA SOLUÇÃO mendação.
DESCRIÇÃO DO Os autos processuais dos feitos recursais remetidos ao STF são sub-
FUNCIONAMENTO metidos ao modelo, que identifica a presença de um ou mais temas
DA INICIATIVA de repercussão geral.
Frequência de termos
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
ARQUITETURA / PLATAFORMA
Microsserviços
FERRAMENTAS DE
Tensorflow e Scikit-Learn.
56

MELHOR RESULTADO E FOI XGBoost
IMPLANTADO?
INFRAESTRUTURA DE Computação distribuída

INFRAESTRUTURA DE Rede local

BASE DE DADOS/ Autos processuais no período de três anos com cerca de 10 milhões
QUANTIDADE DE INSTÂNCIAS de documentos.
PROCESSO DE ANOTAÇÃO Base pré-anotada

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Predominância de processos sem tema, peças sem conteúdo textual,
MODELOS DO PROJETO? peças agrupadas em volumes e qualidade da digitalização.
FORAM IDENTIFICADOS
À BASE?

Textos e dados tabulares

Precisão

Sim
MONITORAMENTO DO MODELO Comparação da inferência com a análise humana
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Manualmente
ATUAL ESTÁGIO DOS A performance inicial é satisfatória, mas carece de aprimoramento

para contemplar uma quantidade mais expressiva de temas e au-
RESULTADOS mentar a precisão.
57

Ainda não foi realizado o mapeamento dos resultados, pois o siste-
MÉDIO E LONGO PRAZO ma ainda se encontra em fase de análise para consolidar o uso em
FORAM ATENDIDAS? produção.

Baixa taxa de acerto para temas recentes.

INTELIGÊNCIA COMPUTACIONAL Necessidade de treinamento constante do modelo.
PLANO DE INVESTIMENTO
Transformar a Corte em 100% digital e pavimentar caminhos para
DO TRIBUNAL EM TECNOLOGIA
prospectar outras inciativas de IA.
O TRIBUNAL POSSUI
UM CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Não
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Padronização no envio de autos processuais pelas Cortes de origem.
Necessidade de processo mais célere de extração de dados.
DOS DADOS COM USO DE
COMPUTACIONAL
OUTROS PROJETOS DE INTELI-

GÊNCIA ARTIFICIAL QUE PO-
DERIAM SER DESENVOLVIDOS Agrupamento de processos por similaridade.
JURISDICIONAL
58
3.3. Superior Tribunal de Justiça – STJ
NOME DA INICIATIVA Athos
EQUIPE TÉCNICA Interna
EQUIPE DE CURADORIA E
Interna
TREINAMENTO
PROBLEMAS QUE Triangulação de Jurisprudência; Identificação de Temas Repetitivos;

BUSCA SOLUCIONAR Monitoramento de Temas.
Sistema Justiça-Web
TIPO DE TECNOLOGIA Inteligência Computacional/Artificial
Aprendizagem de máquina
PROCESSO DE Aprendizado Não supervisionado

PROBLEMA(S)
MAJORITARIAMENTE Categorização / classificação de documentos, agrupamento / clustering,
recuperação de informação e otimização
ABORDADO(S) NA SOLUÇÃO
Utilizando-se de um corpus de 328 mil documentos extraídos da

jurisprudência do STJ, o modelo foi treinado para a geração de re-
presentações vetoriais de documentos do escopo jurídico. Estas
representações vetoriais são, então, armazenadas e utilizadas para
DESCRIÇÃO DO verificação de similaridade semântica entre os documentos. O recur-
FUNCIONAMENTO so permite busca por grau de similaridade e até mesmo a formação
automática de grupos de documentos, bem como o monitoramento
DA INICIATIVA
em tempo real de processos com peças semelhantes aos paradigmas
apontados. A solução está completamente integrada ao sistema de
acompanhamento processual da Corte, e hoje conta com aproxima-
damente 10 milhões de peças processuais vetorizadas.
Word Embeddings e Paragraph Vector Model
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java
ARQUITETURA / PLATAFORMA Web, Microsserviços

59
FERRAMENTAS DE
Gensim, Single Store e Django.

MELHOR RESULTADO E FOI Aprendizado Não supervisionado
IMPLANTADO?
INFRAESTRUTURA DE Dispositivo local


BASE DE DADOS/
QUANTIDADE DE INSTÂNCIAS Corpus com 328 mil documentos extraídos da jurisprudência do STJ.
PROCESSO DE ANOTAÇÃO -
DE DADOS UTILIZADO
A BASE UTILIZADA SE
A qualidade dos documentos utilizados atendeu plenamente aos
MODELOS DO PROJETO? objetivos.
FORAM IDENTIFICADOS
À BASE?
Textos

Validação da utilidade dos clusters pelos destinatários da solução.
VALIDAÇÃO HUMANA DAS DECI-

Sim
SÕES E DOS RESULTADOS
MONITORAMENTO DO MODELO Há uma curadoria obrigatória e contínua dos resultados.
REALIZAÇÃO DE ATUALIZAÇÃO OU
Sim
APERFEIÇOAMENTO
AUDITABILIDADE DO SISTEMA Não
ATUAL ESTÁGIO DOS

Em produção e uso por toda a área-fim da Corte.
RESULTADOS
60

AS EXPECTATIVAS DE CURTO, Foi realizado o mapeamento dos resultados e as expectativas foram
MÉDIO E LONGO PRAZO atendidas. Também foi elaborado um estudo para validar os ganhos
FORAM ATENDIDAS? e benefícios pela Secretaria Judiciária (SJD) e pelo Núcleo de Geren-
ciamento de Precedentes (NUGEPNAC).
ATUAIS LIMITAÇÕES DOS O modelo não opera bem com documentos curtos, o que forçou a
implementação de filtros para essa condição de forma a evitar res-
postas inadequadas.
RISCOS DOS MODELOS DE O usuário ainda não adotou integralmente a solução. Há necessida-
INTELIGÊNCIA COMPUTACIONAL de de atualização periódica, porém em janelas de tempo mais lon-
APLICADOS NESTA INICIATIVA gas, de dois anos.
Aproximadamente 100 milhões de reais por ano para toda a área de
tecnologia.
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Sim (sem GPU)
DE MÁQUINA?
EXTERNOS QUE SERIAM IMPOR-
TANTES PARA O APRIMORAMEN- Integração com a iniciativa Codex do CNJ.
TO E ENRIQUECIMENTO DESTE
SISTEMA DE INTELIGÊNCIA
COMPUTACIONAL
APÓS O PROCESSAMENTO Possibilidade de incremento da qualidade da resposta com a utiliza-
ção de mais dados relacionais, triangulação de metadados, outliers,
dentre outras.
COMPUTACIONAL

DERIAM SER DESENVOLVIDOS -
JURISDICIONAL
61
NOME DA INICIATIVA DataJud – Identificação dos assuntos TUA/CNJ
EQUIPE TÉCNICA Interna e externa
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Em desenvolvimento
Identificação das matérias tratadas nos feitos que aportam ao Tribu-

PROBLEMAS QUE nal, utilizando a codificação da Tabela Única de Assuntos do Conse-
BUSCA SOLUCIONAR lho Nacional de Justiça (TUA/CNJ) de forma a alimentar a iniciativa
DataJud.
Sistema Justiça
INTELIGÊNCIA COMPUTACIONAL -
PROCESSO DE
Aprendizado Supervisionado
PROBLEMA(S)
MAJORITARIAMENTE Categorização / Classificação de documentos
DESCRIÇÃO DO A solução utiliza-se das comparações vetoriais do Athos para indicar

FUNCIONAMENTO o assunto mais provável do documento, com base na experiência
DA INICIATIVA armazenada.
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
Gensim e Sigle Store.
62
QUAL ALGORITMO APRESENTOU A abordagem atual, voltada para a avaliação do resultado com o
aproveitamento dos vetores do Athos, é a única adotada até agora.
MELHOR RESULTADO E FOI A depender do resultado, outras abordagens para o problema serão
IMPLANTADO? testadas.


A solução utiliza os vetores do sistema Athos para localizar documen-

BASE DE DADOS/ tos semanticamente semelhantes sob análise.
QUANTIDADE DE INSTÂNCIAS Atualmente, o Athos conta com 10 milhões de peças processuais ve-
torizadas.
PROCESSO DE ANOTAÇÃO
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A alteração da regra imposta pelo CNJ, que passou a exigir detalha-
MODELOS DO PROJETO? mento no nível folha da árvore, em vez de aceitar classificações a par-
tir do terceiro ramo, tornou o problema especialmente desafiador.
FORAM IDENTIFICADOS
À BASE?


Acurácia

Sim
MONITORAMENTO DO MODELO Não se aplica. O projeto encontra-se em fase de desenvolvimento.
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Não se aplica.
ATUAL ESTÁGIO DOS Os valores iniciais extraídos estão sendo avaliados pela equipe de
RESULTADOS negócio.
63

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois a plata-
forma está em processo de implantação.
FORAM ATENDIDAS?
Esse mapeamento ainda não foi realizado. A expectativa é que o mo-
delo atenda, em primeiro momento, 80% da demanda gerada pelo
RESULTADOS ESPERADOS problema.
RISCOS DOS MODELOS DE O excesso de confiança na ferramenta pode levar a uma falha na cura-
INTELIGÊNCIA COMPUTACIONAL doria contínua, que levaria o modelo à falência em algum tempo.
TRIBUNAL EM TECNOLOGIA tecnologia.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Não se aplica.
APÓS O PROCESSAMENTO Detalhes não documentados inicialmente e posteriormente levanta-
dos junto à equipe de negócio promoveram um aumento aparente
da acurácia da solução.
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS -
JURISDICIONAL
64
NOME DA INICIATIVA Indexação de Peças Processuais em Processos Originários
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Em Em implantação produção
PROBLEMAS QUE Otimizar a identificação e indexação das peças processuais nos autos
BUSCA SOLUCIONAR originários.
Sistema Justiça
Visão computacional e PLN
PROCESSO DE Aprendizado Supervisionado

PROBLEMA(S)
DESCRIÇÃO DO A solução utiliza visão computacional associada ao uso das compara-

FUNCIONAMENTO ções semânticas do Athos para identificar o início e o fim das peças
DA INICIATIVA processuais, bem como sua respectiva classe.
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
ARQUITETURA / PLATAFORMA Microsserviços

FERRAMENTAS DE
OpenCV e Gensim

A abordagem aplica comparação vetorial para indicar os documentos
MELHOR RESULTADO E FOI mais semelhantes, tanto visualmente quanto textualmente.
IMPLANTADO?
65


BASE DE DADOS/ Foram utilizados os índices anotados disponíveis na base de dados

do STJ, assim como os vetores do Athos e as imagens das peças pro-
QUANTIDADE DE INSTÂNCIAS
cessuais.
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Foram identificadas inconsistências que introduziram certo ruído na
MODELOS DO PROJETO? base. Porém, a solução mostrou-se suficientemente resiliente para
FORAM IDENTIFICADOS lidar com eles.
À BASE?

Textos e imagens

Acurácia

Sim
MONITORAMENTO DO MODELO Não se aplica.
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Quanto a essa inciativa, encontra-se em produção assistida, enquanto
RESULTADOS o restante das funcionalidades vinculadas está sendo desenvolvido.

AS EXPECTATIVAS DE CURTO, Não foi realizado o mapeamento dos resultados, mas as observações
MÉDIO E LONGO PRAZO dos usuários são muito animadoras. Somente em estágio mais avan-
FORAM ATENDIDAS? çado poder-se-á medir adequadamente estes ganhos.
66

O modelo não analisa especificamente o conteúdo da peça processual.

INTELIGÊNCIA COMPUTACIONAL Até o presente momento, não foi identificado risco.
tecnologia.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
As integrações já estão sendo implementadas ao longo do desenvol-
IMPORTANTES PARA O vimento da ferramenta.
-
COMPUTACIONAL

DERIAM SER DESENVOLVIDOS -
JURISDICIONAL
67
NOME DA INICIATIVA Identificação de Fundamentos de Inadmissão do REsp
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Otimizar a atividade de análise de admissibilidade dos Agravos em

BUSCA SOLUCIONAR Recurso Especial.
Sistema Justiça
INTELIGÊNCIA COMPUTACIONAL Processamento de Linguagem Natural
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Extração de informação, Categorização/ Classificação de documentos
DESCRIÇÃO DO A solução lê uma peça relativa à análise de admissibilidade realizada

FUNCIONAMENTO pelo tribunal a quo, que restou negativa, identifica e lista os funda-
DA INICIATIVA mentos aplicados para inadmitir o Recurso Especial.
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
ARQUITETURA / PLATAFORMA Web

FERRAMENTAS DE Scikit-Learn, NLTK, Gensim, Spacy.


MELHOR RESULTADO E FOI Em análise
IMPLANTADO?
68

INFRAESTRUTURA DE
Rede local
BASE DE DADOS/ Foi utilizada uma base histórica com aproximadamente 340 mil do-
cumentos relativos à análise de admissibilidade do REsp e 750 mil
anotações.
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Foram identificadas inconsistências nos dados anotados, mas como
MODELOS DO PROJETO? a base é extensa, acredita-se que esses ruídos não serão capazes de
FORAM IDENTIFICADOS gerar grande impacto no resultado.
À BASE?


Acurácia

Sim
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Não se aplica.
RESULTADOS
69

MÉDIO E LONGO PRAZO Não foi realizado o mapeamento dos resultados.
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Há necessidade de curadoria contínua por parte dos usuários da
RESULTADOS ESPERADOS solução.

INTELIGÊNCIA COMPUTACIONAL Não foram identificados, até o momento, riscos.
TRIBUNAL EM TECNOLOGIA -
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O A integração será contemplada na implementação do sistema.
APÓS O PROCESSAMENTO -
COMPUTACIONAL
OUTROS PROJETOS DE
JURISDICIONAL
70
3.4. Tribunal Superior do Trabalho – TST
NOME DA INICIATIVA Bem-te-vi
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Apoio à gestão do acervo dos gabinetes, especialmente à atividade

BUSCA SOLUCIONAR de triagem de processos.
Não está ligado a um sistema específico. Por ser um sistema para

VINCULAÇÃO A UM SISTEMA consolidação de informações, tem vários sistemas como fonte: eSIJ,
JÁ EXISTENTE NO TRIBUNAL SAG, PJe/TST, PJe/TRTs, eRecurso TRTs, Diário Eletrônico da Justiça do
Trabalho.
TIPO DE TECNOLOGIA Analytics / Business Intelligence
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Analytics / Business Intelligence, Categorização / Classificação de do-
cumentos, Agrupamento / Clustering
O objetivo do sistema Bem-te-vi é prover informações para a gestão

dos gabinetes, especialmente a atividade de triagem. São disponi-
bilizados em uma tela de fácil consulta dados estruturados dos pro-
cessos do gabinete, como partes e assuntos; peças processuais para
pesquisa textual de despachos de admissibilidade e acórdãos; e in-
formações produzidas utilizando Inteligência Artificial. Os dados de
processos decididos nos últimos dois anos por cada Ministro foram
DESCRIÇÃO DO utilizados como insumos para algoritmos de aprendizado de máqui-
FUNCIONAMENTO na, para previsões como a decisão do processo (provimento ou não),
DA INICIATIVA o assessor mais experiente na matéria tratada no processo, o formato
da decisão (acórdão ou decisão monocrática) e a análise de transcen-
dência, um critério jurídico para admissibilidade do recurso definido
pela Reforma Trabalhista de 2017.
Um modelo de agrupamento de processos semelhantes, conside-
rando tanto processos atualmente em tramitação quanto já julgados,
está em desenvolvimento.
Word Embeddings
TEXTUAL UTILIZADA
71
LINGUAGEM DE
Python, Java e Javascript
ARQUITETURA / PLATAFORMA Web e Microsserviços

FERRAMENTAS DE Gensim e Scikit-Learn


MELHOR RESULTADO E FOI Random Forest, Word2Vec e XGBoost
IMPLANTADO?
INFRAESTRUTURA DE
Computação distribuída
INFRAESTRUTURA DE
HDFS em Rede local
Como entrada para os modelos de aprendizagem supervisionada,

foram utilizados os textos das principais peças do processo: acórdão
do TRT, despacho de admissibilidade para o TST, petições de Recurso
de Revista e de Agravo de Instrumento. Estas peças foram extraídas
dos sistemas dos Tribunais Regionais, PJe e eRecurso, em formatos
BASE DE DADOS/ PDF ou HTML.
QUANTIDADE DE INSTÂNCIAS Como saída, foram utilizados dados estruturados obtidos nos sis-
temas jurídicos do TST: decisão do processo, formato da decisão e
servidor responsável pela minuta de voto.
Foram analisados os processos julgados pelo Ministro nos últimos
dois anos.
Para a geração do arquivo Word2Vec foram utilizados 5 milhões de
documentos.

DE DADOS UTILIZADO
Algumas saídas não puderam ser utilizadas por não estarem devi-
A BASE UTILIZADA SE damente cadastradas nos sistemas, sendo gerenciadas em controles
externos.
Houve uma dificuldade para a previsão de decisão pela grande
PARA O TREINAMENTO DOS quantidade de saídas. Para isso, fizemos um mapeamento para redu-
MODELOS DO PROJETO? zir a quantidade e tornar o algoritmo mais assertivo.
FORAM IDENTIFICADOS Outra dificuldade é a mudança da configuração do trabalho no pe-
DESAFIOS RELACIONADOS ríodo. Para a previsão de assessor responsável, por exemplo, muitas
À BASE? vezes a janela de dois anos é excessiva, pois a atribuição das pessoas
muda ao longo do tempo nos gabinetes.


Acurácia
72

Sim
MONITORAMENTO DO MODELO Houve monitoramento apenas durante o treinamento do modelo.
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Automaticamente usando AUTOML
O sistema Bem-te-vi auxilia os gabinetes na atividade de triagem, no

agrupamento de processos semelhantes e, consequentemente, no
aumento da produtividade.
ATUAL ESTÁGIO DOS Em relação às informações preditivas, entretanto, ainda não há uma
RESULTADOS utilização massiva, mas alguns gabinetes já relataram informalmen-
te a utilização dos dados para triagem, especialmente os relaciona-
dos à transcendência.
FOI REALIZADO MAPEAMENTO Ainda não foi realizado o mapeamento dos resultados para a avalia-
DOS RESULTADOS DA UTILIZA- ção das expectativas.
ÇÃO DA INTELIGÊNCIA COMPU- Antes do sistema Bem-te-vi, os dados eram providos pela ferramenta
de Business Intelligence. Frente à solução anterior, a velocidade de
acesso à lista completa de processos do acervo de um Gabinete de
AS EXPECTATIVAS DE CURTO, tamanho médio (12 mil processos) caiu de 30 para 2 segundos, um
MÉDIO E LONGO PRAZO aumento de 15 vezes.
FORAM ATENDIDAS? Pela possibilidade de exploração das informações dos processos, o
FOI FEITO ESTUDO PARA sistema Bem-te-vi permite ao gabinete a definição de estratégias de
VALIDAR OS BENEFÍCIOS OU julgamento, como foco em processos semelhantes de algum tema
específico, por exemplo, o que pode acelerar a produção.
A previsão de decisão é muito simplificada. Devido às limitações nos
dados de treino, o modelo sugere apenas uma decisão única para o
processo, sendo que, na verdade, é comum que haja decisões distin-
tas para os diferentes temas de um mesmo processo. Por isso, o mo-
delo preditivo de decisão pode não agregar informações relevantes
para a triagem do gabinete.
Os modelos treinados não são consistentes em todos os gabinetes.
Como não existe um processo de trabalho padronizado em todo o
Tribunal, os dados podem ser gerados e cadastrados de maneiras di-
ATUAIS LIMITAÇÕES DOS ferentes em cada unidade, como acontece, por exemplo, no registro
RESULTADOS ESPERADOS dos assessores que analisaram o processo. A falta de padronização
prejudica a criação da base de treino, criando a necessidade de um
trabalho dedicado em cada Gabinete, principalmente na etapa de
preparação dos dados.
É difícil determinar o grau de confiança das previsões. Atualmente, é
considerada apenas a métrica de “score” retornada pelo algoritmo de
treinamento, mas ainda não existe uma validação adequada quanto
a essa informação, seja por meio de uma equipe de curadoria ou de
algum procedimento automático para avaliar a acurácia das previ-
sões e retroalimentar os modelos.
73
Diminuição da confiança dos usuários nas soluções de inteligên-

cia artificialInteligência Artificial como um todo. Por se tratar de
RISCOS DOS MODELOS DE um projeto de inovação que faz uso de tecnologias que não são
INTELIGÊNCIA COMPUTACIONAL compreendidas pela maior parte dos usuários finais, é possível que
APLICADOS NESTA INICIATIVA exista alguma desconfiança quanto aos resultados dos modelos
preditivos. Se a taxa de acerto for baixa, o grau de confiança irá
diminuir, podendo comprometer inclusive a aceitação dos usuários
em entregas futuras.
O plano anual de investimentos do Tribunal, periodicamente

PLANO DE INVESTIMENTO DO publicado e revisto, é definido de acordo com a disponibilidade de
TRIBUNAL EM TECNOLOGIA recursos do Orçamento da União para o ano, não sendo possível
falarmos em termos de investimentos para além do exercício atual.
PARA OS PRÓXIMOS ANOS O plano do ano atual está disponível em: https://www.tst.jus.br/
web/guest/estrategia-de-ti.
CLUSTER DEDICADO AO
DE MÁQUINA?
Poderia existir uma melhor integração com a base do PJe dos
DADOS EXTERNAS E SISTEMAS Tribunais Regionais do Trabalho. Hoje, os principais insumos para
EXTERNOS QUE SERIAM o treinamento dos modelos preditivos são as peças processuais
IMPORTANTES PARA O produzidas no PJe dos TRTs, mas o acesso a esses dados por parte
APRIMORAMENTO E ENRIQUE- de aplicações externas nem sempre é possível. Além disso, poderia
CIMENTO DESTE SISTEMA DE haver uma maior uniformização na identificação dos tipos das peças
processuais.
DESCOBERTAS REALIZADAS Verificou-se a falta de orientação a dados em muitas atividades dos

gabinetes. Algumas previsões não puderam ser realizadas pois, em
APÓS O PROCESSAMENTO vez de realizar a tarefa de criar um modelo de minuta pelo sistema,
DOS DADOS COM USO DE por exemplo, o gabinete os mantém em uma pasta da Rede local,
TÉCNICAS DE INTELIGÊNCIA não permitindo que esses dados sejam utilizados para a saída do
COMPUTACIONAL algoritmo.
Agrupamento de processos semelhantes dentro do gabinete, consi-

OUTROS PROJETOS DE derando julgados e acervo atual, para acelerar a produção e unifor-
INTELIGÊNCIA ARTIFICIAL QUE mizar as decisões; análise de processos em tramitação no TST que
PODERIAM SER DESENVOLVIDOS devem ser suspensos por tratarem de matéria que aguarda decisão
PARA MELHORIA NA PRESTAÇÃO do STF; análise de processos semelhantes já julgados, ou ainda em
JURISDICIONAL tramitação na Justiça do Trabalho, para definição de jurisprudência;
sugestão de texto de minuta durante a confecção.
74
3.5. Tribunal Regional Federal da 1ª Região
NOME DA INICIATIVA ANÁLISE LEGAL INTELIGENTE - ALEI
EQUIPE TÉCNICA Interna e externa (Laboratório de IA/UnB Gama)
Interna e externa (Laboratório de IA/UnB Gama)
TREINAMENTO
(1) desenvolver um assistente inteligente de elaboração de minu-

tas (decisão monocrática/voto colegiado);
PROBLEMAS QUE (2) associar ao processo judicial em análise julgados anteriores e
BUSCA SOLUCIONAR jurisprudências;
(3) formar lotes para julgamento;
(4) agrupar processos similares.
PJe
Processamento de Linguagem Natural

PROBLEMA(S) Visualização / Exploração de dados, Extração de informação, Cate-

MAJORITARIAMENTE gorização / Classificação de documentos, Agrupamento / Clustering,
ABORDADO(S) NA SOLUÇÃO Recuperação de informação, Geração textual, Otimização
Trata-se de um conjunto de motores de IA que resultam em informa-

ções agrupadas em um Assistente de Minutas (decisão monocrática/
voto colegiado) que visa associar, ao processo judicial em análise,
DESCRIÇÃO DO julgados anteriores [(a) julgados qualificados ou não, colegiado
FUNCIONAMENTO ou não, no STF; (b) julgados qualificados ou não, colegiado ou
DA INICIATIVA não, no STJ; (c) julgados qualificados ou não, colegiado ou não, no
TRF1;], proporcionando julgamento em lote, após agrupamento de
processos similares.
Frequência de termos, Word Embeddings e Contextual embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Web e Microsserviços
75
FERRAMENTAS DE
Tensorflow, Keras e Scikit-Learn

MELHOR RESULTADO E FOI Em desenvolvimento
IMPLANTADO?
INFRAESTRUTURA DE Servidores físicos e virtuais disponibilizados para os sistemas

BASE DE DADOS/
Base interna do PJe. A última atualização foi em março de 2020.
PROCESSO DE ANOTAÇÃO Anotação feita durante o projeto

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base está sendo avaliada.
Os desafios estão nas classes desbalanceadas e dados desestrutura-
MODELOS DO PROJETO? dos, com dificuldade de acesso à peça que serviria ao Aprendizado
FORAM IDENTIFICADOS de Máquina.
DESAFIOS RELACIONADOS À
BASE?

Textos

Medida F

Sim
MONITORAMENTO DO MODELO Em desenvolvimento
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Em desenvolvimento
ATUAL ESTÁGIO DOS

Em desenvolvimento
RESULTADOS
76

Ainda não foi realizado o mapeamento dos resultados.
MÉDIO E LONGO PRAZO O estudo para validar os benefícios em produtividade está em
FORAM ATENDIDAS? desenvolvimento.
ATUAIS LIMITAÇÕES DOS Identificação da peça processual (Sentença, Apelação, entre outros)
RESULTADOS ESPERADOS que servirá ao Aprendizado de Máquina.

Necessidade de atualização constante e não acesso à peça processual
INTELIGÊNCIA COMPUTACIONAL que servirá ao Aprendizado de Máquina.
TRIBUNAL EM TECNOLOGIA Em processo de elaboração
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Sistemas CODEX e DATAJUD.
DOS DADOS COM USO DE Em desenvolvimento
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Projeto semelhante ao ALEI em nível de Primeiro Grau
JURISDICIONAL
77
NOME DA INICIATIVA Não há iniciativa implantada no momento, apenas estudos iniciais
EQUIPE DE CURADORIA -
E TREINAMENTO
SITUAÇÃO ATUAL Ideação
NOME DA INICIATIVA SIGMA
EQUIPE DE CURADORIA Interna

E TREINAMENTO
PROBLEMAS QUE Auxílio na produção de minutas com a organização e o ranqueamento

BUSCA SOLUCIONAR de modelos e decisões
PJe
INTELIGÊNCIA COMPUTACIONAL Aprendizagem profunda

PROBLEMA(S)
MAJORITARIAMENTE Ranqueamento
DESCRIÇÃO DO
Ranqueamento de modelos e decisões a partir de informações
FUNCIONAMENTO extraídas pela SINARA e seleções ocorridas no passado.
DA INICIATIVA
Word Embeddings
TEXTUAL UTILIZADA
78
LINGUAGEM DE
Python

FERRAMENTAS DE Tensorflow

MELHOR RESULTADO E FOI LSTM
IMPLANTADO?

Para a classificação dos dispositivos extraídos pela SINARA, foram
BASE DE DADOS/ utilizados aproximadamente mil parágrafos extraídos de recursos
QUANTIDADE DE INSTÂNCIAS extraordinários e recursos especiais.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Suficiente. Não houve problemas de desbalanceamento ou ruído.
FORAM IDENTIFICADOS
À BASE?

Textos

Acurácia

Sim
O sistema está em produção há pouco tempo. Existem testes
MONITORAMENTO DO MODELO periódicos.
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Automática
79
Na maioria do Tribunal, o SIGMA está em produção há pouco tempo

ATUAL ESTÁGIO DOS e os usuários estão sendo treinados para utilização. Na Vice-Presi-
RESULTADOS dência, que utiliza o programa há mais tempo, houve aumento da
produtividade com diminuição do acervo concluso.

TACIONAL NO TRIBUNAL? Foi realizado o mapeamento dos resultados e as expectativas foram
AS EXPECTATIVAS DE CURTO, atendidas.
MÉDIO E LONGO PRAZO Na Vice-Presidência, o aumento da produtividade levou à redução
FORAM ATENDIDAS? do acervo a zero processos conclusos. A aferição por hora de servidor
FOI FEITO ESTUDO PARA não foi possível.
ATUAIS LIMITAÇÕES DOS Dificuldade de interpretabilidade.


INTELIGÊNCIA COMPUTACIONAL Os riscos são minimizados pela constante supervisão humana.
A atualização é automática conforme utilização.
PLANO DE INVESTIMENTO Os investimentos em TI são feitos com observância à ENTIC-JUD e

orientados pelo plano Diretor de TI para o biênio, sendo que ques-
DO TRIBUNAL EM TECNOLOGIA tões relativas à IA são trabalhadas no orçamento geral, ligados à in-
PARA OS PRÓXIMOS ANOS fraestrutura.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O CODEX do CNJ
DESCOBERTAS REALIZADAS Mesmo com poucos dados, já que há a separação do entendimento

APÓS O PROCESSAMENTO de cada magistrado, é possível realizar o ranqueamento de proces-
DOS DADOS COM USO DE sos se as informações corretas forem extraídas. O ranqueamento não
utiliza aprendizado de máquina, mas é realizado a partir de informa-
ções cuja extração utiliza.
COMPUTACIONAL
OUTROS PROJETOS DE
INTELIGÊNCIA ARTIFICIAL QUE Triagem automática, produção de certidões, redação de relatórios,
PODERIAM SER DESENVOL- identificação de assuntos
VIDOS PARA MELHORIA NA
PRESTAÇÃO JURISDICIONAL
80
NOME DA INICIATIVA Agrupamento de apelações por similaridade de sentença
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Produção
Exibir, de forma gráfica, o acervo de processos de natureza recursal

(das classes Apelação Cível, Remessa Necessária Cível e Apelação/
Remessa Necessária) de acordo com a similaridade da sentença do
PROBLEMAS QUE processo originário.
BUSCA SOLUCIONAR A partir desta exibição, permitir a identificação e a seleção de grupos
de processos para a execução de ações em bloco, e permitir a criação
de regras de automação para casos futuros similares ao grupo sele-
cionado.
Eproc
PROCESSO DE
Agrupamento
PROBLEMA(S)
MAJORITARIAMENTE Visualização / Exploração de dados, Agrupamento / Clustering
Os processos de natureza recursal em tramitação no segundo grau

são selecionados por rotina diária. Para cada processo destes, é iden-
tificada a sentença proferida no processo originário (primeiro grau).
O texto da sentença é então pré-processado e submetido a um mode-
lo BERT pré-treinado a fim de se obter um vetor de valores que repre-
senta semanticamente o conteúdo da sentença (do inglês document
DESCRIÇÃO DO embedding). Uma vez gerado os vetores de valores para todas as
FUNCIONAMENTO sentenças, é aplicado o algoritmo t-SNE para reduzir a dimensiona-
lidade para apenas duas dimensões. Por fim, quando um usuário
DA INICIATIVA
de gabinete de segundo grau acessa a tela que exibe o acervo de
processos recursais em tramitação no seu gabinete, cada processo é
exibido como um ponto em um gráfico de duas dimensões. Assim, é
possível identificar grupos de processos similares, para tomar ações
em bloco. Além disso, os textos das sentenças são indexados no Elas-
ticSearch para permitir o filtro por termos.
81
Contextual embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python e PHP
Web
São utilizados modelos multi-idioma pré-treinados BERT para a ge-
ração dos embeddings por meio da biblioteca do Python, chamada
FERRAMENTAS DE “sentence_transformers”, e o algoritmo t-SNE para redução de di-
TECNOLOGIA UTILIZADAS mensionalidade, também implementado em Python. Além disso,
utiliza-se o ElasticSearch para possibilitar o filtro por termos.

MELHOR RESULTADO E FOI Modelos BERT e t-SNE
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/ A quantidade de documentos analisados depende do gabinete

QUANTIDADE DE INSTÂNCIAS analisado
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não se aplica ao agrupamento
FORAM IDENTIFICADOS
À BASE?

Textos

Não se aplica

Sim
MONITORAMENTO DO MODELO Não se aplica à funcionalidade de agrupamento
Não
OU APERFEIÇOAMENTO
82
ATUAL ESTÁGIO DOS A funcionalidade encontra-se em produção em todos os gabinetes

RESULTADOS de segundo grau

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, mas já pode-se
afirmar que atende às expectativas
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Em gabinetes que não possuem grupos de processos bem distintos,
RESULTADOS ESPERADOS a seleção de processos similares pode ser difícil.
RISCOS DOS MODELOS DE Como a funcionalidade é de agrupamento, não é possível identificar

INTELIGÊNCIA COMPUTACIONAL o percentual de acerto da solução como em uma funcionalidade de
APLICADOS NESTA INICIATIVA aprendizado de máquina tradicional.
PLANO DE INVESTIMENTO DO O plano orçamentário para investimentos em TI em 2021 está em

TRIBUNAL EM TECNOLOGIA torno de 3 milhões de reais. Para 2022, há previsão orçamentária de
PARA OS PRÓXIMOS ANOS 5,8 milhões.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Não foi identificada a necessidade de integração com bases externas
Descobriu-se a baixa disponibilidade de modelos pré-treinados em
DOS DADOS COM USO DE português
COMPUTACIONAL
OUTROS PROJETOS DE Há o plano de integrar a funcionalidade de automação do Eproc à
INTELIGÊNCIA ARTIFICIAL QUE funcionalidade de agrupamento para que os usuários possam, a par-
PODERIAM SER DESENVOLVIDOS tir da tela de agrupamento, selecionar grupos de processos para que
PARA MELHORIA NA PRESTAÇÃO ações automatizadas possam ser realizadas quando um novo proces-
so ingressar nos grupos identificados.
JURISDICIONAL
83
NOME DA INICIATIVA JULIA (Jurisprudência Laborada com Inteligência Artificial)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
Auxilia na pesquisa jurisprudencial e torna mais ágil o processo

PROBLEMAS QUE de localização de processos sobrestados, cujas decisões devam ser
BUSCA SOLUCIONAR reformadas em função de julgamento de processo judicial de um
tema por Tribunal Superior (Repercussão Geral/Recurso repetitivo).
PJe
TIPO DE TECNOLOGIA Analytics / Business Inteligence
MODELOS E TÉCNICAS DE Faz uso do “Elasticsearch”, mecanismo de busca baseado na biblio-

INTELIGÊNCIA COMPUTACIONAL teca Lucene, uma biblioteca Java para indexação e pesquisa de
APLICADOS NA INICIATIVA textos mantida pela Apache Software Foundation.

PROBLEMA(S)
MAJORITARIAMENTE Extração de informação, Categorização / Classificação de documen-
tos e Recuperação de informação
Uma interface web é disponibilizada para pesquisa em base indexa-

DESCRIÇÃO DO da com a tecnologia, propiciando o rápido acesso a quaisquer docu-
FUNCIONAMENTO mentos. Permite também a pesquisa por similaridade de conteúdo,
DA INICIATIVA partindo, neste último caso, de amostra indicada pelo usuário.
Não se aplica.
TEXTUAL UTILIZADA
LINGUAGEM DE
Java
Web
Elasticsearch, mecanismo de busca baseado na biblioteca Lucene,

FERRAMENTAS DE uma biblioteca Java para indexação e pesquisa de textos mantida
TECNOLOGIA UTILIZADAS pela Apache Software Foundation.
84

MELHOR RESULTADO E FOI Não se aplica.
IMPLANTADO?
INFRAESTRUTURA DE Servidor do Tribunal


A base de dados do PJe com metadados e documentos textuais é
BASE DE DADOS/ utilizada para indexação pela ferramenta.
QUANTIDADE DE INSTÂNCIAS A base é diariamente atualizada com os novos metadados e docu-
mentos inseridos no PJe no dia anterior.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não se aplica.
FORAM IDENTIFICADOS
À BASE?


Não se aplica.

Sim
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Não se aplica.
RESULTADOS
85

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, mas pode-se
afirmar que as expectativas foram atendidas
FORAM ATENDIDAS?

Não se aplica

INTELIGÊNCIA COMPUTACIONAL Não se aplica
PLANO DE INVESTIMENTO DO No segmento de Inteligência Artificial, capacitar e montar grupo de
TRIBUNAL EM TECNOLOGIA trabalho para explorar o seu uso com a finalidade de propiciar ganho
PARA OS PRÓXIMOS ANOS de produtividade nas atividades jurisdicionais
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
Não foram planejadas ações de integração com soluções externas no
IMPORTANTES PARA O momento
DOS DADOS COM USO DE Não se aplica
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Iniciativas com uso de IA estão sendo planejadas
JURISDICIONAL
86
3.10. Tribunal de Justiça do Acre – TJ/AC
NOME DA INICIATIVA I.A. de classificação de petições intermediárias
EQUIPE TÉCNICA Externa (Softplan Planejamento e Sistemas)
EQUIPE DE CURADORIA
Externa (Softplan Planejamento e Sistemas)
E TREINAMENTO
A IA de classificação de petição intermediária é realizada de forma

automática por meio de análise no conteúdo do documento, que
identifica e já sugere a classificação da petição correspondente ao
teor do documento. Ao contrário de como era realizado anteriormen-
PROBLEMAS QUE te, totalmente de forma manual e propício à classificação genérica,
a solução reduz o tempo de protocolo da petição com a classificação
BUSCA SOLUCIONAR
sendo realizada de forma automática, agilizando o andamento pro-
cessual por meio de automatização, que reduz o tempo em que os
processos ficam parados nas filas de trabalho internas no Tribunal,
além de agilizar a rotina cartorária, permitindo a tomada de decisão
mais assertiva.
SAJ

PROBLEMA(S)
tos, e Otimização
A partir do anexo da petição realizada no portal e-SAJ, por meio do
serviço da IA, é realizada a leitura do teor do documento para identi-
DESCRIÇÃO DO ficar as possibilidades de classificação correta da petição. Após a lei-
FUNCIONAMENTO tura, a IA identifica a lista das classes possíveis de classificação e re-
DA INICIATIVA troalimenta o peticionamento eletrônico, onde são apresentadas ao
peticionante como sugestão de classificação, ordenadas pelo percen-
tual de assertividade, até quatro sugestões em ordem decrescente.
TEXTUAL UTILIZADA
87
LINGUAGEM DE
Python e Java

FERRAMENTAS DE NLTK e Scikit-Learn


MELHOR RESULTADO E FOI Logistic Regression
IMPLANTADO?


BASE DE DADOS/ Aproximadamente 50 mil do histórico de petições intermediárias
QUANTIDADE DE INSTÂNCIAS dos últimos quatro anos no TJAC

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Muitos exemplos classificados de forma genérica tiveram que ser
MODELOS DO PROJETO? descartados do treinamento, mas ainda assim a base se apresentou
FORAM IDENTIFICADOS suficiente
À BASE?

Textos

Medida F

Sim
MONITORAMENTO DO MODELO Monitoramento de acurácia baseado no feedback do usuário
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO Redução de 31% no volume de petições intermediárias classificadas

DOS RESULTADOS de forma genérica
88
Foi realizado o mapeamento dos resultados e as expectativas foram

FOI REALIZADO MAPEAMENTO atendidas.
Foi realizado um estudo para validar os ganhos e benefícios. Antes
mesmo do desenvolvimento da solução, buscou-se o entendimento
ÇÃO DA INTELIGÊNCIA COMPU- por meio de hipóteses de resultados, como:
TACIONAL NO TRIBUNAL? - Redução de petições entradas com classificação de forma genérica;
AS EXPECTATIVAS DE CURTO, - Redução do tempo de avaliação das petições nas rotinas cartorárias;
MÉDIO E LONGO PRAZO - Redução do tempo de tramitação processual;
FORAM ATENDIDAS? - Redução do tempo de protocolo das petições.
Aproximadamente 50% das petições são protocoladas com classifica-
FOI FEITO ESTUDO PARA ção genérica, o que exige análise e recategorização de forma manual
VALIDAR OS BENEFÍCIOS OU e individual pelos cartorários (em média, uma petição fica por até
GANHOS EM PRODUTIVIDADE 15 dias na fila aguardando análise). Após a aplicação da IA, já houve
COM O USO DA SOLUÇÃO? uma redução de 31% no volume de petições classificadas de forma
genérica.
Poucas amostras de classes menos frequentes, impossibilitando a
abrangência destas no treinamento e consequentemente excluindo-
RESULTADOS ESPERADOS -as das sugestões

INTELIGÊNCIA COMPUTACIONAL Não há grandes riscos
TRIBUNAL EM TECNOLOGIA Em análise
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
Secretaria de Segurança, Procuradorias, Defensoria Pública, Ministé-
IMPORTANTES PARA O
rio Público, Advocacia.
DOS DADOS COM USO DE Não houve descobertas.
COMPUTACIONAL
Importante a realização de Discovery para entendimento do(s) gar-

OUTROS PROJETOS DE galo(s) atualmente existentes nos usuários finais para que sejam
INTELIGÊNCIA ARTIFICIAL QUE avaliadas as devidas possibilidades de automação por meio da IA.
A Classificação da Petição Intermediária é um exemplo, onde indo a
PODERIAM SER DESENVOLVIDOS campo junto aos usuários finais, mais especificamente os advogados,
PARA MELHORIA NA PRESTAÇÃO se observou que a IA tinha grandes potenciais de uso nesta necessi-
JURISDICIONAL dade, pois traz benefícios a praticamente todos os intervenientes no
processo, desde a parte entrante com a ação.
89
3.11. Tribunal de Justiça do Alagoas – TJ/AL
NOME DA INICIATIVA Robô Hércules
EQUIPE TÉCNICA Externa (Universidade Federal de Alagoas)
EQUIPE DE CURADORIA
Externa (Universidade Federal de Alagoas)
E TREINAMENTO
SITUAÇÃO ATUAL Implantação
PROBLEMAS QUE
Triagem automática de documentos jurídicos
BUSCA SOLUCIONAR
SAJ

PROBLEMA(S)
MAJORITARIAMENTE Visualização / Exploração de dados, Categorização / Classificação de
documentos
DESCRIÇÃO DO A solução foi desenvolvida inicialmente com o objetivo de realizar

FUNCIONAMENTO triagem de petições intermediárias na vara de execução fiscal do mu-
nicípio de Maceió
DA INICIATIVA
TEXTUAL UTILIZADA
LINGUAGEM DE
Python

FERRAMENTAS DE
Scikit-learn

MELHOR RESULTADO E FOI SVM
IMPLANTADO?
90


BASE DE DADOS/ As bases foram coletadas e rotuladas de acordo com a demanda.

QUANTIDADE DE INSTÂNCIAS Foram utilizados milhares de documentos.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
Sim, porém com acompanhamento para garantir a qualidade
MODELOS DO PROJETO?
FORAM IDENTIFICADOS
À BASE?

Textos

Acurácia

Sim
MONITORAMENTO DO MODELO Validação humana
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO -
ATUAL ESTÁGIO DOS

95% de acurácia
RESULTADOS

MÉDIO E LONGO PRAZO atendidas.
FORAM ATENDIDAS? Foi realizado um estudo para validar os ganhos e benefícios.
91
ATUAIS LIMITAÇÕES DOS Escalabilidade para outros problemas depende da coleta de bases
RESULTADOS ESPERADOS de dados

Escalabilidade para outros problemas depende da coleta de bases
de dados
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Integração com bases de tribunais superiores
APÓS O PROCESSAMENTO O acúmulo de petições intermediárias da vara de execução fiscal foi
DOS DADOS COM USO DE facilmente resolvido com o uso de aprendizado de máquina (PLN)
COMPUTACIONAL

Coletar novas bases de textos para resolver outros problemas de clas-
DERIAM SER DESENVOLVIDOS
sificação/triagem de documentos jurídicos
JURISDICIONAL
92
3.12. Tribunal de Justiça do Amapá – TJ/AP
NOME DA INICIATIVA TIA
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Identificar as demandas repetitivas do Tribunal de Justiça do Amapá

BUSCA SOLUCIONAR
Tucujuris

PROBLEMA(S)
DESCRIÇÃO DO O robô extrai textos da petição inicial e, junto com metadados do

processo, classifica uma petição inicial de acordo com a demanda
FUNCIONAMENTO
repetitiva, se houver
DA INICIATIVA
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE Tensorflow, Keras e Scikit-Learn


MELHOR RESULTADO E FOI MLP com duas camadas ocultas
IMPLANTADO?
93


Foram utilizadas as petições iniciais dos últimos 12 meses em re-
lação à data de treinamento do modelo, além dos metadados dos
BASE DE DADOS/ processos.
A quantidade de itens na base é variável dependendo do dia em que
o treinamento é realizado, pois utiliza-se os últimos 12 meses de da-
dos de maneira randômica e balanceada.
Estima-se que foram utilizados 10 mil exemplares.
Anotação feita durante o projeto
DE DADOS UTILIZADO
A BASE UTILIZADA SE
Classes desbalanceadas, ruído, baixa qualidade de imagens, classifi-
MODELOS DO PROJETO?
cação errada de dados passados, dados não classificados
FORAM IDENTIFICADOS
À BASE?

Textos, dados tabulares e imagens

Medida F

Sim
MONITORAMENTO DO MODELO O monitoramento é feito pelo analista judiciário usuário do sistema,

mas o modelo se ajusta automaticamente às mudanças toda semana
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS -

RESULTADOS
94

AS EXPECTATIVAS DE CURTO, Não houve mapeamento dos resultados, porém a equipe técnica
MÉDIO E LONGO PRAZO do tribunal respondeu que as expectativas foram atendidas. Não foi
FORAM ATENDIDAS? realizado estudo para validar os benefícios ou ganhos em produti-
vidade.
A maior limitação é o número baixo de varas que têm petições clas-

sificadas por demandas repetitivas, impossibilitando a utilização do
RESULTADOS ESPERADOS algoritmo para muitas demandas repetitivas.

CLUSTER DEDICADO AO
DE MÁQUINA?
Seria interessante uma integração com o DATAJUD para ampliação do
TANTES PARA O APRIMORAMEN-
repertório de modelos
COMPUTACIONAL
DOS DADOS COM USO DE Ainda não é possível afirmar
COMPUTACIONAL
OUTROS PROJETOS DE
Predição de textos. Identificação e sugestão de padrões em senten-
PODERIAM SER DESENVOLVIDOS
ças. Sistemas de suporte à decisão de magistrados e analistas
JURISDICIONAL
95
3.13. Tribunal de Justiça da Bahia - TJ/BA
NOME DA INICIATIVA Projeto Temas Repetitivos
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Desenvolvimento
PROBLEMAS QUE Avaliar a indicação de possíveis aplicações de temas repetitivos (STJ,

BUSCA SOLUCIONAR STF e IRDR) em processos no segundo grau de jurisdição
PJe

PROBLEMA(S)
MAJORITARIAMENTE Categorização / Classificação de documentos, Agrupamento /
Clustering
DESCRIÇÃO DO Técnicas de PLN são aplicadas para a conversão de um tipo de peça ju-
FUNCIONAMENTO dicial em vetor numérico que é utilizado para alimentar o treinamento
DA INICIATIVA e a predição de modelos de classificação treinados para este fim
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
ARQUITETURA / PLATAFORMA Microsserviços

FERRAMENTAS DE
Scikit-Learn

MELHOR RESULTADO E FOI Linear SVM
IMPLANTADO?
96
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Computação em nuvem
BASE DE DADOS/
Dados do PJe com cerca mais de 1,5 mil documentos
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Suficiente, Desbalanceamento, Extração e Pré-processamento
FORAM IDENTIFICADOS
À BASE?

Textos

Medida F

Sim
MONITORAMENTO DO MODELO Ainda não foi alcançada essa etapa
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Ainda não se aplica.
ATUAL ESTÁGIO DOS

-
RESULTADOS

ÇÃO DA INTELIGÊ`NCIA COMPU-
Não houve mapeamento dos resultados, mas a equipe técnica do
MÉDIO E LONGO PRAZO Tribunal informou que a iniciativa atendeu às expectativas
FORAM ATENDIDAS?
97

-

INTELIGÊNCIA COMPUTACIONAL Flexibilidade à atualização
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Ainda não é possível afirmar
DOS DADOS COM USO DE Ainda não é possível afirmar
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Agrupamento de processos por similaridade
JURISDICIONAL
98
3.14. Tribunal de Justiça do Ceará – TJ/CE
NOME DA INICIATIVA LEIA Precedentes
EQUIPE TÉCNICA Externa (Softplan)
EQUIPE DE CURADORIA
Externa (Softplan)
E TREINAMENTO
PROBLEMAS QUE Identificação de processos judiciais que tratam de matéria relativa

a 50 temas indicados pelos tribunais participantes do projeto LEIA,
BUSCA SOLUCIONAR que foram tratados pelos tribunais superiores
SAJ
TIPO DE TECNOLOGIA -

PROBLEMA(S)
Extração de informação, Categorização / Classificação de documen-
MAJORITARIAMENTE
tos, Processamento de sinais (áudio, vídeo, entre outros)
DESCRIÇÃO DO A partir da leitura de petições iniciais, eram procurados conjuntos de

FUNCIONAMENTO expressões que estivessem associadas aos temas, conforme matriz
DA INICIATIVA definida para cada um deles
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Desktop
FERRAMENTAS DE
-

MELHOR RESULTADO E FOI -
IMPLANTADO?
99
INFRAESTRUTURA DE -
INFRAESTRUTURA DE -
BASE DE DADOS/
Arquivos no formato PDF

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS -
MODELOS DO PROJETO?
FORAM IDENTIFICADOS
À BASE?
Textos

-

Sim
MONITORAMENTO DO MODELO -
Não
OU APERFEIÇOAMENTO
AUDITABILIDADE DO SISTEMA -
ATUAL ESTÁGIO DOS -

RESULTADOS
MÉDIO E LONGO PRAZO -
FORAM ATENDIDAS?
100
Identificação dos processos, dentro do universo submetido ao pro-

jeto, estariam vinculados a um ou mais dos 50 temas indicados
RESULTADOS ESPERADOS pelo TJCE

Está em desenvolvimento grupo para avançar na utilização de IA no
TRIBUNAL EM TECNOLOGIA âmbito do TJCE
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Em processo de revisão
DOS DADOS COM USO DE -
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Pesquisa jurisprudencial
JURISDICIONAL
101
NOME DA INICIATIVA Programa Cientista Chefe
ANO DE IMPLANTAÇÃO -
EQUIPE TÉCNICA Interna e externa (Universidade de Fortaleza)
EQUIPE DE CURADORIA
Interna e externa (Universidade de Fortaleza)
E TREINAMENTO
PROBLEMAS QUE
Demandas repetitivas, celeridade
BUSCA SOLUCIONAR
PJe e SAJ
Processamento de Linguagem Natural.
INTELIGÊNCIA COMPUTACIONAL Aprendizagem de máquina e Aprendizagem profunda.

PROBLEMA(S)
MAJORITARIAMENTE Visualização / Exploração de dados, Extração de informação, Catego-
rização / Classificação de documentos, Recuperação de informação
O programa possui duas grandes iniciativas: uma voltada para Pro-
DESCRIÇÃO DO cessamento de Linguagem Natural aplicada às peças processuais, e
outra voltada para análise de dados estruturados e uso de aprendiza-
FUNCIONAMENTO
do de máquina. A priori, os dados estão sendo explorados e um cor-
DA INICIATIVA pus de linguagem jurídica está sendo criado. Futuramente, espera-se
utilizar modelos de IA para grandes aplicações no Judiciário.
Frequência de termos e Contextual embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
ARQUITETURA / PLATAFORMA Cloud providers

FERRAMENTAS DE
Ainda não foram utilizadas

MELHOR RESULTADO E FOI Ainda não foi utilizado
IMPLANTADO?
102
INFRAESTRUTURA DE Ainda não foi utilizado.

INFRAESTRUTURA DE Computação em nuvem

BASE DE DADOS/
Não foi utilizada

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Ainda não foram utilizadas
FORAM IDENTIFICADOS
À BASE?


Ainda não foram utilizadas

-
MONITORAMENTO DO MODELO Ainda não foram utilizadas
-
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Ainda não foram utilizadas
ATUAL ESTÁGIO DOS

-
RESULTADOS
MÉDIO E LONGO PRAZO Não foi realizado
FORAM ATENDIDAS?
103

-
PLANO DE INVESTIMENTO DO O TJCE possui o programa Cientista Chefe, em parceria com a Funcap.
TRIBUNAL EM TECNOLOGIA Além deste, foi instituído o Promojud, programa de modernização
PARA OS PRÓXIMOS ANOS em parceria com o BID.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Ainda não foram utilizadas
DOS DADOS COM USO DE Ainda não foram utilizadas
COMPUTACIONAL
104
3.15. Tribunal de Justiça do Distrito Federal – TJ/DFT
NOME DA INICIATIVA HORUS
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Digitalização do acervo físico da Vara de Execução Fiscal, assim como
BUSCA SOLUCIONAR identificação dos tipos de documento e carga no PJe
PJe
PROCESSO DE
Aprendizado Não supervisionado
PROBLEMA(S)
MAJORITARIAMENTE Agrupamento / Clustering
Baseado na IA, o sistema Hórus realiza a inserção automática no PJe

DESCRIÇÃO DO de processos digitalizados, reconhece o código de caracteres dos
FUNCIONAMENTO documentos via OCR, recupera dados de sistema de tramitação de
DA INICIATIVA processos físicos, classifica tipos de documentos e utiliza certificado
digital do Tribunal para inserir documentos no PJe
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
k-means
105

MELHOR RESULTADO E FOI k-means
IMPLANTADO?

BASE DE DADOS/ 181.200 PDF’s digitalizados dos processos da VEF que posteriormen-
QUANTIDADE DE INSTÂNCIAS te foram submetidos a uma rotina de OCR (Tesseract)
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados foi formada por despacho, AR, Petição Inicial e sen-
MODELOS DO PROJETO? tença, e foi satisfatória
FORAM IDENTIFICADOS
À BASE?

PDF

Base de distâncias

Não
MONITORAMENTO DO MODELO Ao ser detectada uma anomalia na classificação, era utilizada uma
abordagem secundária para realizar a classificação do documento
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS 100% de distribuição no PJE dos processos da VEF
106

MÉDIO E LONGO PRAZO Foi realizado um estudo para validar os ganhos e os benefícios. Em
FORAM ATENDIDAS? média, um arquivo processado pelo Hórus leva em torno de 1 minu-
FOI FEITO ESTUDO PARA to, comparado aos 10 minutos da distribuição manual.

Baixa qualidade da digitalização

INTELIGÊNCIA COMPUTACIONAL Não reconhecimento dos tipos de documento
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Bases da Receita Federal, da PGFN e da OAB
DOS DADOS COM USO DE Não existe padronização de cadastro das partes
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Identificar os processos passíveis de conciliação
JURISDICIONAL
107
NOME DA INICIATIVA AMON
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Reconhecimento facial dos jurisdicionados

BUSCA SOLUCIONAR
Siden - Sistema de identificação do TJDFT
Aprendizagem profunda

PROBLEMA(S)
MAJORITARIAMENTE Processamento de sinais
Para implementar um sistema de reconhecimento facial a partir de
fotografias, foi criado o Amon, que gerencia o controle integrado de
DESCRIÇÃO DO acesso às dependências do Tribunal. Em funcionamento desde junho
FUNCIONAMENTO de 2020, o sistema permite realizar a conferência de cada pessoa
DA INICIATIVA pelo reconhecimento facial, gerando maior controle sobre os acessos
ao Tribunal. Com isso, o TJDFT consegue oferecer mais segurança aos
magistrados, servidores e todos que ingressam em seus prédios.
Base de distâncias de imagens
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
FERRAMENTAS DE
OPENCV
108

MELHOR RESULTADO E FOI CNN e HOG
IMPLANTADO?
INFRAESTRUTURA DE OpenShift

BASE DE DADOS/ 1,2 milhão de fotos da base de imagens dos jurisdicionados manti-
QUANTIDADE DE INSTÂNCIAS das pelo SIDEN.
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente
MODELOS DO PROJETO? Os desafios estão relacionados às características das fotos de baixa
FORAM IDENTIFICADOS qualidade
À BASE?

Dados tabulares e imagens

Base de distâncias

Sim
MONITORAMENTO DO MODELO Por meio de painel de BI
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Automaticamente
ATUAL ESTÁGIO DOS

RESULTADOS Resultados satisfatórios
109

FORAM ATENDIDAS?
Não foi realizado um estudo para validar os ganhos e benefícios.

Reconhecer o jurisdicionado com metadado diverso.

TRIBUNAL EM TECNOLOGIA Não
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Polícia Civil e Polícia Federal
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Um pequeno percentual de possíveis fraudes
DOS DADOS COM USO DE Identificação automática de processos passíveis de conciliação
COMPUTACIONAL
110
NOME DA INICIATIVA TOTH
Interna
TREINAMENTO
PROBLEMAS QUE
Recomendação de classes e assuntos baseados na petição inicial
BUSCA SOLUCIONAR
PJe

PROBLEMA(S)
MAJORITARIAMENTE Sistema de recomendação
O projeto Toth busca recomendar a classe e os assuntos do processo

DESCRIÇÃO DO durante a etapa do fluxo do PJe, identificada como petição inicial.
FUNCIONAMENTO Esta recomendação é baseada no treinamento supervisionado de
DA INICIATIVA algoritmos de classificação, tendo como base a petição inicial sub-
metida pelo advogado.
Word Embeddings e StopWords
TEXTUAL UTILIZADA
LINGUAGEM DE
Python

FERRAMENTAS DE Scikit-Learn
111

MELHOR RESULTADO E FOI Fasttext
IMPLANTADO?
INFRAESTRUTURA DE Openshift
INFRAESTRUTURA DE Minio
BASE DE DADOS/ 15 mil petições iniciais protocoladas e classificadas pela 1ª Vice-Pre-

QUANTIDADE DE INSTÂNCIAS sidência em relação à classe e ao assunto do processo

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente para algumas classes e assun-
MODELOS DO PROJETO? tos mais relevantes
FORAM IDENTIFICADOS
À BASE?

PDFs que passaram por OCR

Acurácia

Sim
MONITORAMENTO DO MODELO Atualmente não temos painel de BI para monitorar a solução
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Satisfatório
RESULTADOS
112

atendidas.
MÉDIO E LONGO PRAZO
FORAM ATENDIDAS? Foi realizado um estudo para validar os ganhos e benefícios.
FOI FEITO ESTUDO PARA O sistema encontra-se em fase de avaliação de resultados.
ATUAIS LIMITAÇÕES DOS Insuficiência de petições para atender à totalidade de classes e

RESULTADOS ESPERADOS assuntos do CNJ

INTELIGÊNCIA COMPUTACIONAL Gerar recomendações de classes e assuntos com baixa acurácia
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Base do DataJud/CNJ
DOS DADOS COM USO DE Erros de classificações por parte dos advogados
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Identificação automática de processos passíveis de conciliação
JURISDICIONAL
113
NOME DA INICIATIVA SAREF
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Controle de presença dos apenados da Vara de Execuções das Penas
BUSCA SOLUCIONAR em Regime Aberto por reconhecimento facial
SEEU

PROBLEMA(S)
DESCRIÇÃO DO O projeto Saref visa agilizar a apresentação de uma população de

20 mil apenados na VEPERA, por meio de algoritmos de reconheci-
FUNCIONAMENTO
mento facial, auxiliando e modernizando o controle de presença da
DA INICIATIVA unidade
Base de distâncias
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
FERRAMENTAS DE
OPENCV
114

MELHOR RESULTADO E FOI CNN e HOG
IMPLANTADO?
INFRAESTRUTURA DE OpenShift
INFRAESTRUTURA DE Minio
BASE DE DADOS/ 4,5 mil fotos da base de metadados de apenados associada a ima-
QUANTIDADE DE INSTÂNCIAS gens de alta qualidade
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? A base de dados se mostrou suficiente
FORAM IDENTIFICADOS
À BASE?


Base de distâncias

Sim
MONITORAMENTO DO MODELO Previsão de implantação do sistema para 2021
Não
|OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Previsão de implantação do sistema para 2021
RESULTADOS
115

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois o sistema
FORAM ATENDIDAS? está em processo de implantação
ATUAIS LIMITAÇÕES DOS Ainda não foi realizado o mapeamento dos resultados, pois o sistema
RESULTADOS ESPERADOS está em processo de implantação

Reconhecer um apenado com metadados de outro; tentativa de frau-
de com simulação de imagem digital prévia
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Polícia Civil e SEEU
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Identificação automática de processos passíveis de conciliação
JURISDICIONAL
116
NOME DA INICIATIVA Argus
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Identificação de acórdãos similares, com o mesmo teor de decisão,

BUSCA SOLUCIONAR para tratamento unificado pela jurisprudência
Não
PROCESSO DE Aprendizado Não supervisionado

PROBLEMA(S)
MAJORITARIAMENTE Sumarização, Extração de informação, Recuperação de informação,
Otimização e Sistema de recomendação
DESCRIÇÃO DO Com o uso de algoritmos de agrupamento de documentos, foi possí-

FUNCIONAMENTO vel determinar o que é similar, gerando um agrupamento para me-
lhora do fluxo de trabalho
DA INICIATIVA
TEXTUAL UTILIZADA
LINGUAGEM DE
Java

FERRAMENTAS DE Apache Mahout


MELHOR RESULTADO E FOI K-Means
IMPLANTADO?
117


BASE DE DADOS/ Banco de dados e Extração de texto em PDF


DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? A base de dados foi suficiente
FORAM IDENTIFICADOS
À BASE?

Acurácia

Sim
MONITORAMENTO DO MODELO Anomalias
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS Redução de 20% do trabalho burocrático

FORAM ATENDIDAS?
Foi realizado um estudo para validar os ganhos e benefícios.
118

Dificuldade em achar a acurácia que satisfaça o usuário

INTELIGÊNCIA COMPUTACIONAL Baixo grau de aceitação
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O É um sistema autocontido. Não se vê essa necessidade.
DOS DADOS COM USO DE Um grande volume de decisões com o mesmo viés jurídico
COMPUTACIONAL
OUTROS PROJETOS DE
É um modelo que busca prever em que tipos de processos será mais
PODERIAM SER DESENVOLVIDOS provável ter acordo na conciliação
JURISDICIONAL
119
3.16. Tribunal de Justiça do Espírito Santo – TJ/ES
NOME DA INICIATIVA ARGOS - Inteligência Artificial em Justiça Gratuita
EQUIPE TÉCNICA Externa (Atlas IA)
EQUIPE DE CURADORIA
Interna e Externa (Atlas IA)
E TREINAMENTO
PROBLEMAS QUE Facilitar o acesso gratuito do cidadão à justiça a partir de um modelo

que avalie se o pedido pode ser concebido, cruzando dados das mais
BUSCA SOLUCIONAR
diversas bases em busca de parâmetros que o justifiquem
PJe

PROBLEMA(S)
MAJORITARIAMENTE Visualização / Exploração de dados, Extração de informação, Geração
textual
ARGOS é um assistente pessoal que reúne informações e recomenda

DESCRIÇÃO DO decisões sobre o deferimento ou indeferimento da justiça gratuita
FUNCIONAMENTO para magistrados. Com base em decisões tomadas pelo magistrado,
DA INICIATIVA o modelo aprende quais são os critérios utilizados no processo de de-
cisão do magistrado e recomenda a melhor decisão para casos novos.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python e Javascript

FERRAMENTAS DE
Ainda não definido
120

Ainda em fase de desenvolvimento. A explicabilidade será o critério
MELHOR RESULTADO E FOI para decidir o algoritmo.
IMPLANTADO?

INFRAESTRUTURA DE Computação em nuvem

BASE DE DADOS/ Bases públicas sobre condições financeiras e patrimônio.

QUANTIDADE DE INSTÂNCIAS Não se aplica para o momento do projeto.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não se aplica para o momento do projeto
FORAM IDENTIFICADOS
À BASE?

Dados tabulares

Não se aplica para o momento do projeto

Sim
MONITORAMENTO DO MODELO Não se aplica para o momento do projeto
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Não se aplica para o momento do projeto
ATUAL ESTÁGIO DOS Elaboração de plano de testes para início da coleta de dados e trei-
RESULTADOS namento do modelo
121

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois o sistema
está em processo de ideação
FORAM ATENDIDAS?

Não se aplica para o momento do projeto

Desafios legais quanto ao acesso e armazenamento de dados de
cidadãos
TRIBUNAL EM TECNOLOGIA Há apenas iniciativas pontuais de treinamento em data science
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Receita Federal e Infojud
COMPUTACIONAL
OUTROS PROJETOS DE
Automatizações de movimentação e geração de documentos nos
PODERIAM SER DESENVOLVIDOS sistemas processuais
JURISDICIONAL
122
3.17. Tribunal de Justiça de Goiás – TJ/GO
NOME DA INICIATIVA Busca Eletrônica em Registros usando linguagem Natural (BERNA)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
BUSCA SOLUCIONAR Análise de petições iniciais e de suas correlações
Projudi
PROCESSO DE
PROBLEMA(S)
Visualização / Exploração de dados, Extração de informação, Catego-
MAJORITARIAMENTE
rização / Classificação de documentos, Agrupamento / Clustering
DESCRIÇÃO DO A solução analisa as petições iniciais e verifica se há outros processos

FUNCIONAMENTO com pedidos semelhantes, auxiliando em julgamentos em lote e na
DA INICIATIVA elaboração de entendimentos.
TEXTUAL UTILIZADA Contextual embeddings
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS -
123

IMPLANTADO?
INFRAESTRUTURA DE -
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
QUANTIDADE DE INSTÂNCIAS Base de dados das petições iniciais já existentes
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente, porém petições iniciais classi-
MODELOS DO PROJETO? ficadas equivocadamente no cadastro e inseridas como imagens são
FORAM IDENTIFICADOS desafios a serem enfrentados.
À BASE?

Textos

Acurácia

Sim
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS Em produção
124

MÉDIO E LONGO PRAZO Foi realizado o mapeamento dos resultados e as expectativas foram
atendidas.
FORAM ATENDIDAS?
FOI FEITO ESTUDO PARA Foi realizado um estudo para validar os ganhos e benefícios.
ATUAIS LIMITAÇÕES DOS -


PLANO DE INVESTIMENTO DO O TJGO possui o seu Plano Diretor de TIC publicado em seu site, com
TRIBUNAL EM TECNOLOGIA todos os projetos e investimentos previstos.
CLUSTER DEDICADO AO Sim (sem GPU)
DESENVOLVIMENTO DE
DE MÁQUINA?
TANTES PARA O APRIMORAMEN- -
COMPUTACIONAL
DESCOBERTAS REALIZADAS APÓS
O PROCESSAMENTO DOS DADOS -
COM USO DE TÉCNICAS DE INTE-
LIGÊNCIA COMPUTACIONAL
GÊNCIA ARTIFICIAL QUE PO- Análise processual e elaboração de minuta de despachos, decisões
DERIAM SER DESENVOLVIDOS e sentenças.
JURISDICIONAL
125
3.18. Tribunal de Justiça do Mato Grosso – TJ/MT
NOME DA INICIATIVA Projeto OMNI
Interna
TREINAMENTO
Centralização de dados; qualificação de dados; orientação à Justiça

PROBLEMAS QUE BUSCA em números; necessidade de disponibilizar dados para apoio a
SOLUCIONAR tomada de decisão.
VINCULAÇÃO A UM SISTEMA Apolo e Proteus, Sistemas de RH e Financeiro (proprietários do

JÁ EXISTENTE NO TRIBUNAL TJMT); Projud, PJe e SEEU (CNJ).
MODELOS E TÉCNICAS DE IN- Mineração e movimentação de dados utilizando tecnologia Micro-

TELIGÊNCIA COMPUTACIONAL soft Integration Services - MSSIS
PROCESSO DE TREINAMENTO -
UTILIZADO
PROBLEMA(S) MAJORITA-
RIAMENTE ABORDADO(S) Visualização / Exploração de dados, Analytics / Business Intelligence,
Jurimetria, Extração de informação, Recuperação de informação
NA SOLUÇÃO
DESCRIÇÃO DO FUNCIONA- Serviço de busca e atualização de dados em banco centralizado;

MENTO DA INICIATIVA serviços de BI e Analytics
RTF; texto plano, .pdf, .doc
TEXTUAL UTILIZADA
LINGUAGEM DE PROGRAMAÇÃO -
UTILIZADA
Web, Microsserviços e Dispositivos Móveis
FERRAMENTAS DE TECNOLOGIA Microsoft Integration Service; BI; Qlik-Sense

UTILIZADAS
126

IMPLANTADO?
INFRAESTRUTURA DE
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
Não
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? -
FORAM IDENTIFICADOS
À BASE?
TIPOS DE DADOS UTILIZADOS Textos, logs, dados tabulares, dados não estruturados em formato
NA CONSTRUÇÃO DA SOLUÇÃO DOC e PDF

-

Sim
MONITORAMENTO DO MODELO Dados não estruturados em formato DOC e PDF
-
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Descritivo, diagnóstico, preditivo e prescritivo, mas ainda não
RESULTADOS cognitivo
127

Foi realizado o mapeamento dos resultados e as expectativas foram
atendidas.
FORAM ATENDIDAS? Não foi realizado um estudo específico, mas estão avaliando o resul-
FOI FEITO ESTUDO PARA tado na prática com comparativos.

O sistema não é real time

Garbeg-in gaberg-out; inexistência do processo de certificação
do dado
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
CAGED, IBGE, CIOSP, FIPLAN, Previdência Social, Anoreg, Detran
IMPORTANTES PARA O
e CDL
APÓS O PROCESSAMENTO Interpretação do uso predatório, maiores litigantes, mapeamento
DOS DADOS COM USO DE dos casos de violência doméstica, bem como a identificação dos pon-
TÉCNICAS DE INTELIGÊNCIA tos de gargalo da cadeia produtiva
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Projetos de automatização ou robotização e Projetos de IA
JURISDICIONAL
128
NOME DA INICIATIVA Painéis de BI para Vara da Saúde
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
Obter de forma rápida e segura informações referentes ao acervo

processual da Vara da Saúde no sistema PJE (total de processos,
processos parados a mais de 100 dias, processos com prioridade) e
PROBLEMAS QUE gestão administrativa das seguintes planilhas: Procedimentos (Pro-
cedimento cardiológico – INTERCOR; Relação de pacientes – Clínico
BUSCA SOLUCIONAR e Microcirurgia dos olhos; Relatório Cardiológico – CARDIOCINE; Pa-
cientes Santa Helena; Pacientes Cardiopatas; Relatório – Oncológicos
e Alto Custo; Relatório – procedimento cardíacos); Medicamentos e
Home Care.
PJe
INTELIGÊNCIA COMPUTACIONAL Análise de dados
PROCESSO DE
-
PROBLEMA(S)
MAJORITARIAMENTE Visualização / Exploração de dados, Analytics / Business Intelligence,
Extração de informação
- BI PJe Vara da Saúde

- Informações referentes ao acervo processual do sistema PJE (total
de processos, processos parados há mais de 100 dias, processos com
DESCRIÇÃO DO prioridade) e gestão administrativa das seguintes planilhas;
FUNCIONAMENTO -Procedimentos (Procedimento cardiológico – INTERCOR; Relação de
DA INICIATIVA pacientes – Clínico e Microcirurgia dos olhos; Relatório Cardiológico
– CARDIOCINE; Pacientes Santa Helena; Pacientes Cardiopatas; Re-
latório – Oncológicos e Alto Custo; Relatório – procedimento cardía-
cos); -Medicamentos e Home Care.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Qlik Sense
129

FERRAMENTAS DE
Qlik Sense

IMPLANTADO?
INFRAESTRUTURA DE Qlik Sense, PostgreSQL e Excel


BASE DE DADOS/ Postgree com Planilha do Excel

QUANTIDADE DE INSTÂNCIAS 1 (uma) Instância do BD

DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Dados tabulares

Acurácia

Sim
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS As áreas estão conseguindo obter os resultados das informações
passadas. O Magistrado consegue atuar de forma mais efetiva nas
RESULTADOS
prioridades.
130

atendidas.
MÉDIO E LONGO PRAZO F
ORAM ATENDIDAS? Ainda não foi realizado um estudo para validar os ganhos e benefícios.


INTELIGÊNCIA COMPUTACIONAL Baixo grau de aceitação, alto custo do licenciamento da ferramenta
TRIBUNAL EM TECNOLOGIA Aproximadamente 100 milhões de reais (PTA + Arrecadação)
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Secretaria de Saúde
Processos prioritários, medicamentos mais utilizados, usuários
prioritários
COMPUTACIONAL
OUTROS PROJETOS DE
Certidões automáticas no PJe (guias recolhidas), automação de
etiquetas, entre outras
JURISDICIONAL
131
3.19. Tribunal de Justiça do Mato Grosso do Sul – TJ/MS
NOME DA INICIATIVA JURIMETRIA COM IA
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE BUSCA

Jurimetria
SOLUCIONAR
SAJ
PROCESSO DE Aprendizado Semissupervisionado

PROBLEMA(S)
MAJORITARIAMENTE Jurimetria, Extração de informação, Categorização / Classificação de
documentos, Agrupamento / Clustering, Modelagem de tópicos.
DESCRIÇÃO DO
Apontar as tendências de julgamento do órgão baseado nos acór-
FUNCIONAMENTO dãos.
DA INICIATIVA
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java
Web
FERRAMENTAS DE -
132

IMPLANTADO?
INFRAESTRUTURA DE
-
INFRAESTRUTURA DE
-
BASE DE DADOS/
-
DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Textos
AVALIAÇÃO DOS MODELOS DE -

VALIDAÇÃO HUMANA DAS -

REALIZAÇÃO DE ATUALIZAÇÃO -
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

-
RESULTADOS
133

FORAM ATENDIDAS?

-

CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Sim
COMPUTACIONAL
OUTROS PROJETOS DE
PODERIAM SER DESENVOLVIDOS Classificação do peticionamento baseado na TPU, validando o que
está sendo informado pelo peticionante
JURISDICIONAL
134
3.20. Tribunal de Justiça do Pará– TJ/PA
NOME DA INICIATIVA (sem nome)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Migração de todos os processos físicos para o PJe de forma mais efi-
BUSCA SOLUCIONAR ciente
PJe e LIBRA

PROBLEMA(S)
tos, Agrupamento / Clustering
O objetivo da solução é tornar mais eficiente a tarefa de indexação
de processos digitalizados, os quais são frequentemente compostos
por um número elevado de documentos de diversos tipos, o que tor-
na a indexação manual um trabalho exigente e dispendioso. Dessa
DESCRIÇÃO DO
forma, almeja-se praticar de forma automática um processo com-
FUNCIONAMENTO pleto em subconjuntos de documentos (petição inicial, intimações,
DA INICIATIVA sentença, recursos, entre outros). A solução em desenvolvimento
combina técnicas de aprendizado de máquina não supervisionado
e supervisionado para agrupar e classificar documentos com base no
conteúdo extraído via OCR (Optical Character Recognition).
Frequência de termos e Bag-of-Words
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
135
Planeja-se fazer uso de uma Arquitetura Orientada a Serviços
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Tensorflow, Keras, Scikit-Learn, PIL, Pytesseract (OCR), Flask, Sinapses

MELHOR RESULTADO E FOI A solução encontra-se em desenvolvimento
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
Atualmente, o dataset possui escopo reduzido, considerando ape-
BASE DE DADOS/ nas cinco tipos de documentos para os quais o texto HTML já está
QUANTIDADE DE INSTÂNCIAS disponível. Além disso, o dataset contém aproximadamente 32 mil
amostras provenientes das bases de dados do PJe do TJ/PA.
DE DADOS UTILIZADO
A BASE UTILIZADA SE
APRESENTOU SUFICIENTE Nesta fase inicial, os desafios envolveram o desbalanceamento de
PARA O TREINAMENTO DOS classes e a necessidade de limpeza dos documentos HTML. A base
MODELOS DO PROJETO? será ampliada com o texto extraído de documentos em PDF digitali-
zados, o que certamente trará desafios relacionados à qualidade da
FORAM IDENTIFICADOS
extração via OCR, a à qualidade da digitalização e ao tempo necessá-
DESAFIOS RELACIONADOS rio para extração.
À BASE?

Textos, imagens e documentos em PDF

Acurácia

-
-
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS A solução se encontra em estágios iniciais de desenvolvimento
136

MÉDIO E LONGO PRAZO Não foram avaliadas
FORAM ATENDIDAS?
Uma possível limitação são as incorreções no peticionamento do
processo digitalizado, o que poderá demandar esforço humano
adicional. No que se refere ao classificador, será necessário definir a
ATUAIS LIMITAÇÕES DOS priori os tipos de documentos a serem considerados, ou seja, os sub-
RESULTADOS ESPERADOS conjuntos nos quais os agrupamentos serão classificados; quaisquer
mudanças nessa definição exigirão adaptações na base e nova etapa
de treinamento.

O Tribunal vem acompanhando as movimentações do Poder Judi-
ciário brasileiro em torno dos benefícios promovidos por iniciativas
de inteligência artificialInteligência Artificial (IA). Dessa forma, o in-
teresse na implantação de soluções inteligentes tem aumentado, o
PLANO DE INVESTIMENTO DO que vem sendo materializado por meio de projetos próprios, ainda
TRIBUNAL EM TECNOLOGIA em estágios iniciais, discussões frequentes sobre como tirar proveito
PARA OS PRÓXIMOS ANOS dessa tecnologia, e pelo engajamento crescente em plataformas co-
laborativas, tais como o Sinapses. Espera-se que os primeiros resulta-
dos dos projetos em andamento, assim como a utilização (integrada
ao PJE) dos modelos disponíveis no Sinapses alavanquem os inves-
timentos em investigações sobre IA no Tribunal nos próximos anos.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Sinapses
COMPUTACIONAL
137
NOME DA INICIATIVA Sem Nome
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Promover maior agilidade e produtividade na prestação jurisdicional
BUSCA SOLUCIONAR
PJe
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Extração de informação, Categorização / Classificação de documentos
O objetivo da solução é contribuir para a agilidade no cumprimento
de decisões por meio de análise e descoberta automática das mo-
vimentações e comunicações às quais um despacho decisório se
DESCRIÇÃO DO refere. Neste sentido, a solução em desenvolvimento adota uma
FUNCIONAMENTO abordagem de classificação multilabel, na qual uma decisão pode
DA INICIATIVA estar vinculada a uma ou mais categorias de movimentações e/ou
comunicações posteriores que, uma vez preditas pelo modelo, serão
executadas automaticamente no PJE, Diário Oficial e em outros siste-
mas que estejam associadas.
TEXTUAL UTILIZADA Bag-of-Words
LINGUAGEM DE
PROGRAMAÇÃO UTILIZADA Python
Microsserviços
FERRAMENTAS DE
Tensorflow, Keras, Scikit-Learn, e Sinapses
138

MELHOR RESULTADO E FOI Em desenvolvimento
IMPLANTADO?


A base (em estágio preliminar) é composta por 9,2 mil amostras de
BASE DE DADOS/ texto HTML das decisões emitidas pelos magistrados dos órgãos julga-
QUANTIDADE DE INSTÂNCIAS dores com maior quantidade de processos na 1ª instância, e as respec-
tivas movimentações cadastradas após esta decisão

DE DADOS UTILIZADO
A BASE UTILIZADA SE
Nesta etapa preliminar (com uma base menor), verificou-se a existên-
MODELOS DO PROJETO? cia de grande desbalanceamento entre as classes
FORAM IDENTIFICADOS
À BASE?

Textos

Medida F

-
-
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS A solução se encontra em estágios iniciais de desenvolvimento
139

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois o sistema está
em desenvolvimento
FORAM ATENDIDAS?
Por se tratar de um problema de classificação multilabel, é possível

que a solução demande inspeção adicional por usuários com exper-
tise no assunto para garantir que o andamento do processo não seja
RESULTADOS ESPERADOS prejudicado por erros ou predições incompletas (movimentações e
comunicações posteriores)

-
O Tribunal vem acompanhando as movimentações do Poder Judiciá-

rio brasileiro em torno dos benefícios promovidos por iniciativas de
Inteligência Artificial (IA). Dessa forma, o interesse na implantação
de soluções inteligentes tem aumentado, o que vem sendo mate-
PLANO DE INVESTIMENTO DO rializado por meio de projetos próprios, ainda em estágios iniciais,
TRIBUNAL EM TECNOLOGIA discussões frequentes sobre como tirar proveito dessa tecnologia,
PARA OS PRÓXIMOS ANOS e pelo engajamento crescente em plataformas colaborativas, tais
como o Sinapses. Espera-se que os primeiros resultados dos proje-
tos em andamento, assim como a utilização (integrada ao PJE) dos
modelos disponíveis no Sinapses alavanquem os investimentos em
investigações sobre IA no Tribunal nos próximos anos
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Disponibilização no Sinapses para utilização do modelo como
serviço Web
140
COMPUTACIONAL
OUTROS PROJETOS DE
-
JURISDICIONAL
141
3.21. Tribunal de Justiça do Paraíba – TJ/PB
NOME DA INICIATIVA MIDAS
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
O Tribunal tem muitos ações que tramitam com o benefício de justiça

PROBLEMAS QUE
gratuita. O MIDAS é uma ferramenta de machine learning que tem
BUSCA SOLUCIONAR o objetivo de dar apoio ao juiz na análise do pedido de gratuidade.
JÁ EXISTENTE NO TRIBUNAL PJe
INTELIGÊNCIA COMPUTACIONAL Processamento de Linguagem Natural,
Aprendizagem de máquina e Aprendizagem profunda
PROCESSO DE
PROBLEMA(S) Visualização / Exploração de dados, Analytics / Business Intelligence,

ABORDADO(S) NA SOLUÇÃO tos, Sistema de recomendação
O sistema Midas coleta as informações estruturais do processo,

DESCRIÇÃO DO que são a base para o cálculo das custas no estado, e os dados da(s)
FUNCIONAMENTO parte(s) autora(s) (comprovante de residência, renda, endereço).
DA INICIATIVA O sistema irá fazer o cruzamento destas informações e informará,
como sugestão, se a parte tem potencial de pagar as custas.
Apenas imagens
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, C/C++, Angular
PRINCIPAL DA INICIATIVA Web e Cloud providers
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Tensorflow, Keras e Jupyter notbook
142

MELHOR RESULTADO E FOI Random Forest
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
Dados do processo na base do sistema PJe (Postgres - dados estru-

BASE DE DADOS/ turados), base do sistema Custas (Oracle - dados estruturados), base
QUANTIDADE DE INSTÂNCIAS com imagens de documentos (peças processuais). Todos esses dados
são extraídos a partir da base do PJe (dados não estruturados).
Foram utilizados cerca de 12 mil documentos.
Anotação feita durante o projeto.
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente, porém encontramos classes
MODELOS DO PROJETO? desbalanceadas, ruído, baixa qualidade de imagens, presença de
FORAM IDENTIFICADOS outliers, falta de padrão nos documentos e nas imagens
À BASE?

Imagens

Precisão

Sim
MONITORAMENTO DO MODELO Não se aplica, pois o sistema não está em produção
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS A POC demonstrou que é possível oferecer solução para o problema
RESULTADOS apresentado
143

AS EXPECTATIVAS DE CURTO, Ainda não foi realizado o mapeamento dos resultados, mas o sistema
MÉDIO E LONGO PRAZO vem atendendo às expectativas
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Limitação de dados da parte


INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização constante, aderência ao uso da ferramenta
PLANO DE INVESTIMENTO DO A curto prazo, não há previsão orçamentária para investimentos na

TRIBUNAL EM TECNOLOGIA área de IA
CLUSTER DEDICADO AO Não
DESENVOLVIMENTO DE
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Receita Federal e instituições de crédito
As partes têm potencial de pagamento de custas, porém está conce-
DOS DADOS COM USO DE dida a gratuidade
COMPUTACIONAL
144
3.22. Tribunal de Justiça do Paraná– TJ/PR
NOME DA INICIATIVA Projeto Larry
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Reconhecer similaridades dentre as petições iniciais
BUSCA SOLUCIONAR
Projudi
INTELIGÊNCIA COMPUTACIONAL Análise estatística
PROCESSO DE
PROBLEMA(S) Visualização / Exploração de dados, Extração de informação, Cate-

MAJORITARIAMENTE gorização / Classificação de documentos, Agrupamento / Clustering,
ABORDADO(S) NA SOLUÇÃO CountVector
- As petições iniciais são processadas com CountVector em um dicionário

preestabelecido;
DESCRIÇÃO DO - Cada petição é convertida em um vetor;
FUNCIONAMENTO - Os vetores são comparados entre si na formação de grupos;
DA INICIATIVA - Os grupos são apresentados no Projudi para conhecimento de petições
similares;
- A similaridade hoje está configurada em 88%.
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
145
FERRAMENTAS DE Django-API , documentação swagger, scikit-learn countvectorizer, co-

TECNOLOGIA UTILIZADAS sinesimilarity, tfdif

MELHOR RESULTADO E FOI Sklearn countvectorizer
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
Petições iniciais entre 2017 e 2020 (PDF no filesystem)
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
Sim, mas foram encontrados muitos arquivos PDF pura imagem e
MODELOS DO PROJETO? muitas anotações incorretas (indicação errônea de petição inicial)
FORAM IDENTIFICADOS
À BASE?


Acurácia

Sim
MONITORAMENTO DO MODELO Não se aplica
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

-
RESULTADOS
146

AS EXPECTATIVAS DE CURTO, Ainda não foi realizado o mapeamento dos resultados
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Dificuldade em aplicar novas iniciativas de IA com os usuários, equipe
RESULTADOS ESPERADOS muito pequena no Tribunal.

INTELIGÊNCIA COMPUTACIONAL Baixo grau de aceitação.
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Sim (com GPU)
DE MÁQUINA?
TANTES PARA O APRIMORAMEN- Sinapses (CNJ) e Athos (STJ)
COMPUTACIONAL
Há muitas petições iniciais semelhantes. Foram encontrados cerca de
10 mil grupos utilizando esta iniciativa
COMPUTACIONAL
OUTROS PROJETOS DE
INTELIGÊNCIA ARTIFICIAL QUE - Reconhecimento de prescrição intercorrente;
PODERIAM SER DESENVOLVIDOS - Auxílio à identificação de classes processuais e assuntos mal clas-
PARA MELHORIA NA PRESTAÇÃO sificados.
JURISDICIONAL
147
3.23. Tribunal de Justiça de Pernambuco – TJ/PE
NOME DA INICIATIVA ELIS
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Agilizar a etapa de conferência inicial e deferimento da petição inicial

BUSCA SOLUCIONAR dos processos de execução fiscal, identificando as inconsistências por
meio da Inteligência Artificial
PJe

PROBLEMA(S)
A solução analisa os dados dos novos processos ajuizados na Vara de

Execução Fiscal da Capital cadastrados no PJe e nos anexos (Petição
DESCRIÇÃO DO
Inicial e CDA). Caso sejam identificadas inconsistências, o processo
FUNCIONAMENTO recebe uma etiqueta indicativa. Para os processos sem inconsistên-
DA INICIATIVA cias, a solução elabora automaticamente a minuta e a encaminha
para a conferência do magistrado.
TIPO DE REPRESENTAÇÃO Os dados utilizados na triagem não demandam uma mineração de

TEXTUAL UTILIZADA textos, sendo utilizados tal qual extraídos
LINGUAGEM DE
Python e Java
Web e Desktop
FERRAMENTAS DE
Keras e Scikit-Learn
148

MELHOR RESULTADO E FOI CNN
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
Foi gerado um dataset com 7325 dados de processos de execução
fiscal triados por humano que se encontravam em tramitação no ano
BASE DE DADOS/
de 2018. Para montagem do dataset, foram utilizados os dados bá-
QUANTIDADE DE INSTÂNCIAS sicos do processo no PJe, CDAs e o resultado da classificação pelo
humano.
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
Após análise dos resultados, constatamos que os dados disponíveis
MODELOS DO PROJETO? produziram resultado satisfatório.
FORAM IDENTIFICADOS
À BASE?


A validação dos resultados junto aos magistrados se deu por meio da
INTELIGÊNCIA COMPUTACIONAL Matriz de Confusão

Sim
MONITORAMENTO DO MODELO A validação dos resultados junto aos magistrados se deu por meio da
Matriz de Confusão
Sim
OU APERFEIÇOAMENTO
A etapa de conferência inicial de todos os processos ajuizados na Vara

ATUAL ESTÁGIO DOS de Executivos Fiscais da Capital desde 2018 é realizada por meio da
RESULTADOS solução
149

TACIONAL NO TRIBUNAL? Ainda não foi realizado o mapeamento dos resultados, mas as expec-
AS EXPECTATIVAS DE CURTO, tativas foram atendidas. O ganho de produtividade foi estimado em
MÉDIO E LONGO PRAZO 36 vezes. A etapa de conferência inicial para um conjunto de 70 mil
FORAM ATENDIDAS? processos era de 1,5 anos para ser realizada por um servidor. Com a
FOI FEITO ESTUDO PARA solução, a duração caiu para 15 dias.
ATUAIS LIMITAÇÕES DOS Transfer Learning. O modelo é muito específico, exigindo ajustes para
RESULTADOS ESPERADOS funcionamento em outras unidades judiciárias

Dificuldade de replicação e compartilhamento da solução
O TJPE está em processo de elaboração do plano de investimento
TRIBUNAL EM TECNOLOGIA baseado na nova ENTIC-JUD
CLUSTER DEDICADO AO
Não
DESENVOLVIMENTO DE
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O A solução se beneficiaria com a integração aos sistemas das procura-
dorias municipais
DESCOBERTAS REALIZADAS APÓS - O conhecimento tácito para conferência inicial dos processos de
O PROCESSAMENTO DOS DADOS execução fiscal foi explicitado;
- Recomendação de assuntos;
COM USO DE TÉCNICAS DE INTE- - Classificação automática de documentos;
LIGÊNCIA COMPUTACIONAL - Análise de pedido de acordo.
150
3.24. Tribunal de Justiça do Rio de Janeiro – TJ/RJ
NOME DA INICIATIVA Módulo de classificação automática de documentos
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
Classificação automática de documentos, como petições de advoga-

PROBLEMAS QUE dos, para validação dos dados informados ao sistema e automatiza-
BUSCA SOLUCIONAR ção de fluxo de trabalho.
VINCULAÇÃO A UM SISTEMA Não, é um módulo independente, pode ser utilizado em qualquer

JÁ EXISTENTE NO TRIBUNAL sistema

PROBLEMA(S)
DESCRIÇÃO DO O sistema recebe para treinamento documentos pré-classificados e,

FUNCIONAMENTO após o treinamento, é capaz de categorizar documentos com classifi-
DA INICIATIVA cação desconhecida
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
KNIME workflow, com previsão de usar Python
Microsserviços
151
FERRAMENTAS DE
KNIME

MELHOR RESULTADO E FOI SVM
IMPLANTADO?
INFRAESTRUTURA DE Servidores próprios do Tribunal


BASE DE DADOS/ 50 mil sentenças dos últimos cinco anos selecionadas aleatoriamen-
QUANTIDADE DE INSTÂNCIAS te de uma mesma competência

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Foi identificada uma proporção razoável de erros de classificação co-
MODELOS DO PROJETO? metidos pelo usuário na base histórica, o que leva a falhas no apren-
FORAM IDENTIFICADOS dizado do modelo
À BASE?

Textos

Precisão

Sim
MONITORAMENTO DO MODELO Ainda não está em produção
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Previsão de ser automática, utilizando a própria validação do usuário
ATUAL ESTÁGIO DOS

RESULTADOS O projeto ainda está em estágio de estudos iniciais
152

AS EXPECTATIVAS DE CURTO, Ainda não foi realizado o mapeamento dos resultados, pois o sistema
MÉDIO E LONGO PRAZO está em produção
FORAM ATENDIDAS?
A baixa taxa de acerto é uma limitação, o que implica na necessidade

ATUAIS LIMITAÇÕES DOS de validação manual posterior à classificação, porém esperamos que
RESULTADOS ESPERADOS a taxa aumente gradualmente por meio do aprendizado com a corre-
ção das classificações erradas
RISCOS DOS MODELOS DE Baixo grau de aceitação em função da taxa de acerto inicial, possi-
velmente causada pela proporção razoável de erros de classificação
cometidos pelo usuário na base histórica, o que leva a falhas no
APLICADOS NESTA INICIATIVA aprendizado do modelo
TRIBUNAL EM TECNOLOGIA Aproximadamente 62 milhões por ano
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Integração com as bases de documentos dos sistemas judiciais
DESCOBERTAS REALIZADAS APÓS O alto índice de erros de classificação feitos pelo usuário na base his-
O PROCESSAMENTO DOS DADOS tórica, o que leva a falhas no aprendizado do modelo.
COM USO DE TÉCNICAS DE Geração de minuta do relatório da sentença, identificação de preven-
INTELIGÊNCIA COMPUTACIONAL ção, degravação de audiências, entre outros
153
NOME DA INICIATIVA Resolução Online de Conflitos
EQUIPE TÉCNICA Interna e externa (universidade)
EQUIPE DE CURADORIA
Interna e externa (universidade)
E TREINAMENTO
PROBLEMAS QUE Disponibilizar um sistema inteligente para resolução online de con-

flitos, objetivando um processamento mais rápido e adequado para
BUSCA SOLUCIONAR os envolvidos
VINCULAÇÃO A UM SISTEMA Não, é um módulo independente, pode ser utilizado em qualquer

JÁ EXISTENTE NO TRIBUNAL sistema

PROBLEMA(S) Jurimetria, Extração de informação, Categorização / Classificação de do-

MAJORITARIAMENTE cumentos, Agrupamento / Clustering, Modelagem de tópicos, Geração
ABORDADO(S) NA SOLUÇÃO textual, Sistema de recomendação, processamento de imagens
Será desenvolvido um sistema inteligente para resolução online de

conflitos (ODR), com o objetivo de tornar o processo mais célere e
confortável para os jurisdicionados e para o aparato estatal, princi-
DESCRIÇÃO DO palmente, os atualmente endereçados ao sistema dos juizados es-
FUNCIONAMENTO peciais e outras demandas de massa, que muitas vezes poderiam
ser solucionados sem a judicialização do conflito. O sistema utilizará
DA INICIATIVA informações de conflitos e processos similares para recomendar de
forma inteligente as ações dos usuários, em prol da resolução que
melhor atenda às partes envolvidas
TIPO DE REPRESENTAÇÃO Ainda será definido, pois o projeto não foi iniciado
TEXTUAL UTILIZADA
LINGUAGEM DE Python, Javascript. Outras linguagens poderão ser definidas pois o

PROGRAMAÇÃO UTILIZADA projeto ainda não foi iniciado
ARQUITETURA / PLATAFORMA Web e Dispositivos Móveis

FERRAMENTAS DE Numpy, Pandas, Scipy, Scikit-Image, Scikit-Learn, OpenCV, Tensorflow,

TECNOLOGIA UTILIZADAS Keras, PyTorch
154
Pretende-se utilizar primariamente algoritmos baseados em árvores

de decisão, sendo complementados por outros algoritmos supervi-
QUAL ALGORITMO APRESENTOU sionados/não supervisionados para extração de informações, clas-
MELHOR RESULTADO E FOI sificação/agrupamento de textos, recomendação de ações, além de
processamento de imagens. Como o projeto ainda não foi iniciado,
IMPLANTADO?
não temos informação dos algoritmos que apresentaram os melho-
res resultados.
INFRAESTRUTURA DE
Servidores próprios do Tribunal
INFRAESTRUTURA DE
Rede local
Pretende-se utilizar uma base de dados do TJRJ contendo casos de

BASE DE DADOS/ conflitos similares nos últimos anos, combinada com informações
QUANTIDADE DE INSTÂNCIAS que serão geradas pelo próprio sistema a ser desenvolvido
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO
DOS MODELOS DO PROJETO? Não é possível afirmar, pois o projeto ainda não foi iniciado
FORAM IDENTIFICADOS
À BASE?

Textos, logs, dados tabulares e imagens

Ainda será definido, pois o projeto não foi iniciado

Sim
MONITORAMENTO DO MODELO Ainda não está em produção
Não
OU APERFEIÇOAMENTO
O sistema proverá automaticamente os insumos necessários para
que o Tribunal, juntamente com as empresas, defina novos crité-
FORMA DE CALIBRAÇÃO rios para resolução de conflitos e altere a configuração do sistema
para contemplar novos parâmetros de acordos, entendimentos e
jurisprudências
ATUAL ESTÁGIO DOS Não é possível afirmar, pois o projeto ainda não foi iniciado
RESULTADOS
155

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados, pois o siste-
ma está em processo de implantação
FORAM ATENDIDAS?

Não é possível afirmar, pois o projeto ainda não foi iniciado

INTELIGÊNCIA COMPUTACIONAL Não é possível afirmar, pois o projeto ainda não foi iniciado
TRIBUNAL EM TECNOLOGIA Aproximadamente 62 milhões por ano
CLUSTER DEDICADO AO Não
DESENVOLVIMENTO DE
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Não é possível afirmar, pois o projeto ainda não foi iniciado
APÓS O PROCESSAMENTO Não é possível afirmar, pois o projeto ainda não foi iniciado
COMPUTACIONAL
156
- Extração de informações estruturadas de documentos enviados por

delegacias;
- Extração de dados de petições iniciais para perícia médica;
- OCR;
- Detecção e validação de assinaturas e carimbos;
- Análise e validação de documentos;
- Triagem inicial de processos: prescrição, competência diversa e in-
OUTROS PROJETOS DE consistência cadastral;
INTELIGÊNCIA ARTIFICIAL QUE - Análise de pressupostos para admissibilidade de recursos;
PODERIAM SER DESENVOLVIDOS - Classificação de petições para distribuição;
PARA MELHORIA NA PRESTAÇÃO - Agrupar processos semelhantes para identificar demandas repetiti-
vas e possibilitar análise conjunta;
JURISDICIONAL
- Agrupamento de recursos por similaridade de sentença com ações
em bloco e regras de automação;
- Vinculação a dispositivos normativos, precedentes e jurisprudências;
- Possíveis conexões e litispendências;
- Pesquisa por decisões paradigma com efeitos vinculantes;
- Previsão de resultados de processos;
- Auxílio na redação de minutas e pareceres.
157
3.25. Tribunal de Justiça do Rio Grande do Norte – TJ/RN
NOME DA INICIATIVA GPSMed
EQUIPE TÉCNICA Interna e externa (UFRN)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Melhorar a prestação do serviço jurisdicional
BUSCA SOLUCIONAR
VINCULAÇÃO A UM SISTEMA Pje

PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Categorização / Classificação de documentos, Agrupamento /
ABORDADO(S) NA SOLUÇÃO Clustering
DESCRIÇÃO DO Identificar a partir da análise de conteúdo de petições iniciais, o tipo

FUNCIONAMENTO de demanda de processos da área de saúde pública (tipo de trata-
DA INICIATIVA mento, medicamento solicitado, tipo de cirurgia e tipo de doença)
Frequência de termos e Bag of Words
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, R
Web e D Web e Microsserviços esktop
158
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Ainda não definido

MELHOR RESULTADO E FOI Em testes, até o momento K-Means
IMPLANTADO?
INFRAESTRUTURA DE
VM dentro da infraestrutura de TIC do Tribunal
INFRAESTRUTURA DE
Rede local
Os testes e desenvolvimentos estão sendo feitos com dados de
processos exportados do Sistema PJe, distribuídos a partir de 2016.
BASE DE DADOS/ Para testes com modelagens K-Means, foram selecionados proces-
QUANTIDADE DE INSTÂNCIAS sos aleatórios com cerca de 300 documentos. Ainda não foi realiza-
do nenhum teste ou aplicação desta modelagem para os processos
específicos do projeto GPSMed
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Ainda não foi realizado teste
FORAM IDENTIFICADOS
À BASE?

Textos extraídos de documentos em PDF

Acurácia

Sim
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Ainda não está em operação
159
ATUAL ESTÁGIO DOS

Testes iniciais e experimentais
RESULTADOS

AS EXPECTATIVAS DE CURTO, Ainda não foi realizado o mapeamento dos resultados, pois o sistema
MÉDIO E LONGO PRAZO está em desenvolvimento
FORAM ATENDIDAS?

Baixa taxa de acerto

INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização constante, surgimento de novos medica-
mentos, tratamentos, cirurgias ou doenças
PLANO DE INVESTIMENTO DO O Tribunal possui um plano de aquisições e um Plano Diretor de

TRIBUNAL EM TECNOLOGIA TIC, com previsão de investimentos em infraestrutura, ferramentas
e capacitação de equipe para trabalhar com IA e aprendizado de
PARA OS PRÓXIMOS ANOS máquina
CLUSTER DEDICADO AO
Existe disponibilidade de infraestrutura para este fim, mas ainda não
DESENVOLVIMENTO DE está configurado e em operação
DE MÁQUINA?
EXTERNOS QUE SERIAM
Integração com base de dados abertas, como IBGE, Universidades e
IMPORTANTES PARA O Ministério da Saúde
DOS DADOS COM USO DE Não é possível afirmar, pois o projeto ainda não está em operação
COMPUTACIONAL
OUTROS PROJETOS DE
Ferramentas de classificação de documentos para agilizar o trâmite
processual
JURISDICIONAL
160
3.26. Tribunal de Justiça de Rondônia – TJ/RO
NOME DA INICIATIVA Peticionamento Inteligente
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Permitir que as delegacias de polícia enviem documentos para se-
rem peticionados no sistema processual PJe sem utilização de certi-
BUSCA SOLUCIONAR
ficado digital (token)
PJe

PROBLEMA(S) Extração de informação, Categorização / Classificação de documen-

MAJORITARIAMENTE tos, extração das informações para apoiar o preenchimento do for-
ABORDADO(S) NA SOLUÇÃO mulário de peticionamento
Servidores das delegacias acessam o sistema Peticionamento In-

teligente (com login e senha do PJe) e enviam os arquivos (termo
circunstanciado, inquérito policial, entre outros). Estes documentos
são processados, ou seja, é feito o OCR, extraindo o texto dos arqui-
vos, que em seguida é submetido aos modelos de IA cadastrados no
DESCRIÇÃO DO Sinapses (identificação do assunto criminal, por exemplo). Após, o
FUNCIONAMENTO texto é enviado para o sistema wernicke, que, por meio da biblioteca
DA INICIATIVA spaCy, extrai informações como: CPF das partes, número e ano do
documento e data do fato. Com todas as informações reunidas, é pre-
enchido o formulário do peticionamento, que passa pela análise de
um servidor do cartório distribuidor e complementa as informações
ainda não identificadas, assina os documentos digitalmente, ou por
token, e envia ao sistema PJe (via MNI)
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
161

FERRAMENTAS DE
spaCy, keras, gensim, sklearn, numpy e tensorflow

IMPLANTADO?
INFRAESTRUTURA DE O treinamento é feito em desktop (workstation) e a predição/uso é

PROCESSAMENTO DE DADOS por meio de kubernetes

Foram utilizados cerca de 24 mil documentos de termos circunstan-
BASE DE DADOS/
ciados previamente existentes no sistema processual Projudi, de
QUANTIDADE DE INSTÂNCIAS 2016 a 2020

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS Foi suficiente para o modelo do assunto do termo circunstanciado,
MODELOS DO PROJETO? porém, para os casos do inquérito policial e classe judicial não foi
FORAM IDENTIFICADOS suficiente, devido aos poucos exemplos
À BASE?


Acurácia

Sim
MONITORAMENTO DO MODELO Por meio da plataforma Sinapses
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Parte dos campos do formulário já são preenchidos, mas ainda faltam
RESULTADOS vários outros para identificar o escopo e a informação
162

AS EXPECTATIVAS DE CURTO, Não
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Necessidade de mais exemplos para ampliação dos modelos e con-
RESULTADOS ESPERADOS sequente aumento da taxa de acerto

Não foram identificados riscos, visto que consistem em apoiar o pro-
INTELIGÊNCIA COMPUTACIONAL cesso e aceleram o preenchimento dos campos
PLANO DE INVESTIMENTO DO Já está em execução com investimentos em capacitação nas áreas

TRIBUNAL EM TECNOLOGIA de inteligência e ciência de dados, assim como já foram adquiridos
PARA OS PRÓXIMOS ANOS recursos de infraestrutura para suporte à IA
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Acesso às bases do PJe criminal de outros tribunais
-
COMPUTACIONAL
OUTROS PROJETOS DE
INTELIGÊNCIA ARTIFICIAL QUE Implementação de chatbots para atendimento dos jurisdicionados,
PODERIAM SER DESENVOLVIDOS apoio ao processo judicial e automatização do processo de concilia-
PARA MELHORIA NA PRESTAÇÃO ção digital
JURISDICIONAL
163
3.27. Tribunal de Justiça de Roraima – TJ/RR
NOME DA INICIATIVA Mandamus
EQUIPE TÉCNICA Interna e externa (universidade)
EQUIPE DE CURADORIA
Interna e externa (universidade)
E TREINAMENTO
PROBLEMAS QUE
BUSCA SOLUCIONAR Tempo de cumprimento e certificação de mandados judiciais
Projudi
INTELIGÊNCIA COMPUTACIONAL PLN e Aprendizagem de máquina
PROCESSO DE
PROBLEMA(S) Extração de informação, Categorização / Classificação de documentos;

MAJORITARIAMENTE Modelagem de tópicos, Geração textual (suporte na escrita semiauto-
matizada de peças, decisões, entre outros); Otimização (alocação de
ABORDADO(S) NA SOLUÇÃO recursos, processos, pessoas, rotas, entre outros).
Leitura de peça judicial para verificação de eventual necessidade de

expedição de mandado judicial. Havendo a necessidade, será enca-
DESCRIÇÃO DO minhada a expedição de mandado de acordo com sua classificação.
Posteriormente, ocorrerá a distribuição do mandado considerando
FUNCIONAMENTO parâmetros previamente estabelecidos. O cumprimento do manda-
DA INICIATIVA do é realizado com a utilização de aplicativo mobile, mediante a con-
fecção da certidão de cumprimento e imediata juntada da mesma
aos autos processuais.
TIPO DE REPRESENTAÇÃO Contextual embeddings

TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java, Javascript
ARQUITETURA / PLATAFORMA Microsserviços, Dispositivos Móveis, Cloud providers

FERRAMENTAS DE
SpringBoot, Flutter, MinIO, Azure, Google Maps, entre outras
164

IMPLANTADO?
INFRAESTRUTURA DE
INFRAESTRUTURA DE
Computação em nuvem
BASE DE DADOS/ 10 mil documentos a partir de mandados expedidos

Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Dados de baixa qualidade
FORAM IDENTIFICADOS
À BASE?

Textos

Acurácia

Sim
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Resultados não satisfatórios
RESULTADOS
165

Um oficial de justiça levava em média 4h para cumprir um manda-
MÉDIO E LONGO PRAZO do, com a IA, esse tempo foi reduzido para 4-10 minutos
FORAM ATENDIDAS?

Baixa taxa de acerto

INTELIGÊNCIA COMPUTACIONAL Qualidade do conteúdo dos documentos analisados
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O -
COMPUTACIONAL
OUTROS PROJETOS DE
JURISDICIONAL
166
3.28. Tribunal de Justiça do Rio Grande do Sul – TJ/RS
NOME DA INICIATIVA IA Execução Fiscal
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
BUSCA SOLUCIONAR Apoio à decisão na análise da petição inicial
ePROC
PROCESSO DE
PROBLEMA(S)
A partir do ingresso de processos de Execução Fiscal no sistema

eProc, é realizada uma chamada automática para um componente
DESCRIÇÃO DO externo de IA, que envia dados estruturados e documentos anexados
FUNCIONAMENTO ao processo, como petições iniciais e CDA (Certidão de Dívida Ativa),
DA INICIATIVA para serem processados e analisados, retornando para o eProc uma
classificação da análise da inicial. Ao receber o retorno, o eProc conti-
nua o fluxo processual.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Web, Microsserviços
167
FERRAMENTAS DE
Tesseract, Scikit-Learn

MELHOR RESULTADO E FOI Decision Tree
IMPLANTADO?

Dados estruturados e documentos como Petição Inicial e CDA’s de
BASE DE DADOS/
processos em tramitação da classe Execução Fiscal.
QUANTIDADE DE INSTÂNCIAS Foram utilizados cerca de 5 a 10 mil documentos.
Base pré-anotada
DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO
DOS MODELOS DO PROJETO? Classes desbalanceadas
FORAM IDENTIFICADOS
À BASE?


Acurácia

Sim
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Com a utilização do sistema, foi possível automatizar algumas tarefas
RESULTADOS referentes ao cumprimento jurisdicional de processos de Execução
Fiscal
168

MÉDIO E LONGO PRAZO Diminuição no tempo de análise de uma petição inicial pelo servidor
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Dificuldade na escalabilidade da solução, devido à necessidade de

RESULTADOS ESPERADOS customização da extração de dados dos documentos

INTELIGÊNCIA COMPUTACIONAL Necessidade de ajustes devido à alteração nos documentos
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM O uso da interoperabilidade pelos entes públicos agregaria maior pa-
IMPORTANTES PARA O dronização e qualidade nos dados e documentos utilizados no âmbito
APRIMORAMENTO E ENRIQUE- desta solução
O PROCESSAMENTO DOS DADOS Há uma quantidade de divergência de dados que dificultam a auto-
mação. A partir da identificação dessas divergências, ações foram to-
COM USO DE TÉCNICAS DE INTE- madas para minimizá-la
OUTROS PROJETOS DE Inúmeros outros projetos podem se beneficiar de projetos de Inte-
INTELIGÊNCIA ARTIFICIAL QUE ligência Artificial em suas diversas áreas: processamento de lingua-
PODERIAM SER DESENVOLVIDOS gem natural, visão computacional, entre outros. Há uma grande
PARA MELHORIA NA PRESTAÇÃO oportunidade de utilização de dados não estruturados para apoiar a
jurisdição, que é mais difícil de utilizar pelas tecnologias tradicionais
JURISDICIONAL
169
NOME DA INICIATIVA Chatbot DIGEP
EQUIPE DE CURADORIA
Interna e externa
E TREINAMENTO
SITUAÇÃO ATUAL Piloto
PROBLEMAS QUE Diminuição na quantidade de atendimentos humanos referentes a

BUSCA SOLUCIONAR dúvidas dos servidores quanto aos assuntos relacionados à Gestão
de Pessoas
RHE
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Chatbot
DESCRIÇÃO DO Chatbot que responde dúvidas dos servidores quanto aos assuntos
FUNCIONAMENTO relacionados à Gestão de Pessoas, incluindo respostas gerais e espe-
DA INICIATIVA cíficas de cada servidor
SpacyNLP
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Rasa

MELHOR RESULTADO E FOI Não conhecido, porque é abstraído pela ferramenta Rasa
IMPLANTADO?
170
INFRAESTRUTURA DE
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
Planilha com perguntas e respostas

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Sim
FORAM IDENTIFICADOS
À BASE?

Textos

Acurácia

Não
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Aprovado enquanto projeto piloto. Em análise para sua expansão
RESULTADOS
171

MÉDIO E LONGO PRAZO Ainda não foi realizado o mapeamento dos resultados
FORAM ATENDIDAS?

Não foram identificadas limitações

CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM A solução já possui integrações necessárias com o sistema de Recur-
IMPORTANTES PARA O sos Humanos
DOS DADOS COM USO DE Ainda não ocorreu
COMPUTACIONAL
OUTROS PROJETOS DE
JURISDICIONAL
172
NOME DA INICIATIVA Grafo
EQUIPE TÉCNICA Interna e externa (Google)
EQUIPE DE CURADORIA
Externa (Google)
E TREINAMENTO
SITUAÇÃO ATUAL Piloto
PROBLEMAS QUE
BUSCA SOLUCIONAR Transcrição das audiências
ePROC
PROCESSO DE
PROBLEMA(S)
DESCRIÇÃO DO Sistema que transcreve os áudios das audiências via Google Cloud
Speech-to-Text e permite assistir aos vídeos com legendas e pesqui-
FUNCIONAMENTO sar por termos dentro do texto transcrito, permitindo a localização de
DA INICIATIVA um ponto exato do vídeo que se quer assistir
TEXTUAL UTILIZADA
LINGUAGEM DE
Java
Web e Cloud providers
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Google Cloud Speech-to-Text
173

MELHOR RESULTADO E FOI Não se aplica, porque o algoritmo utilizado pela API não é conhecido
IMPLANTADO?
INFRAESTRUTURA DE

BASE DE DADOS/ Não se aplica, porque o treinamento foi realizado por empresa, que
QUANTIDADE DE INSTÂNCIAS disponibiliza o modelo por meio de API

DE DADOS UTILIZADO
A BASE UTILIZADA SE
Não se aplica, porque o treinamento foi realizado por empresa, que
MODELOS DO PROJETO? disponibiliza o modelo por meio de API
FORAM IDENTIFICADOS
À BASE?

Textos, áudio e vídeo.

Acurácia

Não
MONITORAMENTO DO MODELO O sistema ainda está em fase de projeto piloto, não existe monito-
ramento
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

O projeto está em avaliação
RESULTADOS
174

FORAM ATENDIDAS?

Qualidade da transcrição insatisfatória

INTELIGÊNCIA COMPUTACIONAL Qualidade da transcrição insatisfatória
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O O sistema já possui integração com a API externa que realiza a trans-
crição dos áudios
DOS DADOS COM USO DE Ainda não ocorreu
COMPUTACIONAL
OUTROS PROJETOS DE
INTELIGÊNCIA ARTIFICIAL QUE Benefícios da transcrição de áudios podem ser aplicáveis em outros
PODERIAM SER DESENVOLVIDOS casos de uso de gravação de vídeos e áudios, tais como reuniões, oiti-
PARA MELHORIA NA PRESTAÇÃO va de testemunhas, entre outros
JURISDICIONAL
175
3.27. Tribunal de Justiça de Santa Catarina– TJ/SC
NOME DA INICIATIVA Incremento dos mecanismos de pesquisa de Jurisprudência com

Inteligência Artificial
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
Com a utilização de mecanismos de Inteligência Artificial na pes-

quisa jurisprudencial, vislumbra-se a possibilidade de redução do
PROBLEMAS QUE tempo gasto na atividade de pesquisa com o retorno mais assertivo
BUSCA SOLUCIONAR das respostas de interesse, principalmente consagrando os posicio-
namentos dominantes da corte, e assim permitindo dedicar mais
tempo para a atividade final, além de privilegiar o atual sistema de
precedentes previsto no Código de Processo Civil
eProc
INTELIGÊNCIA COMPUTACIONAL A primeira fase do projeto foi resolvida com o uso de Regex
PROCESSO DE
Regex
PROBLEMA(S)
MAJORITARIAMENTE Analytics / Business Intelligence, Extração de informação, Recupera-
ABORDADO(S) NA SOLUÇÃO ção de informação
A primeira etapa do projeto consiste na identificação de citações a

conteúdos decisórios com efeitos vinculantes — art. 927, CPC (RE,
REsp, súmulas e IRDR) — nas decisões resultantes da pesquisa. Es-
sas citações serão indexadas, vinculadas às respectivas decisões
DESCRIÇÃO DO para que sejam apresentadas, agrupadas e sumarizadas na tela de
FUNCIONAMENTO pesquisa da jurisprudência. As citações serão extraídas utilizando
DA INICIATIVA expressões regulares.
A segunda etapa visa identificar uma “decisão paradigma” nos re-
sultados da busca de jurisprudência. As informações extraídas na
primeira etapa terão bastante relevância na solução.
TEXTUAL UTILIZADA
LINGUAGEM DE
Python e Java
176
Web
FERRAMENTAS DE
SOLR

MELHOR RESULTADO E FOI Apenas algoritmo de Regex
IMPLANTADO?
INFRAESTRUTURA DE
Server
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/ Base de dados jurisprudencial do TJSC, incluindo processos em

QUANTIDADE DE INSTÂNCIAS segredo de justiça, no total de 2.261.362 documentos
-
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não se aplica
FORAM IDENTIFICADOS
À BASE?

Textos e Dados tabulares

Pelo usuário

Sim
MONITORAMENTO DO MODELO Crítica dos usuários
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Não se aplica à fase 1 do projeto, apenas à fase 2
177
ATUAL ESTÁGIO DOS

Não se aplica à fase 1 do projeto, apenas à fase 2
RESULTADOS

AS EXPECTATIVAS DE CURTO, Não houve mapeamento, mas a equipe técnica do tribunal infor-
MÉDIO E LONGO PRAZO FORAM mou que as expectativas foram atendidas.
ATENDIDAS?
FOI FEITO ESTUDO PARA VALI-
DAR OS BENEFÍCIOS OU GA-
NHOS EM PRODUTIVIDADE COM
O USO DA SOLUÇÃO?
ATUAIS LIMITAÇÕES DOS Não se aplica à fase 1 do projeto, apenas à fase 2


PLANO DE INVESTIMENTO DO O tema está inserido dentre as diretrizes da atual gestão. Preten-
TRIBUNAL EM TECNOLOGIA PARA de-se, em 2021, que haja a disponibilização das ferramentas de IA
desenvolvidas pelo TRF-4 no sistema eProc.
OS PRÓXIMOS ANOS
O TRIBUNAL POSSUI UM CLUS-

TER DEDICADO AO DESENVOL- Não
VIMENTO DE PROJETOS DE
APRENDIZAGEM DE MÁQUINA?
EXTERNOS QUE SERIAM IMPOR- Outras bases jurisprudenciais, como STF e STJ.
COMPUTACIONAL
O PROCESSAMENTO DOS DADOS

GÊNCIA ARTIFICIAL QUE PO- Processamento de Linguagem Natural para encaminhamento
DERIAM SER DESENVOLVIDOS processual em lote
JURISDICIONAL
178
NOME DA INICIATIVA Classificador de petições em Execuções Fiscais
Interna
TREINAMENTO
PROBLEMAS QUE BUSCA O principal objetivo é criar um serviço de classificação que possibili-
SOLUCIONAR te o impulso em bloco de grandes volumes de processos
Não está vinculada a nenhum sistema.
MODELOS E TÉCNICAS DE IN-

TELIGÊNCIA COMPUTACIONAL
PROCESSO DE TREINAMENTO Aprendizado por Reforço

UTILIZADO
PROBLEMA(S) MAJORITA- Categorização / Classificação de documentos

RIAMENTE ABORDADO(S)
NA SOLUÇÃO
Foi desenvolvido um algoritmo que atua na classificação de textos

DESCRIÇÃO DO FUNCIONA- de petições de modo a auxiliar na localização destes processos. Com
MENTO DA INICIATIVA a localização adequada, sua organização para impulso em bloco
torna-se possível.
-
TEXTUAL UTILIZADA
LINGUAGEM DE PROGRAMAÇÃO
Python
UTILIZADA
ARQUITETURA / PLATAFORMA Desktop

179
FERRAMENTAS DE TECNOLOGIA
Spacy
UTILIZADAS
QUAL ALGORITMO APRESEN-

TOU MELHOR RESULTADO E -
FOI IMPLANTADO?
INFRAESTRUTURA DE PRO- Dispositivo local

CESSAMENTO DE DADOS
INFRAESTRUTURA DE ARMA- Rede local

ZENAMENTO DE DADOS
Foi colhida a partir dos textos de diversas petições de processos de
BASE DE DADOS/ QUANTIDADE
execuções fiscais previamente selecionadas como um corpus básico
DE INSTÂNCIAS
PROCESSO DE ANOTAÇÃO DE Anotação feita durante o projeto

DADOS UTILIZADO
A BASE UTILIZADA SE APRE-

SENTOU SUFICIENTE PARA O
TREINAMENTO DOS MODELOS Sim. Apresentou alguns desafios para o balanceamento, que vem
sendo aprimorado a cada novo treinamento
DO PROJETO? FORAM IDENTIFI-
CADOS DESAFIOS RELACIONA-
DOS À BASE?

Textos

-

Sim
-
APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Satisfatórios, o algoritmo é utilizado semanalmente para organizar

RESULTADOS o trabalho de apoio
180

Ainda não foi realizado o mapeamento dos resultados
MÉDIO E LONGO PRAZO FORAM
ATENDIDAS?
O USO DA SOLUÇÃO?

O acerto tem sido bom dentro do conjunto de petições ensinadas

INTELIGÊNCIA COMPUTACIONAL Os riscos são baixos, pois ao final sempre é feita a validação dos
resultados
-
TRIBUNAL EM TECNOLOGIA PARA
OS PRÓXIMOS ANOS

TER DEDICADO AO DESENVOL- -
EXTERNOS QUE SERIAM IMPOR- -
COMPUTACIONAL
O PROCESSAMENTO DOS DADOS No caso das petições, ao separar somente os resultados concentrados
no texto em que se identifica com mais frequência o que é pedido,
COM USO DE TÉCNICAS DE INTE- houve um ganho potencial de acerto e performance
Todas as pequenas iniciativas voltadas ao uso de recursos computa-

cionais para o aperfeiçoamento do trabalho devem ser estimuladas.
GÊNCIA ARTIFICIAL QUE PO- A classificação de textos e proposição de minutas, o uso de reconhe-
DERIAM SER DESENVOLVIDOS cimento de imagem para a citação processual por aplicativo, o pro-
PARA MELHORIA NA PRESTAÇÃO cessamento de linguagem natural para a conversão de voz em texto,
JURISDICIONAL sem necessidade de digitação, o uso de recursos de mineração de
processos para identificação de demandas repetitivas, entre outros
181
3.30 Tribunal de Justiça de São Paulo– TJ/SP
NOME DA INICIATIVA Análise de guias (TJSP x USP)
EQUIPE TÉCNICA Externa (Universidade de São Paulo)
Externa (Universidade de São Paulo)
TREINAMENTO
PROBLEMAS QUE BUSCA Análise de recolhimento de guias de custas processuais

SOLUCIONAR
VINCULAÇÃO A UM SISTEMA Não há vinculação com o sistema, embora os dados utilizados sejam
JÁ EXISTENTE NO TRIBUNAL os do sistema judicial

Aprendizagem de máquina e Aprendizagem profunda
PROCESSO DE TREINAMENTO Aprendizado Supervisionado

UTILIZADO
RIAMENTE ABORDADO(S) Extração de informação, Categorização / Classificação de documen-
tos, Agrupamento / Clustering, Recuperação de informação.
NA SOLUÇÃO
A proposta da solução é identificar, extrair informações e realizar

DESCRIÇÃO DO FUNCIONA- cruzamentos de dados das guias de recolhimento de custas, a fim
MENTO DA INICIATIVA de possibilitar uma melhor gestão dos recolhimentos realizados
pelo Tribunal
TIPO DE REPRESENTAÇÃO Não se aplica

TEXTUAL UTILIZADA
Python
UTILIZADA

182
UTILIZADAS Keras e Tensorflow

TOU MELHOR RESULTADO E A base seria DCNN (Deep Convolutional Neural Network) e está em
fase de análise
FOI IMPLANTADO?
INFRAESTRUTURA DE PRO-
Ainda não definido
CESSAMENTO DE DADOS
INFRAESTRUTURA DE ARMA-
Ainda não definido
ZENAMENTO DE DADOS
BASE DE DADOS/ QUANTIDADE Documentos (guias de custas) de processos dos últimos dez anos
DE INSTÂNCIAS com sete classes guias: comprovantes, GARE, recolhimento, DARE,
depósito de despesas, depósito de oficiais e outros
PROCESSO DE ANOTAÇÃO DE
Base pré-anotada
DADOS UTILIZADO

TREINAMENTO DOS MODELOS Base com boa qualidade e índice de aproveitamento na ordem de
DO PROJETO? FORAM IDENTIFI- 70%
DOS À BASE?


Acurácia

Sim
Não
APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO A solução não se encontra na fase de calibração
ATUAL ESTÁGIO DOS A iniciativa está em desenvolvimento

RESULTADOS
183

ATENDIDAS?
O USO DA SOLUÇÃO?
ATUAIS LIMITAÇÕES DOS Não foi possível avaliar


Não foi possível avaliar
PLANO DE INVESTIMENTO DO Alinhado à estratégia de TI 2021-2026, cuja publicação está prevista

TRIBUNAL EM TECNOLOGIA PARA na área de transparência do portal do TJSP (https://www.tjsp.jus.br/)
OS PRÓXIMOS ANOS

EXTERNOS QUE SERIAM IMPOR- Não se aplica
COMPUTACIONAL
O PROCESSAMENTO DOS DADOS
Não foi possível avaliar os resultados

GÊNCIA ARTIFICIAL QUE PO- Processamento de Linguagem Natural para encaminhamento
DERIAM SER DESENVOLVIDOS process Uso de Inteligência Computacional está alinhado ao plane-
jamento estratégico, porém sem outros projetos em execução até o
momento ual em lote
JURISDICIONAL
184
NOME DA INICIATIVA JUDI (Chatbot)
EQUIPE TÉCNICA Interna e Externa (Microsoft)
Interna
TREINAMENTO
PROBLEMAS QUE BUSCA Fornecer orientação ao cidadão para entrada de ações relacionadas
SOLUCIONAR ao Juizado Especial Cível
Não

PROCESSO DE TREINAMENTO Não é possível afirmar, pois o modelo é gerenciado por provedor de
UTILIZADO nuvem (Azure LUIS e QnA Maker), mas aparenta ser supervisionado
PROBLEMA(S) MAJORITA- Categorização / Classificação de documentos

RIAMENTE ABORDADO(S)
NA SOLUÇÃO
A solução exibe uma interface de chat no portal de internet no

Tribunal. Os visitantes do portal podem utilizar o chat para solicitar
informações e orientações sobre como ingressar com ação nos
DESCRIÇÃO DO FUNCIONA- Juizados Especiais Cíveis. A cada interação do usuário, a aplicação
consome APIs de serviços cognitivos (Azure LUIS e QnA Maker) para
MENTO DA INICIATIVA extrair entidades e intenções do texto do usuário. Diferentes combi-
nações de entidades e intenções produzem respostas específicas ao
usuário, conduzindo-o pelo fluxo mais adequado de
atendimento. Ao final, o usuário pode atribuir uma nota ao atendi-
mento e registrar feedbacks.
TIPO DE REPRESENTAÇÃO Não é possível afirmar, pois o modelo é gerenciado por provedor de
TEXTUAL UTILIZADA nuvem
-
UTILIZADA
ARQUITETURA / PLATAFORMA Consome API de serviços cognitivos do Azure

185
A solução desenvolvida pelo Tribunal não utiliza nenhuma biblio-

FERRAMENTAS DE TECNOLOGIA teca ou framework típicos de aprendizado de máquina, apenas
componentes de orquestração do consumo das APIs do provedor
UTILIZADAS dos serviços cognitivos (Bot Framework para consumo de LUIS e
QnA Maker).

TOU MELHOR RESULTADO E Não há desenvolvimento do modelo
FOI IMPLANTADO?
INFRAESTRUTURA DE PRO-
-
CESSAMENTO DE DADOS
INFRAESTRUTURA DE ARMA- Computação em nuvem

ZENAMENTO DE DADOS
O modelo é treinado a partir de um pequeno corpus textual,
representando possíveis dúvidas de um cidadão sobre como propor
DE INSTÂNCIAS ações aos Juizados Especiais Cíveis.
PROCESSO DE ANOTAÇÃO DE Anotação feita durante o projeto

DADOS UTILIZADO

TREINAMENTO DOS MODELOS O modelo recebeu treinamentos iterativos conforme a equipe de
negócio sugeria novas entradas ao corpus
DOS À BASE?

Textos
Os serviços cognitivos consumidos ainda não apresentam uma
AVALIAÇÃO DOS MODELOS DE medida de avaliação adequada. De maneira independente, criamos
INTELIGÊNCIA COMPUTACIONAL uma matriz de confusão para levantamento da acurácia

Não
MONITORAMENTO DO MODELO Monitoramento manual das predições com baixo score e validação,
por amostragem, das predições produzidas
Não
APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS O modelo está passando por uma reavaliação para possível estreita-
RESULTADOS mento do escopo das predições
186

ATENDIDAS?
O USO DA SOLUÇÃO?
ATUAIS LIMITAÇÕES DOS Dificuldade na curadoria das questões pela equipe de negócios

Dificuldade na curadoria das questões pela equipe de negócios
PLANO DE INVESTIMENTO DO Pela área de sistemas administrativos, espera-se a contratação de

TRIBUNAL EM TECNOLOGIA PARA fábrica de software e especialização da equipe interna
OS PRÓXIMOS ANOS

EXTERNOS QUE SERIAM IMPOR- Não houve
COMPUTACIONAL
O PROCESSAMENTO DOS DADOS A iniciativa não visava realizar novas descobertas a partir de um de-
terminado dataset, mas promover a automatização do atendimento
COM USO DE TÉCNICAS DE INTE- aos cidadãos

GÊNCIA ARTIFICIAL QUE PO- Orientação geral dos usuários internos e externos sobre os serviços
DERIAM SER DESENVOLVIDOS judiciais, suporte técnico e abertura de chamados, descoberta de
conhecimento
JURISDICIONAL
187
3.31. Tribunal de Justiça de Sergipe– TJ/SE
NOME DA INICIATIVA Inteligência Artificial como ferramenta de auxílio jurisdicional
EQUIPE TÉCNICA 2022
Interna
TREINAMENTO
PROBLEMAS QUE BUSCA Desenvolvimento de ferramenta de automação, com a possibilidade

de ser utilizada Inteligência Artificial, que otimize em grande escala
SOLUCIONAR os processos de Execução Fiscal, com a realização de seleção dos pro-
cessos aptos para cobrança, atualização dos valores e a realização dos
bloqueios por meio dos sistemas eletrônicos SISBAJUD, RENAJUD e
busca de informações no INFOJUD.
Sistema de Controle de Processo Virtual (SCPV)
PROCESSO DE TREINAMENTO
Ainda não definido
UTILIZADO
RIAMENTE ABORDADO(S) NA Extração de informação e otimização
SOLUÇÃO
DESCRIÇÃO DO Inicialmente serão considerados os processos de Execução Fiscal,

FUNCIONAMENTO com a realização de seleção dos processos aptos para cobrança,
DA INICIATIVA atualização dos valores e a realização dos bloqueios por meio dos
sistemas eletrônicos SISBAJUD, RENAJUD e busca de informações no
INFOJUD.
Ainda não definido
TEXTUAL UTILIZADA
LINGUAGEM DE
PROGRAMAÇÃO Ainda não definido
UTILIZADA
188
ARQUITETURA / PLATAFORMA Ainda não definido

Ainda não definido
UTILIZADAS

TOU MELHOR RESULTADO E Ainda não definido
FOI IMPLANTADO?
INFRAESTRUTURA DE PRO- Ainda não definido

CESSAMENTO DE DADOS
INFRAESTRUTURA DE ARMA- Ainda não definido

ZENAMENTO DE DADOS
Ainda não definido

DE INSTÂNCIAS
PROCESSO DE ANOTAÇÃO DE Ainda não definido

DADOS UTILIZADO

Ainda não definido
TREINAMENTO DOS MODELOS
DOS À BASE?


Ainda não definido

Ainda não definido
MONITORAMENTO DO MODELO Ainda não definido
Ainda não definido
APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Ainda não definido
AUDITABILIDADE DO SISTEMA Ainda não definido
ATUAL ESTÁGIO DOS

RESULTADOS Ainda não definido
189

Não foram avaliadas
FORAM ATENDIDAS?

-

INTELIGÊNCIA COMPUTACIONAL Ainda não definido
TRIBUNAL EM TECNOLOGIA Ainda não definido
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Ainda não definido
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Ainda não definido
DOS DADOS COM USO DE Ainda não definido
COMPUTACIONAL
190
3.32 Tribunal de Justiça de Tocantins – TJ/TO
NOME DA INICIATIVA Sistema de Classificação de Petições Judiciais
EQUIPE TÉCNICA Interna e externa (Universidade Federal de Tocantins)
Interna e externa (Universidade Federal de Tocantins)
TREINAMENTO
PROBLEMAS QUE BUSCA

SOLUCIONAR Com o sistema de Classificação de Petições Judiciais, busca-se me-
lhorar a assertividade das informações sobre processos judiciais e a
agilidade do processo de autuação e conferência das Petições.
e-PROC
PROCESSO DE TREINAMENTO
UTILIZADO
RIAMENTE ABORDADO(S) NA Categorização / Classificação de documentos, Sistema de recomen-
dação
SOLUÇÃO
DESCRIÇÃO DO O serviço será acoplado em sistemas de processos eletrônicos como

FUNCIONAMENTO PJE e e-PROC e terá capacidade de estimar e sugerir automaticamen-
DA INICIATIVA te a classe e o assunto (TPU) de um processo judicial a partir da leitu-
ra da petição inicial
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
PROGRAMAÇÃO Python
UTILIZADA

191
FERRAMENTAS DE
Tensorflow, Keras, Scikit-learn, Pandas, Numpy, Matplotib e NLTK

MELHOR RESULTADO E FOI LSTM
IMPLANTADO?


BASE DE DADOS/ Cerca de mil dados referentes aos processos da base do

QUANTIDADE DE INSTÂNCIAS e-Proc do TJTO.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?


Precisão e medidas de ferramentas

Sim
MONITORAMENTO DO MODELO Anomalias
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Foi obtido um desempenho de cerca de 70% superior à atividade
RESULTADOS desempenhada por um servidor
192

Foi realizado o mapeamento dos resultados e as expectativas foram aten-
didas. Está sendo realizado um estudo para validar os ganhos e benefícios
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Pré-processamento dos dados com preparação da base de dados de
RESULTADOS ESPERADOS treinamento, teste e validação

Necessidade de atualização e novos treinamentos diante de eventual
ampliação das classes processuais
PLANO DE INVESTIMENTO DO Investimento em pesquisa e no laboratório interdisciplinar de Inte-

TRIBUNAL EM TECNOLOGIA ligência Artificial da Escola Superior da Magistratura tocantinense,
bem como nos programas de Mestrado e Doutorado na área (mo-
PARA OS PRÓXIMOS ANOS delagem computacional de sistemas), além da parceria com o TRF 4
para desenvolvimento colaborativo
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Em desenvolvimento
DE MÁQUINA?
EXTERNOS QUE SERIAM
DOS DADOS COM USO DE Maior taxa de acerto na classificação de processos
COMPUTACIONAL
193
OUTROS PROJETOS DE PETICIONAMENTO NOS JUIZADOS ESPECIAIS

INTELIGÊNCIA ARTIFICIAL Serviço que irá sistematizar a redução a termo dos processos dos Jui-
zados Especiais;
AUTOMAÇÃO DA ELABORAÇÃO DOS RELATÓRIOS DE SENTENÇA

Serviço inteligente que selecionará os atos que foram proferidos du-
rante o processo. Estruturação automática dos dados para composi-
ção dos relatórios de sentença;
AUTOMAÇÃO DOS DESPACHOS INICIAIS

Serviço inteligente que ajuda na elaboração dos atos iniciais e comu-
nica as partes. Identificação dos processos para aplicação de modelos
padrões para gerar os despachos automaticamente;
PENHORA AUTOMÁTICA DE BENS

Serviço que automatiza os processos de penhora nos sistemas Bacen-
Jud, RenaJud e outros;
MINERAÇÃO DE PROCESSOS JUDICIAIS

Serviço que utiliza informações dos logs do e-Proc para extrair infor-
mações relacionadas ao fluxo do processo. O objetivo é descobrir au-
tomaticamente padrões de processos para melhorar o desempenho
do processo e identificar problemas em um modelo estipulado.
194
3.33 Tribunal Regional do Trabalho da 1ª Região
NOME DA INICIATIVA Modelo de Inteligência Artificial para identificação automática de

processos em trâmite na Justiça do Trabalho no sistema PJe cujo
tema esteja sobrestado por determinação de órgão superior
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
BUSCA SOLUCIONAR Identificação automática de processos cujo tema esteja sobrestado
por determinação de órgão superior
PJe
TIPO DE TECNOLOGIA Inteligência Computacional / artificial
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE rização / Classificação de documentos, Recuperação de informação
DESCRIÇÃO DO A solução irá identificar e sobrestar automaticamente os processos

FUNCIONAMENTO que contemplem temas que já estão sobrestados por determinação
de órgãos superiores (STF e TST)
DA INICIATIVA
Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java e Javascript
Microsserviços
195
FERRAMENTAS DE
Keras e Tensorflow

MELHOR RESULTADO E FOI O projeto está em início de desenvolvimento. Portanto, ainda não
temos essa informação
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

BASE DE DADOS/
Base de dados de documentos dos processos do PJe

DE DADOS UTILIZADO
A BASE UTILIZADA SE
Ainda não foi realizado o mapeamento dos resultados, pois a plata-
MODELOS DO PROJETO? forma está em desenvolvimento.
FORAM IDENTIFICADOS
À BASE?

Textos
AVALIAÇÃO DOS MODELOS DE O projeto está em fase inicial do desenvolvimento e ainda não
INTELIGÊNCIA COMPUTACIONAL dispõe dessa informação

Sim
MONITORAMENTO DO MODELO O projeto está em fase inicial do desenvolvimento e ainda não

dispõe dessa informação
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO O projeto está em fase inicial do desenvolvimento e ainda não

ATUAL ESTÁGIO DOS O projeto está em fase inicial do desenvolvimento e ainda não
RESULTADOS dispõe dessa informação
196

Ainda não foi realizado o mapeamento dos resultados, pois a plataforma
está em desenvolvimento
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS A necessidade de permanente atualização dos casos de processos

RESULTADOS ESPERADOS sobrestados

INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização constante
-
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
Não existe a necessidade de integração com base de dado externa
IMPORTANTES PARA O para o problema a ser resolvido
O projeto está em fase inicial do desenvolvimento e ainda não
COMPUTACIONAL
OUTROS PROJETOS DE Um projeto de IA para identificar os assuntos mais demandados nos

INTELIGÊNCIA ARTIFICIAL processos judiciais da Justiça do Trabalho.
197
NOME DA INICIATIVA A iniciativa ainda não possui nome definitivo
EQUIPE TÉCNICA Externa (Universidade Federal do Rio Grande do Norte)
EQUIPE DE CURADORIA
Externa (Universidade Federal do Rio Grande do Norte)
E TREINAMENTO
PROBLEMAS QUE Análise preditiva de resultados de audiência de conciliação, de pro-

BUSCA SOLUCIONAR vimento de recurso contra sentença e de provimento de recursos
contra acórdão
-
TIPO DE TECNOLOGIA Inteligência Computacional / artificial
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Jurimetria, Otimização, Sistema de recomendação
DESCRIÇÃO DO A metodologia escolhida para incorporar estes avanços tecnológicos

FUNCIONAMENTO à pesquisa foi desenvolvida por Howard e Ruder (2018), sendo de-
nominada Universal Language Model Fine-Tuning (ULMFiT). Trata-se
DA INICIATIVA
de uma abordagem baseada no pré-treinamento de um modelo lin-
guístico (Language Model - LM) em um grande corpus de assuntos
variados, como, por exemplo, livros, artigos e, comumente, enciclo-
pédias públicas, como a Wikipédia, com posterior refinamento em
um dataset de domínio específico. As características mais marcantes
desta opção tecnológica são a diminuição do custo final de treina-
mento do classificador, maior capacidade de generalização e maior
acurácia.
O desenho é considerado universal por preencher os seguintes cri-
térios:
1. Pode ser aplicado a uma ampla gama de tarefas com característi-
cas heterogêneas;
2. Usa uma única arquitetura de treinamento e processamento, dimi-
nuindo a complexidade do modelo final;
3. Prescinde da criação de pré-processamento ou extração de atribu-
tos específicos aos campos do conhecimento de sua aplicação, dimi-
nuindo este custo adicional em diversas tarefas distintas;
4. Prescinde de rotulagem de dados ou documentos adicionais além
dos tradicionalmente exigidos nas tarefas de classificação, o que di-
minui o custo de coleta de dados.
198
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
pytorch e scikit-learn

MELHOR RESULTADO E FOI AWD-LSTM
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

BASE DE DADOS/ Dados oriundos do PJe:

QUANTIDADE DE INSTÂNCIAS - Número do processo;
- Vara;
- Data distribuição;
- Data autuação;
- Valor da Causa;
- Booleano de indeferimento/deferimento de justiça gratuita;
- Assuntos processuais
- Dados do polo ativo (inclusive dos advogados);
- Dados do polo passivo (inclusive dos advogados;
- Classe processual;
- Movimentações processuais (contendo o identificador do processo
ao qual se refere, a data/ hora, descrição, código CNJ e usuário res-
ponsável pela movimentação).
Petições anexadas pelas partes em formulário do PJe ou binários do

PDF-A:
- Petição inicial;
- Contestação;
- Razões recursais e contrarrazões (para os recursos ordinários, re-
cursos de revista e agravos de instrumento contra indeferimento do
recurso de revista);
- Atas de audiências de conciliação e/ou instrução.
Inteiro teor das decisões, despachos, sentenças e demais manifesta-

ções jurisdicionais em 1º e 2º grau.

DE DADOS UTILIZADO
199
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Textos e Dados tabulares

Coeficiente de Correlação de Matthews (MCC)

Sim
REALIZAÇÃO DE ATUALIZAÇÃO -
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Em desenvolvimento

RESULTADOS

MÉDIO E LONGO PRAZO Não foram avaliadas
FORAM ATENDIDAS?

-

INTELIGÊNCIA COMPUTACIONAL Necessidade de monitoramento constante para evitar concept drift
200
-
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE -
DE MÁQUINA?
EXTERNOS QUE SERIAM
COMPUTACIONAL
201
NOME DA INICIATIVA Implantação de Data Lake
EQUIPE TÉCNICA Interna e Externa (Tecnisys)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Gestão de metadados, repositório corporativo de dados estruturados

BUSCA SOLUCIONAR e não estruturados, viabilização de self-service BI, base de dados para
iniciativas de Inteligência Artificial
CNJ, Datajud, PJe, SIGEP, e-Gestão
INTELIGÊNCIA COMPUTACIONAL Arquitetura de IA e Big Data
PROCESSO DE Planejado utilizar o data-lake para viabilizar treinamentos de mode-

TREINAMENTO UTILIZADO los locais.
PROBLEMA(S)
Visualização / Exploração de dados, Analytics / Business Intelligence,
MAJORITARIAMENTE Recuperação de informação e Governança de dados
DESCRIÇÃO DO Implantação de software open source para armazenamento e proces-

samento de grandes volumes de dados, e ingestão das bases admi-
FUNCIONAMENTO
nistrativas e judiciárias neste repositório para serem utilizadas pelas
DA INICIATIVA ferramentas de BI, relatórios e iniciativas de IA
Ainda não foi utilizada
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java, Scala
ARQUITETURA / PLATAFORMA Web, Cluster de processamento e armazenamento distribuído de

PRINCIPAL DA INICIATIVA dados
FERRAMENTAS DE Apache Hadoop, Hive, Nifi, Ranger, Spark, Sqoop, Atlas, Superset,
TECNOLOGIA UTILIZADAS Jupyter Hub
202

MELHOR RESULTADO E FOI Não se aplica
IMPLANTADO?
INFRAESTRUTURA DE

BASE DE DADOS/
Não se aplica
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não se aplica
FORAM IDENTIFICADOS
À BASE?

Não se aplica

Não se aplica

-
-
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Não se aplica
ATUAL ESTÁGIO DOS

Não se aplica
RESULTADOS
203

FORAM ATENDIDAS?

Não se aplica

INTELIGÊNCIA COMPUTACIONAL Não se aplica
-
CLUSTER DEDICADO AO
DESENVOLVIMENTO DE Ainda não dispõe, mas esse é o objetivo do projeto
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Ainda não levantadas
COMPUTACIONAL
OUTROS PROJETOS DE Qualquer iniciativa que apoie as atividades jurisdicionais a partir dos
INTELIGÊNCIA ARTIFICIAL dados carregados no data-lake pode se beneficiar desta infraestrutura
204
NOME DA INICIATIVA Clusterização de Processos (Recurso de Revista)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Grande volume de processos pendentes de análise de admissibilida-

BUSCA SOLUCIONAR de de recurso de revista.
A solução de IA objetiva agrupar (clusterizar) processos semelhantes
para que possam ser analisados juntos. Adicionalmente, criar grupos
de “precedentes”, ou seja, processos semelhantes nos quais a análise
de admissibilidade já tenha sido feita.
O sistema faz uso de informações do PJe, mas é independente
PROCESSO DE
PROBLEMA(S)
DESCRIÇÃO DO O sistema analisa as informações do processo como, por exemplo,

partes, advogados, assuntos do processo, dentre outros, para criar
FUNCIONAMENTO
pequenos grupos de processos semelhantes.
DA INICIATIVA Tanto processos pendentes de julgamento quanto os que já foram
julgados são agrupados por semelhança, o que torna possível identi-
ficar grupos coesos de pendentes/precedentes.
Foi criada uma interface gráfica amigável para a apresentação dessas
informações, e a equipe responsável pode consultar os grupos, fazer
download e dar os devidos encaminhamentos.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
205
PRINCIPAL DA INICIATIVA Back-end em servidor Linux e Front-end web
FERRAMENTAS DE
Scikit-Learn, Pandas, Numpy e Oracle Database

MELHOR RESULTADO E FOI DBSCAN
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

Aproximadamente 70 mil processos dos últimos três anos que es-

BASE DE DADOS/ tão ou que passaram por análise de admissibilidade de recurso de
revista. Foram usados principalmente dados estruturados como, por
QUANTIDADE DE INSTÂNCIAS exemplo, assuntos, partes e advogados.
DE DADOS UTILIZADO
A BASE UTILIZADA SE
APRESENTOU SUFICIENTE Como se trata de aprendizado não supervisionado, não houve pro-
blemas inerentes à anotação da base.
O maior desafio foi a grande dimensionalidade dos dados, uma vez
MODELOS DO PROJETO? que cada processo pode ter muitas partes, advogados e assuntos.
FORAM IDENTIFICADOS A etapa de tuning do algoritmo também demandou grande esforço,
DESAFIOS RELACIONADOS uma vez que as iterações de teste demoravam muito.
À BASE?

Dados tabulares
AVALIAÇÃO DOS MODELOS DE Medidas específicas de aprendizado não supervisionado como, por
INTELIGÊNCIA COMPUTACIONAL exemplo, elbow chart e quantidade de ruído. A área-fim também
participou ativamente, fazendo testes empíricos sobre os grupos
gerados.

Sim
MONITORAMENTO DO MODELO O monitoramento se dá principalmente pelo volume do grupo de

ruído
Sim
OU APERFEIÇOAMENTO
206
ATUAL ESTÁGIO DOS A Assessoria de Recurso de Revista tem reportado ótimos resultados
RESULTADOS sobre a redução do volume de processos pendentes de análise de
admissibilidade de recurso de revista. Desde o início de 2020, o vo-
lume de processos pendentes praticamente caiu pela metade.
O “Cluster de Processos” é uma ferramenta de trabalho da Assessoria
de Recurso de Revista, que participou ativamente da sua concepção
e adotou-a em suas rotinas de trabalho.
É possível inferir, portanto, que parte dos bons resultados obtidos
possa ser atribuído à adoção da ferramenta.

Foi realizado mapeamento dos resultados e as expectativas foram
TACIONAL NO TRIBUNAL? atendidas.
AS EXPECTATIVAS DE CURTO, A produtividade aumentou, com mais processos analisados em menos
MÉDIO E LONGO PRAZO tempo, porém não foi realizado um estudo específico para aferir o per-
FORAM ATENDIDAS? centual. O feedback dos usuários indica que produtividade aumentou
FOI FEITO ESTUDO PARA em 20%.

A ferramenta não usou informações não estruturadas do processo

PLANO DE INVESTIMENTO DO Embora seja um assunto relativamente novo, as aplicações de IA têm tido
uma boa receptividade no TRT4.
TRIBUNAL EM TECNOLOGIA O tribunal conta com a força de trabalho dos seus servidores da Secretaria
PARA OS PRÓXIMOS ANOS de Informática e Telecomunicações (SETIC) para o desenvolvimento das
ações de IA. A SETIC está atenta e tem se alinhado às iniciativas conjuntas
(CNJ e outros Tribunais) buscando convergir quando o assunto é IA.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM As incorporações de informações públicas das empresas (reclamadas)
IMPORTANTES PARA O poderiam contribuir no agrupamento de dados. Informações como, por
APRIMORAMENTO E ENRIQUE- exemplo, ramo de atuação, quantidade de funcionários, entre outros
207
Confirmação de que existem processos muito semelhantes e que iden-
tificá-los pode trazer aumento de produtividade para quem faz a análise.
COMPUTACIONAL
OUTROS PROJETOS DE - Indexador inteligente para auxílio na elaboração de minutas pelos juízes
INTELIGÊNCIA ARTIFICIAL e desembargadores;
QUE PODERIAM SER D - Ferramentas de auxílio na fase de execução das sentenças;
ESENVOLVIDOS PARA - Melhoria na eficiência de iniciativas de conciliação.
MELHORIA NA PRESTAÇÃO
JURISDICIONAL
NOME DA INICIATIVA Índice de Conciliabilidade por Inteligência Artificial (ICIA)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Parte do trabalho dos analistas, assessores e magistrados é encontrar

BUSCA SOLUCIONAR processos em andamento que possam ser resolvidos por meio de
conciliação. Neste sentido, o TRT4 criou uma ferramenta chamada
i-Con. Trata-se de um painel interativo onde se pode navegar e ex-
plorar informações com o objetivo de facilitar a seleção de processos
para conciliação.
Em 2021, essa ferramenta foi aprimorada com a inclusão do ICIA
(índice de conciliabilidade por Inteligência Artificial). Trata-se de
uma métrica que varia entre 0 e 1 e estima a “probabilidade” de
cada processo ser conciliado. A métrica é calculada por meio de
técnica de IA (aprendizado supervisionado) e é disponibilizada na
ferramenta i-Con.
-
PROCESSO DE
Aprendizado supervisionado
208
PROBLEMA(S)
DESCRIÇÃO DO A solução analisa o histórico de conciliações do passado e estima a

probabilidade de o processo ser conciliado no estágio em que se
FUNCIONAMENTO
encontra.
DA INICIATIVA Diversas informações são utilizadas como, por exemplo:
- Histórico de conciliação das partes;
- Histórico de conciliação dos advogados;
- Histórico de conciliação dos assuntos do processo;
- Perícias;
- Estágios em que o processo passou até então.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
-
PRINCIPAL DA INICIATIVA Web, Back-end python em server linux; front-end web
FERRAMENTAS DE
Scikit-Learn e Pandas

IMPLANTADO?
INFRAESTRUTURA DE
Servidor linux

BASE DE DADOS/ 1,2 milhão de processos que foram enviados para conciliação (fonte
QUANTIDADE DE INSTÂNCIAS sistema PJe)

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? O maior desafio foi o mapeamento das informações
FORAM IDENTIFICADOS
À BASE?
209


Acurácia

Sim
MONITORAMENTO DO MODELO O modelo é monitorado pela acurácia, especificidade e sensibilidade

com métricas acima de 88%
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS A implantação do ICIA é recente e sua aplicação recebeu poucos
RESULTADOS feedbacks

O projeto está em fase inicial de produção e ainda não dispõe dessa
informação
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS A principal limitação é que a base anotada é um reflexo de conciliação
RESULTADOS ESPERADOS do passado, portanto, pode haver um viés da prática de seleção manual.

Por ser um sistema de implantação recente, o baixo grau de aceitação é
INTELIGÊNCIA COMPUTACIONAL um risco.
PLANO DE INVESTIMENTO DO Embora seja um assunto relativamente novo, as aplicações de IA têm tido
uma boa receptividade no TRT4.
TRIBUNAL EM TECNOLOGIA O tribunal conta com a força de trabalho dos seus servidores da Secretaria
PARA OS PRÓXIMOS ANOS de Informática e Telecomunicações (SETIC) para o desenvolvimento das
ações de IA. A SETIC está atenta e tem se alinhado às iniciativas conjuntas
(CNJ e outros Tribunais) buscando convergir quando o assunto é IA.
210
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM Dados das empresas reclamadas, como por exemplo, faturamento, quan-
IMPORTANTES PARA O tidade de funcionários, ramo de atuação, dentre outros
APÓS O PROCESSAMENTO Os dados históricos de processos e a análise dos posicionamentos das re-
DOS DADOS COM USO DE clamadas são elementos relevantes na previsão da conciliabilidade.
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER D -
ESENVOLVIDOS PARA
JURISDICIONAL
211
NOME DA INICIATIVA GEMINI
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Agrupar processos cujos conteúdos sejam similares para possibilitar
BUSCA SOLUCIONAR que o mesmo assessor trabalhe com processos parecidos, dando as-
sim mais agilidade e uma maior segurança jurídica na construção
das minutas de decisão/voto.
PJe
PROCESSO DE
PROBLEMA(S)
DESCRIÇÃO DO O Gemini faz agrupamento dos processos pela similaridade do con-

teúdo do tipo de documento de entrada do modelo em questão,
FUNCIONAMENTO
como, por exemplo, o modelo de Recurso Ordinário, e agrupa os
DA INICIATIVA processos cujos conteúdos são similares
Frequência de termos e Word Embeddings
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Web
FERRAMENTAS DE
Tensorflow, Keras,Scikit-Learn e Gensim
212

MELHOR RESULTADO E FOI Kmeans
IMPLANTADO?
INFRAESTRUTURA DE

Foram utilizados 150 mil documentos do tipo Recurso Ordinário

BASE DE DADOS/
Interposto de processos eletrônicos contidos no PJe para treinar o
QUANTIDADE DE INSTÂNCIAS modelo

DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Textos

Média da base de distâncias cosseno dos documentos clusterizados.

Sim
MONITORAMENTO DO MODELO Ainda não existe um procedimento definido para esse monitoramen-
to, mas a equipe técnica refaz o treinamento contemplando os novos
documentos de forma periódica
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

-
RESULTADOS
213

Foi realizado um estudo para validar os ganhos e benefícios e verificou-
MÉDIO E LONGO PRAZO -se que, no início do projeto, o processo de distribuição de trabalho nos
FORAM ATENDIDAS? gabinetes tomava algumas horas do assessor. Com o agrupamento, esse
FOI FEITO ESTUDO PARA processo de distribuição do trabalho se tornou menos demorado.
ATUAIS LIMITAÇÕES DOS A média atual de similaridade dos grupos está em torno de 59% e pode
RESULTADOS ESPERADOS ser aprimorada com técnicas mais avançadas de PLN

TRIBUNAL EM TECNOLOGIA Capacitação da equipe em Ciência de Dados e Inteligência Artificial
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
COMPUTACIONAL
OUTROS PROJETOS DE Predição do tempo das decisões dos processos;

INTELIGÊNCIA ARTIFICIAL Predição do percentual de conciliação do processo.
214
NOME DA INICIATIVA Projeto Gemini
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Uniformização de decisões e celeridade processual
BUSCA SOLUCIONAR
PJe
PROCESSO DE
PROBLEMA(S)
DESCRIÇÃO DO
Agrupa documentos similares e informa aos usuários sobre proces-
FUNCIONAMENTO sos já julgados
DA INICIATIVA
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Web
FERRAMENTAS DE bs4, joblib, nltk, numpy, pandas, psycopg2-binary, PyYAML, scikit-le-

TECNOLOGIA UTILIZADAS arn, spacy, gensim
215

MELHOR RESULTADO E FOI MiniBatch KMeans
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

BASE DE DADOS/ Foram utilizados cerca de 20 mil documentos processuais, no perío-

QUANTIDADE DE INSTÂNCIAS do de dois anos, produzidos pelo sistema PJe

DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Textos

Acurácia

Sim
MONITORAMENTO DO MODELO Feedback dos usuários
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Efetivo uso na construção de novos acórdãos
RESULTADOS
216

MÉDIO E LONGO PRAZO Mapeamento ainda não foi realizado
FORAM ATENDIDAS?

Dificuldade de interpretabilidade

CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Nenhuma
DOS DADOS COM USO DE Similaridade de processos com decisões divergentes
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER Sistema de recomendações de minutas
DESENVOLVIDOS PARA
JURISDICIONAL
217
NOME DA INICIATIVA ANÁLISE DE PRESSUPOSTOS DE ADMISSIBILIDADE
EQUIPE TÉCNICA Interna e Externa (Universidade)
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
SITUAÇÃO ATUAL Em ideação
PROBLEMAS QUE Gerar, de forma automática, certidão de análise de pressupostos

extrínsecos para admissibilidade de recursos da primeira para a
BUSCA SOLUCIONAR
segunda instância, e da segunda instância para o TST
PJe
PROCESSO DE
Ainda não definido
PROBLEMA(S)
MAJORITARIAMENTE
rização / Classificação de documentos, Recuperação de informação
DESCRIÇÃO DO
FUNCIONAMENTO -
DA INICIATIVA
Ainda não definido
TEXTUAL UTILIZADA
LINGUAGEM DE
Ainda não definido
Ainda não definido
FERRAMENTAS DE
Ainda não definido
218

MELHOR RESULTADO E FOI Ainda não definido
IMPLANTADO?
INFRAESTRUTURA DE
Ainda não definido

BASE DE DADOS/
Ainda não definido

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Ainda não definido
FORAM IDENTIFICADOS
À BASE?

Imagens

Ainda não definido

Não
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

Ainda sem resultados
RESULTADOS
219

Ainda não foi realizado o mapeamento dos resultados, pois a platafor-
MÉDIO E LONGO PRAZO ma está em processo de ideação
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Falta de padronização de documentos como, por exemplo, os comprovan-
RESULTADOS ESPERADOS tes de pagamento bancários para custas e depósitos recursais

Estão previstos investimentos na área de tecnologia da informação no
TRIBUNAL EM TECNOLOGIA plano anual de aquisições
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Integração com o PJe
Ainda não foi realizado esse mapeamento, pois a plataforma está em pro-
DOS DADOS COM USO DE cesso de ideação
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER Elaboração de minutas de votos
DESENVOLVIDOS PARA
JURISDICIONAL
220
NOME DA INICIATIVA Magus
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Auxílio na pesquisa jurisprudencial sobre assuntos/temas semelhan-

BUSCA SOLUCIONAR tes aos recursos que estão sendo julgados
PJe
PROCESSO DE
PROBLEMA(S)
Analytics / Business Intelligence, Extração de informação, Categoriza-
MAJORITARIAMENTE
ção / Classificação de documentos, Sistema de recomendação
DESCRIÇÃO DO O sistema realiza a extração de informações de Recursos para classifi-

FUNCIONAMENTO cação em assuntos da Tabela de Assuntos do CNJ e busca de decisões
DA INICIATIVA publicadas em assuntos semelhantes
Frequência de termos, stemming e lematização
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
Scikit-Learn
221

IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

BASE DE DADOS/ Aproximadamente mil acórdãos com classificação de assuntos reali-

QUANTIDADE DE INSTÂNCIAS zada manualmente

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente para o início do projeto, po-
MODELOS DO PROJETO? rém há desafios com classes desbalanceadas e com a pequena quan-
FORAM IDENTIFICADOS tidade de exemplos de assuntos raros
À BASE?

Textos

AUC / AUPR

Sim
Coleta da avaliação/reclassificação de assuntos dos documentos

MONITORAMENTO DO MODELO
pelos usuários, estatísticas a partir desta coleta
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Usuários estão utilizando a ferramenta para obter resultados mais
RESULTADOS significantes de pesquisa jurisprudencial
222

FORAM ATENDIDAS?

Verificar a utilização efetiva dos resultados pelos usuários

INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização e treinamento constante
TRIBUNAL EM TECNOLOGIA Treinamentos e capacitação
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Integração com bases de dados do CNJ
Existem correlações entre alguns assuntos processuais e quais referências
DOS DADOS COM USO DE normativas são relevantes para a extração das informações
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER Automatização de tarefas de mero expediente e de trechos de decisões
DESENVOLVIDOS PARA
JURISDICIONAL
223
NOME DA INICIATIVA Seguro Garantia
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Extrair informações de apólices de Seguro Garantia Judicial
BUSCA SOLUCIONAR
Não
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Extração de informação
DESCRIÇÃO DO
A iniciativa processa as apólices para extrair informações que serão
FUNCIONAMENTO
utilizadas na admissibilidade de recursos/garantia judicial
DA INICIATIVA
Extração de palavras-chave e contexto
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
Scikit-Learn
224

MELHOR RESULTADO E FOI Extração de palavras com RegEx e atribuição de pesos
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local

BASE DE DADOS/
Cerca de 300 apólices de seguro-garantia

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Baixa qualidade de imagens e dificuldades na extração de dados em PDF
FORAM IDENTIFICADOS
À BASE?

Textos e imagens

Acurácia

Sim
MONITORAMENTO DO MODELO Feedback de usuários do microsserviço
Não
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

RESULTADOS Em produção
225

MÉDIO E LONGO PRAZO Foi realizado um estudo para validar os ganhos e benefícios com base
FORAM ATENDIDAS? na percepção de usuários.

Dificuldade de validação da correção dos dados extraídos

INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização constante e dificuldade de verificação do acerto
TRIBUNAL EM TECNOLOGIA Treinamentos e capacitação
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Bases de dados de tribunais superiores
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER Geração automática de trechos de textos de decisões
DESENVOLVIDOS PARA
JURISDICIONAL
226
NOME DA INICIATIVA Horus
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE
Análise de informações processuais
BUSCA SOLUCIONAR
PJe
PROCESSO DE Não existe um modelo de treinamento, pois não são utilizadas técni-
TREINAMENTO UTILIZADO cas de Aprendizagem de Máquina
PROBLEMA(S) Visualização / Exploração de dados, Analytics / Business Intelligence,

Sumarização, Extração de informação, Categorização / Classificação
MAJORITARIAMENTE
de documentos, Agrupamento / Clustering, Modelagem de tópicos,
ABORDADO(S) NA SOLUÇÃO Recuperação de informação
DESCRIÇÃO DO Agilizar a análise de desempenho das Varas no que se refere aos itens
FUNCIONAMENTO cobrados em ata de correição ordinária, além de outros que podem
DA INICIATIVA dar uma visão geral da gestão dos processos e o alcance de metas
TIPO DE REPRESENTAÇÃO Não são utilizados recursos de representação textual, visto que os
TEXTUAL UTILIZADA dados extraídos são de tabelas do PJe, e não do conteúdo textual de
processos
LINGUAGEM DE
SQL, Postgres
Web
FERRAMENTAS DE
QlikSense
227

IMPLANTADO?
INFRAESTRUTURA DE

BASE DE DADOS/ A base não possui documentos nem imagens, mas contém os dados
QUANTIDADE DE INSTÂNCIAS processuais do PJe dos últimos cinco anos do TRT-11

DE DADOS UTILIZADO
A BASE UTILIZADA SE
A base de dados se mostrou suficiente, mas há informações ausentes em
MODELOS DO PROJETO? alguns campos
FORAM IDENTIFICADOS
À BASE?

Dados tabulares

Não se aplica

Sim
MONITORAMENTO DO MODELO Por meio de análise humana dos setores da área jurídica
Sim
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS Os resultados são utilizados para realizar correições, reduzindo o
RESULTADOS tempo de coleta e análise das informações
228

Ainda não foi realizado o mapeamento dos resultados, pois o sistema
está em processo de produção
FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS Limitações da ferramenta QlikSense, que apresenta instabilidade e

RESULTADOS ESPERADOS lentidão ocasionalmente

INTELIGÊNCIA COMPUTACIONAL Necessidade de atualização constante
Continuar investindo em tecnologias que auxiliem na celeridade
TRIBUNAL EM TECNOLOGIA processual e os jurisdicionados
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
APÓS O PROCESSAMENTO Foram exibidas as performances individuais de cada um dos órgãos
DOS DADOS COM USO DE julgadores, considerando diversos filtros (mês a mês, anual), o que
TÉCNICAS DE INTELIGÊNCIA permitiu uma análise mais detalhada
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER
Implementação de chatbot para auxiliar o jurisdicionado.
DESENVOLVIDOS PARA
JURISDICIONAL
229
NOME DA INICIATIVA Concilia JT
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE A tarefa de identificar se, em determinado processo, existe maior ou

BUSCA SOLUCIONAR menor possibilidade de acordo entre as partes.
O Concilia JT veio oferecer um indicador de apoio, gerado automati-
camente por meio do uso de técnicas de Inteligência Artificial. A par-
tir daí, tendo confiança no Potencial de Acordo calculado pela ferra-
menta, a atividade de identificação dos processos pode ser facilitada,
resumindo-se a uma simples consulta ao sistema.
A proposta é minimizar o esforço e os recursos envolvidos, aliviar a
carga e a dependência das atividades dos servidores, e fornecer um
conjunto de regras que podem ser uniformizadas entre todas as uni-
dades do órgão.
VINCULAÇÃO A UM SISTEMA O Concilia JT utiliza dados históricos do PJe para o treinamento e

JÁ EXISTENTE NO TRIBUNAL a geração de modelos de Inteligência Artificial. Para seu uso em
produção, devem ser submetidos dados de um processo presente
no PJe para um serviço REST, que aplica estes modelos, gerando a
predição do potencial de acordo.
Atualmente, a apresentação dos resultados é feita por meio de um
módulo de relatórios gerenciais do próprio PJe.
PROCESSO DE
PROBLEMA(S)
MAJORITARIAMENTE Otimização e Sistema de recomendação
230
DESCRIÇÃO DO Concilia JT foi um projeto piloto de pesquisa e desenvolvimento que

FUNCIONAMENTO empregou técnicas de IA sobre o acervo histórico de processos do
TRT-SC e resultou na entrega de um serviço que calcula a chance de
DA INICIATIVA
sucesso da tentativa de conciliação de um processo da Justiça do
Trabalho de Santa Catarina, e que pode ser consumido pelo PJe ou
outro sistema.
A identificação do potencial de sucesso na conciliação entre as partes
de um processo, combinada com ações para efetivação deste acordo,
além de estimular o uso de soluções alternativas ao conflito, propor-
ciona melhoria da celeridade na prestação jurisdicional, reduzindo,
por exemplo, o tempo médio de duração do processo na fase de co-
nhecimento.
Via de regra, a tarefa de identificação do potencial de sucesso na
tentativa de acordos ainda caracteriza-se por depender de pessoas
altamente qualificadas. O Concilia JT permite que, uma vez que se
tenha confiança no índice de Potencial de Acordo calculado pela fer-
ramenta, a atividade de identificação dos processos seja facilitada,
minimizando o esforço e os recursos envolvidos.
Os modelos utilizados para predição do Potencial de Acordo no Con-
cilia JT calculam valores que podem variar na faixa entre 0 (menor
potencial de acordo) a 5 (maior potencial de acordo). Esta informação
é mais valiosa para as equipes do que, por exemplo, um indicador do
tipo SIM ou NÃO.
Logo, cada unidade judiciária em posse deste índice será capaz de
definir sua própria estratégia de triagem e organização de pautas ou
conceber qualquer outra abordagem que julgar relevante para sua
realidade.
O Concilia JT pode, por exemplo:
- Reduzir o tempo investido em tarefas de triagem;
- Possibilitar a priorização dos esforços de servidores e magistrados;
- Otimizar o trabalho e potencializar resultados;
- Futuramente, automatizar algum fluxo do processo no PJe;
A simplicidade do conceito, os números de “acertos” da ferramenta
e o seu potencial de impactar no esforço das pessoas envolvidas e
no tempo total de um processo na Unidade são aspectos bastante
comentados pelas pessoas que tiveram contato com o resultado da
ferramenta.
Com uma abordagem de entendimento simples, o Concilia JT pre-
tende ser um incentivo à inovação e ao desenvolvimento colabora-
tivo destas iniciativas.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Python
Microsserviços
FERRAMENTAS DE
Pandas, Numpy e Scikit-Learn
231

MELHOR RESULTADO E FOI Logistic Regression, Multinomial Naive Bayes, Multi-layer Perceptron
e Random Forest
IMPLANTADO?
INFRAESTRUTURA DE Na atual versão utilizada em produção, o pipeline de processamen-

PROCESSAMENTO DE DADOS to e transformação de dados e treinamento de modelos ainda é
executado em ambiente de laboratório de desenvolvimento. Entre-
tanto, estas rotinas estão sendo migradas do Jupyter Notebook para
código Python puro e serão utilizadas em serviços com execução
periódica a definir.

BASE DE DADOS/ Os dados utilizados foram extraídos de 63 mil processos da base de

QUANTIDADE DE INSTÂNCIAS dados do PJe, por meio de consulta SQL, que gerou um conjunto
de dados estruturados brutos contendo registros de processos entre
novembro/2017 e dezembro/2020

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base de dados se mostrou suficiente, mas alguns desafios surgiram
MODELOS DO PROJETO? durante o processo. Em especial, o problema de desbalanceamento de
classes e a alta cardinalidade gerada em alguns recursos.
FORAM IDENTIFICADOS
À BASE?

Dados tabulares
AVALIAÇÃO DOS MODELOS DE A análise não foi limitada a apenas uma métrica. Em se tratando de
INTELIGÊNCIA COMPUTACIONAL um problema de classificação binária, observou-se, inicialmente, a
acurácia dos modelos como critério de pré-seleção, mas também as
relações e balanceamento entre precisão e revocação, por meio do
F1-Score. Recentemente, foi incluída a análise da AUC no processo
de avaliação dos modelos.

Não
MONITORAMENTO DO MODELO O Concilia JT prevê que sejam realizados novos treinamentos perió-
dicos para atualizar os modelos. Também foi incorporado às rotinas
de treinamento o conceito de predição combinada baseada no resul-
tado da predição de diferentes modelos, de famílias diferentes de
algoritmos.
Ainda está em fase de planejamento a implementação de recursos
para automatizar a tarefa de identificar alguma discrepância que pos-
sa justificar uma intervenção.
Existe a proposta de relatórios técnicos que apresentem alguns da-
dos estatísticos e a ideia de pequenos treinamentos que permitam
avaliar as métricas F1-score e AUC e alertar a equipe técnica.
232
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Atualmente, a calibração é feita manualmente após o pipeline de

processamento e transformação de dados, e treinamento de mode-
los.
Estudos vêm sendo realizados a fim de automatizar esta atividade e
incluir em novo pipeline, que será utilizado diretamente nos serviços
de atualização periódica.
ATUAL ESTÁGIO DOS O potencial calculado pela ferramenta, como já mencionado, é um in-
RESULTADOS dicador que servirá de apoio às Unidades Judiciárias e não represen-
ta de maneira alguma uma garantia de resultado. Não há imposição
para que este indicador seja incorporado às estratégias das Unidades
e a ferramenta está na fase inicial de uso. Estes aspectos representam
uma dificuldade quando se pensa em “medir” os resultados obtidos.
De fato, ainda não existem dados suficientes para avaliar os resul-
tados obtidos no ambiente de produção das unidades judiciárias.
Entretanto, estão avaliando os resultados obtidos por meio de com-
parações do que é predito pelos modelos e o que acontece com os
processos na “vida real”.
Os resultados obtidos são bastante promissores e têm chamado a
atenção das equipes, mas ainda apontam apenas o que virtualmen-
te o sistema “acertaria” em sua recomendação. Consequentemente,
com boas taxas de “acerto”, é possível projetar os benefícios do uso
da ferramenta em relação à otimização de recursos e de tempo des-
pendido em algumas tarefas relacionadas.
FOI REALIZADO MAPEAMENTO Foi realizada uma pesquisa com as 73 unidades judiciárias e CE-
DOS RESULTADOS DA UTILIZA- JUSCs do TRT-SC onde questionou-se qual o tempo médio investido
semanalmente em atividades que possam estar envolvidas com a ta-
ÇÃO DA INTELIGÊNCIA COMPU- refa de seleção de processos que são encaminhados para os CEJUSCs
TACIONAL NO TRIBUNAL? (ou para algum procedimento de Conciliação na sua própria VT).
AS EXPECTATIVAS DE CURTO, Com base no total de 58 respostas, estimou-se que são consumidas
MÉDIO E LONGO PRAZO em média 2,5 horas por semana, para cada servidor em sua unidade
FORAM ATENDIDAS? judiciária, para a execução destas atividades.
Considerando que uma ferramenta de apoio como o Concilia JT
possui capacidade de reduzir o tempo investido nessas atividades,
VALIDAR OS BENEFÍCIOS OU pode-se imaginar o impacto dessas aplicações na redução de esforço,
GANHOS EM PRODUTIVIDADE tempo e custo.
COM O USO DA SOLUÇÃO? Com o uso estratégico do índice de potencial de acordo, estima-se
a otimização do fluxo dos processos nas unidades judiciárias e CE-
JUSCs, evitando uma tramitação menos eficiente do processo. Por
exemplo, isto é possível por meio de uma melhor seleção dos pro-
cessos que são encaminhados para tentativa de conciliação, como os
classificados com índice de potencial de acordo igual ou superior a 3,
segundo o Concilia JT, ou ainda otimizando o tempo de Audiências
em que o processo tenha um baixo potencial de acordo, segundo o
Concilia JT.
Está sendo elaborada uma Pesquisa de Satisfação para coletar dados
junto aos usuários do Concilia JT, com o intuito de diagnosticar o be-
nefício alcançado.
233
ATUAIS LIMITAÇÕES DOS O indicador de apoio fornecido pelo Concilia JT não visa garantir a
realização do acordo, pois outras variáveis podem ser consideradas
nessa análise. O propósito é servir de apoio aos servidores e ma-
gistrados nas diversas atividades para as quais essa informação é
relevante.
RISCOS DOS MODELOS DE Existe o risco de o modelo ficar “desatualizado” e deixar de represen-
tar com exatidão o estado atual. Serão necessárias atualizações peri-
ódicas dos modelos para mantê-lo aderente, e o sistema como um
APLICADOS NESTA INICIATIVA todo precisa estar munido de ferramentas que permitam facilmente
diagnosticar a qualidade do novo modelo gerado. Entretanto, pelas
características do problema que tenta resolver, a necessidade desta
atualização não é de curtíssimo prazo.
É esperada uma resistência natural quando do emprego de novas
tecnologias. Como o Concilia JT aplica a IA e é o primeiro projeto
dessa natureza no TRT-SC, pode haver um baixo grau de aceitação,
especialmente nesse momento inicial.
Para a construção dos modelos e as predições posteriores são utiliza-
dos os dados cadastrados no PJe. Portanto, a aplicação é sensível à
qualidade desses dados do PJe.
A equipe do projeto vem acompanhando os normativos referentes
à LGPD e às políticas de aplicação de IA. Potencialmente, em algum
momento, imagina-se que haverá a necessidade de algum ajuste
pontual para atender esses normativos.
PLANO DE INVESTIMENTO DO Em 2021, será finalizado o processo para a aquisição de equipamen-

TRIBUNAL EM TECNOLOGIA tos específicos para suportar serviços de IA e afins no TRT-SC.
Anualmente, os Regionais elaboram suas Propostas Orçamentárias
Prévias (POP) com o planejamento do investimento para o ano se-
guinte. A aprovação dessas POPs é feita pelo CSJT.
CLUSTER DEDICADO AO
DE MÁQUINA?
Junta Comercial do Estado (JUCESC), Receita Federal do Brasil (RFBR),
EXTERNOS QUE SERIAM INSS, dentre outros. O propósito seria conseguir identificar o “porte”, a
IMPORTANTES PARA O capacidade financeira, o endividamento e o número de empregados de
APRIMORAMENTO E ENRIQUE- uma empresa, por exemplo, e, de posse dessas informações, incrementar
CIMENTO DESTE SISTEMA DE os mecanismos de predição.
COMPUTACIONAL
234
OUTROS PROJETOS DE - Movimentações processuais automatizadas, ou orientadas por al-

INTELIGÊNCIA ARTIFICIAL gum indicador gerado pela IA;
- Análise, Categorização e Validação de documentos anexados ao
processo;
- Categorização de processos;
- Identificação de processos semelhantes;
- Auxílio na automatização de cadastros do PJe (por exemplo, quan-
do se precisa extrair uma informação de um documento e cadastrá-la
em um campo específico do PJe).
NOME DA INICIATIVA Gemini
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Aumento da celeridade na emissão de decisões a partir da identifica-

BUSCA SOLUCIONAR ção de similaridades entre documentos
VINCULAÇÃO A UM SISTEMA PJe

INTELIGÊNCIA COMPUTACIONAL Processamento de Linguagem Natural e Aprendizagem de Máquina
PROCESSO DE
PROBLEMA(S)
DESCRIÇÃO DO O Gemini é uma solução que, com base na similaridade de docu-

FUNCIONAMENTO mentos de entrada (por exemplo, Recursos Ordinários), provê duas
funcionalidades: 1) o agrupamento de documentos aguardando
DA INICIATIVA
tratamento de modo a otimizar a distribuição de tarefas, e 2) a apre-
sentação de soluções já confeccionadas em documentos de entrada
similares ao que está sendo processado no momento.
235
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java
Web
FERRAMENTAS DE Utiliza-se uma série de toolkits Python, dentre eles pandas, nltk, spacy,
TECNOLOGIA UTILIZADAS sklearn

MELHOR RESULTADO E FOI PairWise Distance
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/ 380 mil documentos existentes na base de dados do PJe. São textos
livres, inseridos no sistema por usuários do Regional e Jurisdicionados.
O período analisado foi restrito após a última reforma trabalhista.

DE DADOS UTILIZADO
A BASE UTILIZADA SE
PARA O TREINAMENTO DOS A base se mostrou suficiente, mas ainda é preciso fazer melhorias na lista
MODELOS DO PROJETO? de stopwords do vocabulário do Judiciário, e o volume de documentos é
sempre um desafio para a capacidade de processamento.
FORAM IDENTIFICADOS
À BASE?

Textos
AVALIAÇÃO DOS MODELOS DE Acurácia


Sim
MONITORAMENTO DO MODELO A detecção de anomalias é feita pelas áreas de negócio e informada

à equipe técnica de TI
Sim
OU APERFEIÇOAMENTO
236
FORMA DE CALIBRAÇÃO Alguns ajustes são feitos manualmente em parâmetros de execução,

mas o retreinamento dos modelos aplica automaticamente os ajus-
tes aos modelos e resultados da solução
ATUAL ESTÁGIO DOS O sistema encontra-se em produção, mas, desde o período de avalia-
RESULTADOS ção como piloto, as áreas de negócio reportam o grande valor agre-
gado pela solução. Atualmente, o sistema tem auxiliado efetivamen-
te no ganho de celeridade na atividade judicial.

AS EXPECTATIVAS DE CURTO, Há um estudo realizado de maneira empírica por um grupo de usuá-
rios, mas o objetivo não era calcular o ganho de horas por atividade,
mas o aumento do volume atendido em determinado período. O
FORAM ATENDIDAS? estudo apresentou ótimos resultados.
ATUAIS LIMITAÇÕES DOS É necessário aprimorar o pré-processamento dos textos com base na
construção de uma lista de stopwords do Judiciário, e há um pro-
cesso ainda contínuo de análise de possibilidades de melhoria na
estratégia de agrupamento dos documentos que, entende-se, ainda
não é a ideal.
RISCOS DOS MODELOS DE Atualmente, dado o baixo grau de intrusão da solução na atuação
humana, não foram detectados riscos como os exemplificados na
questão. Por se tratar de uma solução de apoio, não há, no presente
APLICADOS NESTA INICIATIVA momento, desafios legais ou problemas de aceitação. A velocidade
de atualizações da solução também parece estar adequada.
PLANO DE INVESTIMENTO DO O tribunal planeja manter o investimento de esforço na construção/

TRIBUNAL EM TECNOLOGIA melhoria em soluções de IA. Até agora, não houve necessidade de
investimentos financeiros notáveis.
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM No momento, dada a proposta atual da solução, a integração com a base
IMPORTANTES PARA O de dados do PJe já existente é suficiente para o bom funcionamento e
APRIMORAMENTO E ENRIQUE- evolução previsível da solução
237
APÓS O PROCESSAMENTO Foi possível perceber alguns padrões de agrupamento de textos que
DOS DADOS COM USO DE não haviam sido percebidos pelas áreas de negócio
COMPUTACIONAL
OUTROS PROJETOS DE Há estudos em andamento para a identificação de novas possibili-

INTELIGÊNCIA ARTIFICIAL dades de aplicação de tecnologias de IA, mas ainda não há um rol
concreto nesse sentido
NOME DA INICIATIVA Gemini
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE O projeto oferece meios para tornar mais célere a elaboração da mi-
BUSCA SOLUCIONAR nuta de voto de processos do tipo Recurso Ordinário, por meio de
análise de similaridade entre documentos e processos

PROCESSO DE
Aprendizado por Reforço
PROBLEMA(S)
DESCRIÇÃO DO O projeto Gemini utiliza a Inteligência Artificial para agrupar docu-

FUNCIONAMENTO mentos de processos no 2º grau por similaridade de temas e, assim,
otimizar os trabalhos. A finalidade é auxiliar na elaboração de votos
DA INICIATIVA
e na distribuição de processos por matéria nos Gabinetes. O sistema
também está sendo utilizado para otimizar o trabalho nos Recursos
de Revista.
238
TEXTUAL UTILIZADA
LINGUAGEM DE
Python, Java, Visual Studio Code
FERRAMENTAS DE BeautifulSoup, genism, joblib, math, multiprocessing, nltk, numpy,

TECNOLOGIA UTILIZADAS Pandas, Psycopg2, Pytest (opcional, somente para executar os testes),
PyYAML, Requests, shutil, sklearn e spacy

MELHOR RESULTADO E FOI Ainda não está em uso
IMPLANTADO?
INFRAESTRUTURA DE
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/ - Treinamento de embeddings: seu uso é opcional a depender da aná-

lise a ser realizada pelo cientista de dados. Caso seja realizado, este
poderá ser usado no treinamento do modelo e predição de novos do-
cumentos.
- Treinamento do modelo de IA: neste pipeline, são realizadas a consul-
ta dos documentos recuperados a partir do SOLR da Pesquisa Textual, e
a consulta de alguns dados estruturados na base de dados do PJe, de
acordo com os parâmetros de configuração cadastrados na Aplicação
Gemini. Após a consulta, é realizado um cruzamento das informações
e gerado um conjunto de arquivos com o conteúdo dos documentos
extraídos do SOLR, além de um arquivo .csv com os demais dados re-
cuperados da base de dados do PJe. Em seguida, é realizado um trata-
mento no conteúdo dos documentos, retirando palavras que não serão
relevantes para o treinamento do modelo de IA. Após, é realizado o
treinamento do modelo para o agrupamento de documentos similares
e realizado um conjunto de cálculos para indicar o percentual de simi-
laridade entre os documentos de cada agrupamento. Por fim, todos as
informações são armazenadas na base de dados do Gemini para que
possam ser utilizadas pela aplicação Web.
- Predição: neste pipeline, são realizados passos semelhantes ao do
treinamento do modelo, como consultas ao SOLR da Pesquisa Textual e
à base de dados do PJe, só que desta feita, as consultas tentam recupe-
rar novos documentos que foram incluídos no PJe após o treinamento
do modelo de IA. Também é realizado um tratamento do conteúdo dos
documentos, da mesma forma que no pipeline de treinamento. Uma
vez identificado e realizado o tratamento dos novos documentos, é re-
alizada a predição destes documentos contra o modelo de IA treinado.
Os cálculos de similaridades são refeitos considerando os novos docu-
mentos e, novamente, os dados são armazenados na base de dados
do Gemini.
239

DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Ainda não está em uso
FORAM IDENTIFICADOS
À BASE?

Textos
AVALIAÇÃO DOS MODELOS DE Ainda não está em uso


Sim
MONITORAMENTO DO MODELO Ainda não está em uso
Não
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Ainda não está em uso
ATUAL ESTÁGIO DOS

Ainda não está em uso
RESULTADOS

FORAM ATENDIDAS?

240

O plano poderá ser consultado na página de Transparência/Gestão
TRIBUNAL EM TECNOLOGIA Estratégica de TI do Tribunal: https://www.trtes.jus.br/principal/trans-
PARA OS PRÓXIMOS ANOS parencia/gestao-e-governanca/gestao-estrategica-de-ti
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
COMPUTACIONAL
OUTROS PROJETOS DE
QUE PODERIAM SER
-
DESENVOLVIDOS PARA
JURISDICIONAL
241
NOME DA INICIATIVA SISTEMA AUTOMATIZADO DE BUSCA PATRIMONIAL
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Celeridade na busca patrimonial para dar prosseguimento a proces-

BUSCA SOLUCIONAR sos na fase de execução

PROCESSO DE
-
PROBLEMA(S)
MAJORITARIAMENTE Recuperação de informação
DESCRIÇÃO DO Dada uma lista de credores incluídos no BNDT, o sistema faz buscas
FUNCIONAMENTO automáticas nos principais convênios de busca patrimonial (por
exemplo: INFOJUD, RENAJUD, CNIB, CENSEC), de modo a evitar
DA INICIATIVA
que cada unidade judicial as faça individualmente. Sem a referida
solução, cada unidade judicial seria responsável por realizar diversas
buscas em sistemas que o tribunal mantém convênio para identificar
patrimônio. Com a ferramenta, este trabalho é automatizado e dispo-
nibilizado a todas as unidades judiciais, dispensando servidores de
realizar a atividade.
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Java, selenium
Web
242
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS -

IMPLANTADO?
INFRAESTRUTURA DE
-
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
Não
-
DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Dados tabulares

-

Não
MONITORAMENTO DO MODELO A solução não envolve técnicas de IA
-
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO A solução não envolve técnicas de IA
ATUAL ESTÁGIO DOS

A solução não envolve técnicas de IA
RESULTADOS
243

FORAM ATENDIDAS?
ATUAIS LIMITAÇÕES DOS A solução não envolve técnicas de IA


INTELIGÊNCIA COMPUTACIONAL A solução não envolve técnicas de IA
PLANO DE INVESTIMENTO DO O plano de contratações do Tribunal pode ser acessado em http://

TRIBUNAL EM TECNOLOGIA www.trt18.jus.br/portal/institucional/governanca-e-estrategia/tec-
PARA OS PRÓXIMOS ANOS nologia/planejamento/plano-anual-de-contratacao/
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O A solução não envolve técnicas de IA
DOS DADOS COM USO DE A solução não envolve técnicas de IA
COMPUTACIONAL
OUTROS PROJETOS DE
Sistemas de predição de sentenças, decisões e acórdãos
244
NOME DA INICIATIVA Sistema de BI Hórus18
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Necessidade da alta administração em acessar, de forma simples,

ágil e intuitiva, os dados estatísticos, gerenciais e de planejamento
BUSCA SOLUCIONAR
estratégico das unidades do Tribunal, permitindo o monitoramento
e subsidiando a tomada de decisões, bem como o alinhamento de
ações táticas e/ou operacionais aos objetivos estratégicos.
Principais resultados esperados:
- Maior transparência e clareza das informações gerenciais, táticas e
operacionais do Tribunal;
- Centralização de informações negociais, possibilitando o cruza-
mento de diferentes fontes de dados e a percepção de situações que,
até então, demandavam um grande esforço do gestor;
- Facilidade de identificação e entendimento de pontos de melhoria
na gestão do Tribunal e de suas unidades da área meio e fim;
- Tomadas de decisões mais precisas e pontuais pela alta adminis-
tração devido ao detalhamento de informações e à simplicidade de
análises de diferentes situações negociais.
VINCULAÇÃO A UM SISTEMA PJe, e-Gestão e Sigep

INTELIGÊNCIA COMPUTACIONAL Modelo e técnica de consultas às bases de dados, ETL
PROCESSO DE
Não foi utilizado
PROBLEMA(S)
Visualização / Exploração de dados, Analytics / Business Intelligence,
MAJORITARIAMENTE
Sumarização, Extração de informação
DESCRIÇÃO DO O sistema de Business Intelligence (BI) contém informações estra-

FUNCIONAMENTO tégicas, táticas e operacionais do Tribunal, extraídas por meio do
cruzamento e preparação de várias fontes de dados, com intuito de
DA INICIATIVA
simplificar a condução de análises de negócio por meio de exibições
gráficas simples e completas, permitir o alinhamento à governança
corporativa e subsidiar a tomada de decisões pela alta administração.
Não foi utilizada
TEXTUAL UTILIZADA
245
LINGUAGEM DE
Power Query M, DAX, SQL
ARQUITETURA / PLATAFORMA Web e Desktop. Há potencial para dispositivos móveis, mas ainda
PRINCIPAL DA INICIATIVA não foi implementado
FERRAMENTAS DE Microsoft Power BI, Pentaho Data Integration - PDI, Oracle SQL Deve-
TECNOLOGIA UTILIZADAS loper

MELHOR RESULTADO E FOI Não foi utilizado
IMPLANTADO?
INFRAESTRUTURA DE
Dispositivo local
INFRAESTRUTURA DE
Rede local
BASE DE DADOS/
Não
Não há
DE DADOS UTILIZADO
A BASE UTILIZADA SE
MODELOS DO PROJETO? Não há
FORAM IDENTIFICADOS
À BASE?

Dados tabulares

-

Não
MONITORAMENTO DO MODELO Não há
Sim
OU APERFEIÇOAMENTO
FORMA DE CALIBRAÇÃO Não há
246
ATUAL ESTÁGIO DOS

Não há
RESULTADOS

MÉDIO E LONGO PRAZO Não
FORAM ATENDIDAS?

Não há

INTELIGÊNCIA COMPUTACIONAL Não há
TRIBUNAL EM TECNOLOGIA Não há
CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
IMPORTANTES PARA O Base de dados do CNJ e CSJT
DOS DADOS COM USO DE Não há
COMPUTACIONAL
OUTROS PROJETOS DE Solução de processos menos complexos e padronizados por meio da

INTELIGÊNCIA ARTIFICIAL detecção de assuntos já solucionados
247
NOME DA INICIATIVA Sistema de Jurisprudência
EQUIPE DE CURADORIA
Interna
E TREINAMENTO
PROBLEMAS QUE Pesquisa textual em documentos como Acórdãos, Sentenças, Deci-

BUSCA SOLUCIONAR sões e Despachos

PROCESSO DE
-
PROBLEMA(S)
MAJORITARIAMENTE Recuperação de informação
DESCRIÇÃO DO Solução realiza a indexação de documentos do PJe, utilizando-se do

FUNCIONAMENTO Elastic Search, para que os usuários possam realizar pesquisas textu-
ais avançadas e céleres
DA INICIATIVA
-
TEXTUAL UTILIZADA
LINGUAGEM DE
Java
Web
FERRAMENTAS DE
TECNOLOGIA UTILIZADAS Elastic Search
248

IMPLANTADO?
INFRAESTRUTURA DE
-
INFRAESTRUTURA DE
-
BASE DE DADOS/
Cerca de 2 milhões de documentos
-
DE DADOS UTILIZADO
A BASE UTILIZADA SE
FORAM IDENTIFICADOS
À BASE?

Textos

-

-
-
OU APERFEIÇOAMENTO
ATUAL ESTÁGIO DOS

-
RESULTADOS
249

AS EXPECTATIVAS DE CURTO, As expectativas foram atendidas.
MÉDIO E LONGO PRAZO Não foi realizado nenhum estudo para validar os benefícios ou
ganhos em produtividade.
FORAM ATENDIDAS?


CLUSTER DEDICADO AO
DE MÁQUINA?
EXTERNOS QUE SERIAM
COMPUTACIONAL
250
C CONSOLIDAÇÃO
04
CONSOLIDAÇÃO E
ANÁLISE DOS DADOS
O presente capítulo tem como objetivo apresentar os resultados consolidados do levanta-

mento realizado por meio da aplicação da pesquisa descrita no capítulo 3, abrangendo o
STF, o STJ, o TST, os TRTs, os TRFs e os TJs. O questionário foi composto por um con-
junto de perguntas abertas e de múltipla escolha, e englobou diversos aspectos práticos
da utilização e desenvolvimento de iniciativas de IA no contexto de cada tribunal.
4.1 Metodologia de padronização dos dados
A análise quantitativa dos dados foi realizada considerando dois cenários principais: o
conjunto total de iniciativas e um recorte de sistemas com status informado "Em Produção".
Os campos aqui apresentados passaram por um processo de normalização, de acordo
com o seguinte critério:
1. Uniformização de capitalização (todas maiúsculas);

2. Substituição de nomes por extenso pelas siglas das instituições/sistemas;
3. Separação de campos multivalorados (separados por vírgula ou ponto e vírgula) em
valores distintos.
4.2 Distribuição das iniciativas por região
A pesquisa apontou um crescimento no número de projetos de IA implantados nos tri-

bunais brasileiros. Entretanto, pode-se perceber o impacto da pandemia no ritmo de
crescimento observado em anos anteriores. Vale ressaltar que o gráfico já apresenta uma
previsão dos sistemas que serão implantados em 2022.
252
Figura FIGURA 1: NÚMERO

1 - Número DE INICIATIVAS
de iniciativas IMPLANTADAS
implantadas AO LOGO
ao longo dos DOSanos
últimos ÚLTIMOS ANOS
25
20 20
20
NÚMERO DE INICIATIVAS
15
12
10
5
3
1 2
0
2015 2018 2019 2020 2021 2022
ANO DE IMPLANTAÇÃO
Como apresentado na Figura 2, a maior parte das iniciativas estão localizadas na região
Centro-Oeste, principalmente focadas em tribunais localizados em Brasília (Figura 3). As
outras regiões apresentam um número similar de sistemas em implantação, sendo que a
variação do Sul para o Norte é de apenas quatro iniciativas.
FIGURA
Figura 2 - Número de iniciativas 2: NÚMERO DE INICIATIVAS POR REGIÃO
por região
REGIÃO
CENTRO-OESTE 20
SUL 13
SUDESTE 12
NORDESTE 10
NORTE 9
0 5 10 15 20 25
253
Por outro lado, a Figura 3 destaca os estados com maior número de iniciativas de uso de
Inteligência Artificial para o setor jurídico. Distrito Federal, Rio Grande do Sul, Rio de Janeiro
e São Paulo possuem mais iniciativas que os demais estados.
Figura 3 - Número de iniciativas por estado

FIGURA 3: NÚMERO DE INICIATIVAS POR ESTADO
ESTADO
DISTRITO FEDERAL 13
RIO GRANDE DO SUL 6
RIO DE JANEIRO 5
SÃO PAULO 4
GOIÁS 3
CEARÁ 3
PARÁ 3
SANTA CATARINA 3
PARANÁ 3
MATO GROSSO 3
PERNAMBUCO 2
ESPÍRITO SANTO 2
BAHIA 2
RONDÔNIA 1
MINAS GERAIS 1
ACRE 1
RORAIMA 1
SERGIPE 1
AMAZONAS 1
TOCANTINS 1
AMAPÁ 1
MATO GROSSO DO SUL 1
PRAÍBA 1
ALAGOAS 1
RIO GRANDE DO NORTE 1
0 2 4 6 8 10 12 14
254
4.3 Situação atual das iniciativas

A Figura 4 apresenta a relação da quantidade de iniciativas por tribunal e por situação de
desenvolvimento/adoção da iniciativa. A figura mostra que os tribunais de justiça têm tido
uma experiência maior na adoção de técnicas de Inteligência Artificial. Também é possível
identificar que o TST e STF têm poucas iniciativas, mas todas já estão em produção, o que
mostra um nível de maturidade maior.
FIGURA 4: QUANTIDADE
Figura 4 - Quantidade de iniciativas DE INICIATIVAS
por tribunal e por POR TRIBUNAL E POR SITUAÇÃO
situação
TRIBUNAL DE JUSTIÇA
SITUAÇÃO ATUAL DA INICIATIVA
TRIBUNAL REGIONAL DO TRABALHO
DESENVOLVIMENTO
TRIBUNAL REGIONAL FEDERAL
IDEAÇÃO
TST
IMPLANTAÇÃO
STJ
PILOTO
STF
PRODUÇÃO
SNJ
0 5 10 15 20 25 30 35
A Figura 5 apresenta mais detalhes sobre a situação das iniciativas por tribunal. É pos-
sível identificar, por exemplo, que os tribunais de justiça possuem uma boa distribuição
de iniciativas nas diferentes fases de adoção e desenvolvimento. Por outro lado, alguns
tribunais possuem soluções que já estão em produção, mas poucas soluções no início do
desenvolvimento.
Figura 5 - Situação das iniciativas por tribunal

FIGURA 5: SITUAÇÃO DAS INICIATIVAS POR TRIBUNAL
STJ 2 1 1
TRIBUNAL REGIONAL FEDERAL 1 1 3
TRIBUNAL REGIONAL DO TRABALHO 2 1 2 12
TRIBUNAL DE JUSTIÇA 6 6 4 2 17
CNJ 1
STF 1
TST 1
DESENVOLVIMENTO IDEAÇÃO IMPLANTAÇÃO PILOTO PRODUÇÃO
255
4.4 Sistemas em produção
Esta seção apresenta os resultados focados nos sistemas que se encontram em produção
nos tribunais. A figura 6 mostra que as abordagens mais utilizadas nas iniciativas são os
tradicionais aprendizados supervisionado e não supervisionado. Contudo, vale ressaltar que
23% das iniciativas não utilizam nenhuma abordagem de treinamento de dados, focando-se
mais em técnicas de outras naturezas.
FIGURA 6: ABORDAGEM UTILIZADA

Figura 6 - Abordagem utilizada
PARADIGMA DE APRENDIZAGEM
3%
APRENDIZADO SUPERVISIONADO
23%
APRENDIZADO NÃO SUPERVISIONADO
49% NÃO UTILIZA APRENDIZADO DE MÁQUINA
APRENDIZADO POR REFORÇO
26%
Outra informação importante que mostra a maturidade das soluções em produção é que
apenas quatro não têm integração com outros sistemas dos tribunais, como apresentado
na Figura 7. Além disso, o PJe possui 19 iniciativas de utilização de serviços inteligentes
em combinação com sistemas já existentes.
256
Figura 7 - Integração com sistemas já existentes

FIGURA 7: INTEGRAÇÃO COM SISTEMAS JÁ EXITENTES
INTEGRAÇÕES A SISTEMAS
PJE 19
NÃO POSSUI 4
PROJUDI 3
EPROC 3
SAJ 2
TUCUJURIS 1
DIÁRIO ELETRÔNICO DA JUSTIÇA DO TRABALHO 1
E-GESTÃO 1
ERECURSO TRTS 1
ESIJ 1
FINANCEIRO 1
PROTEUS 1
TST 1
SAG 1
SEEU (CNJ) 1
SIDEN - SISTEMA DE IDENTIFICAÇÃO DO TJDFT 1
SIGEP 1
SISTEMA JUSTIÇA-WEB 1
SISTEMAS DE RH 1
STF DIGITAL 1
PRAÍBA 1
TRTS 1
APOLO 1
0 5 10 15 20 25 30
TOTAL
4.5 Equipe
As Figuras 8 e 9 apresentam como as equipes de desenvolvimento das soluções e cura-

doria dos dados são divididas entre equipe interna, externa e mista (interna e externa). Elas
indicam que as equipes de desenvolvimento das soluções inteligentes são, majoritariamen-
te, equipes formadas por pessoas internas do tribunal.
257
FIGURA 8: EQUIPE TÉCNICA
Figura 8 - Equipe técnica
3% 6%
INTERNA
EXTERNA
INTERNA E EXTERNA
91%
FIGURA 9: EQUIPES DE CURADORIA E TREINAMENTO
Figura 9 - Equipes de curadoria e treinamento
3% 6%
INTERNA
EXTERNA
INTERNA E EXTERNA
91%
4.6 Validação dos resultados
Em pouco mais da metade das iniciativas (54%), indicou-se que os resultados foram ma-
peados após a implantação do projeto (Figura 10). O levantamento realizado apontou ainda
que a maioria dos projetos em produção atualmente atenderam às expectativas iniciais
(60%), não obstante isso deixe um percentual alto de iniciativas nas quais o resultado final
não atendeu às expectativas (40%), conforme pode ser visto na Figura 11.
258
FIGURA 10: STATUS DE PROJETOS CUJOS RESULTADOS FORAM MAPEADOS
Figura 10 - Status de projetos cujos resultados foram mapeados

RESULTADOS JÁ FORAM MAPEADOS?
SIM
46% NÃO
54%
Figura 11 - Distribuição dos projetos quanto ao atendimento das expectativas iniciais

FIGURA 11: DISTRIBUIÇÃO DOS PROJETOS QUANTO AO ATENDIMENTO DAS EXPECTATIVAS INICIAIS
EXPECTATIVAS FORAM ATENDIDAS?
SIM
NÃO FORAM AVALIADAS

40%
60%
Por outro lado, 83% dos projetos indicaram que os resultados obtidos pela solução im-
plantada passam por algum tipo de validação humana (Figura 12).
259
FIGURA 12: VALIDAÇÃO DOS RESULTADOS OBTIDOS
Figura 12 - Validação dos resultados obtidos.
OS RESULTADOS PASSAM POR VALIDAÇÃO HUMANA?
3%
14% SIM
NÃO
NÃO DEFINIDO
83%
4.7 Infraestrutura
Com relação à infraestrutura utilizada para o desenvolvimento dos projetos, a grande maio-
ria dos projetos utilizou infraestrutura local do próprio tribunal para o armazenamento dos
dados utilizados ou analisados, conforme pode ser visto na Figura 13. No quesito proces-
samento, nas Figuras 14 e 15, também foi observada uma prevalência de uso de infraes-
trutura local (computadores, servidores, entre outros), em detrimento ao uso de plataformas
de computação distribuída ou em nuvem. No entanto, apenas um pequeno percentual
(9%) dos respondentes afirmou dispor de uma infraestrutura computacional dotada de uni-
dades de processamento gráfico (do inglês, Graphical Processing Unit - GPU), plataforma
FIGURA 13: INFRAESTRUTURA DE ARMAZENAMENTO

extremamente relevante no desenvolvimento de modelos de aprendizado profundo.
Figura 13 - Infraestrutura de armazenamento
INFRAESTUTURA DE ARMAZENAMENTO UTILIZADA
3% 3%
REDE LOCAL
COMPUTAÇÃO EM NUVEM
NÃO DEFINIDO
93%
260
FIGURA 14: INFRAESTRUTURA DE PROCESSAMENTO

Figura 14 - Infraestrutura de processamento
INFRAESTUTURA DE PROCESSAMENTO UTILIZADA
17%
DISPOSITIVO LOCAL
COMPUTAÇÃO DISTRIBUÍDA
17% 43% SERVIDORES LOCAIS
NÃO DEFINIDO
23%
FIGURA 15: DISPONIBILIDADE DE CLUSTER PARA TREINAMENTO DE MODELOS

Figura 15 - Disponibilidade de cluster para treinamento de modelos
9%
NÃO
SIM (SEM GPU)

26%
SIM (COM GPU)
66%
4.8 Bases de dados
No que se refere a Bases de Dados utilizadas, 74% das iniciativas fizeram uso desse tipo
de recurso (Figura 16), com prevalência de bases compostas de documentos de texto
(texto puro ou PDFs), conforme pode ser observado na Figura 17. Justifica-se então a
grande utilização de técnicas de processamento de linguagem natural nos sistemas recu-
perados. A representação textual mais utilizada foi a contagem ou frequência de termos
(11), seguida por representações vetoriais densas (i.e., word embeddings), com seis casos.
Entretanto, entende-se que o uso de embeddings contextuais é uma tendência, fato já
observado em duas das iniciativas mapeadas (Figura 18).
261
FIGURA 16: UTILIZAÇÃO DE BASE DE DADOS

Figura 16 - Utilização de base de dados
3%
SIM
23%
NÃO
NÃO DEFINIDO
74%
FIGURA 17: de
Figura 17 - Disponibilidade DISPONIBILIDADE DE CLUSTERdePARA
cluster para treinamento TREINAMENTO DE MODELOS
modelos
TEXTOS 20
DADOS TABULARES 13
IMAGENS 3
PDF 2
0 5 10 15 20 25
Figura 18 - Representação textual FIGURA 18: REPRESENTAÇÃO TEXTUAL
REPRESENTAÇÃO TEXTUAL
FREQUÊNCIA DE TERMOS 11
WORD EMBEDDINGS 6
CONTEXTUAL EMBEDDINGS 2
TEXTO COMPLETO 1
0 5 10 15 20 25 30
TOTAL
262
4.9 Métodos e linguagens adotadas
A linguagem mais utilizada nas respostas analisadas foi o Python, seguido por Java e SQL
(Figura 19). O resultado era esperado, uma vez que esta é umas das linguagens mais
populares para as tarefas frequentes nos tribunais analisados, como mostra a Figura 20.
Figura 19 - LinguagensFIGURA
de programação adotadas
19: LINGUAGENS nas soluções
DE PROGRAMAÇÃO ADOTADAS NAS SOLUÇÕES
LINGUAGEM
PYTHON 25
JAVA 10
SQL 2
0 5 10 15 20 25 30
TOTAL
Dentre os frameworks mais utilizados, destacam-se o scikit learn (Python) em projetos que
envolvem classificação e agrupamento de documentos (Figura 21). Em seguida, Power BI
e QlikSense destacaram-se como plataformas de BI, e Elasticsearch e Solr em projetos de
recuperação de informação.
No que concerne aos algoritmos e modelos utilizados na solução implementada, desta-

caram-se algoritmos baseados em árvores (Random Forest e XGBoost) para classificar
documentos, enquanto o algoritmo k-Means foi o mais utilizado em problemas de agru-
pamento (Figura 22).
Figura 20 - Problemas abordados x Linguagens de programação

FIGURA 20: PROBLEMAS ABORDADOS X LINGUAGENS DE PROGRAMAÇÃO
12
AGRUPAMENTO 3 1 9
BUSINESS INTELIGENCE 1 2 10
CHATBOT 1
8
CLASSIFICAÇÃO DE DOCUMENTOS 3 1 12
EXTRAÇÃO DE INFORMAÇÃO 2 6
RPA 1
4
RECONHECIMENTO FACIAL 1
RECUPERAÇÃO DE INFORMAÇÃO 3 1 2
C# JAVA JAVASCRIPT PHP PYTHON R SQL
263
Figura 21 - Frameworks x Problemas abordados

FIGURA 21: FRAMEWORKS X PROBLEMAS ABORDADOS
10
AGRUPAMENTO 1 1 3 1 2 1 2 5 2 1
9
BUSINESS INTELIGENCE 1 1 1 1 3 8
CHATBOT 1 7
CLASSIFICAÇÃO DE DOCUMENTOS 1 2 1 1 2 10 1 3 1 6
EXTRAÇÃO DE INFORMAÇÃO 1 1 1 2 1 1 5
RPA 1 4
RECONHECIMENTO FACIAL 1 3
2
RECUPERAÇÃO DE INFORMAÇÃO 2 1
1
APACHE MAHOUT
CLOUD API
ELASTICSEARCH
GENSIM
KERAS
MICROSOFT INTEGRATION SERVICE
MICROSOFT POWER BI
NLTK
NUMPY
OPEN CV
ORACLE SQL DEVELOPER
PANDAS
PENTAHO DATA INTEGRATION
QLIKSENSE
SOLR
SCIKIT-LEARN
SELENIUM
SPACY
TENSORFLOW
TESSERACT
Figura 22 - Métodos x Problemas abordados
BERT 1 4.0
CNN 1 1
DBSCAN 1 3.5
DECISION TREE 1
FASTTEXT 1
HOG 1 3.0
K-MEANS 4
LSTM 1
LOGISTIC REGRESSION 2 2.5
MLP 2
MULTINOMIAL NAIVE BAYES 1
PAIRWISE DISTANCE 1 2.0
RANDOM FOREST 4
SERVIÇO DE NUVEM 1
WORD2VEC 1 1.5
XGBOOST 2
T-SNE 1
1.0
AGRUPAMENTO
CHATBOT
CLASSIFICAÇÃO DE DOCUMENTOS
RECONHECIMENTO FACIL
264
Considerações Finais
O universo das abordagens e métodos baseados em Inteligência Artificial e intensivos no

uso de dados utilizados atualmente no Judiciário brasileiro é muito vasto e diverso em
termos das tecnologias e problemas atacados.
Pode-se observar a prevalência de metodologias e algoritmos bastante utilizados fora

do contexto jurídico, especialmente comuns na mineração de textos. Tal fato reforça a
necessidade e a característica de estruturação e automatização dos fluxos de trabalhos
envolvendo a análise e a triagem de uma quantidade massiva de documentos de texto.
Acredita-se que, à medida que tais iniciativas ganhem mais força, maior será a necessi-
dade de investimentos em infraestrutura de processamento de alto desempenho dentro do
Judiciário.
265
266

Relatorio Ia 2fase

Enviado por

Direitos autorais:

Formatos disponíveis

Relatorio Ia 2fase

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatorio Ia 2fase

Enviado por

Direitos autorais:

Formatos disponíveis

I N T E

1.1 Missão do Centro de Inovação,

1.2 Rede de Pesquisa Interinstitucional _____ 11

1.3 Objetivos _______________________ 13

1.4 Metodologia _____________________ 13

03 APRESENTAÇÃO DOS DADOS DA 2ª FASE DA PESQUISA ___________ 52

3.1. Conselho Nacional de Justiça – CNJ __________________________________ 53

04 CONSOLIDAÇÃO E ANÁLISE DOS DADOS _____________________ 251

CONSIDERAÇÕES FINAIS ________________________________ 265

O Centro de Inovação, Administração

e Pesquisa do Judiciário da Fundação

Getulio Vargas agradece ao Conselho

Nacional de Justiça e aos tribunais que

foram objeto da pesquisa e, gentilmen-

te, se disponibilizaram a fornecer as in-

formações que constam neste relatório.

O Poder Judiciário brasileiro assumiu um compromisso relevante no que se refere à concre-

A implementação das metas da ODS 16 - que se referem à promoção de sociedades pací-

Na conjuntura da análise das metas de desenvolvimento sustentável da Agenda 2030

Essa 1ª fase da pesquisa mapeou que 47 tribunais empregavam a IA em alguma(s) ativi-

O Centro de Inovação, Administração e Pesquisa do Poder Judiciário, por meio de sua

Ministro Luis Felipe Salomão

1.1. Missão do Centro de Inovação, Administração e Pesquisa do

A missão do Centro de Inovação, Administração e Pesquisa do Judiciário é contribuir para

1.2. Rede de Pesquisa Interinstitucional

A presente pesquisa foi desenvolvida por meio de um Grupo Interinstitucional de

José Leovigildo Coelho

Rafael Ferreira Mello

O objetivo geral desta pesquisa é realizar um levantamento do uso da Ciência de Dados e

A presente pesquisa é de natureza exploratória, descritiva e analítica, a fim de identificar e

A amostra de pesquisa abrangeu o Conselho Nacional de Justiça, o Supremo Tribunal

Abaixo, segue o modelo do formulário de pesquisa enviado aos tribunais:

1. NOME DA INICIATIVA DE INTELIGÊNCIA COMPUTACIONAL:

4. SITUAÇÃO ATUAL DA INICIATIVA:

5. NOME DO RESPONSÁVEL (PROJECT OWNER):

( ) interna (concursados, prestadores de serviço, etc);

9. EQUIPE DE CURADORIA E TREINAMENTO:

( ) interna (concursados, prestadores de serviço, etc);

10. CASO HAJA A PARTICIPAÇÃO DE MEMBROS EXTERNOS, FAVOR INFORMAR A ORI-

11. QUAL O(S) PROBLEMA(S) OU OBJETIVO(S) DE GESTÃO DO TRIBUNAL ABORDADO

12. A INICIATIVA ESTÁ VINCULADA A ALGUM SISTEMA JÁ EXISTENTE NO TRIBUNAL (ex.:

13. TIPO DE TECNOLOGIA:

14. Quais os modelos e técnicas de Inteligência Computacional aplicados na iniciativa de

( ) Processamento de Linguagem Natural (PLN);

15. QUAL O PROCESSO DE TREINAMENTO UTILIZADO?

16. QUAL(IS) O(S) PROBLEMA(S) MAJORITARIAMENTE ABORDADO(S) NA SOLUÇÃO?

( ) Visualização / Exploração de dados;

17. DESCREVA, EM LINHAS GERAIS, O FUNCIONAMENTO DA SOLUÇÃO (Arquitetura,

18. QUAL TIPO DE REPRESENTAÇÃO TEXTUAL É UTILIZADA:

( ) Frequência de termos (TF, TF-IDF, etc.);

19. QUAL A LINGUAGEM DE PROGRAMAÇÃO UTILIZADA (MARCAR MAIS DE UMA SE

20. QUAL A ARQUITETURA / PLATAFORMA PRINCIPAL DA SOLUÇÃO:

21. FERRAMENTAS DE TECNOLOGIA UTILIZADAS (Ex.: Tensorflow, Keras, Scikit-Learn,

22. QUAL ALGORITMO APRESENTOU MELHOR RESULTADO / FOI IMPLANTADO? (Ex.:

23. INFRAESTRUTURA DE PROCESSAMENTO DE DADOS

24. INDICAR A PLATAFORMA PRINCIPAL DE EXECUÇÃO DOS PIPELINES DE PROCESSA-

( ) Dispositivo local (ex.: Desktop, etc.);

25. INFRAESTRUTURA DE ARMAZENAMENTO DE DADOS

( ) Rede local (e.g.: on-premisses, etc.);

Caso tenha respondido SIM na pergunta anterior, responder as perguntas 27-30.