PROFESSORES DA FACULDADE DO GAMA
PROFESSORES DA FACULDADE DO GAMA
1.
Tipo de Projeto
(X) Pesquisa ( ) Curso de Pós- Graduação ( ) Atividade de Extensão ( ) Ensino de Graduação
2.
Tipo de Instrumento Processual
( ) Contrato ( ) Convênio (X) Termo de Execução Descentralizada ( ) Acordo de Cooperação ( ) N/A
3.
Dados Cadastrais do Proponente
Órgão/Entidade UNIVERSIDADE DE BRASÍLIA | C.N.P.J 00.038.174/0001-43 | |||
Endereço CAMPUS UNIVERSITÁRIO DARCY RIBEIRO – PRÉDIO DA REITORIA - ASA NORTE | ||||
Cidade BRASÍLIA | UF DF | CEP 00000-000 | Telefone (00) 0000-0000 | UG / Cód. Gestão 154040 / 15257 |
Banco Banco do Brasil - 001 | Agência 1607-1 | Conta Corrente 170.500-8 | Praça de Pagamento Brasília | |
Nome do Representante Legal Xxxxxx Xxxxxxx Xxxxx | CPF 000.000.000-00 | |||
CI / Órgão Exp. 960490 SSP/DF | Cargo Professora | CI / Órgão Exp. 960490 SSP/DF | Matrícula UnB 145378 | |
Nome do Coordenador Projeto Xxxxxx Xxxxxxx xx Xxxxx | CPF 000.000.000-00 | |||
Unidade/Departamento Faculdade de Engenharias Gama/FGA | Matrícula UnB 1062816 | |||
Endereço Eletrônico (e-mail) | Telefone fixo (00) 0000-0000 | Telefone celular (00) 00000-0000 | ||
Nome do Gestor do Projeto Fabricio Ataides Braz | CPF 000.000.000-00 | |||
Unidade/Departamento Faculdade de Engenharias/FGA | Matrícula UnB 1062867 | |||
Endereço Eletrônico (e-mail) | Telefone fixo (00) 0000-0000 | Telefone celular (000) 00000-0000 | ||
Nome do Gestor Substituto do Projeto Debora Bonat | CPF 000.000.000-00 | |
Unidade/Departamento Faculdade de Direito | Matrícula UnB 1114441 | |
Endereço Eletrônico (e-mail) | Telefone fixo | Telefone celular |
(61) 0000- | (00) 00000-0000 | |
0714 | ||
4.
Dados Cadastrais do Concedente
Tipo (X) Público ( ) Privado | 2 – Nome / Razão Social: Tribunal Superior do Trabalho - TST | 3 - CNPJ 00.509.968/0001-48 | ||
Endereço sede (Av., Rua, Nº, Bairro) Setor de Administração Federal Sul (SAFS) Quadra 8 - Lote 1 | ||||
Cidade Brasília | UF DF | CEP 70.070 - 943 | (DDD) Telefone (00) 0000-0000 | (DDD) Fax |
Nome do representante xxxxx Xxxxx Xxxxxx Xxxxxx | CPF 000.000.000-00 | |||
CI / Órgão Exp. / Emissão 652.155 / SSP-DF / 01/02/1985 | Cargo Ministro Presidente do Tribunal Superior do Trabalho | |||
Endereço Eletrônico (e-mail) | Telefone fixo (00) 0000.0000 | Telefone celular | ||
Nome do Coordenador Projeto Alexsandre Xxxxxxx Xxxxxxxxx | CPF 000.000.000-00 | |||
Unidade/Departamento CDS/SETIN | Cargo Coordenador de Desenvolvimento de Sistemas | |||
Endereço Eletrônico (e-mail) | Telefone fixo (00) 0000-0000 | Telefone celular (00) 00000-0000 | ||
5.
Descrição do Projeto
TÍTULO DO PROJETO Projeto SABIÁ - Processamento de Linguagem Natural Aplicado ao Sistema Bem-Te-Vi para Análises de Processos Jurídicos do Tribunal Superior do Trabalho. | PERÍODO DE EXECUÇÃO |
Início: 02/12/2021 Término: 01/02/2025 | |
VALOR TOTAL R$ 2.512.228,51 (dois milhões, quinhentos e doze mil, duzentos e vinte e oito reais e cinquenta e um centavos) |
6.
Introdução
As inovações promovidas pela Inteligência Artificial (IA) têm ocupado espaço privilegiado nos meios de comunicação. Conferências de negócios com vistas a aplicar a IA para aumentar a competitividade acontecem quase que diariamente pelo mundo. Tem sido cada vez mais comum, também, governos mundo afora publicando suas políticas para dominar a tecnologia. A IA tem assumido de forma inesperada o centro do discurso popular, muito em função dos resultados.
Os resultados alcançados pela IA tem potencial para mudar nossas vidas. A IA já figura como componente base de muitos dos sites e aplicações favoritas da sociedade. Só para nomear alguns: Youtube, Facebook, Instagram, TikTok, Google Apps, Netflix, Amazon Alexa, Apple Siri, Waze, NuBank. O seu uso foi importante para o desenvolvimento de vacinas e diagnóstico da COVID-19 ([Altan e Karasu, 2020], [Yang et al, 2021]).
Sensível à transformação promovida pela IA, o Poder Judiciário brasileiro tem envidado muitos esforços para adotar suas técnicas e ferramentas há pelo menos cinco anos. Alguns projetos de IA no judiciário ganharam muita repercussão recentemente. Dentre eles, destacam-se:
XXXXXX: projeto executado pelo AILAB, Dra. IA e STF com o objeto de dar suporte a seção judiciária do tribunal para classificar temas de repercussão. Além disso, o projeto desenvolveu solução para segmentação e classificação de peças jurídicas ([Braz et al, 2021], [Xxxxx et al, 2019], [Xxxxxx et al, 2020], [Xxxxxxxx e Bonat, 2019]).
Bem-Te-Vi: O Bem-Te-Vi é um sistema para apoio à gestão e triagem do acervo dos Gabinetes de Ministro do TST. Utilizando tecnologias de big data, o software disponibiliza aos gabinetes informações sobre os processos de seu acervo de forma eficiente e acessível. Com o objetivo de complementar a análise do gabinete, são exibidas também informações produzidas por algoritmos de Inteligência Artificial que possibilitam, por exemplo, a denegação por transcendência, com base nos processos já julgados pelo magistrado. O sistema começou a funcionar nos gabinetes do Tribunal Superior do Trabalho (TST) em fevereiro de 2020. O maior
ganho é na agilidade, que permite uma pesquisa rápida para gerenciamento dos processos. Ao possibilitar ao gabinete uma triagem de processos mais eficiente e precisa, também viabiliza a definição de estratégias para aumento da produção do gabinete. Para a sociedade, o sistema contribui para a redução do tempo de tramitação do processo e, consequentemente, para a celeridade processual.
Athos: projeto executado pelo STJ com o objetivo de melhorar a efetividade de buscas processuais por meio de IA.
Mandamus: projeto executado pelo AILAB, Dra. IA e TJRR com o objetivo de automatizar a geração de mandados a partir da leitura do despacho de magistrados; distribuição e monitoramento do cumprimento do mandado.
ALEI (Análise LEgal Inteligente): projeto executado pelo AILAB e TRF1 com o objetivo de auxiliar o analista judiciário no trabalho de instrução de minutas de voto, com referência à jurisprudência e precedentes, além da capacidade de sugestão de processos para voto em lote [Xxxxx et al, 2019].
SINARA: projeto executado pelo TRF3 com o objetivo de localizar entidades nomeadas (ER) relacionadas às classes: diploma, artigo, parágrafo, inciso, alínea, súmulas e precedentes.
Ciente da amplitude da mudança e das consequências proporcionadas pela IA, o CNJ tem se colocado como um orquestrador dessas iniciativas, fomentando a associação entre as entidades ativamente envolvidas nesse processo. Além disso, tem envidado ações para conferir uma regulação mínima, por meio de resoluções que expressem requisitos e preocupações mínimas a serem atendidas pelos projetos que apliquem IA. Por fim, destaca-se o fato de o CNJ estar trabalhando para proporcionar um ecossistema denominado Sinapses para que as diversas iniciativas possam ser compartilhadas entre os membros do Poder Judiciário [CNJ, 2020]. Dentre as iniciativas, destaca-se o CODEX, cujo objetivo é consolidar dados de todos os tribunais e disponibilizá-los tanto em texto, como o arquivo fonte para eventuais experimentos de IA, reduzindo assim o esforço de acesso ao dado, atividade que representa o principal gargalo de qualquer projeto.
O TST (protagonista com o projeto Bem-Te-Vi) e o AILAB (protagonista nos projetos VICTOR, XXXX e Xxxxxxxx), atentos aos desdobramentos contínuos da área de IA no âmbito judicial e, enxergando oportunidades concretas de pesquisas, juntam-se nesta proposta com o intuito de desenvolver novas soluções para evoluir ainda mais o sistema Bem-Te-Vi e, com isto, oferecer novas aplicações de IA para o TST e potencialmente para o Sistema Judiciário Brasileiro.
As próximas seções deste Plano de Xxxxxxxx detalham como a equipe do AILAB pretende, com o apoio do grupo de pesquisas Dr IA da Faculdade de Direito da UnB e em colaboração com equipe do TST, pesquisar, desenvolver e entregar importantes evoluções para o sistema Bem-Te-Vi.
7.
Objeto e Escopo
O projeto tem como escopo pesquisar e desenvolver soluções para complementar o sistema Bem-Te-Vi no que se refere às funcionalidades de Agrupamento de Processos e Levantamento de Jurisprudência. Visando evidenciar o desempenho real destas soluções, é objetivo deste trabalho desenvolver um módulo de Registro de Feedbacks dos usuários. Por fim, este projeto também visa pesquisar soluções de Life Long Machine Learning (LLML) com o objetivo de desenvolver uma solução que traga um ciclo de vida longo aos modelos de IA implantados. Em síntese, este projeto visa o desenvolvimento de 2 (duas) soluções de IA, um sistema de registro de desempenho destas IAs e uma solução de LLML, conforme especificado abaixo:
1.
Agrupar Processos: P&D de uma solução capaz de selecionar um subconjunto de processos similares a um processo de referência;
2.
Identificar Jurisprudência: P&D de uma solução capaz de selecionar um subconjunto de decisões e acórdãos da base de jurisprudência que tenha correlação com um processo de referência;
3.
Registrar Feedbacks de Usuários: Desenvolver um sistema de Registros de Feedbacks dos usuários quanto ao desempenho das soluções 1, e 2.
4.
Desenvolver um Subsistema de LLML: Desenvolver um subsistema que viabilize a semiautomaca̧ ̃o da atualização dos modelos de IA tendo os registros de feedbacks de usuários como referência.
8.
Justificativa
Hoje, no governo federal brasileiro, é muito comum encontrar organizações que tentam melhorar seu desempenho, considerando, na maioria dos casos, soluções digitais e algumas aplicações tecnológicas. Não é difícil detectar atos normativos relacionados à governança digital. Somente para citar alguns (ordem cronológica), entre atos da Presidência da República e leis em consonância com o Congresso Nacional, foram selecionados:
1.
Eficiência organizacional, Decreto nº 9.739 / 2019, que visa à administração pública federal ampliar e tratar o arranjo institucional do Sistema de Inovação do Governo Federal
2.
Rede Nacional de Governo Digital, Decreto nº 9.584 / 2018, para promover a colaboração, o intercâmbio e a criação de iniciativas inovadoras relacionadas ao governo digital no setor público;
3.
Transformação digital, Decreto nº 9.319 / 2018 que institui o Sistema Nacional para a Transformação Digital e estabelece a estrutura de governança para a implantação da Estratégia Brasileira para a Transformação Digital.
4.
Responsividade, Decreto nº 9.203 / 2017 que dispõe sobre a política de governança da administração pública federal;
5.
Remoção de formalidades e soluções tecnológicas para simplificar o processo cidadão-cliente, Lei Nacional 13.460 / 2017;
6.
Incentivo ao desenvolvimento científico, pesquisa, capacitação e inovação científica e tecnológica (“Lei de Inovação”), Lei Nacional 13.243 / 2016;
7.
Política de governança digital, Decreto nº 8.638 / 2016, que institui a Política de Governança Digital no âmbito da Administração Pública Federal.
A situação de morosidade e o congestionamento que caracterizam a estrutura judicial geram inevitável aumento de seus custos. Os avanços ocorridos em Tecnologia da Informação (TI) não têm sido capazes de superar os gargalos existentes e o constante congestionamento processual.
Uma via para ajudar o sistema de justiça, especialmente em relação aos processos em tramitação no TST, é a utilização de inovação tecnológica por meio de Aprendizado de Máquina (AM) no auxílio da realização de tarefas repetitivas.
Historicamente, Aprendizado de Máquina, subárea da Inteligência Artificial que evoluiu do estudo de reconhecimento de padrões e da teoria da aprendizagem computacional em inteligência artificial – tem se apresentado como alternativa metodológica para o enfrentamento de problemas de agrupamento (clustering), classificação, predição e inferência em grandes volumes de dados.
Em termos de inovação tecnológica, as entregas, resultado desta pesquisa e desenvolvimento, trarão melhorias importantes ao fluxo de análise processual nos Gabinetes de Ministros do Tribunal Superior do Trabalho (TST), otimizando o trabalho com o agrupamento de processos semelhantes e favorecendo a uniformização das decisões do TST.
Em termos de novos conhecimentos, colaboradores do TST, professores e acadêmicos dos cursos de Engenharia de Software e Direito da UnB terão a oportunidade de se atualizarem com métodos e tecnologias inovadores hoje desenvolvidos no cenário internacional ao longo do desenvolvimento deste projeto interdisciplinar.
Em termos de produção científica na UnB, esta proposta prevê a participação de sua equipe em eventos relevantes da área do projeto, bem como a publicação dos resultados da pesquisa em veículos de comunicação científica.
9.
Método
O conhecimento teórico necessário para desenvolvimento da pesquisa será obtido por meio de revisão bibliográfica, recorrendo a livros, artigos, websites especializados, produções e experiências das equipes do IALAB, DR IA e do TST (TI, Unidades de Negócio e Desenvolvedores do Bem-Te-Vi).
As peças jurídicas de interesse e demais documentos processuais necessários ao desenvolvimento do projeto, bem como ao funcionamento dos entregáveis, serão fornecidos pelo TST.
Com o intuito de aproveitamento de experiências da equipe do AILAB e das características de integração com processamento paralelo, será adotada a linguagem de programação Python (xxxxx://xxx.xxxxxx.xxx/) no desenvolvimento do sistema. Serão utilizadas bibliotecas especializadas em ML (Numpy, SciPy, Scikit-learn, Pandas, Matplotlib, entre outras) e frameworks para DNN (PyTorch, framework FastAI, HuggingFace e outros).
Os módulos de automação desenvolvidos serão disponibilizados no formato de microserviços a serem integrados ao Sistema Bem-Te-Vi
do TST (Figura 1).
Figura 1. SABIÁ: Microserviços.
A pesquisa & desenvolvimento constará das seguintes metas:
1.
Compor a Base de Pesquisa e Desenvolvimento:
Meta inicial que visa fornecer as condições para o desenvolvimento do projeto no quanto à contratação da fundação de apoio, composição de equipes e disponibilização de infraestrutura para os trabalhos.
2.
Desenvolver o módulo iSimilares:
Pretende-se atender ao objetivo de agrupamento de processos com o módulo iSimilares. Este módulo deve ser capaz de relacionar processos similares a um determinado processo de referência, tendo metadados e/ou teores textuais como fontes de suas análises. Para tanto, será necessário validar as Hipóteses 1 e 2:
Hipótese 1: É possível desenvolver um sistema que priorize um subconjunto de processos jurídicos do acervo do TST a um determinado processo jurídico de interesse conforme um conceito de similaridade para fins de agrupamento de processos.
Premissa: O sistema Bem-Te-Vi fornecerá metadados e textos de peças jurídicas suficientes para se alcançar uma métrica de similaridade para fins de agrupamento de processos.
A questão se este módulo deverá atuar de forma geral ou estratificada (por gabinete, por exemplo) deverá ser definida junto com pessoal do TST.
3.
Desenvolver o módulo iJurisprudência;
Pretende-se atender ao objetivo de levantamento de jurisprudência com o módulo iJurisprudência. O conceito de jurisprudência aqui está relacionado a processos julgados do acervo do TST. Assim, este módulo deve ser capaz de correlacionar processos julgados a um determinado processo de referência, tendo metadados e/ou teores textuais como fontes de suas análises. Para tanto, será necessário validar a Hipótese 3:
Hipótese 3: É possível desenvolver um sistema que correlacione um subconjunto de processos julgados do acervo do TST a um determinado processo jurídico de interesse conforme um conceito de correlação para fins de levantamento de jurisprudência.
Premissa: O sistema Bem-Te-Vi fornecerá metadados e textos de peças jurídicas suficientes para se alcançar uma métrica de similaridade para fins de levantamento de jurisprudência .
A questão se este módulo deverá atuar de forma geral ou estratificada (por gabinete, por exemplo) deverá ser definida junto com pessoal do TST.
4.
Desenvolver o módulo FeedbackSys:
O módulo FeedbackSys visa atender ao objetivo de registrar feedbacks (avaliações) dos usuários sobre os desempenhos dos módulos com modelos de IA embarcados (iSimilares, iJurisprudências). Assim, este módulo deve oferecer meios para que o sistema Bem-Te-Vi envie registros de avaliações dos usuários. Estes registros deverão ser persistidos de forma adequada para o módulo iLongLifeSys.
5.
Desenvolver módulo iLifeLongSys:
O módulo iLifeLongSys visa atender ao objetivo de desenvolver um subsistema de LLML. Este subsistema deve viabilizar a semiautomaca̧ ̃o da atualização dos modelos de IA tendo os registros de feedbacks de usuários como referência.
6.
Publicar Resultados das Pesquisas:
Os resultados alcançados deverão ser submetidos para publicação em eventos e/ou revistas científicas, nacionais e/ou internacionais. O coordenador e pesquisadores envolvidos deverão liderar as ações desta meta de forma a oportunizar o trabalho colaborativo e coautorias com alunos e colaboradores do TST que se interessarem. Destaca-se ainda a importância da participação da equipe executora em eventos científicos da área, a fim de que o projeto possa ser retroalimentado com técnicas e conhecimentos novos relativos ao que outros grupos de pesquisas e empresas estão desenvolvendo de inovador na área de IA e PLN.
7.
Transferir Tecnologia e Conhecimentos para TST:
As transferências de tecnologias e de conhecimentos tem por objetivo viabilizar que o TST se aproprie dos resultados do projeto e consiga dar prosseguimento ao mesmo, depois de sua entrega. Uma vez que o TST terá uma equipe técnica colaborando nas fases de P&D da proposta, espera-se que a apropriação das técnicas e das tecnologias desenvolvidas sejam paulatinamente internalizadas ao longo do desenvolvimento do projeto. Atividades específicas de transferências para usuários finais e outros colaboradores do TST também estão previstas – esta iniciativa visa a promoção do uso efetivo do projeto pelo público interno do TST.
Os artefatos de softwares (códigos-fonte, documentações), artefatos de dados (banco de dados, conjunto de dados para modelagem de IA), modelos de IA, bem como, documentações técnicas geradas deverão ser repassadas ao TST.
Esta pesquisa será desenvolvida por equipe interdisciplinar da UnB e com apoio de comissão técnico-gestora do TST. A UnB poderá contratar uma de suas fundações de apoio para a gestão das atividades administrativas e financeiras.
Prevemos que as metas M2, M3, M4, M5 e M6 devem direcionar as pesquisas em IA para as seguintes temáticas voltadas a Processamento de Linguagem Natural (PLN):
1.
Classificação
2.
Clustering
3.
Life Long Machine Learning (LLML)
O trabalho [Xxxxxxx et al, 2017] abriu perspectivas em processamento de linguagem natural (PNL) que, até então, eram inimagináveis. Os modelos decorrentes do método Transformer proporcionaram resultados que revolucionaram várias tarefas, especialmente no que diz respeito a: tradução computadorizada, conversação, geração de conteúdo e classificação ([Xxxxxx et al, 2019], [Xxxxxxx et al, 2019], [Xxxx et al, 2019], [Xxx et al, 2019], [Xxxxxx et al, 2020]).
Alguns fatos são dignos de nota, quando nos referimos a modelos baseados em Transformer. Primeiramente, impressiona a elevada demanda de recursos computacionais para construir e operá-los. Isso é consequência da quantidade de parâmetros contemplados pela arquitetura das redes neurais, combinada ao expressivo volume de dados usado para treiná-los. Ou seja, para se conseguir obter o modelo treinado, são necessárias dezenas Graphic Processing Units (GPUs) por vários dias. A NVIDIA, por exemplo, conseguiu treinar o BERT-Large em 47 minutos, usando 1.472 V100 GPUs [Xxx et al, 2020]. A Tabela 1 exemplifica alguns desses modelos.
Tabela 1. Modelos de Linguagem.
Modelo Parâmetros
un. de milhão de amostras
Volume de Dados
BERT-Large 355 SQuAD 1.1
100.000 amostras
GPT-2 1.500 40 GB
GPT-3 175.000 570 GB
Outro fato relevante é que os modelos mais modernos de PNL citados anteriormente são treinados com dados em inglês. O que torna os seus modelos pré-treinados aptos a sofrerem adaptações para tarefas em sua língua nativa. Apesar de termos promovido ajuste fino em modelo originalmente em inglês para o português, observamos que ainda temos um caminho para que este modelo possa ser adaptado para uma área do domínio específico, como o direito, além de outras limitações associadas ao conjunto limitado de treinamento, para que fosse viável realizar o processo com os recursos que o AILAB conta no presente momento. Prevemos investigações relativas a Transformers [Xxxxxxx et al, 2017b] e Transferência de Aprendizado em NLP [Xxxxxx et al, 2020].
Figura 2. Técnicas a serem empregadas nas pesquisas.
Em termos de técnicas, prevemos aplicações de abordagens mais usuais como Expressões Regulares – RegEx na identificação de entidades nomeadas (Named Entity Recognition – NER) e Métodos Estatísticos (ME) principalmente para análises exploratórias dos dados (AED). Haverá investigações de potenciais usos de Métodos de Aprendizado de Máquina – AM, Aprendizado Profundo (Deep Learning - DL) e Transformers para NER e na fase de modelagens em IA para realização de classificações e agrupamentos (Figura 2).
0.
Resultados Esperados para o TST
Espera-se que a consecução das metas e das investigações descritas atendam às expectativas do TST enumeradas a seguir:
1.
Otimização dos recursos humanos envolvidos na condução das atividades administrativas e judiciais do TST: como detalhado, as pesquisas e entrega de resultado por meio de microserviços que serão integrados ao sistema Bem-Te-Vi afetarão positivamente os colaboradores do TST que realizam atividades de análises processuais jurídicas.
2.
Aumento da capacidade de processamento do volume de demandas, o que permitirá tramitação mais veloz dos processos no TST: a mesma automação citada anteriormente, operando em conjunto com o Bem-Te-Vi e PJe, elevará a capacidade de resposta desta corte aos usuários de seu sistema de julgamentos.
3.
Diminuição da Taxa de Congestionamento de processos no Judiciário: com a elevação da produtividade decorrente da automação de tarefas repetitivas associadas a análises documentais e movimentação judicial, espera-se uma redução importante do congestionamento de processos trabalhistas.
1.
Resultados Científicos e Tecnológicos Esperados:
Esperamos contribuir cientificamente com a sociedade interessada na temática de IA no judiciário com a divulgação científica dos resultados encontrados ao longo da execução do projeto. Para tanto, está prevista a submissão dos resultados a congressos e revistas de relevância para a área de IA e PLN.
O projeto Bem-Te-Vi do TST é um dos projetos pioneiros e de sucesso em aplicação de IA para o judiciário brasileiro. Os resultados do projeto SABIÁ contribuirão diretamente na incorporação de métodos e técnicas inovadoras e atuais ao sistema Bem-Te-Vi.
É esperado que soluções para agrupamento de processos similares e de levantamento de jurisprudência trabalhista sejam entregues contendo as técnicas e métodos mais atuais e promissores da área de Inteligência Artificial.
Os módulos de LLML e de Feedback de usuários se configuram em duas outras importantes tecnologias que deverão ser citadas como pioneiras em promoverem perenidade a sistemas de IA no judiciário brasileiro – um problema importante da área de IA cujas soluções estão sendo buscadas por importantes grupos de pesquisa em IA no Brasil e em outros países de expressiva produção tecnológica e científica.
O projeto em pauta traz uma proposta ousada do ponto de vista de investigações de assuntos de fronteira do conhecimento em IA e robusta quanto à sua proposta de entregar o resultado destas pesquisas avançadas na forma de soluções em software de uso direto e imediato para o sistema Bem-Te-Vi e TST.
2.
Resultados Esperados para a UnB
1.
Qualificação de professores e discentes em área avançada de pesquisa em PLN.
2.
Qualificação de professores e discentes em análise processual.
3.
Qualificação de professores e discentes em processo de desenvolvimento de software ágil e DevOps.
4.
Publicação científica dos resultados alcançados.
5.
Melhoramento de recursos tecnológicos e de pessoal para projetos em IA.
6.
Suporte ao desenvolvimento de trabalhos de conclusão de curso, dissertações de mestrado e teses de doutorado.
3.
Cronograma de Execução
A execução do projeto ficará a cargo das equipes na Universidade de Brasília – UnB e de equipe a ser designada pelo TST, conforme detalhamento da tabela abaixo.
13.1 Alteração no Cronograma de Execução
O cronograma inicial do plano de trabalho foi alterado uma vez durante o processo de execução, a fim de alterar a pesquisa em relação aos itens 9 e 13. Segue o texto do aditivo: "O Plano de Trabalho apresentado e aprovado constava do ordenamento de execução explícito no item 9 e detalhado no item 13. Entretanto, em reunião realizada no dia 24/02/22, foi proposto pela equipe do TST um reordenamento das entregas, provocando a alteração das datas de execução entre as Meta 2 e Meta 3, com impacto na Meta 4.
Tal solicitação se justifica pelo maior alcance que a implementação do iJurisprudência terá dentro do tribunal, provocando uso em cadeia dos módulos que, posteriormente, serão disponibilizados.
Dito isto, segue o cronograma de execução com o remanejamento de datas que preveem o desenvolvimento dos módulos
iJurisprudência, iSimilares e demais reajustes."
14. Termo Aditivo de Prazo (02/03/2024 a 01/06/2024)
O Termo Aditivo visou a adição de mais 3 (três) meses, sem aporte financeiro adicional, para a finalização de algumas atividades do cronograma original. Tal necessidade é cabível dentro de um contexto de Pesquisa e Desenvolvimento em que o planejamento temporal para enfrentar os desafios da similaridade e jurisprudência se mostrou insuficiente em sua execução frente ao volume e heterogeneidade do acervo processual do TST - esta situação foi constatada no decorrer do projeto.
Ao executar o plano de trabalho foi necessário enfrentar dificuldades inerentes a diferentes tipos de peças processuais, tornando necessário dedicar maior tempo para a fase de modelagem de IA do que o previsto. Muito mais experimentos de filtragem de dados foram
empreendidos e muitas das modelagens de IA resultaram em performances aquém do esperado.
Diante disto, a gestão de P&D da Universidade de Brasília decidiu, juntamente com a gestão do projeto no tribunal, dedicar mais tempo do que o previsto para estas atividades. Consequência disto é o impacto em outras atividades subsequentes, especialmente aquelas que preveem tarefas de integração. Como as integrações de artefatos de IA induzem muitas vezes a revisão dos modelos, as atividades relacionadas à modelagem também podem ser impactadas.
Visualmente, estão dispostas abaixo o cenário de entregas das atividades do projeto. Em verde, encontram-se as atividades já concluídas, enquanto que em laranja estão aquelas que demandam a revisão dos prazos. Em azul estão sinalizadas as atividades com potencial de serem revistas em razão da integração.
01 | 02 | 03 | 04 | 05 | 06 | 07 | 08 | 09 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | |||
O cenário geral atualizado, que leva em conta a incorporação deste Termo Aditivo, está detalhadamente representado na tabela do Cronograma de Metas e Atividades anexa. Nela, ressaltamos as atividades que já foram diligentemente concluídas e aquelas que, com a concessão do aditivo de prazo solicitado, serão levadas a termo com a qualidade e profundidade necessárias. Este aditivo não é apenas uma solicitação administrativa; ele reflete uma abordagem meticulosa e adaptativa à pesquisa científica, onde o tempo adicional é um elemento estratégico para garantir a integridade e a relevância dos resultados finais.
Como exposto, este Termo Aditivo é proposto com a finalidade dupla de documentar os sucessos até agora alcançados e de delinear um caminho claro para a conclusão efetiva das atividades pendentes da TED. Os eventos inesperados que causaram impacto no decorrer da execução do projeto não diminuíram nosso compromisso com os objetivos inicialmente estabelecidos, mas nos ofereceram insights valiosos que pretendemos explorar e incorporar em nosso trabalho. Estes insights e os dados coletados até o momento são vitais para assegurar que as atividades restantes não apenas continuem no mesmo padrão de excelência, mas também sejam enriquecidas pelas lições aprendidas.
A extensão de três meses é, portanto, uma estimativa que visa acomodar não apenas a conclusão das atividades, mas também a absorção e aplicação dos conhecimentos adquiridos. Acreditamos firmemente que este período adicional permitirá que a equipe de pesquisa refine suas análises, complete os testes com a devida diligência e prepare uma documentação final que contribua significativamente para o campo de estudo e para as partes interessadas.
Por fim, estamos confiantes de que este aditivo será visto como um investimento no aprimoramento da pesquisa, na expansão do conhecimento e na entrega de soluções que atendam e superem as expectativas acadêmicas e aplicadas inicialmente projetadas.
Em consideração à justificativa aqui apresentada, solicitamos a aprovação deste aditivo para continuidade da nossa missão com a qualidade e o compromisso de sempre.
15. Termo Aditivo de Prazo (02/06/2024 a 01/08/2024)
Após uma avaliação criteriosa do andamento do projeto, identificou-se a necessidade de estender o prazo em mais 2 (dois) meses para as integrações finais do mesmo. Seguem abaixo as razões que fundamentam esta solicitação:
Problemas de indisponibilidade da infraestrutura do AiLab: houve o rompimento de um cabo de ligação entre o laboratório e a rede de Internet. Este rompimento gerou interrupções significativas no fluxo de trabalho, afetando diretamente o cronograma e os trabalhos das equipes de pesquisa.
Análise e Interpretação dos Resultados: as análises dos resultados dos modelos de IA se evidenciaram mais demoradas do que o previsto. Este processo demandou revisões constantes, prolongando o prazo necessário para sua conclusão.
Diante do exposto, consideramos essencial a ampliação do prazo em mais dois meses para assegurar a conclusão adequada do projeto, garantindo a qualidade dos resultados e a integração das soluções ao parque tecnológico do TST.
16. Termo Aditivo de Prazo e Valor (02/08/2024 a 01/02/2025)
Desde a sua concepção, o projeto "Sabiá" prevê um panorama de automação na forma como os processos são conduzidos no âmbito do Tribunal Superior do Trabalho (TST). Embora tenhamos atingido marcos significativos, é essencial continuarmos a jornada de evolução e aprimoramento para entender integralmente os impactos gerados pelo Sabiá. Assim, é crucial que qualquer inovação ou modificação nos processos do TST seja cuidadosamente avaliada em termos de efetividade e eficiência.
Os diferentes módulos do Sabiá trazem consigo uma série de otimizações para as atividades de gabinetes do TST. Algumas dessas podem ser imediatamente percebidas, enquanto outras são mais sutis, manifestando-se ao longo do tempo ou em circunstâncias específicas.
Ao propormos investigar aprofundadamente os efeitos desses módulos, estamos reafirmando nosso compromisso com a excelência e a transparência. A pesquisa meticulosa das hipóteses propostas permitirá:
Avaliação de Impacto: compreender os efeitos diretos e indiretos que os módulos trouxeram, facilitando futuras tomadas de decisão sobre a continuidade, aprimoramento ou substituição de certas funcionalidades.
Fomento à Inovação Continuada: com insights detalhados sobre o funcionamento e impacto do Sabiá, a equipe técnica do TST estará melhor equipada para realizar melhorias e inovações subsequentes no sistema.
Considerando-se ainda o quesito inovação, o domínio jurídico deve se adaptar para incorporar as mais recentes inovações que têm o potencial de transformar, otimizar e aprimorar seus processos. O Projeto "Sabiá" é uma força pioneira nesse sentido, buscando soluções inovadoras para os desafios que os gabinetes do TST enfrentam.
Em novembro de 2022 os "Large Language Models" (LLMs) tiveram destaque no cenário de PLN (Processamento de Linguagem Natural) como uma das mais promissoras inovações, destacando-se por sua capacidade ímpar de processar, compreender e gerar linguagem natural. Esta habilidade notável tem implicações profundas, especialmente para um campo como o direito, onde a linguagem é a pedra angular. Já no início de 2024, começaram a aparecer oportunidades de acesso ao uso de LLM de forma escalada.
A atividade de clustering, no contexto do "Sabiá", visa agrupar e categorizar processos, decisões e outros documentos jurídicos com
base em sua semântica e conteúdo. Tradicionalmente, este é um desafio não trivial devido à complexidade, ambiguidade e especificidade da linguagem jurídica. Aqui, os LLMs apresentam um potencial significativo:
Capacidade Avançada de Processamento Semântico: os LLMs, com sua arquitetura avançada, podem captar nuances na linguagem jurídica que métodos tradicionais podem não perceber. Neste contexto, LLMs podem ser capazes de captar a semântica que relaciona os assuntos entre processos paradigmas e processos similares.
Eficiência e Escalabilidade: a capacidade dos LLMs de processar grandes volumes de texto rapidamente pode trazer eficiência na análise de documentos, o que é vital no contexto de uma corte como o TST, onde a quantidade de processos é substancial.
Investigar a aplicabilidade e eficácia dos LLMs no Projeto "Sabiá" é, portanto, não apenas uma evolução natural, mas uma excelente oportunidade de melhorias. Em busca de aprimorar ainda mais o projeto e garantir que ele esteja na vanguarda das inovações tecnológicas, a investigação dos LLMs pode ser oportuna para desbloquear novos níveis de precisão, eficiência e relevância.
Neste contexto, este aditivo traz as seguintes novas metas com suas respectivas atividades:
M8 - Monitoramento e Melhoria de Modelos do iSimilares do Sabiá
Hipótese 15.1: O iSimilares é um ferramenta de apoio que traz ganhos à apreciação de processos judiciais no TST.
ATIVIDADE: Avaliar o funcionamento da solução do iSimilares, do início ao fim do processo, com vistas a identificar e promover melhorias nas soluções de IA e no código.
ENTREGÁVEL: Relatório técnico e código-fonte.
M9 - Monitoramento e Melhoria de Modelos do iJurisprudencia do Sabiá
Hipótese 15.2: O iJurisprudência é um ferramenta de apoio que traz ganhos à apreciação de processos judiciais no TST.
ATIVIDADE: Avaliar o funcionamento da solução do iJurisprudência, do início ao fim do processo, com vistas a identificar e promover melhorias no código. ENTREGÁVEL: Relatório técnico e código-fonte.
M10 - Pesquisa de aplicação de Llama3 nas discussões identificadas na peça de RR e AIRR do iSimilares
Hipótese 15.3: O Xxxxxx pode melhorar o texto explicativo da relação das discussões entre o processo paradigma e seus respectivos processos similares
ATIVIDADE: Extrair informações de discussões dos processos paradigmas e dos respectivos processos similares. ENTREGÁVEL: Relatório técnico.
ATIVIDADE: Experimentar diferentes técnicas de engenharia de prompt utilizando informações de discussão extraídas dos processos paradigmas e dos seus respectivos similares.
ENTREGÁVEL: Relatório técnico e código-fonte.
ATIVIDADE: Integrar a melhor solução ao módulo iSimilares. ENTREGÁVEL: código-fonte.
17. Cronograma de Atividades Atualizado _ Parte 1
# | Atividade | Inicio | Fim | Responsável | Entregáveis | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | |
12/2021 | 1/2022 | 2/2022 | 3/2022 | 4/2022 | 5/2022 | 6/2022 | 7/2022 | 8/2022 | 9/2022 | 10/2022 | 11/2022 | 12/2022 | 1/20 | |||||||
M1 | 1 | Contratação da Fundação de Apoio | 1 | 1 | UnB | Contratos | X | |||||||||||||
2 | Seleção e Contratação de pessoal | 1 | 1 | UnB | Contratos | X | ||||||||||||||
3 | Aquisição de equipamentos | 1 | 10 | UnB | Notas Fiscais | X | X | X | X | X | X | X | X | X | X | |||||
4 | Formar equipe técnica-gestora que acompanhará o projeto por parte do TST | 1 | 2 | TST | Ato de nomeação do TST | X | X | |||||||||||||
5 | Revisão técnica da arquitetura e modelos de agrupamento de processos já implementados pelo TST. | 2 | 3 | UnB/TST | Relatório técnico | X | X | |||||||||||||
6 | Revisão técnica e da literatura (RTL): Métodos e técnicas aplicáveis ao agrupamento de processos do TST. | 3 | 5 | UnB/TST | Relatório técnico | X | X | X | ||||||||||||
7 | Formalizar o conceito de similaridade para fins de agrupamento. | 9 | 11 | UnB/TST | Relatório técnico | X | X | X | ||||||||||||
8 | Definir o subconjunto de peças relevantes para agrupamento. | 10 | 12 | UnB/TST | Relatório técnico | X | X | X | ||||||||||||
a
M2 | 9 | Construção de base de dados para modelagem de IA | 16 | 20 | UnB/TST | Base de dados no AILAB | ||||||||||||||
10 | Análise Exploratória de Dados (AED): Selecionar descritores a serem utilizados | 16 | 23 | UnB/TST | Relatório técnico | |||||||||||||||
11 | Modelagem: Avaliar a aplicabilidade de diferentes modelos não supervisionados, implementar e testar candidato vencedor. | 15 | 27 | UnB/TST | Códigos-fonte e relatório técnico | |||||||||||||||
12 | Integrar o Microserviço iSimilares à solução. | 18 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
13 | Definir arquitetura geral de microserviços em conformidade com Sinapses [CNJ, 2020]. | 2 | 7 | UnB/TST | Documentação técnica. | X | X | X | X | X | X | |||||||||
14 | Integrar o Microserviço iSimilares ao Sinapses (envio automático do modelo) | 22 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
M3 | 15 | RTL: Métodos e técnicas aplicáveis ao levantamento de jurisprudência do TST. | 2 | 6 | UnB/TST | Relatório técnico | X | X | X | X | X | |||||||||
16 | Formalizar o conceito de correlação para fins de jurisprudência | 2 | 5 | UnB/TST | Relatório técnico | X | X | X | X | |||||||||||
17 | Definir o subconjunto de peças relevantes para jurisprudência | 3 | 6 | UnB/TST | Relatório técnico | X | X | X | X | |||||||||||
18 | Construção de base de dados para modelagem de IA | 18 | 19 | UnB/TST | Base de dados no AILAB | |||||||||||||||
19 | AED: Evidenciar descritores a serem utilizados | 18 | 19 | UnB/TST | Relatório técnico | |||||||||||||||
20 | Modelagem: Avaliar a aplicabilidade de diferentes modelos, implementar e testar um candidato vencedor | 19 | 27 | UnB/TST | Códigos-fonte e relatório técnico | |||||||||||||||
21 | Integrar o Microserviço iJurisprudência à solução. | 19 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
22 | Integrar o Microserviço iJurisprudência ao Sinapses (envio automático do modelo) | 22 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
23 | Verificar soluções de Feedback de usuário já desenvolvidas pelo TST. | 5 | 6 | UnB/TST | Relatório técnico | X | X | |||||||||||||
M4 | 24 | RTL: Identificar ferramentas a serem utilizadas no desenvolvimento do sistema de feedback de usuários. | 6 | 8 | UnB/TST | Códigos-fonte | X | X | X | |||||||||||
25 | Definir melhor tipo de interfaceamento com sistema Bem- te-vi para coleta de feedbacks do iSimilares | 13 | 22 | UnB/TST | Relatório técnico | X | X | |||||||||||||
26 | Definir melhor tipo de interfaceamento com sistema Bem- te-vi para coleta de feedbacks do iJurisprudência | 19 | 23 | UnB/TST | Relatório técnico | |||||||||||||||
27 | Definir o ciclo de vida da informação de feedbacks do iSimilares e formato de sua persistência com vistas à sua utilização futura. | 14 | 22 | UnB/TST | Relatório técnico | X | ||||||||||||||
28 | Definir o ciclo de vida da informação de feedbacks do iJurisprudência e formato de sua persistência com vistas à sua utilização futura. | 19 | 23 | UnB/TST | Relatório técnico | |||||||||||||||
29 | Desenvolvimento, testes e integração de módulo de feedback do iSimilares | 14 | 22 | UnB/TST | Códigos-fonte e documentação técnica. | X | ||||||||||||||
30 | Desenvolvimento, testes e integração de módulo de feedback do iJurisprudências | 19 | 23 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
M5 | 31 | RTL: Métodos e técnicas em LLML. | 5 | 9 | UnB/TST | Relatório técnico | X | X | X | X | X | |||||||||
32 | Levantamento de casos de uso de processos de engenharia e ferramentas para retreinamento de modelos de IA. | 5 | 22 | UnB/TST | Relatório técnico | X | X | X | X | X | X | X | X | X | X | |||||
33 | Definição de critérios/métricas que evidenciem os desempenhos dos modelos de IA para fins de LLML. | 5 | 22 | UnB/TST | Relatório técnico | X | X | X | X | X | X | X | X | X | X | |||||
34 | Avaliar comparativamente melhores soluções para cada um dos módulos de IA utilizados e eleger candidatos vencedores. | 6 | 22 | UnB/TST | Relatório técnico | X | X | X | X | X | X | X | X | X | ||||||
35 | Desenvolver e testar e integrar solução de LLML para o módulo de iSimilares. | 17 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
36 | Desenvolver e testar e integrar solução de LLML para o módulo de iJurisprudências. | 17 | 31 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
M6 | 37 | Submeter resultados das pesquisas a eventos e/ou a revistas científicas. | 9 | 32 | UnB/TST | Comprovante de submissão. | X | X | X | X | X | X | ||||||||
38 | Participação em eventos científicos da área | 2 | 25 | UnB/TST | Comprovantes: inscrições e/ou passagens | X | X | X | X | X | X | X | X | X | X | X | X | X | ||
M7 | 39 | Enviar documentações de dados e de tecnologias para TST | 20 | 32 | UnB/TST | Documentação técnica. | ||||||||||||||
40 | Enviar códigos- fontes para TST | 20 | 32 | UnB/TST | Códigos-fonte e documentação técnica. | |||||||||||||||
41 | Enviar artefatos de IA para TST: modelos, documentações e conjuntos de dados. | 20 | 32 | UnB/TST | Arquivos com modelos de IA e documentação técnica. | |||||||||||||||
42 | Realizar Workshop do projeto para pessoal do TST. | 20 | 32 | UnB/TST | Certificados ou registros frequência de aulas. |
18. Cronograma de Atividades Atualizado _ Parte 2
Meta | |||||||||||
# | Atividade | Responsável | Entregáveis | 33 | 34 | 35 | 36 | 37 | |||
InÍcio | Fim | 08/2024 | 09/2024 | 10/2024 | 11/2024 | 12/2024 | |||||
M7 | 40 | Enviar códigos-fontes para TST | 33 | 37 | UnB/TST | Códigos-fonte e documentação técnica. | X | X | X | X | X |
41 | Enviar artefatos de IA para TST: modelos, documentações e conjuntos de dados. | 33 | 37 | UnB/TST | Arquivos com modelos de IA e documentação técnica. | X | X | X | X | X | |
M8 | 43 | Avaliar o funcionamento da solução do iSimilares, do início ao fim do processo, com vistas a identificar e promover melhorias nas soluções de IA e no código. | 33 | 37 | UnB/TST | Códigos-fonte e documentação técnica. | X | X | X | X | X |
M9 | 44 | Avaliar o funcionamento da solução do iJurisprudência, do início ao fim do processo, com vistas a identificar e promover melhorias no código. | 33 | 37 | UnB/TST | Códigos-fonte e documentação técnica. | X | X | X | X | X |
M10 | 45 | Extrair informações dos assuntos dos processos paradigmas e dos respectivos processos similares. | 33 | 34 | UnB/TST | Relatório técnico | X | X | |||
46 | Experimentar diferentes técnicas de engenharia de prompt utilizando informações de discussão extraídas dos processos paradigmas e dos seus respectivos similares. | 33 | 36 | UnB/TST | Códigos-fonte e documentação técnica. | X | X | X | X | ||
47 | Integrar a melhor solução ao módulo iSimilares. | 35 | 37 | UnB/TST | Relatório técnico | X | X | X | |||
19. Plano de Aplicação
O processo de aditivação, mencionado no item 16, contará com o acréscimo no valor de R$ 249.247,50. Estes valores foram aplicados nas bolsas de pesquisa, detalhadas abaixo, bem como nas despesas operacionais e administrativas da fundação de apoio e nos custos indiretos, de que trata a Resolução CAD 0045/2014.
Do exposto, mantém-se o seguinte Plano de Aplicação.
ANEXO I - Plano de Aplicação | |
RECEITAS | |
A - Total de Receitas | |
DESPESAS | |
Especificação | Valor Total (R$) |
Diária | R$ 14.385,43 |
Passagens e despesa com locomoção | R$ 14.790,00 |
Bolsa de Pesquisa | R$ 1.811.898,00 |
Serviços de Terceiros Pessoa Jurídica | R$ 476.681,54 |
Material Permanente e Equipamento | R$ 184.289,34 |
Imposto Sobre Serviço - ISS | R$ 10.184,20 |
B - Total de Despesas | R$ 2.512.228,51 |
*USO DE RENDIMENTOS FINANCEIROS | R$ 148,008.99 |
Observação importante: Ao final da execução do projeto todos os equipamentos e os materiais permanentes adquiridos serão incorporados ao patrimônio da UnB. | |
ANEXO II - Detalhamento das Despesas | |||||
Diária | |||||
ITEM | Descrição | Quantidade | Valor unit. | Valor total | |
1 | Diária Internacional | 10 | R$ 1.438,54 | R$ 14.385,43 | |
Subtotal | R$ 14.385,43 | ||||
Passagens e despesa com locomoção | |||||
ITEM | Descrição | Quantidade | Valor unit. | Valor total | |
1 | Passagem Internacional | 3 | R$ 4.930,00 | R$ 14.790,00 | |
Subtotal | R$ 14.790,00 | ||||
Material Permanente e Equipamento | |||||
ITEM | Descrição | Quantidade | Valor unit. | Valor total | |
1 | Nobreak | 1 | R$ 6.998,00 | R$ 6.998,00 | |
2 | Servidor GPU(Importado) | 1 | R$ 177.291,34 | R$ 177.291,34 | |
Subtotal | R$ 184.289,34 | ||||
Bolsa de Pesquisa | |||||
ITEM | Descrição | Quantidade | Valor unit. | Valor total | |
1 | Xxxxxx Xxxxxxx xx Xxxxx | 20 | R$ 9.000,00 | R$ 180.000,00 | |
2 | Fabrício Ataídes Braz | 20 | R$ 9.000,00 | R$ 180.000,00 | |
3 | Debora Bonat | 25 | R$ 9.000,00 | R$ 225.000,00 | |
4 | Aline Dayany de Lemos | 25 | R$ 5.000,00 | R$ 125.000,00 | |
5 | Xxxxxxx Xxxxx | 25 | R$ 5.000,00 | R$ 125.000,00 | |
6 | Xxxxxxxx Xxxx Xxxxxxx Xxxxxxxx | 15 | R$ 5.000,00 | R$ 75.000,00 | |
7 | Xxxxxxxx Xxxx Xxxxxxx Xxxxxxxx | 10 | R$ 9.000,00 | R$ 90.000,00 | |
8 | Xxxxxxx Xxxxxxxx | 10 | R$ 5.000,00 | R$ 50.000,00 | |
9 | Xxxxxxx xxx Xxxxxx Xxxxxx Xxxxxx | 8 | R$ 2.000,00 | R$ 16.000,00 | |
10 | Xxxx Xxxxxxxx Xxxxxx Xxxxxx | 5 | R$ 2.000,00 | R$ 10.000,00 | |
11 | Xxxxxxxx Xxxxx Xxxxxxx Xxxxxxxx | 9 | R$ 2.000,00 | R$ 18.000,00 | |
12 | Walquíria Marins | 5 | R$ 2.000,00 | R$ 10.000,00 | |
13 | Xxxxxxx Xxxxxxxx Do Rosario | 24 | R$ 2.000,00 | R$ 48.000,00 | |
14 | Xxxxx Xxxxx Xxxxxxx de Jesus | 17 | R$ 1.500,00 | R$ 25.500,00 | |
15 | Xxxxx Xxxxx Xxxxx Xxxxxxxxx | 16 | R$ 1.500,00 | R$ 24.000,00 | |
16 | Xxxxxx Xxxxx Xxxxx | 20 | R$ 1.500,00 | R$ 30.000,00 | |
17 | Xxxxxx Xxxx Xxxxxxx Xxxxxxxxx | 7 | R$ 1.500,00 | R$ 10.500,00 | |
18 | Xxxxxxxx Xxxxxxxxx Padre | 8 | R$ 1.500,00 | R$ 12.000,00 | |
19 | Xxxxxx Xx Xxxxxxxx Nobre | 20 | R$ 1.500,00 | R$ 30.000,00 | |
20 | Xxxxxxxx Xxxxx Xxxxxxx Xxxxxxxx | 3 | R$ 1.500,00 | R$ 4.500,00 | |
21 | Xxxxxx Xxxxxxxx Xxxxxxx | 6 | R$ 1.500,00 | R$ 9.000,00 | |
22 | Xxxx Xxxxxx Xxxxx Xxxxx | 14 | R$ 1.000,00 | R$ 14.000,00 | |
23 | Xxxxxx Xxxxxxx Xxxxxx Xxxxxxx | 13 | R$ 1.000,00 | R$ 13.000,00 | |
24 | Xxxxxx Xxxxxxxx Xxxxxxxx Xxxxx | 13 | R$ 1.000,00 | R$ 13.000,00 | |
25 | Xxxxx Xxxxx Xxxxxxx | 23 | R$ 1.000,00 | R$ 23.000,00 | |
26 | Xxxx Xxxxxxxx Xx Xxxx X Xxxxx | 8 | R$ 1.000,00 | R$ 8.000,00 | |
27 | Xxxxxxx Xxxxx Xxxxxxxx De Espindola | 8 | R$ 1.000,00 | R$ 8.000,00 | |
28 | Xxxxxxx Xxxxx xxx Xxxxxx | 6 | R$ 1.000,00 | R$ 6.000,00 | |
29 | Xxxxx Xxxxx Xxxxxxx Dourado | 5 | R$ 1.000,00 | R$ 5.000,00 | |
30 | Xxxx Xxxxxx Xxxxx Xxxxx | 5 | R$ 1.000,00 | R$ 5.000,00 | |
31 | Xxxxxxx Xxxxxxxx Xxxxx xx Xxxxx Xxxxx | 24 | R$ 1.000,00 | R$ 24.000,00 | |
32 | Xxxxxx Xxxx Xxxxxxx Xxxxxxxxx | 9 | R$ 1.000,00 | R$ 9.000,00 | |
33 | Xxxxxxxx Xxxxxxxxx Padre | 15 | R$ 1.000,00 | R$ 15.000,00 | |
34 | Xxxxx Xxxxx Xxxxxxx de Jesus | 4 | R$ 1.000,00 | R$ 4.000,00 | |
35 | Xxxxx Xxxxx Xxxxx Xxxxxxxxx | 7 | R$ 1.000,00 | R$ 7.000,00 | |
36 | Xxxxxx Xxxxx Xxxxx | 3 | R$ 1.000,00 | R$ 3.000,00 | |
37 | Xxxxxx Xxxxxxxx Xxxxxxx | 2 | R$ 1.000,00 | R$ 2.000,00 | |
38 | Xxxxx Xxxxxxxx Xxxxxxxx Xx Xxxxxxxxxx | 8 | R$ 1.000,00 | R$ 8.000,00 | |
39 | Xxxxxx Xxxxxxxxx Xxxxxxx | 9 | R$ 1.000,00 | R$ 9.000,00 | |
40 | Xxxxx Xxxxxx Xxxxxxxxx | 13 | R$ 1.000,00 | R$ 13.000,00 | |
41 | Xxx Xxxxxxx Xxxxxxxxx Massuh | 8 | R$ 1.000,00 | R$ 8.000,00 | |
42 | Geovane Xxxxxxxxxx Xxx Xxxxxx Freitas | 8 | R$ 1.000,00 | R$ 8.000,00 | |
43 | Xxxxx Xxxxx Xxxxx Xx Xxxxxxxx | 1 | R$ 1.000,00 | R$ 1.000,00 | |
44 | Walquíria Xxxxxxxxx Xxxxxx | 5 | R$ 1.000,00 | R$ 5.000,00 | |
45 | Xxxxxxx Xxxxxxxx Xxxxxxxx Xxxxx | 9 | R$ 1.000,00 | R$ 9.000,00 | |
46 | Xxxxxx Xx Xxxxxxxx Nobre | 3 | R$ 1.000,00 | R$ 3.000,00 | |
47 | Xxxxxxxx Xxxx Xxxxxxx Xxxxxxxx | 3 | R$ 5.000,00 | R$ 15.000,00 | |
48 | Xxxxxxxx Xxxxx Xxxxxxx Xxxxxxxx | 3 | R$ 2.000,00 | R$ 6.000,00 |
49 | Xxxxxxx Xxxxxxxx Do Rosario | 3 | R$ 2.000,00 | R$ 6.000,00 |
50 | Xxxxxxxx Xxxxxxxxx Padre | 3 | R$ 1.500,00 | R$ 4.500,00 |
51 | Xxxxxx Xx Xxxxxxxx Nobre | 3 | R$ 1.500,00 | R$ 4.500,00 |
52 | Xxxxxx Xxxxx Xxxxx | 3 | R$ 1.500,00 | R$ 4.500,00 |
53 | Xxxxxx Xxxx Xxxxxxx Xxxxxxxxx | 3 | R$ 1.500,00 | R$ 4.500,00 |
54 | Xxxxxxx Xxxxx Xxxxxxxx De Espindola | 3 | R$ 1.000,00 | R$ 3.000,00 |
55 | Xxxxxxx Xxxxx xxx Xxxxxx | 3 | R$ 1.000,00 | R$ 3.000,00 |
56 | Xxxxx Xxxxx Xxxxxxx Dourado | 3 | R$ 1.000,00 | R$ 3.000,00 |
57 | Xxxx Xxxxxx Xxxxx Xxxxx | 3 | R$ 1.000,00 | R$ 3.000,00 |
58 | Xxxxxxx Xxxxxxxx Xxxxx xx Xxxxx Xxxxx | 3 | R$ 1.000,00 | R$ 3.000,00 |
59 | Xxxx Xxxxxx Xxxxx Xxxxx | 1 | R$ 1.000,00 | R$ 1.000,00 |
60 | Aline Dayany de Lemos | 2 | R$ 3.000,00 | R$ 6.000,00 |
61 | Xxxxxxx Xxxxx | 2 | R$ 3.000,00 | R$ 6.000,00 |
62 | Xxxxxxxx Xxxx Xxxxxxx Xxxxxxxx | 2 | R$ 3.000,00 | R$ 6.000,00 |
63 | Xxxxxxxx Xxxxxxxxx Padre | 2 | R$ 1.500,00 | R$ 3.000,00 |
64 | Xxxxxx Xx Xxxxxxxx Nobre | 2 | R$ 1.500,00 | R$ 3.000,00 |
65 | Xxxxxx Xxxx Xxxxxxx Xxxxxxxxx | 2 | R$ 1.500,00 | R$ 3.000,00 |
66 | Xxxxx Xxxxx Xxxxx Xxxxxxxxx | 2 | R$ 1.500,00 | R$ 3.000,00 |
67 | A definir | 1 | R$ 1.000,00 | R$ 1.000,00 |
68 | Xxxxxx Xxxxxxx xx Xxxxx | 5 | R$ 7.500,00 | R$ 37.500,00 |
69 | Fabrício Ataídes Braz | 5 | R$ 7.500,00 | R$ 37.500,00 |
70 | Debora Bonat | 5 | R$ 7.500,00 | R$ 37.500,00 |
71 | Aline Dayuany de Lemos | 5 | R$ 5.000,00 | R$ 25.000,00 |
72 | Xxxxxxx Xxxxxxx de Siqueira | 5 | R$ 4.000,00 | R$ 20.000,00 |
73 | Xxxxxx Xxxx Xxxxxxx Xxxxxxxxx | 5 | R$ 1.500,00 | R$ 7.500,00 |
74 | Xxxxxx Xx Xxxxxxxx Nobre | 5 | R$ 1.500,00 | R$ 7.500,00 |
75 | Xxxxxxx Xxxxx dos Santos | 5 | R$ 1.000,00 | R$ 5.000,00 |
76 | Xxxxxx Xxxxxxxxx Xxxxx | 4 | R$ 1.000,00 | R$ 4.000,00 |
77 | Xxxxxxx Xxxxxxxx Do Rosário | 5 | R$ 1.500,00 | R$ 7.500,00 |
78 | Adrielle Beze Peixoto | 5 | R$ 2.079,60 | R$ 10.398,00 |
Subtotal | R$ 1.811.898,00 | |||
*Valores de bolsas conforme Resolução do Conselho de Administração da Universidade de Brasília Nº 0003/2018.
Serviços de Terceiros Pessoa Jurídica | ||||
ITEM | Beneficiário | Quant. | Valor unitário | Valor Total |
1 | Taxa de inscrição em evento científico internacional | 3 | R$ 2.908,49 | R$ 8.725,47 |
2 | Despesas Acessórias de Importação | 1 | R$ 9.752,27 | R$ 9.752,27 |
3 | Despesas Operacionais e Administrativas | 1 | R$ 193.499,85 | R$ 193.499,85 |
4 | Ressarcimento - FUB (resolução CAD nº 045/2014) | 1 | R$ 264.703,95 | R$ 264.703,95 |
Subtotal | R$ 476.681,54 | |||
Imposto Sobre Serviço | ||||
ITEM | Descrição | Quant. | Valor unit. | Valor total |
1 | Imposto Sobre Serviço ISS | 1 | R$ 10.184,20 | R$ 10.184,20 |
Subtotal | R$ 10.184,20 | |||
B - Total de Despesas | R$ 2.512.228,51 | |||
ANEXO III - USO DE RENDIMENTO DE APLICAÇÃO | |||||
Auxílio Financeiro a Pesquisador | |||||
ITEM | Beneficiário | Quantidade | Período | Valor unit. | Valor total |
1 | Xxxxxx Xxxxxxx xx Xxxxx | 1 | 2 | R$ 9.000,00 | R$ 18.000,00 |
2 | Fabrício Ataídes Braz | 1 | 2 | R$ 9.000,00 | R$ 18.000,00 |
3 | Debora Bonat | 1 | 3 | R$ 9.000,00 | R$ 27.000,00 |
4 | Xxxxxx Xxxxxxx xx Xxxxx | 1 | 1 | R$ 5.000,00 | R$ 5.000,00 |
5 | Fabrício Ataídes Braz | 1 | 1 | R$ 5.000,00 | R$ 5.000,00 |
6 | Xxxxx Xxxxxx de Lemos | 1 | 3 | R$ 5.000,00 | R$ 15.000,00 |
7 | Xxxxxxx Xxxxx | 1 | 3 | R$ 5.000,00 | R$ 15.000,00 |
8 | Xxxxx Xxxxx Xxxxxxx de Jesus | 1 | 3 | R$ 1.500,00 | R$ 4.500,00 |
9 | Xxxxx Xxxxx Xxxxx Xxxxxxxxx | 1 | 3 | R$ 1.500,00 | R$ 4.500,00 |
10 | Xxxxxxxx Xxxxx Xxxxxxx Xxxxxxxx | 1 | 2 | R$ 2.000,00 | R$ 4.000,00 |
11 | Xxxxx Xxxxxxx Xxxxxxx | 1 | 3 | R$ 1.000,00 | R$ 3.000,00 |
12 | Xxxxxxx Xxxxx xxx Xxxxxx | 1 | 2 | R$ 1.000,00 | R$ 2.000,00 |
13 | Xxxxx Xxxxx Xxxxxxx Dourado | 1 | 2 | R$ 1.000,00 | R$ 2.000,00 |
14 | Xxxxxxx Xxxxxxx xx Xxxxxxxx | 1 | 1 | R$ 2.000,00 | R$ 2.000,00 |
15 | Xxxxxxx Xxxxxxx de Siqueira | 1 | 4 | R$ 1.000,00 | R$ 4.000,00 |
16 | Xxxxxx Xxxxxxxxx Xxxxx | 1 | 3 | R$ 1.000,00 | R$ 3.000,00 |
17 | A definir | 1 | 1 | R$ 2.000,00 | R$ 2.000,00 |
Subtotal | R$ 134.000,00 | ||||
Serviços de Terceiros Pessoa jurídica | |||||
ITEM | Beneficiário | Quant. | valor unitário | Valor Total | |
1 | Despesas Operacionais e Administrativas | 1 | R$ 14.008,99 | R$ 14.008,99 | |
Subtotal | R$ 14.008,99 | ||||
B - Total de Despesas | R$ 148.008,99 | ||||
USO DE RENDIMENTO | R$ 148.008,99 | ||||
*Valores de bolsas conforme Resolução do Conselho de Administração da Universidade de Brasília Nº 0003/2018.
20. Cronograma de Desembolso
Mês 01: R$ 1.424.485,68
Mês 12: R$ 838.495,33
Mês 32: R$ 249.247,50
21. Referências Bibliográficas
[Altan e Karasu, 2020] Ayta ̧c Altan and Se ̧ckin Karasu. Recognition of covid-19 disease from x-ray images by hybrid model consisting of 2d curvelet transform, chaotic salp swarm algorithm and deep learning technique. Chaos, Solitons Fractals, 140:110071, 2020.
[Xxxxxx et al, 2020] Xxxxx Xxxxxxxx Xxx xx Xxxxxx, Xxxxxxx Xxxxxx xx Xxxxxx, Xxxxxxxx Xxxxxxx Xxxx, and Xxxxxx Xxxxxxx xx Xxxxx. XXXXXX: a dataset for Brazilian legal documents classification. In Proceedings of The 12th Language Resources and Evaluation Conference, pages 1449– 1458, Marseille, France, May 2020. European Language Resources Association.
[Xxxx et al, 2021] Xxxxxxxx X. Xxxx, Xxxxxx X. xx Xxxxx and Xxxxxxxx Xxxxx. Leveraging effectiveness and ef- ficiency in page stream deep segmentation. International Scientific Journal Engineering Applications of Artificial Intelligence, tbd:tbd, 2021.
[CNJ, 2020] Conselho Nacional de Justiça. Resolução nº332 de 21/08/2020. Online: xxxxx://xxxx.xxx.xxx.xx/xxxx/xxxxxxxx/0000, 21/08/2020.
[Xxxxxx et al, 2019] Xxxxx Xxxxxx, Xxxx-Xxx Xxxxx, Xxxxxx Xxx, and Xxxxxxxx Xxxxxxxxx. XXXX: Pre- training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computa- tional Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), pages 4171–4186, Minneapolis, Minnesota, June 2019. Association for Computational Linguistics.
[Xxxxxxxx e Bonat, 2019] Xxxxxxx Xxxxxxxx and Xxxxxx Xxxxx. Machine learning and the general repercussion on brazilian supreme court: Applying the victor robot to legal texts. In MIREL@JURIX, 2019.
[Xxx et al, 2019] Xxxxxx Xxx, Xxxx Xxx, Xxxxx Xxxxx, Xxxxxxx Xx, Xxxxxx Xxxxx, Xxxxx Xxxx, Xxxx Xxxx, Xxxx Xxxxx, Xxxx Xxxxxxxxxxx, and Xxxxxxx Xxxxxxxx. Xxxxxxx: A robustly opti- mized bert pretraining approach, 2019.
[Xxx et al, 2020] Xxxxxx Xxx, Xxxx Xxxx, Xxxxxx Xxxx, Xxx Xxxx, Xxxxxxx Xxxx, and Xx Xx. FastBERT: a self-distilling XXXX with adaptive inference time. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 6035–6044, Online, July 2020. Association for Computational Linguistics.
[Xxxxxxx et al, 2019] Xxxx Xxxxxxx, Xxxxxxx Xx, Xxxxx Xxxxx, Xxxxx Xxxx, Xxxxx Xxxxxx, and Xxxx Xxxxxxxxx. Language models are unsupervised multitask learners, 2019.
[Xxxxxx et al, 2020] Xxxxx Xxxxxx, Xxxx Xxxxxxx, Xxxx Xxxxxxx, Xxxxxxxxx Xxx, Xxxxxx Xxxxxx, Xxxxxxx Xxxxxx, Xxxxx Xxxx, Xxx Xx, and Xxxxx X. Xxx. Exploring the limits of transfer xxxx- ning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140):1–67, 2020.
[Xxxxx et al, 2019] Xxxxxx X. xx Xxxxx, Xxxxxxxx X. Xxxx, and Xxxx Xxxxxxx X. Ferretti. Aplicação da inteligência artificial no sistema jurídico brasileiro: Xxxxxx e Alei. Revista de Administración Pública del GLAP, 3:45–55, 2019.
[Xxxxxxx et al, 2017] Xxxxxx Xxxxxxx, Xxxx Xxxxxxx, Xxxx Xxxxxx, Xxxxx Xxxxxxxxx, Xxxxx Xxxxx, Xxxxx X Xxxxx, Xxxxxx Xxxxxx, and Xxxxx Xxxxxxxxxx. Attention is all you need, 2017.
[Xxxxxxx et al, 2017b] Xxxxxx Xxxxxxx, Xxxx Xxxxxxx, Xxxx Xxxxxx, Xxxxx Xxxxxxxxx, Xxxxx Xxxxx, Xxxxx X Xxxxx, L□ ukasz Kaiser, and Xxxxx Xxxxxxxxxx. Attention is all you need. In I. Xxxxx, X. X. Xxxxxxx, S. Xxxxxx, X. Xxxxxxx, X. Xxxxxx, X. Xxxxxxxxxxxx, and R. Garnett, editors, Advances in Neural Information Processing Systems 30 (NIPS), pages 5998– 6008. Curran Associates, Inc., 2017.
[Xxxx et al, 2019] Xxxxxx Xxxx, Xxxxxx Xxx, Xxxxxx Xxxx, Xxxxx Xxxxxxxxx, Xxxx X Xxxxxxxxxxxxx, and Quoc V Le. Xlnet: Generalized autoregressive pretraining for language understanding. In H. Xxxxxxx, X. Xxxxxxxxxx, X. Xxxxxxxxxxx, X. d'Alch ́e-Buc, E. Fox, and R. Gar- nett, editors, Advances in Neural Information Processing Systems, volume 32. Curran Associates, Inc., 2019.
[Xxxx et al, 2021] Xxxxx Xxxx, Xxxx Xxxxxx, and Xxxxxx Xxxxxxxx. An in silico deep learning approach to multi-epitope vaccine design: a sars-cov-2 case study. Scientific Reports, 11:3238, 02 2021.
Este documento deverá ser assinado por:
Coordenador(a) do Projeto UnB ou Gestor(a) do Projeto UnB; e Representantes Legais.
Documento assinado eletronicamente por Xxxxxxxx Xxxxxxx Xxxx, Professor(a) de Magistério Superior da Faculdade do Gama, em 17/07/2024, às 18:59, conforme horário oficial de Brasília, com fundamento na Instrução da Reitoria 0003/2016 da Universidade de Brasília.
Documento assinado eletronicamente por Xxxxxx Xxxxxxx Xxxxx, Reitora da Universidade de Brasília, em 28/07/2024, às 22:02, conforme horário oficial de Brasília, com fundamento na Instrução da Reitoria 0003/2016 da Universidade de Brasília.
Documento assinado eletronicamente por Xxxxx Xxxxxx Xxxxxx, Usuário Externo, em 29/07/2024, às 17:39, conforme horário oficial de Brasília, com fundamento na Instrução da Reitoria 0003/2016 da Universidade de Brasília.
A autenticidade deste documento pode ser conferida no site xxxx://xxx.xxx.xx/xxx/xxxxxxxxxxx_xxxxxxx.xxx? acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador 11448191 e o código CRC 35721572.
Referência: Processo nº 23106.099508/2021-15 SEI nº 11191025