Por Jairo Melo
A Inteligência Artificial (IA) já é uma realidade em nossas atividades do dia a dia. Consultas inteligentes realizadas em sites de buscas, onde o dado procurado tem relação com o contexto em foco, compras direcionadas e análise de perfil com recomendações baseadas nas interações do cliente, reconhecimento facial, processamento de voz humana e atendimento online por softwares especialistas, os chatbots, com aprendizado de máquina já são uma realidade. A IA é um ramo de pesquisa da ciência da computação que busca, através de algoritmos e processos estatísticos, construir mecanismos e/ou dispositivos que simulem a capacidade do ser humano de aprender, pensar e resolver problemas, ou seja, de ser inteligente. Apesar da Inteligência Artificial ter ganhado bastante notoriedade mais recentemente com um grande número de aplicações comerciais, ela não é um campo de estudo novo. Suas raízes remontam do ano de 1950, quando o cientista Alan Turing realizou os primeiros ensaios que avaliaram a capacidade de pensar de uma máquina (TURING, 1950).
Por meio da IA, um programa de computador adquire a capacidade de melhorar sua performance em determinada tarefa com base na experiência em executá-la. Isso é conhecido como Aprendizado de Máquina. Existem duas divisões principais da forma pela qual o aprendizado de máquina pode ocorrer: supervisionado e não supervisionado.
Pode ser usado o aprendizado supervisionado, – quando um conjunto de dados de treinamento já classificado é apresentado e cabe ao algoritmo aprender os padrões dessas classes para que avalie corretamente novos conjuntos de dados – ou o aprendizado não supervisionado – quando não se tem ideia das classes (ou rótulos) existentes no conjunto de dados e o algoritmo faz agrupamentos por similaridade dos registros, possibilitando que a aplicação determine as classes. O aprendizado supervisionado trabalha com dados rotulados, ou seja, dados nos quais a saída (resultado) desejada é conhecida. Essa saída possui relação com as características dos dados. Nesse tipo de aprendizado, há um “professor” que avalia a resposta da máquina de acordo com os dados de entrada fornecidos. Portanto, o objetivo é aprender a regra geral que relaciona entrada e saída. Problemas de aprendizado supervisionado são divididos, em sua maioria, em Classificação e Regressão.
Por outro lado, o aprendizado não supervisionado trabalha com dados que não possuem um rótulo, ou seja, não se sabe qual é a saída desejada. Nesse caso, a máquina deve aprender sozinha as relações entre entrada e saída, ou seja, descobrir padrões, regularidades, categorias/perfis. Problemas de aprendizado não supervisionado incluem, em sua maioria, abordagens de agrupamento (clustering).
A IA é uma realidade no Poder Judiciário (projetos no STF, TJPE, TST, TJRO e TJDFT) já estão trazendo benefícios. A maioria das iniciativas da Justiça está voltada para a classificação de modo supervisionado, isto é, existe a necessidade de que um especialista gerencie os atributos do processamento para garantir a efetividade do mesmo. Entretanto, outras vertentes de estudo já estão sendo prospectadas, entre elas: auxiliar a elaboração de textos jurídicos, reconhecer detentos através da face, identificar classe e assunto do processo a partir da petição inicial, identificar processos com similaridades e repercussão geral, realizar movimentos processuais e decisões de magistrados com a devida autorização competente e predição de séries temporais como a Justiça em Números, a fim de subsidiar a criação de políticas públicas.
Dentro dessa realidade de estudos/desenvolvimento, a linguagem Python vem se destacando como ambiente recomendado para aprendizado de máquina, por ser de alto desempenho, sem custos, com vasta documentação e treinamento, além de ser constituída de diferentes bibliotecas, como Pandas e NLTK, que auxiliam a construção de códigos IA. Observadas essas características, o CNJ, em parceria com o TJRO, desenvolveu o SINAPSE, que possibilita o compartilhamento de classificadores e algoritmos de predição em um repositório comum, reduzindo assim o retrabalho de projetos entre os tribunais.
No XIII Encontro Nacional do Poder Judiciário, realizado na cidade de Maceió no dia 25 e 26 de novembro de 2019, o presidente do Conselho Nacional de Justiça (CNJ) e do Supremo Tribunal Federal (STF), ministro Dias Toffoli, afirmou que: “é necessário manter esse cenário de evolução que exige criatividade e inovação, com o uso de técnicas modernas de gestão, com a ajuda da tecnologia, a exemplo da inteligência artificial, além do tratamento adequado de conflitos e do incentivo à conciliação. É preciso trabalhar continuamente na gestão do acervo de quase 80 milhões de processos em trâmite na justiça”.
Ciente disso e alinhado a esse entendimento, o TJDFT também vem investindo em iniciativas de inteligência artificial, com a finalidade de auxiliar o dia a dia dos servidores e magistrados – reduzindo atividades repetitivas e agregando agilidade e precisão na entrega de resultados à sociedade. Como exemplo, o projeto Hórus permitiu a classificação de documentos para distribuição de 274 mil processos de modo automático da VEF. O Amon, em fase de teste, permite reconhecimento facial a partir de imagens e vídeos atendendo algumas necessidades da segurança interna do TJ, além da possibilidade de auxiliar a VEPERA no processo de apresentação de presos em regime aberto. Já o Toth, em fase de estudos, permitirá análise da petição inicial do advogado buscando recomendar a classe e os assuntos processuais a serem cadastrados no PJE durante a autuação.
Todas essas inovações, em sintonia com os novos tempos, mostram que a união entre máquina e homem é inevitável e que, se usada corretamente, traz avanços e contribuições inestimáveis à humanidade em todas as áreas de aplicação.
Jairo Melo é supervisor do Serviço de Ciência de Dados – SERCID
da Coordenadoria-Geral de Tecnologia da Informação do TJDFT
Fonte: TJDFT
