| Resumo: | O Supremo Tribunal Federal tem a necessidade de separar as peças processuais jurídicas
para facilitar a distribuição do processo internamente. Atualmente esta separação de
volumes em peças e a classificação destas são feitas manualmente por uma equipe. A metodologia
para o trabalho é a experimental. O processo de desenvolvimento é baseado na
pesquisa e no desenvolvimento projetos de aprendizado de máquina, no qual foram utilizados
para elaborar único processo. Nos documentos jurídicos deste trabalho, utilizou-se
apenas a primeira página, removeu-se amostras com conteúdos duplicados, foram préprocessando.
Não identificou-se correlações entre as categorias. Fez-se a implementação
de 9 modelos neurais: CNN, CNN-rand, MLP, BLSTM, LSTM, BRNN, BLSTM-C, CNNLSTM,
VDCNN e suas respectivas parametrizações a fim de alcançar os maiores valores
das métricas: Acurácia, Precisão e Revocação. Com modelo de base SVM Linear, obteve-se
acurácia de 0,93, precisão de 0,93 e revocação de 0,92. O modelo neural com as melhores
métricas foi o LSTM com o dado pré-processado, seus resultados foram acurácia 0,94,
precisão 0,93 e revocação 0,95. Os documentos jurídicos são computacionalmente separáveis
e pode-se escolher entre os modelos SVM Linear, BLSTM e CNN-rand, pois foram
os que sofreram menos overfitting, possuem as melhores métricas no conjunto de teste e
têm o tempo de predição entre 16ms a 72ms por documento. |
