Período: 02/02/2024 – 29/02/2024

Sprint 13

Na sprint 13, tivemos como objetivo acompanhar os testes no MVP e coletar as indicações de ajuste com a equipe da 8ª Vara, re-treinar modelo de produção e refatorar métodos e end-points

S13M01 – Coletar os feedbacks do usuário a partir dos testes com a versão disponibilizada do MVP buscando a melhoria nos pontos que forem indicados.

Realizamos duas reuniões com os servidores da 8ª Vara da Justiça Federal de Pernambuco, onde determinamos a expansão dos testes do MVP para outros servidores e estagiários. Também discutimos estratégias para contornar a falta de conexão com PJ-e 2.x, a fim de automatizar o processo de triagem. Além disso, fomos informados que será disponibilizada uma nova cartilha com orientações mais específicas para os tipos de processos. Com ela, deveremos fazer mais atualizações para manter o sistema em dia.

Além disso, também trabalhamos no refino da nuvem de palavras, removendo termos indesejados e irrelevantes. Pode-se conferir o resultado na imagem acima.

S13M02 – Implementar checklist de documentos

Uma das demandas que surgiram durante nossas reuniões com os servidores da 8ª Vara foi a de adicionar uma checklist com os documentos anexos necessários para cada tipo de processo. Para isso, foi necessário adicionar novas entidades no banco da dados, atualizar o serviço de inteligência artificial e ajustar o front-end para que fosse demonstrada a lista.

O resultado deste processo pode ser conferido na imagem acima. A lista é dinamicamente gerada para cada petição a depender dos assuntos primário e secundários. No momento, ela está com a interação manual, ou seja, o servidor precisa manualmente marcar todos os arquivos que estão presentes no anexo da petição. No entanto, pretendemos atualizar o serviço para que esta checklist seja atualizada automaticamente.

S13M03 – Refatorar métodos de extração de partes

Um dos calcanhares de Aquiles do Triagem era a extração dos polos da petição inicial. Até então, o Triagem não conseguia detectar os polos ativos, e costumava detectar errado os polos passivos. Decidimos para esta entrega, então, buscar como melhorar esta detecção. Focamos em utilizar um modelo de aprendizado de máquina para detecção de entidades nomeadas. Este modelo está ainda em fase de testes, mas já conseguimos treina-lo para extrair todas as partes da petição.

No entanto, estes modelos requerem muito poder computacional para realizar o processamento, o que significa que se o utilizarmos, adicionaria um congestionamento pesado na rede da JFPE, além de que demoraria um tempo inviável para a realização da triagem. Por esse motivo, decidimos suspender seu desenvolvimento, até encontrarmos uma solução mais viável.