Arquivo de Artigos - Alfaneo | Soluções Sob Medida com Agentes de IA https://alfaneo.ai/category/artigos/ Desenvolvemos soluções sob medida com agentes de IA que combinam inteligência, automação e precisão para gerar êxito. Mon, 27 Oct 2025 21:26:49 +0000 pt-BR hourly 1 https://wordpress.org/?v=6.9.4 https://alfaneo.ai/wp-content/uploads/2025/03/simbolo_1-150x150.webp Arquivo de Artigos - Alfaneo | Soluções Sob Medida com Agentes de IA https://alfaneo.ai/category/artigos/ 32 32 Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos https://alfaneo.ai/sem-categoria/automacao-juridica-no-setor-de-energia-o-futuro-da-eficiencia-corporativa/ Thu, 23 Oct 2025 15:33:55 +0000 https://alfaneo.ai/?p=7485 A transformação digital no jurídico não é mais uma tendência, é uma necessidade. No setor de energia, caracterizado por alto volume de processos, complexidade regulatória e impactos financeiros significativos, a automação jurídica surge como ferramenta estratégica para reduzir custos, garantir conformidade e melhorar resultados operacionais. Desafios do setor elétrico: quando a operação manual não basta […]

O post Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]> A transformação digital no jurídico não é mais uma tendência, é uma necessidade. No setor de energia, caracterizado por alto volume de processos, complexidade regulatória e impactos financeiros significativos, a automação jurídica surge como ferramenta estratégica para reduzir custos, garantir conformidade e melhorar resultados operacionais.

Desafios do setor elétrico: quando a operação manual não basta

Empresas de geração, transmissão e distribuição enfrentam diariamente grandes volumes de processos judiciais, envolvendo consumidores, contratos, responsabilidade civil e questões regulatórias. A operação manual, mesmo com equipes experientes, apresenta limitações inevitáveis:

  • Processos podem ser classificados incorretamente;
  • Defesas podem ser elaboradas de forma genérica, sem aproveitar todas as informações disponíveis;
  • Informações estratégicas podem passar despercebidas, deixando gestores “às cegas” quanto ao impacto real das decisões jurídicas.

Além disso, muitas vezes apenas uma amostra dos processos é analisada em profundidade, enquanto o restante recebe tratamento superficial. Isso gera inconsistência, retrabalho e decisões menos estratégicas.

Inteligência Artificial: precisão, escala e estratégia

A aplicação da Inteligência Artificial no jurídico vai muito além da automação de documentos, ela transforma a forma como dados processuais são analisados, classificados e utilizados estrategicamente.

Com a nossa solução com IA, é possível processar 100% dos processos ativos, garantindo que cada caso seja examinado com critérios padronizados, consistentes e auditáveis.

O fluxo operacional da Alfaneo Legal AI, envolve uma série de etapas inteligentes: desde a análise de planilhas de processos até o download integral dos autos diretamente dos tribunais.

Em seguida, a IA realiza a separação automática de peças como petição inicial, contestação, sentença e acórdão, e aplica agentes especializados de extração e classificação de informações jurídicas.

Esses dados são então organizados e exportados em planilhas estratégicas, prontas para análises de performance e tomada de decisão.

A nossa solução ainda é capaz de identificar automaticamente faturas em discussão, verificar a existência de liminares concedidas, monitorar o status dessas decisões e reconhecer padrões que seriam praticamente impossíveis de detectar manualmente, especialmente em operações com milhares de demandas simultâneas.

Com esse nível de automação e inteligência, os departamentos jurídicos do setor de energia passam a:

  • Identificar causas de perda com alta precisão, alcançando índices de acerto de até 91,37% (dados de cases internos com uso da plataforma Alfaneo Legal AI), o que permite atuar de forma preventiva e ajustar teses jurídicas com base em dados concretos;
  • Personalizar defesas conforme o perfil do magistrado, a comarca ou as especificidades de cada processo, tornando as contestações mais assertivas e alinhadas ao contexto real da demanda;
  • Aproveitar integralmente os subsídios coletados, transformando a massa de dados processuais em inteligência acionável para decisões jurídicas e estratégicas;
  • Escalar a operação de forma proporcional, sem a necessidade de ampliar o time na mesma medida do crescimento do volume processual, garantindo alta produtividade com controle total;
  • Assegurar rastreabilidade e auditoria completa, com cada ação registrada, conferindo transparência, conformidade regulatória e aderência às políticas internas de governança.

Essa abordagem representa uma mudança estrutural: a IA não substitui a atuação humana, mas potencializa a expertise jurídica, permitindo que profissionais concentrem tempo e energia em atividades de maior valor estratégico, como análise de risco, definição de teses, interlocução com órgãos reguladores e decisões críticas para o negócio.

Ao combinar precisão, escala e inteligência, a IA jurídica torna-se um verdadeiro ecossistema de eficiência corporativa, transformando operações antes manuais e fragmentadas em um ecossistema jurídico inteligente, padronizado e orientado por dados.


Automação jurídica aplicada: como a Alfaneo Legal AI faz a diferença

A plataforma da Alfaneo Legal AI combina processamento de linguagem natural, modelos inteligentes e checklists auditáveis para automatizar contestações, defesas e outros documentos. No setor de energia, isso se traduz em ganhos concretos:

  • Redução de tempo operacional: peças que antes levavam horas agora são geradas em minutos;
  • Padronização da linguagem jurídica, preservando identidade institucional;
  • Validação 100% auditável, registrando cada ação da IA e do usuário;
  • Integração com sistemas internos (ERP, GED, CRM jurídico), garantindo visibilidade completa do ciclo jurídico;
  • Análise estratégica: indicadores sobre produtividade, riscos processuais e performance das defesas.

O resultado prático: redução de até 60% no custo operacional, maior controle sobre a operação jurídica e decisões estratégicas embasadas em dados confiáveis.

O impacto real na advocacia de massa do setor de energia

Com a IA, os departamentos jurídicos passam a atuar de forma proativa e analítica, antecipando riscos, ajustando estratégias e aproveitando insights de cada processo. Entre os benefícios tangíveis:

  • Eliminação de inconsistências e erros humanos;
  • Ganho de escala em operações de grande volumetria;
  • Defesas mais assertivas, baseadas em análises detalhadas de causas de perda;
  • Otimização de recursos, permitindo que equipes se concentrem em decisões críticas;
  • Estratégia adaptativa, ajustando abordagens conforme características do caso, magistrado ou comarca.

Essa transformação mostra que a automação jurídica não é apenas eficiência operacional, mas um diferencial estratégico para empresas que lidam com alto volume de processos.

Conformidade, auditoria e integração: pilares da operação moderna

Cada ação, contestação ou defesa impacta diretamente indicadores de compliance, reputação corporativa e resultados financeiros. A Alfaneo Legal AI oferece rastreabilidade completa e integração com sistemas corporativos, principais tribunais e de gestão.

Isso garante transparência total, controle sobre todas as etapas do processo e credibilidade institucional, mesmo em operações complexas e massivas.

O futuro da automação jurídica corporativa

A digitalização do jurídico é um caminho sem volta, e o setor de energia está pronto para colher seus benefícios. Empresas que ainda trabalham manualmente perdem tempo e recursos com tarefas repetitivas, enquanto aquelas que adotam automação jurídica ganham:

  • Velocidade e produtividade;
  • Inteligência operacional e tomada de decisão baseada em dados;
  • Operação escalável, auditável e previsível;
  • Estratégia jurídica aprimorada e resultados mensuráveis.

A Alfaneo Legal AI está na vanguarda dessa transformação, oferecendo soluções sob medida para operações jurídicas corporativas complexas, com impacto real em eficiência, custo e governança.

👉 Quer entender como a IA pode revolucionar o jurídico da sua empresa?

Agende uma demonstração exclusiva, personalizada com o modelo do seu departamento e veja o impacto da automação jurídica aplicada à sua operação.

🔗 Cadastre-se aqui para agendar sua demonstração personalizada.

🔗 Artigo sobre IA para Contencioso de Massa.

O post Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]> A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines https://alfaneo.ai/blog/a-deep-learning-approach-for-automatic-counting-of-bales-and-product-boxes-in-industrial-production-lines/ Fri, 18 Aug 2023 13:02:03 +0000 https://alfaneo.ai/?p=2737 Abstract Recent advances in machine learning and computer vision have led to widespread use of these technologies in the industrial sector. Quality control and production counting are the most important applications. This article describes a solution for counting products in an industrial production line. It consists of two main modules: i) hardware infrastructure and ii) […]

O post A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]> Abstract

Recent advances in machine learning and computer vision have led to widespread use of these technologies in the industrial sector. Quality control and production counting are the most important applications. This article describes a solution for counting products in an industrial production line. It consists of two main modules: i) hardware infrastructure and ii) software solution. In ii) there are modules for image capture and product recognition using the Yolov5 algorithm and modules for tracking and counting products. The results show that our solution achieves 99.91% 99.91% accuracy in product counting and classification. Furthermore, these results were compared to the current manual counting system used in the industry considered in this study. This demonstrated the feasibility of our solution in a real production environment.

Keywords

Detection, Classification, Tracking, Counting, Machine learning, Deep learning e Industry 4.0

Notes

  1. https://semalo.com.br/.

References

  1. Bahaghighat, M., Akbari, L., Xin, Q.: A machine learning-based approach for counting blister cards within drug packages. IEEE Access 7, 83785–83796 (2019). https://doi.org/10.1109/ACCESS.2019.2924445

    CrossRef Google Scholar

  2. Bewley, A., Ge, Z., Ott, L., Ramos, F., Upcroft, B.: Simple online and realtime tracking. In: 2016 IEEE International Conference on Image Processing (ICIP), pp. 3464–3468 (2016). https://doi.org/10.1109/ICIP.2016.7533003

  3. Deac, C., Popa, C.L., Ghinea, M., Cotet, C.: Machine vision in manufacturing processes and the digital twin of manufacturing architectures, pp. 0733–0736 (2017). https://doi.org/10.2507/28th.daaam.proceedings.103

  4. Frank, A.G., Dalenogare, L.S., Ayala, N.F.: Industry 4.0 technologies: implementation patterns in manufacturing companies. Int. J. Prod. Econ. 210, 15–26 (2019). https://doi.org/10.1016/j.ijpe.2019.01.004, http://www.sciencedirect.com/science/article/pii/S0925527319300040

  5. Jocher, G., et al.: ultralytics/yolov5: v5.0 – YOLOv5-P6 1280 models, AWS, Supervise.ly and YouTube integrations (2021). https://doi.org/10.5281/zenodo.4679653

  6. Lee, S., Yang, C.: A real time object recognition and counting system for smart industrial camera sensor. IEEE Sens. J. 17(8), 2516–2523 (2017)

    CrossRef Google Scholar

  7. Lin, T.Y., Goyal, P., Girshick, R., He, K., Dollar, P.: Focal loss for dense object detection. In: Proceedings of the IEEE International Conference on Computer Vision (ICCV) (2017)

    Google Scholar

  8. Rahimzadeh, M., Attar, A.: Introduction of a new dataset and method for detecting and counting the pistachios based on deep learning (2020)

    Google Scholar

  9. Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: unified, real-time object detection (2015)

    Google Scholar

  10. Redmon, J., Farhadi, A.: Yolo9000: better, faster, stronger (2016)

    Google Scholar

  11. Redmon, J., Farhadi, A.: Yolov3: an incremental improvement (2018)

    Google Scholar

  12. Shrestha, A., Mahmood, A.: Review of deep learning algorithms and architectures. IEEE Access 7, 53040–53065 (2019)

    CrossRef Google Scholar

  13. Ulaszewski, M., Janowski, R., Janowski, A.: Application of computer vision to egg detection on a production line in real time. Electron. Lett. Comput. Vision Image Anal. 20, 113–143 (2021). https://doi.org/10.5565/rev/elcvia.1390

    CrossRef Google Scholar

  14. Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C.: Towards smart factory for industry 4.0: a self-organized multi-agent system with big data based feedback and coordination. Comput. Netw. 101, 158–168 (2016). https://doi.org/10.1016/j.comnet.2015.12.017, http://www.sciencedirect.com/science/article/pii/S1389128615005046

Download references

Acknowledgments

This paper was only possible thanks to the help of the Semalo Indústria e Comércio de Alimentos and its workers. We thank the support of the UFMS (Universidade Federal de Mato Grosso do Sul), PET (Programa de Educação Tutorial – FNDE), FUNDECT, Finep, and Ministério da Ciência, Tecnologia, Inovações e Comunicações, funded by FNDCT. We also thank the support of the INCT of the Future Internet for Smart Cities funded by CNPq, proc. 465446/2014-0, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Finance Code 001, and FAPESP, proc. 2014/50937-1 and 2015/24485-9.

Any opinions, findings, and conclusions or recommendations expressed in this material are those of the authors and do not necessarily reflect the views of FUNDECT, Finep, FAPESP, CAPES and CNPq.

Author information

Authors and Affiliations

  1. See Working, Goias, 405, 79020-100, Campo Grande, MS, Brazil

    Rafael J. Xavier, Charles F. O. Viegas & Bruno C. Costa

  2. Federal University of Mato Grosso do Sul, Campo Grande, MS, Brazil

    Renato P. Ishii

Corresponding author

Correspondence to Renato P. Ishii .

Editor information

Editors and Affiliations

  1. University of Perugia, Perugia, Italy

    Prof. Dr. Osvaldo Gervasi

  2. University of Basilicata, Potenza, Potenza, Italy

    Beniamino Murgante

  3. Universidad de Málaga, Malaga, Spain

    Eligius M. T. Hendrix

  4. Monash University, Clayton, VIC, Australia

    David Taniar

  5. Kyushu Sangyo University, Fukuoka, Japan

    Prof. Bernady O. Apduhan

Fonte: https://link.springer.com/chapter/10.1007/978-3-031-10522-7_42

O post A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]> JurisBERT: A New Approach that Converts a Classification Corpus into an STS One https://alfaneo.ai/blog/jurisbert-a-new-approach-that-converts-a-classification-corpus-into-an-sts-one/ Fri, 18 Aug 2023 12:45:32 +0000 https://alfaneo.ai/?p=2734 Abstract We propose in this work a new approach that aims to transform a classification corpus into an STS (Semantic Textual Similarity) one. In that sense, we use BERT (Bidirectional Encoder Representations from Transformers) to validate our hypothesis, i.e., a multi-level classification dataset can be converted into an STS dataset which improves the fine-tuning step […]

O post JurisBERT: A New Approach that Converts a Classification Corpus into an STS One apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]> Abstract

We propose in this work a new approach that aims to transform a classification corpus into an STS (Semantic Textual Similarity) one. In that sense, we use BERT (Bidirectional Encoder Representations from Transformers) to validate our hypothesis, i.e., a multi-level classification dataset can be converted into an STS dataset which improves the fine-tuning step and evidences the proposed corpus. Also, in our approach, we trained from scratching a BERT model considering the legal texts, called JurisBert which reveals a considered improvement in fastness and precision, and it requires less computational resources than other approaches. JurisBERT uses the concept of sub-language, i.e., a model pre-trained in a language (Brazilian Portuguese) passes through refining (fine-tuning) to better attend to a specific domain, in our case, the legal field. JurisBERT uses 24k pairs of ementas with degrees of similarity varying from 0 to 3. We got this data from search mechanisms available on the court websites to validate the model with real-world data. Our experiments showed JurisBERT is better than other models such as multilingual BERT and BERTimbau with 3.30%3.30% better precision (F1�1), 5 times reduced training time, and using accessible hardware, i.e., low-cost GPGPU architecture. The source code is available at https://github.com/alfaneo-ai/brazilian-legal-text-dataset and the model is here: https://huggingface.co/alfaneo.

Keywords

  • Semantic Textual Similarity
  • Retrieving Legal Precedents
  • Sentence Embedding
  • Bert

Notes

  1. 1.

    The Conselho Nacional de Justiça is a public institution that aims to help the Brazilian judiciary. It maintains administrative and procedural control and transparency.

  2. 2.

    STF, STJ, TJRJ, TJMS.

  3. 3.

    It is an operation that reduces the dimensionality of data by applying an aggregation of type max average.

  4. 4.

    It is a dense vector of floating points that aims to capture the semantic of the text in the vector space.

  5. 5.

    The súmulas summarizes the dominant precedent of a given court.

  6. 6.

    Proposed dataset and web scrappers are available here: https://github.com/alfaneo-ai/brazilian-legal-text-dataset, and the models, here: https://huggingface.co/alfaneo.

References

  1. Agirre, E., Cer, D., Diab, M., Gonzalez-Agirre, A.: SemEval-2012 task 6: A pilot on semantic textual similarity. In: *SEM 2012: The First Joint Conference on Lexical and Computational Semantics – Volume 1: Proceedings of the main conference and the shared task, and Volume 2: Proceedings of the Sixth International Workshop on Semantic Evaluation (SemEval 2012), pp. 385–393. Association for Computational Linguistics, Montréal, Canada (7–8 Jun 2012), https://aclanthology.org/S12-1051

  2. Banerjee, S., Mishra, B., Jawanpuria, P., Shrivastava, M.: Generalised spherical text embedding (2022)

    Google Scholar

  3. Beltagy, I., Lo, K., Cohan, A.: Scibert: A pretrained language model for scientific text. In: EMNLP (2019)

    Google Scholar

  4. Cer, D., et al.: Universal sentence encoder for English. In: Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. pp. 169–174. Association for Computational Linguistics, Brussels, Belgium (Nov 2018). https://doi.org/10.18653/v1/D18-2029, https://aclanthology.org/D18-2029

  5. Choi, H., Kim, J., Joe, S., Gwon, Y.: Evaluation of bert and albert sentence embedding performance on downstream nlp tasks (2021). https://doi.org/10.48550/ARXIV.2101.10642, https://arxiv.org/abs/2101.10642

  6. CNJ: Justiça em números 2020: ano-base 2019. Tech. rep., Conselho Nacional de Justiça (2020), https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/

  7. Cunha, A.S.: Introdução ao estudo do direito. Saraiva (2012)

    Google Scholar

  8. Devlin, J., Chang, M., Lee, K., Toutanova, K.: BERT: pre-training of deep bidirectional transformers for language understanding. CoRR abs/1810.04805 (2018). http://arxiv.org/abs/1810.04805

  9. Fonseca, E.R., Borges dos Santos, L., Criscuolo, M., Aluísio, S.M.: Visão geral da avaliação de similaridade semântica e inferência textual. Linguamática 8(2), 3–13 (Dez 2016). https://linguamatica.com/index.php/linguamatica/article/view/v8n2-1

  10. Hendrycks, D., Gimpel, K.: Gaussian error linear units (gelus) (2016). https://doi.org/10.48550/ARXIV.1606.08415, https://arxiv.org/abs/1606.08415

  11. Jiang, T., et al.: Promptbert: Improving bert sentence embeddings with prompts (2022). https://doi.org/10.48550/ARXIV.2201.04337, https://arxiv.org/abs/2201.04337

  12. Johnson, J., Douze, M., Jégou, H.: Billion-scale similarity search with gpus (2017). https://doi.org/10.48550/ARXIV.1702.08734, https://arxiv.org/abs/1702.08734

  13. Júnior, H.: Curso de direito processual civil, vol. I. Editora Forense (2019)

    Google Scholar

  14. Keskar, N.S., McCann, B., Xiong, C., Socher, R.: Unifying question answering, text classification, and regression via span extraction (2019)

    Google Scholar

  15. Kingma, D.P., Ba, J.: Adam: A method for stochastic optimization (2014). https://doi.org/10.48550/ARXIV.1412.6980, https://arxiv.org/abs/1412.6980

  16. Kiros, R., Zhu, Y., Salakhutdinov, R., Zemel, R.S., Torralba, A., Urtasun, R., Fidler, S.: Skip-thought vectors (2015). https://doi.org/10.48550/ARXIV.1506.06726, https://arxiv.org/abs/1506.06726

  17. Liu, Y., et al.: Roberta: A robustly optimized bert pretraining approach (2019). https://doi.org/10.48550/ARXIV.1907.11692, https://arxiv.org/abs/1907.11692

  18. Meshram, S., Anand Kumar, M.: Long short-term memory network for learning sentences similarity using deep contextual embeddings. International Journal of Information Technology, pp. 1633–1641 (2021)

    Google Scholar

  19. Nguyen, H.T., Nguyen, L.M.: Sublanguage: A Serious Issue Affects Pretrained Models in Legal Domain. arXiv e-prints arXiv:2104.07782 (Apr 2021)

  20. Pennington, J., Socher, R., Manning, C.: GloVe: Global vectors for word representation. In: Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 1532–1543. Association for Computational Linguistics, Doha, Qatar (Oct 2014). https://doi.org/10.3115/v1/D14-1162, https://aclanthology.org/D14-1162

  21. Rasmy, L., Xiang, Y., Xie, Z., Tao, C., Zhi, D.: Med-bert: pre-trained contextualized embeddings on large-scale structured electronic health records for disease prediction (2020). https://doi.org/10.48550/ARXIV.2005.12833, https://arxiv.org/abs/2005.12833

  22. Real, L., Fonseca, E., Gonçalo Oliveira, H.: The assin 2 shared task: A quick overview. In: Quaresma, P., Vieira, R., Aluísio, S., Moniz, H., Batista, F., Gonçalves, T. (eds.) Computational Processing of the Portuguese Language, pp. 406–412. Springer International Publishing, Cham (2020)

    CrossRef Google Scholar

  23. Real, L., et al.: SICK-BR: A Portuguese Corpus for Inference: 13th International Conference, PROPOR 2018, Canela, Brazil, September 24–26, 2018, Proceedings, pp. 303–312. Springer, Cham (01 2018). https://doi.org/10.1007/978-3-319-99722-3_31

  24. Reimers, N., Gurevych, I.: Sentence-bert: Sentence embeddings using siamese bert-networks (2019). https://doi.org/10.48550/ARXIV.1908.10084, https://arxiv.org/abs/1908.10084

  25. Song, X., Salcianu, A., Song, Y., Dopson, D., Zhou, D.: Fast wordpiece tokenization (2020). https://doi.org/10.48550/ARXIV.2012.15524, https://arxiv.org/abs/2012.15524

  26. Souza, F., Nogueira, R., Lotufo, R.: Bertimbau: Pretrained bert models for brazilian portuguese. In: Intelligent Systems: 9th Brazilian Conference, BRACIS 2020, Rio Grande, Brazil, October 20–23, 2020, Proceedings, Part I. p. 403–417. Springer-Verlag, Berlin, Heidelberg (2020). https://doi.org/10.1007/978-3-030-61377-8_28

  27. Vaswani, A., et al.: Attention is all you need (2017)

    Google Scholar

  28. Wagner Filho, J.A., Wilkens, R., Idiart, M., Villavicencio, A.: The brwac corpus: A new open resource for brazilian portuguese. In: Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018) (2018)

    Google Scholar

  29. Weber, R.: Intelligent jurisprudence research: A new concept. In: Proceedings of the 7th International Conference on Artificial Intelligence and Law. p. 164–172. ICAIL ’99, Association for Computing Machinery, New York, NY, USA (1999). https://doi.org/10.1145/323706.323791, https://doi.org/10.1145/323706.323791

  30. Zhang, G., Lillis, D., Nulty, P.: Can Domain Pre-training Help Interdisciplinary Researchers from Data Annotation Poverty? A Case Study of Legal Argument Mining with BERT-based Transformers. In: Proceedings of the Workshop on Natural Language Processing for Digital Humanities (NLP4DH), pp. 121–130. Association for Computational Linguistics (2021), https://rootroo.com/downloads/nlp4dh_proceedings_draft.pdf

Download references

Acknowledgments

We thank the support of the UFMS (Universidade Federal de Mato Grosso do Sul), FUNDECT, and Finep. We also thank the support of the INCT of the Future Internet for Smart Cities funded by CNPq, proc. 465446/2014-0, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Finance Code 001, and FAPESP, proc. 2014/50937-1 and 2015/24485-9.

Any opinions, findings, and conclusions or recommendations expressed in this material are those of the authors and do not necessarily reflect the views of FUNDECT, Finep, FAPESP, CAPES, and CNPq.

Author information

Authors and Affiliations

  1. Alfaneo, Goias, 405, 79020-100, Campo Grande, MS, Brazil

    Charles F. O. Viegas & Bruno C. Costa

  2. Federal University of Mato Grosso do Sul, Campo Grande, MS, Brazil

    Renato P. Ishii

Corresponding author

Correspondence to Renato P. Ishii .

Fonte: https://link.springer.com/chapter/10.1007/978-3-031-36805-9_24

O post JurisBERT: A New Approach that Converts a Classification Corpus into an STS One apareceu primeiro em Alfaneo | Soluções Sob Medida com Agentes de IA.

]]>