<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Arquivo de Artigos - Alfaneo | Soluções Sob Medida com Agentes de IA</title>
	<atom:link href="https://alfaneo.ai/category/artigos/feed/" rel="self" type="application/rss+xml" />
	<link>https://alfaneo.ai/category/artigos/</link>
	<description>Desenvolvemos soluções sob medida com agentes de IA que combinam inteligência, automação e precisão para gerar êxito.</description>
	<lastBuildDate>Mon, 11 May 2026 02:49:57 +0000</lastBuildDate>
	<language>pt-BR</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.0</generator>

<image>
	<url>https://alfaneo.ai/wp-content/uploads/2025/03/simbolo_1-150x150.webp</url>
	<title>Arquivo de Artigos - Alfaneo | Soluções Sob Medida com Agentes de IA</title>
	<link>https://alfaneo.ai/category/artigos/</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>O jurídico corporativo ainda dirige sem cinto</title>
		<link>https://alfaneo.ai/sem-categoria/o-juridico-corporativo-ainda-dirige-sem-cinto/</link>
		
		<dc:creator><![CDATA[Alfaneo]]></dc:creator>
		<pubDate>Mon, 11 May 2026 12:00:00 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Júridico]]></category>
		<category><![CDATA[Sem categoria]]></category>
		<category><![CDATA[inteligência artificial]]></category>
		<category><![CDATA[Jurídico]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=7644</guid>

					<description><![CDATA[<p>No trânsito, dirigir sem cinto não significa que o acidente vai acontecer, significa que o dano será muito maior caso o acidente realmente aconteça. Na maioria das empresas o jurídico corporativo opera da mesma forma. Mas o jurídico corporativo ainda dirige sem cinto. Dados do anuário do Sistema Único de Saúde (SUS) registraram mais de [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/sem-categoria/o-juridico-corporativo-ainda-dirige-sem-cinto/">O jurídico corporativo ainda dirige sem cinto</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">No trânsito, dirigir sem cinto não significa que o acidente vai acontecer, significa que o dano será muito maior caso o acidente realmente aconteça. Na maioria das empresas o jurídico corporativo opera da mesma forma. Mas o jurídico corporativo ainda dirige sem cinto.</p>



<p class="wp-block-paragraph"><a href="https://www12.senado.leg.br/noticias/materias/2008/09/25/acidentes-de-transito-matam-mais-de-35-mil-brasileiros-ao-ano">Dados do anuário do Sistema Único de Saúde</a> (SUS) registraram mais de 35 mil mortes no trânsito entre 2004 e 2006 no país. Então vieram os radares; depois os sistemas de freio automático; os alertas de ponto cego; a câmera de ré. A tecnologia não mudou o motorista, ela antecipou o erro antes que ele acontecesse. Como resultado, em 2023 esse número caiu para menos de 26 mil, 9 mil vidas a menos por ano. E ninguém chamou nenhuma automação de “substituto do motorista”.</p>



<p class="wp-block-paragraph">O radar não inventou a velocidade excessiva. Ele mediu o que já acontecia. A IA jurídica funciona da mesma forma. A cláusula contratual que historicamente gera rescisão litigiosa no seu setor já rescindiu contratos de outras empresas. O que estava invisível passa a ser documentado. O padrão sempre existiu, faltava quem lesse em velocidade suficiente para agir antes da colisão.</p>



<p class="wp-block-paragraph"><strong>Freio automático: agir antes que o motorista perceba o perigo</strong></p>



<p class="wp-block-paragraph">O sistema de freio automático não espera que o motorista decida frear, ele calcula distância, velocidade e tempo de reação e age antes. A previsibilidade jurídica opera na mesma lógica.</p>



<p class="wp-block-paragraph">Quando a IA identifica que um contrato em negociação contém cláusulas que historicamente podem gerar rescisão litigiosa, ela não espera a ação ser protocolada, ela freia antes. Quando ela indica que a probabilidade de êxito não justifica a contestação, ela não espera o julgamento. Ela recomenda o acordo antes da audiência &#8211; e com o valor correto. O advogado continua ao volante e com o freio automático acionado.</p>



<p class="wp-block-paragraph"><strong>A tecnologia chega</strong></p>



<p class="wp-block-paragraph">O radar não pediu permissão para mudar o trânsito, ele chegou e mudou tudo. Seu jurídico está operando com quantos pontos cegos hoje?</p>



<p class="wp-block-paragraph"><a href="https://alfaneo.ai/solucoes/advogados-e-escritorios/">Agende uma demonstração</a> e entenda como a inteligência artificial jurídica pode impactar diretamente na sua empresa e evitar acidentes. Faça seu jurídico usar o cinto de segurança.</p>



<p class="wp-block-paragraph"></p>
<p>O post <a href="https://alfaneo.ai/sem-categoria/o-juridico-corporativo-ainda-dirige-sem-cinto/">O jurídico corporativo ainda dirige sem cinto</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Entre a proteção e o domínio público: os limites da propriedade intelectual</title>
		<link>https://alfaneo.ai/artigos/propriedade-intelectual/</link>
		
		<dc:creator><![CDATA[Alfaneo]]></dc:creator>
		<pubDate>Mon, 27 Apr 2026 14:09:00 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Júridico]]></category>
		<category><![CDATA[alfaneo]]></category>
		<category><![CDATA[inteligência artificial]]></category>
		<category><![CDATA[Jurídico]]></category>
		<category><![CDATA[propriedade intelectual]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=7639</guid>

					<description><![CDATA[<p>A propriedade intelectual deixou de ser apenas uma questão jurídica e passou a ocupar um papel central na estratégia das empresas. Ativos intangíveis representam hoje uma parcela significativa do valor de mercado das organizações, especialmente em setores tecnológicos. Na prática, isso significa que marcas, patentes e softwares geram valor. Isso reforça a necessidade de compreender [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/artigos/propriedade-intelectual/">Entre a proteção e o domínio público: os limites da propriedade intelectual</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">A propriedade intelectual deixou de ser apenas uma questão jurídica e passou a ocupar um papel central na estratégia das empresas. Ativos intangíveis representam hoje uma parcela significativa do valor de mercado das organizações, especialmente em setores tecnológicos. Na prática, isso significa que marcas, patentes e softwares geram valor. Isso reforça a necessidade de compreender exatamente o que pode e o que não pode ser protegido.</p>



<p class="wp-block-paragraph">A propriedade intelectual sobre ativos como livros, músicas, softwares, marcas, patentes e desenhos industriais pode ser protegida por registro. A Organização Mundial da Propriedade Intelectual (OMPI) também inclui invenções, obras científicas e sinais distintivos como elementos protegidos. Com o registro, empresas e criadores podem garantir exclusividade de uso e exploração econômica sobre aquilo que desenvolveram. Isso fortalece sua competitividade e promove inovação no mercado.</p>



<p class="wp-block-paragraph">Apesar da amplitude da proteção, nem tudo pode ser registrado como propriedade intelectual. Um dos principais limites está nas ideias abstratas. Ideias, conceitos genéricos ou métodos não concretizados não são protegidos, eles precisam estar materializados em uma obra, produto ou processo específico. Por exemplo, a ideia de um aplicativo inovador não pode ser protegida por si só. O que pode ser protegido é o código, a interface, a marca e eventuais soluções técnicas desenvolvidas. O mesmo se aplica à ideia de um livro.</p>



<p class="wp-block-paragraph">Sem organização e análise estruturada, documentos, registros e provas de autoria podem se perder — comprometendo a proteção jurídica. É nesse ponto que tecnologia e análise de dados passam a ser essenciais para transformar propriedade intelectual em inteligência estratégica.</p>



<p class="wp-block-paragraph">Mais do que saber o que pode ou não ser protegido, empresas precisam estruturar essa proteção de forma estratégica. A propriedade intelectual não é apenas um mecanismo de defesa, é um instrumento de geração de valor e deve ser vista como uma estratégia de negócio. Ela é capaz de reduzir riscos e garantir vantagem competitiva. Para impulsionar a inteligência estratégica na proteção dos seus ativos, conte com a IA da Alfaneo. <a href="https://alfaneo.ai/solucoes/advogados-e-escritorios/">Agende uma demonstração</a> e explore as possibilidades da inteligência artificial ao seu favor</p>
<p>O post <a href="https://alfaneo.ai/artigos/propriedade-intelectual/">Entre a proteção e o domínio público: os limites da propriedade intelectual</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Menos custo, mais estratégia e nenhuma substituição: a IA no jurídico corporativo</title>
		<link>https://alfaneo.ai/artigos/ia-no-juridico-corporativo/</link>
		
		<dc:creator><![CDATA[Alfaneo]]></dc:creator>
		<pubDate>Mon, 20 Apr 2026 13:02:00 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Júridico]]></category>
		<category><![CDATA[alfaneo]]></category>
		<category><![CDATA[inteligência artificial]]></category>
		<category><![CDATA[Jurídico]]></category>
		<category><![CDATA[processo de treinamento de IA]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=7636</guid>

					<description><![CDATA[<p>Durante anos, o jurídico foi tratado como área de suporte. Necessário, mas atrasado: a equipe sempre foi acionada depois do problema, não antes. A IA está quebrando esse modelo não porque o volume, a complexidade e o custo do ambiente jurídico tornaram a ruptura inevitável. A tecnologia é, hoje, a maior aliada do jurídico corporativo. [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/artigos/ia-no-juridico-corporativo/">Menos custo, mais estratégia e nenhuma substituição: a IA no jurídico corporativo</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Durante anos, o jurídico foi tratado como área de suporte. Necessário, mas atrasado: a equipe sempre foi acionada depois do problema, não antes. A IA está quebrando esse modelo não porque o volume, a complexidade e o custo do ambiente jurídico tornaram a ruptura inevitável. A tecnologia é, hoje, a maior aliada do jurídico corporativo. E a importância de seu papel tende a crescer.</p>



<p class="wp-block-paragraph">O jurídico de 10 anos atrás não é o mesmo. Pode continuar na mesma empresa, no mesmo andar, responde ao mesmo C-level e assina os mesmos documentos, mas sua função está em processo de transformação profunda e irreversível. O gatilho dessa transformação tem nome: inteligência artificial.</p>



<p class="wp-block-paragraph"><strong>Como a IA atua no jurídico</strong></p>



<p class="wp-block-paragraph">No Brasil, a adoção da inteligência artificial em ambiente corporativo cresce em ritmo acelerado. É o que revela uma pesquisa da FGV Direito SP, que aponta que 58% dos departamentos jurídicos de grandes empresas brasileiras já utilizam alguma forma de automação ou inteligência artificial em suas operações. O número é quase o triplo em relação a 2019, quando apenas 20% utilizavam esses métodos. E isso não é tendência de mercado, é necessidade.</p>



<p class="wp-block-paragraph">Mais processos, mais regulação, menos tolerância a custo jurídico elevado. Segundo a Thomson Reuters Institute, 72% dos líderes jurídicos corporativos afirmam que a redução de custos operacionais é a principal força que está acelerando a adoção de IA em seus departamentos. O mercado não está adotando IA porque é moderno, ele está adotando porque não pode mais não adotar.</p>



<p class="wp-block-paragraph">A IA executa tarefas como revisão de contratos, triagem de documentos, pesquisa jurisprudencial, monitoramento de prazos, análise de risco contratual que antes consumiam entre 40% e 60% do tempo de atuação de um advogado corporativo, segundo um levantamento da Deloitte Legal. Com a adoção da inteligência artificial, essas tarefas são realizadas com velocidade e escala impossíveis ao trabalho manual.&nbsp;</p>



<p class="wp-block-paragraph">A Alfaneo atua exatamente nesse ponto de transição. Ela entrega inteligência jurídica aplicada ao contexto específico de cada cliente e projeta cenários com base em dados reais. O resultado não é um relatório para ser lido, mas uma recomendação para ser usada. <a href="https://alfaneo.ai/solucoes/advogados-e-escritorios/">Agende uma avaliação</a> e potencialize o poder de decisão do seu jurídico corporativo.</p>



<p class="wp-block-paragraph"></p>
<p>O post <a href="https://alfaneo.ai/artigos/ia-no-juridico-corporativo/">Menos custo, mais estratégia e nenhuma substituição: a IA no jurídico corporativo</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos</title>
		<link>https://alfaneo.ai/sem-categoria/automacao-juridica-no-setor-de-energia-o-futuro-da-eficiencia-corporativa/</link>
		
		<dc:creator><![CDATA[Jéssica Andrade]]></dc:creator>
		<pubDate>Thu, 23 Oct 2025 15:33:55 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Negócios]]></category>
		<category><![CDATA[Sem categoria]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=7485</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/sem-categoria/automacao-juridica-no-setor-de-energia-o-futuro-da-eficiencia-corporativa/">Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">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 <strong>reduzir custos, garantir conformidade e melhorar resultados operacionais</strong>.</p>



<p class="wp-block-paragraph"></p>



<h2 class="wp-block-heading">Desafios do setor elétrico: quando a operação manual não basta</h2>



<p class="wp-block-paragraph">Empresas de geração, transmissão e distribuição enfrentam diariamente <strong>grandes volumes de processos judiciais</strong>, envolvendo consumidores, contratos, responsabilidade civil e questões regulatórias. A operação manual, mesmo com equipes experientes, apresenta limitações inevitáveis:</p>



<ul class="wp-block-list">
<li>Processos podem ser classificados incorretamente;<br></li>



<li>Defesas podem ser elaboradas de forma genérica, sem aproveitar todas as informações disponíveis;<br></li>



<li>Informações estratégicas podem passar despercebidas, deixando gestores “às cegas” quanto ao impacto real das decisões jurídicas.</li>
</ul>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph"></p>



<h2 class="wp-block-heading">Inteligência Artificial: precisão, escala e estratégia</h2>



<p class="wp-block-paragraph">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.<br></p>



<p class="wp-block-paragraph">Com a nossa solução com IA, é possível processar <strong>100% dos processos ativos</strong>, garantindo que cada caso seja examinado com critérios padronizados, consistentes e auditáveis.</p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph">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.<br><br>Esses dados são então organizados e exportados em planilhas estratégicas, prontas para análises de performance e tomada de decisão.</p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph"><strong>Com esse nível de automação e inteligência, os departamentos jurídicos do setor de energia passam a:</strong></p>



<ul class="wp-block-list">
<li><strong>Identificar causas de perda com alta precisão</strong>, alcançando índices de acerto de até <strong>91,37%</strong> (dados de cases internos com uso da plataforma Alfaneo Legal AI), o que permite <strong>atuar de forma preventiva</strong> e ajustar teses jurídicas com base em dados concretos;<br></li>



<li><strong>Personalizar defesas</strong> 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;<br></li>



<li><strong>Aproveitar integralmente os subsídios coletados</strong>, transformando a massa de dados processuais em inteligência acionável para decisões jurídicas e estratégicas;<br></li>



<li><strong>Escalar a operação</strong> de forma proporcional, sem a necessidade de ampliar o time na mesma medida do crescimento do volume processual, garantindo alta produtividade com controle total;<br></li>



<li><strong>Assegurar rastreabilidade e auditoria completa</strong>, com cada ação registrada, conferindo transparência, conformidade regulatória e aderência às políticas internas de governança.</li>
</ul>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">Essa abordagem representa uma mudança estrutural: a IA <strong>não substitui a atuação humana</strong>, mas <strong>potencializa a expertise jurídica</strong>, 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.</p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph"></p>



<figure class="wp-block-image size-large"><img fetchpriority="high" decoding="async" width="1024" height="683" src="https://alfaneo.ai/wp-content/uploads/2025/10/Automacao-juridica-no-setor-de-energia-plataforma-de-IA-Alfaneo-1024x683.png" alt="" class="wp-image-7487" srcset="https://alfaneo.ai/wp-content/uploads/2025/10/Automacao-juridica-no-setor-de-energia-plataforma-de-IA-Alfaneo-1024x683.png 1024w, https://alfaneo.ai/wp-content/uploads/2025/10/Automacao-juridica-no-setor-de-energia-plataforma-de-IA-Alfaneo-300x200.png 300w, https://alfaneo.ai/wp-content/uploads/2025/10/Automacao-juridica-no-setor-de-energia-plataforma-de-IA-Alfaneo-768x512.png 768w, https://alfaneo.ai/wp-content/uploads/2025/10/Automacao-juridica-no-setor-de-energia-plataforma-de-IA-Alfaneo.png 1536w" sizes="(max-width: 1024px) 100vw, 1024px" /></figure>



<h2 class="wp-block-heading"><br>Automação jurídica aplicada: como a Alfaneo Legal AI faz a diferença</h2>



<p class="wp-block-paragraph">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:</p>



<ul class="wp-block-list">
<li><strong>Redução de tempo operacional</strong>: peças que antes levavam horas agora são geradas em minutos;<br></li>



<li><strong>Padronização da linguagem jurídica</strong>, preservando identidade institucional;<br></li>



<li><strong>Validação 100% auditável</strong>, registrando cada ação da IA e do usuário;<br></li>



<li><strong>Integração com sistemas internos</strong> (ERP, GED, CRM jurídico), garantindo visibilidade completa do ciclo jurídico;<br></li>



<li><strong>Análise estratégica</strong>: indicadores sobre produtividade, riscos processuais e performance das defesas.</li>
</ul>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">O resultado prático: <strong>redução de até 60% no custo operacional</strong>, maior controle sobre a operação jurídica e decisões estratégicas embasadas em dados confiáveis.</p>



<p class="wp-block-paragraph"></p>



<h2 class="wp-block-heading">O impacto real na advocacia de massa do setor de energia</h2>



<p class="wp-block-paragraph">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:</p>



<ul class="wp-block-list">
<li><strong>Eliminação de inconsistências e erros humanos</strong>;<br></li>



<li><strong>Ganho de escala em operações de grande volumetria</strong>;<br></li>



<li><strong>Defesas mais assertivas</strong>, baseadas em análises detalhadas de causas de perda;<br></li>



<li><strong>Otimização de recursos</strong>, permitindo que equipes se concentrem em decisões críticas;<br></li>



<li><strong>Estratégia adaptativa</strong>, ajustando abordagens conforme características do caso, magistrado ou comarca.</li>
</ul>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph"></p>



<h2 class="wp-block-heading">Conformidade, auditoria e integração: pilares da operação moderna</h2>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph">Isso garante transparência total, controle sobre todas as etapas do processo e credibilidade institucional, mesmo em operações complexas e massivas.</p>



<p class="wp-block-paragraph"></p>



<h2 class="wp-block-heading">O futuro da automação jurídica corporativa</h2>



<p class="wp-block-paragraph">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:</p>



<ul class="wp-block-list">
<li>Velocidade e produtividade;<br></li>



<li>Inteligência operacional e tomada de decisão baseada em dados;<br></li>



<li>Operação escalável, auditável e previsível;<br></li>



<li>Estratégia jurídica aprimorada e resultados mensuráveis.</li>
</ul>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">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.</p>



<p class="wp-block-paragraph">👉 <strong>Quer entender como a IA pode revolucionar o jurídico da sua empresa?</strong><br><br>Agende uma demonstração exclusiva, personalizada com o modelo do seu departamento e veja o impacto da <strong>automação jurídica aplicada à sua operação.</strong></p>



<p class="wp-block-paragraph">🔗 <a href="https://alfaneo.ai/solucoes/advogados-e-escritorios/?utm_source=Blog&amp;utm_medium=Energia">Cadastre-se aqui para agendar sua demonstração personalizada.</a><br><br>🔗 <a href="https://alfaneo.ai/blog/ia-para-contencioso-de-massa-como-escalar-a-producao-de-peticoes-sem-ampliar-a-equipe/">Artigo sobre IA para Contencioso de Massa.</a></p>



<p class="wp-block-paragraph"></p>
<p>O post <a href="https://alfaneo.ai/sem-categoria/automacao-juridica-no-setor-de-energia-o-futuro-da-eficiencia-corporativa/">Automação jurídica no setor de energia: como a IA transforma departamentos jurídicos corporativos</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines</title>
		<link>https://alfaneo.ai/blog/a-deep-learning-approach-for-automatic-counting-of-bales-and-product-boxes-in-industrial-production-lines/</link>
		
		<dc:creator><![CDATA[Alfaneo]]></dc:creator>
		<pubDate>Fri, 18 Aug 2023 13:02:03 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Classification]]></category>
		<category><![CDATA[Counting]]></category>
		<category><![CDATA[Deep learning]]></category>
		<category><![CDATA[Detection]]></category>
		<category><![CDATA[Industry 4.0]]></category>
		<category><![CDATA[machine learning]]></category>
		<category><![CDATA[Tracking]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=2737</guid>

					<description><![CDATA[<p>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) [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/blog/a-deep-learning-approach-for-automatic-counting-of-bales-and-product-boxes-in-industrial-production-lines/">A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[
<h2 class="wp-block-heading c-article-section__title js-section-title js-c-reading-companion-sections-item" id="Abs1">Abstract</h2>



<p class="wp-block-paragraph">Recent advances in <a href="https://site20.neexbra.com.br/tecnologia/machine-learning-5tipos/">machine learning </a>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 <span class="u-monospace">Yolov5</span> algorithm and modules for tracking and counting products. The results show that our solution achieves <span class="mathjax-tex"><span id="MathJax-Element-1-Frame" class="MathJax" tabindex="0" role="presentation" data-mathml="<math xmlns=&quot;http://www.w3.org/1998/Math/MathML&quot;&gt;<mn&gt;99.91</mn&gt;<mi mathvariant=&quot;normal&quot;&gt;&#x0025;</mi&gt;</math&gt;" style="margin: 0px; box-sizing: inherit; display: inline; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; position: relative;"><span id="MathJax-Span-1" class="math"><span id="MathJax-Span-2" class="mrow"><span id="MathJax-Span-3" class="mn">99.91% </span></span>99.91%</span></span></span> 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.</p>



<h2 class="wp-block-heading c-article__sub-heading">Keywords</h2>



<p class="wp-block-paragraph">Detection, Classification, Tracking, Counting, Machine learning, Deep learning e Industry&nbsp;4.0</p>



<h2 class="wp-block-heading c-article-section__title js-section-title js-c-reading-companion-sections-item" id="notes">Notes</h2>



<div id="notes-content" class="c-article-section__content">
<ol class="c-article-footnote c-article-footnote--listed">
<li id="Fn1" class="c-article-footnote--listed__item">
<div class="c-article-footnote--listed__content">
<p><a href="https://semalo.com.br/">https://semalo.com.br/</a>.</p>
</div>
</li>
</ol>
<div id="MagazineFulltextChapterBodySuffix">
<section aria-labelledby="Bib1" data-title="References" data-gtm-vis-first-on-screen-50443292_563="12799" data-gtm-vis-total-visible-time-50443292_563="10000" data-gtm-vis-has-fired-50443292_563="1">
<div id="Bib1-section" class="c-article-section">
<h2 id="Bib1" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">References</h2>
<div id="Bib1-content" class="c-article-section__content">
<div data-container-section="references">
<ol class="c-article-references" data-track-component="outbound reference">
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="1.">
<p id="ref-CR1" class="c-article-references__text">Bahaghighat, M., Akbari, L., Xin, Q.: A machine learning-based approach for counting blister cards within drug packages. IEEE Access&nbsp;<b>7</b>, 83785–83796 (2019).&nbsp;<a href="https://doi.org/10.1109/ACCESS.2019.2924445" data-track="click" data-track-action="external reference" data-track-label="10.1109/ACCESS.2019.2924445">https://doi.org/10.1109/ACCESS.2019.2924445</a></p>
<p id="ref-CR1-links" class="c-article-references__links u-hide-print"><a href="https://doi.org/10.1109%2FACCESS.2019.2924445" rel="nofollow noopener" data-track="click" data-track-label="10.1109/ACCESS.2019.2924445" data-track-action="CrossRef reference" aria-label="CrossRef reference 1" data-doi="10.1109/ACCESS.2019.2924445">CrossRef</a>&nbsp;<a href="https://scholar.google.com/scholar_lookup?&amp;title=A%20machine%20learning-based%20approach%20for%20counting%20blister%20cards%20within%20drug%20packages&amp;journal=IEEE%20Access&amp;doi=10.1109%2FACCESS.2019.2924445&amp;volume=7&amp;pages=83785-83796&amp;publication_year=2019&amp;author=Bahaghighat%2CM&amp;author=Akbari%2CL&amp;author=Xin%2CQ" rel="nofollow noopener" data-track="click" data-track-action="google scholar reference" data-track-label="link" aria-label="Google Scholar reference 1">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="2.">
<p id="ref-CR2" class="c-article-references__text">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).&nbsp;<a href="https://doi.org/10.1109/ICIP.2016.7533003" data-track="click" data-track-action="external reference" data-track-label="10.1109/ICIP.2016.7533003">https://doi.org/10.1109/ICIP.2016.7533003</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="3.">
<p id="ref-CR3" class="c-article-references__text">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).&nbsp;<a href="https://doi.org/10.2507/28th.daaam.proceedings.103" data-track="click" data-track-action="external reference" data-track-label="10.2507/28th.daaam.proceedings.103">https://doi.org/10.2507/28th.daaam.proceedings.103</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="4.">
<p id="ref-CR4" class="c-article-references__text">Frank, A.G., Dalenogare, L.S., Ayala, N.F.: Industry 4.0 technologies: implementation patterns in manufacturing companies. Int. J. Prod. Econ.&nbsp;<b>210</b>, 15–26 (2019).&nbsp;<a href="https://doi.org/10.1016/j.ijpe.2019.01.004" data-track="click" data-track-action="external reference" data-track-label="10.1016/j.ijpe.2019.01.004">https://doi.org/10.1016/j.ijpe.2019.01.004</a>,&nbsp;<a href="http://www.sciencedirect.com/science/article/pii/S0925527319300040" data-track="click" data-track-action="external reference" data-track-label="http://www.sciencedirect.com/science/article/pii/S0925527319300040">http://www.sciencedirect.com/science/article/pii/S0925527319300040</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="5.">
<p id="ref-CR5" class="c-article-references__text">Jocher, G., et al.: ultralytics/yolov5: v5.0 &#8211; YOLOv5-P6 1280 models, AWS, Supervise.ly and YouTube integrations (2021).&nbsp;<a href="https://doi.org/10.5281/zenodo.4679653" data-track="click" data-track-action="external reference" data-track-label="10.5281/zenodo.4679653">https://doi.org/10.5281/zenodo.4679653</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="6.">
<p id="ref-CR6" class="c-article-references__text">Lee, S., Yang, C.: A real time object recognition and counting system for smart industrial camera sensor. IEEE Sens. J.&nbsp;<b>17</b>(8), 2516–2523 (2017)</p>
<p id="ref-CR6-links" class="c-article-references__links u-hide-print"><a href="https://doi.org/10.1109%2FJSEN.2017.2671457" rel="nofollow noopener" data-track="click" data-track-label="10.1109/JSEN.2017.2671457" data-track-action="CrossRef reference" aria-label="CrossRef reference 6" data-doi="10.1109/JSEN.2017.2671457">CrossRef</a>&nbsp;<a href="https://scholar.google.com/scholar_lookup?&amp;title=A%20real%20time%20object%20recognition%20and%20counting%20system%20for%20smart%20industrial%20camera%20sensor&amp;journal=IEEE%20Sens.%20J.&amp;volume=17&amp;issue=8&amp;pages=2516-2523&amp;publication_year=2017&amp;author=Lee%2CS&amp;author=Yang%2CC" rel="nofollow noopener" data-track="click" data-track-action="google scholar reference" data-track-label="link" aria-label="Google Scholar reference 6">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="7.">
<p id="ref-CR7" class="c-article-references__text">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)</p>
<p id="ref-CR7-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Lin%2C%20T.Y.%2C%20Goyal%2C%20P.%2C%20Girshick%2C%20R.%2C%20He%2C%20K.%2C%20Dollar%2C%20P.%3A%20Focal%20loss%20for%20dense%20object%20detection.%20In%3A%20Proceedings%20of%20the%20IEEE%20International%20Conference%20on%20Computer%20Vision%20%28ICCV%29%20%282017%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="8.">
<p id="ref-CR8" class="c-article-references__text">Rahimzadeh, M., Attar, A.: Introduction of a new dataset and method for detecting and counting the pistachios based on deep learning (2020)</p>
<p id="ref-CR8-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Rahimzadeh%2C%20M.%2C%20Attar%2C%20A.%3A%20Introduction%20of%20a%20new%20dataset%20and%20method%20for%20detecting%20and%20counting%20the%20pistachios%20based%20on%20deep%20learning%20%282020%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="9.">
<p id="ref-CR9" class="c-article-references__text">Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: unified, real-time object detection (2015)</p>
<p id="ref-CR9-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Redmon%2C%20J.%2C%20Divvala%2C%20S.%2C%20Girshick%2C%20R.%2C%20Farhadi%2C%20A.%3A%20You%20only%20look%20once%3A%20unified%2C%20real-time%20object%20detection%20%282015%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="10.">
<p id="ref-CR10" class="c-article-references__text">Redmon, J., Farhadi, A.: Yolo9000: better, faster, stronger (2016)</p>
<p id="ref-CR10-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Redmon%2C%20J.%2C%20Farhadi%2C%20A.%3A%20Yolo9000%3A%20better%2C%20faster%2C%20stronger%20%282016%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="11.">
<p id="ref-CR11" class="c-article-references__text">Redmon, J., Farhadi, A.: Yolov3: an incremental improvement (2018)</p>
<p id="ref-CR11-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Redmon%2C%20J.%2C%20Farhadi%2C%20A.%3A%20Yolov3%3A%20an%20incremental%20improvement%20%282018%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="12.">
<p id="ref-CR12" class="c-article-references__text">Shrestha, A., Mahmood, A.: Review of deep learning algorithms and architectures. IEEE Access&nbsp;<b>7</b>, 53040–53065 (2019)</p>
<p id="ref-CR12-links" class="c-article-references__links u-hide-print"><a href="https://doi.org/10.1109%2FACCESS.2019.2912200" rel="nofollow noopener" data-track="click" data-track-label="10.1109/ACCESS.2019.2912200" data-track-action="CrossRef reference" aria-label="CrossRef reference 12" data-doi="10.1109/ACCESS.2019.2912200">CrossRef</a>&nbsp;<a href="https://scholar.google.com/scholar_lookup?&amp;title=Review%20of%20deep%20learning%20algorithms%20and%20architectures&amp;journal=IEEE%20Access&amp;volume=7&amp;pages=53040-53065&amp;publication_year=2019&amp;author=Shrestha%2CA&amp;author=Mahmood%2CA" rel="nofollow noopener" data-track="click" data-track-action="google scholar reference" data-track-label="link" aria-label="Google Scholar reference 12">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="13.">
<p id="ref-CR13" class="c-article-references__text">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.&nbsp;<b>20</b>, 113–143 (2021).&nbsp;<a href="https://doi.org/10.5565/rev/elcvia.1390" data-track="click" data-track-action="external reference" data-track-label="10.5565/rev/elcvia.1390">https://doi.org/10.5565/rev/elcvia.1390</a></p>
<p id="ref-CR13-links" class="c-article-references__links u-hide-print"><a href="https://doi.org/10.5565%2Frev%2Felcvia.1390" rel="nofollow noopener" data-track="click" data-track-label="10.5565/rev/elcvia.1390" data-track-action="CrossRef reference" aria-label="CrossRef reference 13" data-doi="10.5565/rev/elcvia.1390">CrossRef</a>&nbsp;<a href="https://scholar.google.com/scholar_lookup?&amp;title=Application%20of%20computer%20vision%20to%20egg%20detection%20on%20a%20production%20line%20in%20real%20time&amp;journal=Electron.%20Lett.%20Comput.%20Vision%20Image%20Anal.&amp;doi=10.5565%2Frev%2Felcvia.1390&amp;volume=20&amp;pages=113-143&amp;publication_year=2021&amp;author=Ulaszewski%2CM&amp;author=Janowski%2CR&amp;author=Janowski%2CA" rel="nofollow noopener" data-track="click" data-track-action="google scholar reference" data-track-label="link" aria-label="Google Scholar reference 13">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="14.">
<p id="ref-CR14" class="c-article-references__text">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.&nbsp;<b>101</b>, 158–168 (2016).&nbsp;<a href="https://doi.org/10.1016/j.comnet.2015.12.017" data-track="click" data-track-action="external reference" data-track-label="10.1016/j.comnet.2015.12.017">https://doi.org/10.1016/j.comnet.2015.12.017</a>,&nbsp;<a href="http://www.sciencedirect.com/science/article/pii/S1389128615005046" data-track="click" data-track-action="external reference" data-track-label="http://www.sciencedirect.com/science/article/pii/S1389128615005046">http://www.sciencedirect.com/science/article/pii/S1389128615005046</a></p>
</li>
</ol>
<p class="c-article-references__download u-hide-print"><a href="https://citation-needed.springer.com/v2/references/10.1007/978-3-031-10522-7_42?format=refman&amp;flavour=references" rel="nofollow" data-track="click" data-track-action="download citation references" data-track-label="link">Download references</a></p>
</div>
</div>
</div>
</section>
</div>
<section lang="en" data-title="Acknowledgments" data-gtm-vis-first-on-screen-50443292_562="3774027" data-gtm-vis-total-visible-time-50443292_562="9700" data-gtm-vis-first-on-screen-50443292_563="3774027" data-gtm-vis-total-visible-time-50443292_563="9700">
<div id="Ack1-section" class="c-article-section">
<h2 id="Ack1" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Acknowledgments</h2>
<div id="Ack1-content" class="c-article-section__content">
<p>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 &#8211; Brasil (CAPES) &#8211; Finance Code 001, and FAPESP, proc. 2014/50937-1 and 2015/24485-9.</p>
<p>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.</p>
</div>
</div>
</section>
<section aria-labelledby="author-information" data-title="Author information" data-gtm-vis-polling-id-50443292_562="4875" data-gtm-vis-polling-id-50443292_563="4876" data-gtm-vis-recent-on-screen-50443292_562="3819610" data-gtm-vis-first-on-screen-50443292_562="3819610" data-gtm-vis-total-visible-time-50443292_562="4500" data-gtm-vis-recent-on-screen-50443292_563="3819610" data-gtm-vis-first-on-screen-50443292_563="3819610" data-gtm-vis-total-visible-time-50443292_563="4500">
<div id="author-information-section" class="c-article-section">
<h2 id="author-information" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Author information</h2>
<div id="author-information-content" class="c-article-section__content">
<h3 id="affiliations" class="c-article__sub-heading">Authors and Affiliations</h3>
<ol class="c-article-author-affiliation__list">
<li id="Aff12">
<p class="c-article-author-affiliation__address">See Working, Goias, 405, 79020-100, Campo Grande, MS, Brazil</p>
<p class="c-article-author-affiliation__authors-list">Rafael J. Xavier,&nbsp;Charles F. O. Viegas&nbsp;&amp;&nbsp;Bruno C. Costa</p>
</li>
<li id="Aff13">
<p class="c-article-author-affiliation__address">Federal University of Mato Grosso do Sul, Campo Grande, MS, Brazil</p>
<p class="c-article-author-affiliation__authors-list">Renato P. Ishii</p>
</li>
</ol>
<h3 id="corresponding-author" class="c-article__sub-heading">Corresponding author</h3>
<p id="corresponding-author-list">Correspondence to&nbsp;<a id="corresp-c1" href="mailto:renato.ishii@ufms.br">Renato P. Ishii&nbsp;</a>.</p>
</div>
</div>
</section>
<section aria-labelledby="editor-information" data-title="Editor information" data-gtm-vis-polling-id-50443292_562="4896" data-gtm-vis-polling-id-50443292_563="4897" data-gtm-vis-recent-on-screen-50443292_562="3819765" data-gtm-vis-first-on-screen-50443292_562="3819765" data-gtm-vis-total-visible-time-50443292_562="4300" data-gtm-vis-recent-on-screen-50443292_563="3819765" data-gtm-vis-first-on-screen-50443292_563="3819765" data-gtm-vis-total-visible-time-50443292_563="4300">
<div id="editor-information-section" class="c-article-section">
<h2 id="editor-information" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Editor information</h2>
<div id="editor-information-content" class="c-article-section__content">
<h3 id="editor-affiliations" class="c-article__sub-heading">Editors and Affiliations</h3>
<ol class="c-article-author-affiliation__list">
<li id="Aff7">
<p class="c-article-author-affiliation__address">University of Perugia, Perugia, Italy</p>
<p class="c-article-author-affiliation__authors-list">Prof. Dr. Osvaldo Gervasi</p>
</li>
<li id="Aff8">
<p class="c-article-author-affiliation__address">University of Basilicata, Potenza, Potenza, Italy</p>
<p class="c-article-author-affiliation__authors-list">Beniamino Murgante</p>
</li>
<li id="Aff9">
<p class="c-article-author-affiliation__address">Universidad de Málaga, Malaga, Spain</p>
<p class="c-article-author-affiliation__authors-list">Eligius M. T. Hendrix</p>
</li>
<li id="Aff10">
<p class="c-article-author-affiliation__address">Monash University, Clayton, VIC, Australia</p>
<p class="c-article-author-affiliation__authors-list">David Taniar</p>
</li>
<li id="Aff11">
<p class="c-article-author-affiliation__address">Kyushu Sangyo University, Fukuoka, Japan</p>
<p class="c-article-author-affiliation__authors-list">Prof. Bernady O. Apduhan</p>
</li>
</ol>
<p>Fonte: https://link.springer.com/chapter/10.1007/978-3-031-10522-7_42</p>
</div>
</div>
</section>
</div>
<p>O post <a href="https://alfaneo.ai/blog/a-deep-learning-approach-for-automatic-counting-of-bales-and-product-boxes-in-industrial-production-lines/">A Deep Learning Approach for Automatic Counting of Bales and Product Boxes in Industrial Production Lines</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>JurisBERT: A New Approach that Converts a Classification Corpus into an STS One</title>
		<link>https://alfaneo.ai/blog/jurisbert-a-new-approach-that-converts-a-classification-corpus-into-an-sts-one/</link>
		
		<dc:creator><![CDATA[Alfaneo]]></dc:creator>
		<pubDate>Fri, 18 Aug 2023 12:45:32 +0000</pubDate>
				<category><![CDATA[Artigos]]></category>
		<category><![CDATA[Blog]]></category>
		<category><![CDATA[Bert]]></category>
		<category><![CDATA[inteligência artificial]]></category>
		<category><![CDATA[Jurídico]]></category>
		<category><![CDATA[JurisBERT]]></category>
		<category><![CDATA[machine learning]]></category>
		<category><![CDATA[Retrieving Legal Precedents]]></category>
		<category><![CDATA[Semantic Textual Similarity]]></category>
		<category><![CDATA[Sentence Embedding]]></category>
		<guid isPermaLink="false">https://alfaneo.ai/?p=2734</guid>

					<description><![CDATA[<p>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 [&#8230;]</p>
<p>O post <a href="https://alfaneo.ai/blog/jurisbert-a-new-approach-that-converts-a-classification-corpus-into-an-sts-one/">JurisBERT: A New Approach that Converts a Classification Corpus into an STS One</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></description>
										<content:encoded><![CDATA[<h2 id="Abs1" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Abstract</h2>
<div id="Abs1-content" class="c-article-section__content">
<p>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 <span class="u-monospace">ementas</span> 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 <span class="mathjax-tex"><span id="MathJax-Element-1-Frame" class="MathJax" style="margin: 0px; box-sizing: inherit; display: inline; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; position: relative;" tabindex="0" role="presentation" data-mathml="&lt;math xmlns=&quot;http://www.w3.org/1998/Math/MathML&quot;&gt;&lt;mn&gt;3.30&lt;/mn&gt;&lt;mi mathvariant=&quot;normal&quot;&gt;&amp;#x0025;&lt;/mi&gt;&lt;/math&gt;"><span id="MathJax-Span-1" class="math"><span id="MathJax-Span-2" class="mrow"><span id="MathJax-Span-3" class="mn">3.30</span><span id="MathJax-Span-4" class="mi">%</span></span></span><span class="MJX_Assistive_MathML" role="presentation">3.30%</span></span></span> better precision (<span class="mathjax-tex"><span id="MathJax-Element-2-Frame" class="MathJax" style="margin: 0px; box-sizing: inherit; display: inline; font-style: normal; font-weight: normal; line-height: normal; font-size: 18px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding: 0px; position: relative;" tabindex="0" role="presentation" data-mathml="&lt;math xmlns=&quot;http://www.w3.org/1998/Math/MathML&quot;&gt;&lt;msub&gt;&lt;mi&gt;F&lt;/mi&gt;&lt;mn&gt;1&lt;/mn&gt;&lt;/msub&gt;&lt;/math&gt;"><span id="MathJax-Span-5" class="math"><span id="MathJax-Span-6" class="mrow"><span id="MathJax-Span-7" class="msubsup"><span id="MathJax-Span-8" class="mi">F</span><span id="MathJax-Span-9" class="mn">1</span></span></span></span><span class="MJX_Assistive_MathML" role="presentation">�1</span></span></span>), 5 times reduced training time, and using accessible hardware, i.e., low-cost GPGPU architecture. The source code is available at <a href="https://github.com/alfaneo-ai/brazilian-legal-text-dataset">https://github.com/alfaneo-ai/brazilian-legal-text-dataset</a> and the model is here: <a href="https://huggingface.co/alfaneo">https://huggingface.co/alfaneo</a>.</p>
</div>
<section lang="en" aria-labelledby="Abs1" data-title="Abstract" data-gtm-vis-recent-on-screen-50443292_562="138" data-gtm-vis-first-on-screen-50443292_562="138" data-gtm-vis-total-visible-time-50443292_562="10000" data-gtm-vis-recent-on-screen-50443292_563="138" data-gtm-vis-first-on-screen-50443292_563="138" data-gtm-vis-total-visible-time-50443292_563="10000" data-gtm-vis-has-fired-50443292_562="1" data-gtm-vis-has-fired-50443292_563="1">
<div id="Abs1-section" class="c-article-section">
<div id="Abs1-content" class="c-article-section__content">
<h3 class="c-article__sub-heading">Keywords</h3>
<ul class="c-article-subject-list">
<li class="c-article-subject-list__subject">Semantic Textual Similarity</li>
<li class="c-article-subject-list__subject">Retrieving Legal Precedents</li>
<li class="c-article-subject-list__subject">Sentence Embedding</li>
<li class="c-article-subject-list__subject">Bert</li>
</ul>
</div>
</div>
</section>
<section lang="en" data-title="Notes" data-gtm-vis-first-on-screen-50443292_563="125033" data-gtm-vis-total-visible-time-50443292_563="10000" data-gtm-vis-first-on-screen-50443292_562="125033" data-gtm-vis-total-visible-time-50443292_562="10000" data-gtm-vis-has-fired-50443292_563="1" data-gtm-vis-has-fired-50443292_562="1">
<div id="notes-section" class="c-article-section">
<h2 id="notes" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Notes</h2>
<div id="notes-content" class="c-article-section__content">
<ol class="c-article-footnote c-article-footnote--listed">
<li id="Fn1" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">1.</span>
<div class="c-article-footnote--listed__content">
<p>The Conselho Nacional de Justiça is a public institution that aims to help the Brazilian judiciary. It maintains administrative and procedural control and transparency.</p>
</div>
</li>
<li id="Fn2" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">2.</span>
<div class="c-article-footnote--listed__content">
<p><a href="https://www.stf.jus.br/portal/jurisprudencia/pesquisarJurisprudenciaFavorita.asp">STF</a>, <a href="https://scon.stj.jus.br/SCON/pesquisa_pronta/tabs.jsp">STJ</a>, <a href="https://www.tjrj.jus.br/web/guest/institucional/dir-gerais/dgcon/pesquisa-selecionada">TJRJ</a>, <a href="https://esaj.tjms.jus.br/cjsg/consultaCompleta.do">TJMS</a>.</p>
</div>
</li>
<li id="Fn3" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">3.</span>
<div class="c-article-footnote--listed__content">
<p>It is an operation that reduces the dimensionality of data by applying an aggregation of type max average.</p>
</div>
</li>
<li id="Fn4" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">4.</span>
<div class="c-article-footnote--listed__content">
<p>It is a dense vector of floating points that aims to capture the semantic of the text in the vector space.</p>
</div>
</li>
<li id="Fn5" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">5.</span>
<div class="c-article-footnote--listed__content">
<p>The <span class="u-monospace">súmulas</span> summarizes the dominant precedent of a given court.</p>
</div>
</li>
<li id="Fn6" class="c-article-footnote--listed__item"><span class="c-article-footnote--listed__index">6.</span>
<div class="c-article-footnote--listed__content">
<p>Proposed dataset and web scrappers are available here: <a href="https://github.com/alfaneo-ai/brazilian-legal-text-dataset">https://github.com/alfaneo-ai/brazilian-legal-text-dataset</a>, and the models, here: <a href="https://huggingface.co/alfaneo">https://huggingface.co/alfaneo</a>.</p>
</div>
</li>
</ol>
</div>
</div>
</section>
<div id="MagazineFulltextChapterBodySuffix">
<section aria-labelledby="Bib1" data-title="References" data-gtm-vis-first-on-screen-50443292_563="164015" data-gtm-vis-total-visible-time-50443292_563="10000" data-gtm-vis-has-fired-50443292_563="1">
<div id="Bib1-section" class="c-article-section">
<h2 id="Bib1" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">References</h2>
<div id="Bib1-content" class="c-article-section__content">
<div data-container-section="references">
<ol class="c-article-references" data-track-component="outbound reference">
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="1.">
<p id="ref-CR1" class="c-article-references__text">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 &#8211; 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), <a href="https://aclanthology.org/S12-1051" data-track="click" data-track-action="external reference" data-track-label="https://aclanthology.org/S12-1051">https://aclanthology.org/S12-1051</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="2.">
<p id="ref-CR2" class="c-article-references__text">Banerjee, S., Mishra, B., Jawanpuria, P., Shrivastava, M.: Generalised spherical text embedding (2022)</p>
<p id="ref-CR2-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Banerjee%2C%20S.%2C%20Mishra%2C%20B.%2C%20Jawanpuria%2C%20P.%2C%20Shrivastava%2C%20M.%3A%20Generalised%20spherical%20text%20embedding%20%282022%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="3.">
<p id="ref-CR3" class="c-article-references__text">Beltagy, I., Lo, K., Cohan, A.: Scibert: A pretrained language model for scientific text. In: EMNLP (2019)</p>
<p id="ref-CR3-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Beltagy%2C%20I.%2C%20Lo%2C%20K.%2C%20Cohan%2C%20A.%3A%20Scibert%3A%20A%20pretrained%20language%20model%20for%20scientific%20text.%20In%3A%20EMNLP%20%282019%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="4.">
<p id="ref-CR4" class="c-article-references__text">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). <a href="https://doi.org/10.18653/v1/D18-2029" data-track="click" data-track-action="external reference" data-track-label="10.18653/v1/D18-2029">https://doi.org/10.18653/v1/D18-2029</a>, <a href="https://aclanthology.org/D18-2029" data-track="click" data-track-action="external reference" data-track-label="https://aclanthology.org/D18-2029">https://aclanthology.org/D18-2029</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="5.">
<p id="ref-CR5" class="c-article-references__text">Choi, H., Kim, J., Joe, S., Gwon, Y.: Evaluation of bert and albert sentence embedding performance on downstream nlp tasks (2021). <a href="https://doi.org/10.48550/ARXIV.2101.10642" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.2101.10642">https://doi.org/10.48550/ARXIV.2101.10642</a>, <a href="https://arxiv.org/abs/2101.10642" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/2101.10642">https://arxiv.org/abs/2101.10642</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="6.">
<p id="ref-CR6" class="c-article-references__text">CNJ: Justiça em números 2020: ano-base 2019. Tech. rep., Conselho Nacional de Justiça (2020), <a href="https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/" data-track="click" data-track-action="external reference" data-track-label="https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/">https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="7.">
<p id="ref-CR7" class="c-article-references__text">Cunha, A.S.: Introdução ao estudo do direito. Saraiva (2012)</p>
<p id="ref-CR7-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Cunha%2C%20A.S.%3A%20Introdu%C3%A7%C3%A3o%20ao%20estudo%20do%20direito.%20Saraiva%20%282012%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="8.">
<p id="ref-CR8" class="c-article-references__text">Devlin, J., Chang, M., Lee, K., Toutanova, K.: BERT: pre-training of deep bidirectional transformers for language understanding. CoRR abs/1810.04805 (2018). <a href="http://arxiv.org/abs/1810.04805" data-track="click" data-track-action="external reference" data-track-label="http://arxiv.org/abs/1810.04805">http://arxiv.org/abs/1810.04805</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="9.">
<p id="ref-CR9" class="c-article-references__text">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). <a href="https://linguamatica.com/index.php/linguamatica/article/view/v8n2-1" data-track="click" data-track-action="external reference" data-track-label="https://linguamatica.com/index.php/linguamatica/article/view/v8n2-1">https://linguamatica.com/index.php/linguamatica/article/view/v8n2-1</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="10.">
<p id="ref-CR10" class="c-article-references__text">Hendrycks, D., Gimpel, K.: Gaussian error linear units (gelus) (2016). <a href="https://doi.org/10.48550/ARXIV.1606.08415" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1606.08415">https://doi.org/10.48550/ARXIV.1606.08415</a>, <a href="https://arxiv.org/abs/1606.08415" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1606.08415">https://arxiv.org/abs/1606.08415</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="11.">
<p id="ref-CR11" class="c-article-references__text">Jiang, T., et al.: Promptbert: Improving bert sentence embeddings with prompts (2022). <a href="https://doi.org/10.48550/ARXIV.2201.04337" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.2201.04337">https://doi.org/10.48550/ARXIV.2201.04337</a>, <a href="https://arxiv.org/abs/2201.04337" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/2201.04337">https://arxiv.org/abs/2201.04337</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="12.">
<p id="ref-CR12" class="c-article-references__text">Johnson, J., Douze, M., Jégou, H.: Billion-scale similarity search with gpus (2017). <a href="https://doi.org/10.48550/ARXIV.1702.08734" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1702.08734">https://doi.org/10.48550/ARXIV.1702.08734</a>, <a href="https://arxiv.org/abs/1702.08734" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1702.08734">https://arxiv.org/abs/1702.08734</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="13.">
<p id="ref-CR13" class="c-article-references__text">Júnior, H.: Curso de direito processual civil, vol. I. Editora Forense (2019)</p>
<p id="ref-CR13-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=J%C3%BAnior%2C%20H.%3A%20Curso%20de%20direito%20processual%20civil%2C%20vol.%20I.%20Editora%20Forense%20%282019%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="14.">
<p id="ref-CR14" class="c-article-references__text">Keskar, N.S., McCann, B., Xiong, C., Socher, R.: Unifying question answering, text classification, and regression via span extraction (2019)</p>
<p id="ref-CR14-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Keskar%2C%20N.S.%2C%20McCann%2C%20B.%2C%20Xiong%2C%20C.%2C%20Socher%2C%20R.%3A%20Unifying%20question%20answering%2C%20text%20classification%2C%20and%20regression%20via%20span%20extraction%20%282019%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="15.">
<p id="ref-CR15" class="c-article-references__text">Kingma, D.P., Ba, J.: Adam: A method for stochastic optimization (2014). <a href="https://doi.org/10.48550/ARXIV.1412.6980" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1412.6980">https://doi.org/10.48550/ARXIV.1412.6980</a>, <a href="https://arxiv.org/abs/1412.6980" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1412.6980">https://arxiv.org/abs/1412.6980</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="16.">
<p id="ref-CR16" class="c-article-references__text">Kiros, R., Zhu, Y., Salakhutdinov, R., Zemel, R.S., Torralba, A., Urtasun, R., Fidler, S.: Skip-thought vectors (2015). <a href="https://doi.org/10.48550/ARXIV.1506.06726" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1506.06726">https://doi.org/10.48550/ARXIV.1506.06726</a>, <a href="https://arxiv.org/abs/1506.06726" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1506.06726">https://arxiv.org/abs/1506.06726</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="17.">
<p id="ref-CR17" class="c-article-references__text">Liu, Y., et al.: Roberta: A robustly optimized bert pretraining approach (2019). <a href="https://doi.org/10.48550/ARXIV.1907.11692" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1907.11692">https://doi.org/10.48550/ARXIV.1907.11692</a>, <a href="https://arxiv.org/abs/1907.11692" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1907.11692">https://arxiv.org/abs/1907.11692</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="18.">
<p id="ref-CR18" class="c-article-references__text">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)</p>
<p id="ref-CR18-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Meshram%2C%20S.%2C%20Anand%20Kumar%2C%20M.%3A%20Long%20short-term%20memory%20network%20for%20learning%20sentences%20similarity%20using%20deep%20contextual%20embeddings.%20International%20Journal%20of%20Information%20Technology%2C%20pp.%201633%E2%80%931641%20%282021%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="19.">
<p id="ref-CR19" class="c-article-references__text">Nguyen, H.T., Nguyen, L.M.: Sublanguage: A Serious Issue Affects Pretrained Models in Legal Domain. arXiv e-prints <a href="http://arxiv.org/abs/2104.07782" data-track="click" data-track-action="external reference" data-track-label="http://arxiv.org/abs/2104.07782">arXiv:2104.07782</a> (Apr 2021)</p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="20.">
<p id="ref-CR20" class="c-article-references__text">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). <a href="https://doi.org/10.3115/v1/D14-1162" data-track="click" data-track-action="external reference" data-track-label="10.3115/v1/D14-1162">https://doi.org/10.3115/v1/D14-1162</a>, <a href="https://aclanthology.org/D14-1162" data-track="click" data-track-action="external reference" data-track-label="https://aclanthology.org/D14-1162">https://aclanthology.org/D14-1162</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="21.">
<p id="ref-CR21" class="c-article-references__text">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). <a href="https://doi.org/10.48550/ARXIV.2005.12833" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.2005.12833">https://doi.org/10.48550/ARXIV.2005.12833</a>, <a href="https://arxiv.org/abs/2005.12833" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/2005.12833">https://arxiv.org/abs/2005.12833</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="22.">
<p id="ref-CR22" class="c-article-references__text">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)</p>
<p id="ref-CR22-links" class="c-article-references__links u-hide-print"><a href="https://doi.org/10.1007%2F978-3-030-41505-1_39" rel="nofollow noopener" data-track="click" data-track-label="10.1007/978-3-030-41505-1_39" data-track-action="CrossRef reference" aria-label="CrossRef reference 22" data-doi="10.1007/978-3-030-41505-1_39">CrossRef</a> <a href="https://scholar.google.com/scholar_lookup?&amp;title=The%20assin%202%20shared%20task%3A%20A%20quick%20overview&amp;pages=406-412&amp;publication_year=2020&amp;author=Real%2CL&amp;author=Fonseca%2CE&amp;author=Gon%C3%A7alo%20Oliveira%2CH" rel="nofollow noopener" data-track="click" data-track-action="google scholar reference" data-track-label="link" aria-label="Google Scholar reference 22">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="23.">
<p id="ref-CR23" class="c-article-references__text">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). <a href="https://doi.org/10.1007/978-3-319-99722-3_31" data-track="click" data-track-action="external reference" data-track-label="10.1007/978-3-319-99722-3_31">https://doi.org/10.1007/978-3-319-99722-3_31</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="24.">
<p id="ref-CR24" class="c-article-references__text">Reimers, N., Gurevych, I.: Sentence-bert: Sentence embeddings using siamese bert-networks (2019). <a href="https://doi.org/10.48550/ARXIV.1908.10084" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.1908.10084">https://doi.org/10.48550/ARXIV.1908.10084</a>, <a href="https://arxiv.org/abs/1908.10084" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/1908.10084">https://arxiv.org/abs/1908.10084</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="25.">
<p id="ref-CR25" class="c-article-references__text">Song, X., Salcianu, A., Song, Y., Dopson, D., Zhou, D.: Fast wordpiece tokenization (2020). <a href="https://doi.org/10.48550/ARXIV.2012.15524" data-track="click" data-track-action="external reference" data-track-label="10.48550/ARXIV.2012.15524">https://doi.org/10.48550/ARXIV.2012.15524</a>, <a href="https://arxiv.org/abs/2012.15524" data-track="click" data-track-action="external reference" data-track-label="https://arxiv.org/abs/2012.15524">https://arxiv.org/abs/2012.15524</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="26.">
<p id="ref-CR26" class="c-article-references__text">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). <a href="https://doi.org/10.1007/978-3-030-61377-8_28" data-track="click" data-track-action="external reference" data-track-label="10.1007/978-3-030-61377-8_28">https://doi.org/10.1007/978-3-030-61377-8_28</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="27.">
<p id="ref-CR27" class="c-article-references__text">Vaswani, A., et al.: Attention is all you need (2017)</p>
<p id="ref-CR27-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Vaswani%2C%20A.%2C%20et%20al.%3A%20Attention%20is%20all%20you%20need%20%282017%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="28.">
<p id="ref-CR28" class="c-article-references__text">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)</p>
<p id="ref-CR28-links" class="c-article-references__links u-hide-print"><a href="https://scholar.google.com/scholar?&amp;q=Wagner%20Filho%2C%20J.A.%2C%20Wilkens%2C%20R.%2C%20Idiart%2C%20M.%2C%20Villavicencio%2C%20A.%3A%20The%20brwac%20corpus%3A%20A%20new%20open%20resource%20for%20brazilian%20portuguese.%20In%3A%20Proceedings%20of%20the%20Eleventh%20International%20Conference%20on%20Language%20Resources%20and%20Evaluation%20%28LREC%202018%29%20%282018%29" data-track="click" data-track-action="google scholar reference" data-track-label="link">Google Scholar</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="29.">
<p id="ref-CR29" class="c-article-references__text">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). <a href="https://doi.org/10.1145/323706.323791" data-track="click" data-track-action="external reference" data-track-label="10.1145/323706.323791">https://doi.org/10.1145/323706.323791</a>, <a href="https://doi.org/10.1145/323706.323791" data-track="click" data-track-action="external reference" data-track-label="10.1145/323706.323791">https://doi.org/10.1145/323706.323791</a></p>
</li>
<li class="c-article-references__item js-c-reading-companion-references-item" data-counter="30.">
<p id="ref-CR30" class="c-article-references__text">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), <a href="https://rootroo.com/downloads/nlp4dh_proceedings_draft.pdf" data-track="click" data-track-action="external reference" data-track-label="https://rootroo.com/downloads/nlp4dh_proceedings_draft.pdf">https://rootroo.com/downloads/nlp4dh_proceedings_draft.pdf</a></p>
</li>
</ol>
<p class="c-article-references__download u-hide-print"><a href="https://citation-needed.springer.com/v2/references/10.1007/978-3-031-36805-9_24?format=refman&amp;flavour=references" rel="nofollow" data-track="click" data-track-action="download citation references" data-track-label="link">Download references</a></p>
</div>
</div>
</div>
</section>
</div>
<section lang="en" data-title="Acknowledgments" data-gtm-vis-first-on-screen-50443292_563="174607" data-gtm-vis-total-visible-time-50443292_563="7300" data-gtm-vis-first-on-screen-50443292_562="174607" data-gtm-vis-total-visible-time-50443292_562="7300">
<div id="Ack1-section" class="c-article-section">
<h2 id="Ack1" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Acknowledgments</h2>
<div id="Ack1-content" class="c-article-section__content">
<p>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 &#8211; Brasil (CAPES) &#8211; Finance Code 001, and FAPESP, proc. 2014/50937-1 and 2015/24485-9.</p>
<p>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.</p>
</div>
</div>
</section>
<section aria-labelledby="author-information" data-title="Author information" data-gtm-vis-polling-id-50443292_563="2181" data-gtm-vis-polling-id-50443292_562="2182" data-gtm-vis-recent-on-screen-50443292_563="178116" data-gtm-vis-first-on-screen-50443292_563="178116" data-gtm-vis-total-visible-time-50443292_563="6300" data-gtm-vis-recent-on-screen-50443292_562="178119" data-gtm-vis-first-on-screen-50443292_562="178119" data-gtm-vis-total-visible-time-50443292_562="6300">
<div id="author-information-section" class="c-article-section">
<h2 id="author-information" class="c-article-section__title js-section-title js-c-reading-companion-sections-item">Author information</h2>
<div id="author-information-content" class="c-article-section__content">
<h3 id="affiliations" class="c-article__sub-heading">Authors and Affiliations</h3>
<ol class="c-article-author-affiliation__list">
<li id="Aff14">
<p class="c-article-author-affiliation__address">Alfaneo, Goias, 405, 79020-100, Campo Grande, MS, Brazil</p>
<p class="c-article-author-affiliation__authors-list">Charles F. O. Viegas &amp; Bruno C. Costa</p>
</li>
<li id="Aff15">
<p class="c-article-author-affiliation__address">Federal University of Mato Grosso do Sul, Campo Grande, MS, Brazil</p>
<p class="c-article-author-affiliation__authors-list">Renato P. Ishii</p>
</li>
</ol>
<h3 id="corresponding-author" class="c-article__sub-heading">Corresponding author</h3>
<p id="corresponding-author-list">Correspondence to <a id="corresp-c1" href="mailto:renato.ishii@ufms.br">Renato P. Ishii </a>.</p>
</div>
<p>Fonte: https://link.springer.com/chapter/10.1007/978-3-031-36805-9_24</p>
</div>
</section>
<p>O post <a href="https://alfaneo.ai/blog/jurisbert-a-new-approach-that-converts-a-classification-corpus-into-an-sts-one/">JurisBERT: A New Approach that Converts a Classification Corpus into an STS One</a> apareceu primeiro em <a href="https://alfaneo.ai">Alfaneo | Soluções Sob Medida com Agentes de IA</a>.</p>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
