Profissionais jurídicos podem usar RAG para extrair rapidamente jurisprudências, estatutos ou textos jurídicos relevantes, agilizando o processo de pesquisa e garantindo uma análise jurídica mais abrangente, seguindo essa ideia, optamos por usar RAG nesse mesmo contexto, para extrair a constituição, código civil, código penal e código do consumidor.
A ideia é trazer essas informações de forma clara e eficiente destes extensos documentos, facilitando a visualização de leis, propostas políticas entre outros aspectos jurídicos. Assim, trazendo informação de maneira eficiente e fácil.
C) Método proposto: Pré-Processamento dos Documentos: Separação dos documentos por seções: Dividir documentos extensos em seções menores, para o RAG trabalhar de forma mais segmentada e eficiente. Indexação dos dados: Organizar as seções de maneira eficiente por termos específicos. Anotação de dados: Marcar trechos relevantes para cada tipo de consulta, como jurisprudência. Testar com diferentes propostas implementadas: Implementar e testar o ARAGOG: A ideia é comparar essa técnica com o RAG clássico da nossa implementação. Implementar e testar o Optimizing Query Generation for Enhanced Document Retrieval in RAG: Comparando com o RAG clássico e com o ARAGOG. Métricas: Mostrando latência, tempo de recuperação e assertividade. Configuração do RAG: Base de recuperação: Integrar o RAG a uma base de dados específica dos documentos indexados, como o código penal por exemplo. Assim, o RAG pode recuperar seções diretamente de um corpus antes de gerar a resposta. Modelo de Geração/LLM: Implementar um modelo como o GPT-3.5 ou o T5, treinado para responder a perguntas específicas sobre temas jurídicos. Aprimoramento da Recuperação: Utilizar embeddings especializados na área jurídica para otimizar a semântica de recuperação dos documentos. Aplicação de Questionamentos e Geração de Respostas: Processamento de Perguntas e Consultas: O usuário pode fazer perguntas, como “Qual é a responsabilidade civil do fornecedor pelo produto?” ou “Quais são os projetos de leis mais recentes do partido X?”. Geração de respostas com base na recuperação: O RAG busca essas informações e gera uma resposta adaptada ao contexto, referenciado nos documentos imputados. Comparar performances com outras alternativas como: Busca Semântica com Embeddings Simples: Aplicação de embeddings para localizar os trechos mais relevantes sem a geração de respostas. Avaliar a precisão dos resultados comparando com a capacidade do RAG de interpretar e gerar respostas. Modelos de Pergunta-Resposta Baseados em Documentos (e.g., BERT-QA): Utilizar um modelo de perguntas e respostas diretamente nos documentos jurídicos. Esta técnica poderá ser menos eficaz para perguntas mais complexas, mas será útil para fins de comparação. Análise de Recuperação por Similaridade de Contexto: Utilizar algoritmos que analisam a similaridade entre a pergunta e trechos do documento, sem gerar uma resposta adaptada. Esta técnica pode ser útil para identificar quais seções são mais frequentemente recuperadas.
Introdução: (a) Justificativa (b) Objetivos Proposta de Pesquisa: (a) Método proposto (b) Plano de Trabalho
Referências bibliográficas:
ANTHROPIC. The Best RAG Technique Yet: Anthropics Contextual Retrieval and Hybrid Search. Disponível em: https://levelup.gitconnected.com/the-best-rag-technique-yet-anthropics-contextual-retrieval-and-hybrid-search-62320d99004e. Acesso em: 4 nov. 2024.
TOWARDS AI. The Best RAG Stack to Date. Disponível em: https://pub.towardsai.net/the-best-rag-stack-to-date-8dc035075e13. Acesso em: 4 nov. 2024.
ZHANG, H.; LIU, X.; YAO, L.; WANG, Y. Searching for Best Practices in Retrieval-Augmented Generation. Disponível em: https://arxiv.org/abs/2407.01219. Acesso em: 4 nov. 2024.
FAIRBANKS, J. Local RAG. Disponível em: https://github.com/jonfairbanks/local-rag. Acesso em: 4 nov. 2024.
DATA SCIENCE ACADEMY. Como RAG (Retrieval-Augmented Generation) Funciona Para Personalizar os LLMs?. Disponível em: https://blog.dsacademy.com.br/como-rag-retrieval-augmented-generation-funciona-para-personalizar-os-llms/. Acesso em: 4 nov. 2024.
LIU, W.; SUN, Y.; ZHAO, Q.; HU, J. Optimizing Query Generation for Enhanced Document Retrieval in RAG. Disponível em: https://arxiv.org/abs/2407.12325. Acesso em: 4 nov. 2024.
ARAGOG: Advanced RAG Output Grading - https://arxiv.org/abs/2404.01037 (4-nov-24)