Contexto
O ALEI, Análise Legal Inteligente, foi uma iniciativa orientada por IA para apoiar a análise jurídica em câmaras judiciais de segunda instância do TRF1. O projeto combinou arquitetura backend, machine learning e automação de processos em um cenário no qual profissionais do Direito precisavam de ferramentas realmente utilizáveis no trabalho diário.
A relevância do projeto veio do fato de que a adoção institucional de IA não acontece só por causa de modelos. Ela depende de pipelines de dados, APIs, confiabilidade operacional e capacitação direta das pessoas que vão usar as saídas no dia a dia.
Meu papel
- Atuei como Cientista de Dados e Desenvolvedor Backend na iniciativa.
- Desenvolvi serviços backend e fluxos de dados, contribuindo também com a camada de ML.
- Liderei um time multifuncional de desenvolvimento e pesquisa em implementação, documentação e entrega.
- Treinei equipes do tribunal federal para uso e interpretação das saídas do sistema.
Problema
O TRF1 precisava apoiar fluxos de análise jurídica e gestão processual que ainda dependiam demais de trabalho manual. O desafio não era apenas classificar ou agrupar documentos jurídicos, mas empacotar essa inteligência em uma base backend confiável para equipes do tribunal.
Isso exigia uma solução em múltiplas camadas:
- APIs utilizáveis para integração institucional
- banco de dados e serviços estáveis para operação contínua
- pipelines de ML capazes de sustentar clusterização e análise de documentos
- treinamento e documentação para apoiar adoção pelas equipes jurídicas
Arquitetura
O projeto combinou componentes de backend e ML em um único fluxo de entrega:
- serviços RESTful com Flask e FastAPI
- modelagem relacional com PostgreSQL e SQLAlchemy
- serviços containerizados com Docker para ambientes locais e setup repetível
- pipelines ETL para dados jurídicos estruturados
- análise exploratória e visualização com Pandas e Matplotlib
- fluxos de ML não supervisionado para clusterização e classificação de documentos
- testes automatizados com Pytest e documentação para manutenção
A decisão arquitetural mais importante foi não separar “trabalho backend” de “trabalho de IA” como correntes independentes. O sistema precisava dos dois para gerar utilidade real.
Desafios
- Fluxos jurídicos exigem sistemas técnicos estáveis para usuários institucionais não técnicos.
- Trabalho de análise documental fica frágil quando pipeline de dados, camada de API e camada de ML evoluem separadamente.
- Adoção depende de compreensão e confiança das equipes, não apenas de saídas de modelo.
Solução
Tratei o ALEI como um problema de entrega ponta a ponta, não como um exercício isolado de modelagem. A solução integrou serviços backend, camada relacional de dados, fluxo ETL e pipelines de ML em um sistema conectado, com documentação técnica mais clara e validações automatizadas.
Também investi diretamente em capacitação. O treinamento das equipes e a padronização da documentação aumentaram a credibilidade operacional do projeto e ajudaram as saídas de IA a entrarem no fluxo real de trabalho, em vez de ficarem isoladas em um silo técnico.
Impacto
- Liderança de equipe híbrida de IA e backend, equilibrando mentoria técnica e execução de entrega.
- Construção de pipeline semiautomatizado de análise de dados, reduzindo trabalho manual em datasets do projeto.
- Aumento da adoção operacional com treinamento de profissionais do Direito para uso de ferramentas assistidas por IA no trabalho diário.