Engenharia de Prompt aplicada ao direito

Introdução

Os modelos de linguagem de grande porte (LLMs, na sigla em inglês), como o Gemini e o GPT, têm revolucionado o campo do Direito. Isso se deve ao fato de que as peças processuais são geralmente um conjunto de documentos semi ou não estruturados, cujo processamento — seja pela extração de informações, pela geração de cláusulas contratuais ou pela criação automática de manifestações processuais — tem se beneficiado enormemente da inteligência artificial generativa, cujo principal expoente são as LLMs.

Embora a doutrina defina o processo judicial como uma sequência lógica de atos, os documentos que formalizam esses atos nem sempre seguem um padrão, e sua posição no processo pode ser imprevisível. O Conselho Nacional de Justiça (CNJ), ao instituir as Tabelas Processuais Unificadas (TPUs), criou uma taxonomia valiosa para categorizar classes processuais, movimentações e temas, o que facilitou a organização do processo eletrônico. Costumo dizer aos meus alunos que, ao dominar as TPUs, é possível realizar buscas jurisprudenciais e localizar decisões com muito mais facilidade.

Diariamente, milhares de ações são distribuídas nos tribunais brasileiros, gerando um volume de documentos que pode variar de poucas páginas a centenas de milhares. Até pouco tempo, essa valiosa massa de informações ficava restrita às partes e ao magistrado, sendo arquivada após o trânsito em julgado e, muitas vezes, caindo no esquecimento. Com o advento do processo eletrônico, essa dinâmica mudou drasticamente. Hoje, a quantidade de documentos processuais disponíveis nas plataformas digitais dos tribunais é imensa. Isso gerou a necessidade de extrair e estruturar essas informações para torná-las acessíveis e úteis a diversos setores, desde a academia e empresas até o próprio Judiciário.

Contudo, sempre houve um desafio: as técnicas tradicionais para estruturar informações processuais eram limitadas, baseando-se em abordagens determinísticas e heurísticas. Eram determinísticas porque só era possível extrair um dado se sua posição e forma fossem previsíveis, e heurísticas porque exigiam constantes ajustes conforme surgiam novas exceções.

Sentença 1: Julgo procedente para condenar Fulano de Tal ao pagamento de R$ 2.500,00 em indenização por dano moral.

Sentença 2: Julgo procedente para condenar Beltrano ao pagamento de R$ 4.000,00 em indenização por dano material.

As técnicas heurísticas e determinísticas não teriam dificuldade em estruturar numa planilha esses dispositivos de sentenças da seguinte forma:

requerido	merito	dano	valor
Fulano de Tal	procedente	moral	2500
Beltrano	procedente	material	4000

Isso ocorre porque os dados a serem coletados estão dispostos numa mesma ordem. No entanto, um ajuste teria de ser feito se o dispositivo viesse da seguinte forma:

Sentença 3: Acolho o pedido do autor para o ressarcimento do valor de R$ 829,00

Com a evolução das técnicas de processamento de linguagem natural (PLN), especialmente a partir da criação dos mecanismos de atenção em redes neurais conhecidas como arquitetura transformers, houve uma virada probabilística no processamento de linguagem natural, incluindo a linguagem jurídica. O PLN passou a incluir modelos probabilísticos treinados para uma série de tarefas sobre textos, como compreendê-los, traduzi-los de um idioma para outro, responder perguntas e gerar novos textos. Esses modelos são conhecidos como IA generativa.

As três sentenças acima seriam facilmente estruturadas com as IA generativas.

A interação com a IA generativa ou LLM ocorre via um mecanismo chamado prompt, que nada mais é do que uma entrada de texto, em forma de instrução ou pergunta, para que a IA produza novas textos. Neste tutorial, iremos explorar as técnicas de prompting úteis para o operador do Direito.

Conceito de Prompt

Prompts no contexto de IA generativa são instruções ou perguntas, acompanhadas ou não de dados ou exemplos a fim de obter respostas desejadas da IA generativa.

Exemplos de prompts

Limitações

1 - Falta de memória persistente

2 - Natureza probabilística: falta de reprodutibilidade

3 - Informação desatualizada

4 - Alucinação

5 - Alto uso de recuso

6 - Janela limitada

7 - Especificidade do domínio

Tópicos importantes

Chain of thought

Tree of Thought

Melhora o racioncíno da LLM ao orientar a LLM a tomar diferentes caminhos antes de encontrar a solução. Diferentemente do CoT, o ToT não segue um processo linear de raciocínio.

1 - Raciocínio estruturado

2 - Explora múltiplos caminhos

3 - Poda e seleção

4 - Ida e volta

5 - Processo de decisão hierárquico

Forçar a LLM a ser factual

Restringir a LLM aos dados fornecidos. Forçar respostas. Dar exemplos de respostas.

Explicitar o fim do prompt

“Escreva um poema descrevendo um dia lindo<|endofprompt|>. Era um lindo dia de inverno”