⚖️ JusDataPredict

O JusDataPredict analisa uma tese jurídica em um determinado juízo e fornece uma probabilidade de êxito, além de apresentar as decisões mais similares para análise de consistência jurisprudencial.

🎯 Sobre o Projeto

O Problema

A tomada de decisões no campo jurídico — seja ao propor uma ação, negociar um acordo ou elaborar uma defesa — é um processo inerentemente arriscado e demorado. Advogados e clientes dependem da interpretação de um vasto e disperso histórico de decisões judiciais (jurisprudência), buscando previsibilidade em um ambiente de incertezas.

A Solução

O JusDataPredict traduz a complexidade legal em probabilidade estatística. Utilizando um dataset de decisões judiciais, a ferramenta emprega modelos de Machine Learning para calcular a probabilidade de sucesso de uma causa e utiliza NLP para encontrar os precedentes mais relevantes, transformando dados históricos em inteligência estratégica.

Funcionalidades-Chave:

• Predição de Risco: Calcula a probabilidade de êxito de uma tese jurídica com base no histórico de decisões de um juízo específico.

• Classificação de Risco: Traduz a probabilidade em um nível de risco de fácil compreensão ("Baixo", "Médio" ou "Alto").

• Análise de Consistência: Utiliza similaridade de cossenos para buscar e ranquear as 5 decisões mais parecidas com o caso em análise, permitindo ao advogado verificar se a jurisprudência local é consistente ou divergente.

Interface Interativa: Um painel de controle simples, construído com Streamlit, para facilitar a entrada de dados e a visualização dos resultados.

Tecnologias Utilizadas

Este projeto foi construído com as seguintes tecnologias:

• Linguagem: Python 3.9+
• Framework Web: Streamlit
• Machine Learning: Scikit-learn
• Manipulação de Dados: Pandas
• Serialização de Modelos: Joblib

Estrutura do Projeto

jusdatapredict/
│
├── data/
│   └── jurisprudencia.csv # Dataset (sintético, neste MVP)
│
├── models/ # Modelos e artefatos salvos pelo script de treino
│   ├── risk_prediction_model.joblib
│   ├── similarity_vectorizer.joblib
│   ├── cosine_similarity_matrix.joblib
|   ├── label_encoder.joblib
│   └── jurisprudencia_df.joblib
│
├── scripts/
│   └── train_model.py # Script para treinar e salvar os modelos de IA
│
├── app.py # Aplicação principal do Streamlit
│
├── requirements.txt # Dependências do projeto
│
└── README.md # Documentação do projeto

🚀 Execute o Código

Siga os passos abaixo para configurar e rodar o projeto em sua máquina local.

python -m venv .venv

source .venv/bin/activate

pip install -r requirements.txt

Gere o dataset sintético:

Este MVP utiliza um dataset gerado por script para simular dados reais. Execute o script de criação de dados:

python create_data.py

Isso criará a pasta data/ com o arquivo jurisprudencia.csv.

Treine os modelos de Machine Learning:

Entre na pasta scripts/e execute o código:

python train_model.py

O script irá processar os dados, treinar os modelos de predição e similaridade, e salvá-los na pasta models/.

Execute a aplicação Streamlit:

Com os modelos treinados, você já pode iniciar a aplicação.

streamlit run app.py

A aplicação será aberta automaticamente no seu navegador padrão!

🧠 Como Funciona?

Módulo de Predição de Risco

• Input: O advogado insere a Tese Jurídica e seleciona o Juízo.
• Pré-processamento: Os textos são combinados e transformados em um vetor numérico pelo TfidfVectorizer, que foi treinado previamente.
• Predição: O vetor é então alimentado no modelo de Regressão Logística treinado, que calcula a probabilidade da classe "Procedente".
• Output: A probabilidade é exibida como uma porcentagem e classificada como "Baixo", "Médio" ou "Alto Risco".

Módulo de Análise de Consistência

• Input: A Tese Jurídica inserida pelo usuário.
• Vetorização: A tese é transformada em um vetor numérico usando o mesmo TfidfVectorizer (focado apenas em teses).
• Cálculo de Similaridade: A similaridade de cossenos é calculada entre o vetor da nova tese e todos os vetores de teses do dataset original.
• Ranking: O sistema identifica os 5 vetores com a maior pontuação de similaridade.
• Output: As 5 decisões correspondentes são recuperadas e exibidas, permitindo uma análise contextual da jurisprudência.

🧑‍💻 Como usar?

Após iniciar a aplicação, você verá uma interface na barra lateral esquerda:

1. Selecione um Juízo da lista.
2. Descreva a Tese Jurídica no campo de texto.
3. Clique no botão "Analisar Risco e Consistência".

O painel principal será atualizado com a probabilidade de êxito, o nível de risco e uma lista expansível com as 5 decisões mais relevantes para o seu caso.

🆓 Licença

Este projeto está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.