File size: 16,638 Bytes
ad225da b1769e9 ad225da 09fae3d ad225da 09fae3d ad225da b1769e9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 | {
"nbformat": 4,
"nbformat_minor": 0,
"metadata": {
"colab": {
"provenance": [],
"gpuType": "T4"
},
"kernelspec": {
"name": "python3",
"display_name": "Python 3"
},
"accelerator": "GPU"
},
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# ⚖️ IVRIUS — Notebook 2: Dataset Jurídico Avançado\n",
"**Parte A:** Verbetes Bilíngues PT-EN (Jurema-7B)\n",
"**Parte B:** Q&A Jurídico (STJ ementas → perguntas + respostas)\n",
"**Output:** `ivrius_verbetes_v2.jsonl` + `ivrius_qa_v2.jsonl`\n",
"\n",
"### ✅ Checklist:\n",
"- [ ] Runtime → T4 GPU\n",
"- [ ] Token HuggingFace disponível\n",
"- [ ] ~2h para rodar completo"
]
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 1: Instalar dependências ──────────────────────────────\n!pip install -q llama-cpp-python --extra-index-url https://abetlen.github.io/llama-cpp-python/whl/cu121\n!pip install -q sentence-transformers datasets huggingface_hub\nprint('✅ Dependências instaladas!')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 2: Configuração ────────────────────────────────────────\n",
"HF_TOKEN = 'SEU_HF_TOKEN_AQUI'\n",
"HF_REPO_OUT = 'MMR408/proejto2'\n",
"\n",
"import os\n",
"os.environ['HF_TOKEN'] = HF_TOKEN\n",
"\n",
"from huggingface_hub import login\n",
"login(token=HF_TOKEN)\n",
"print('✅ HuggingFace autenticado!')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 3: Carregar Jurema-7B GGUF via llama-cpp ─────────────\nfrom llama_cpp import Llama\nfrom huggingface_hub import hf_hub_download\n\nprint('📥 Baixando Jurema-7B GGUF...')\n\n# Baixa o GGUF do HuggingFace\ngguf_path = hf_hub_download(\n repo_id=\"MMR408/proejto2\",\n filename=\"jurema-7b-q4_k_m.gguf\",\n repo_type=\"dataset\",\n token=HF_TOKEN\n)\nprint(f'✅ Download completo: {gguf_path}')\n\nprint('📥 Carregando Jurema-7B na memória...')\nmodel_jurema = Llama(\n model_path=gguf_path,\n n_gpu_layers=-1, # usa GPU toda\n n_ctx=2048,\n verbose=False\n)\n\ndef pipe(prompt_text):\n output = model_jurema(\n prompt_text,\n max_tokens=512,\n temperature=0.3,\n stop=[\"```\", \"\\n\\n\\n\"]\n )\n return [{\"generated_text\": prompt_text + output[\"choices\"][0][\"text\"]}]\n\nprint('✅ Jurema-7B carregado!')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 4: Carregar voyage-4-nano (embeddings) ────────────────\n",
"from sentence_transformers import SentenceTransformer\n",
"\n",
"print('📥 Carregando voyage-4-nano...')\n",
"embedder = SentenceTransformer('voyageai/voyage-4-nano')\n",
"print('✅ voyage-4-nano carregado!')\n",
"\n",
"# Teste rápido\n",
"teste = embedder.encode('habeas corpus no direito brasileiro')\n",
"print(f' Dimensão do embedding: {len(teste)}')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ══════════════════════════════════════════════════════════════════\n",
"# PARTE A — VERBETES BILÍNGUES PT-EN\n",
"# ══════════════════════════════════════════════════════════════════\n",
"\n",
"# Temas jurídicos para gerar verbetes\n",
"TEMAS_JURIDICOS = [\n",
" # Direito Civil\n",
" 'responsabilidade civil subjetiva',\n",
" 'responsabilidade civil objetiva',\n",
" 'dano moral coletivo',\n",
" 'dano estético',\n",
" 'nexo de causalidade',\n",
" 'teoria da perda de uma chance',\n",
" 'enriquecimento sem causa',\n",
" 'boa-fé objetiva',\n",
" 'função social do contrato',\n",
" 'vícios do consentimento',\n",
" 'erro substancial',\n",
" 'dolo essencial',\n",
" 'coação moral irresistível',\n",
" 'lesão contratual',\n",
" 'estado de perigo',\n",
" # Direito Processual\n",
" 'tutela de urgência',\n",
" 'tutela antecipada',\n",
" 'tutela cautelar',\n",
" 'coisa julgada material',\n",
" 'coisa julgada formal',\n",
" 'litispendência',\n",
" 'conexão processual',\n",
" 'competência relativa',\n",
" 'competência absoluta',\n",
" 'legitimidade ativa e passiva',\n",
" # Direito Constitucional\n",
" 'mandado de segurança individual',\n",
" 'mandado de segurança coletivo',\n",
" 'mandado de injunção',\n",
" 'habeas data',\n",
" 'controle difuso de constitucionalidade',\n",
" 'controle concentrado de constitucionalidade',\n",
" 'ADPF',\n",
" 'efeito vinculante',\n",
" 'súmula vinculante',\n",
" 'reclamação constitucional',\n",
" # Direito Tributário\n",
" 'lançamento por homologação',\n",
" 'lançamento de ofício',\n",
" 'decadência tributária',\n",
" 'prescrição tributária',\n",
" 'isenção tributária',\n",
" 'imunidade tributária recíproca',\n",
" 'substituição tributária progressiva',\n",
" 'responsabilidade tributária do sócio',\n",
" 'fraude à execução fiscal',\n",
" 'exceção de pré-executividade',\n",
" # Direito Penal\n",
" 'crime continuado',\n",
" 'concurso formal de crimes',\n",
" 'concurso material de crimes',\n",
" 'prescrição penal retroativa',\n",
" 'prescrição da pretensão executória',\n",
"]\n",
"\n",
"print(f'📋 {len(TEMAS_JURIDICOS)} temas prontos para gerar verbetes')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 6: Gerar verbetes bilíngues com Jurema-7B ─────────────\n",
"import json\n",
"import time\n",
"import os\n",
"\n",
"os.makedirs('ivrius_output', exist_ok=True)\n",
"OUTPUT_FILE = 'ivrius_output/ivrius_verbetes_v2.jsonl'\n",
"\n",
"# Regras de tradução funcional (NUNCA tradução literal)\n",
"REGRAS_TRADUCAO = \"\"\"\n",
"REGRAS CRÍTICAS para tradução de institutos brasileiros:\n",
"- \"Recurso Especial\" → \"Appeal to the STJ on federal law grounds (Art. 105 III, CF)\"\n",
"- \"Recurso Extraordinário\" → \"Constitutional appeal to the STF (Art. 102 III, CF)\"\n",
"- \"Habeas Corpus\" → manter, com explicação contextual brasileira\n",
"- \"Mandado de Segurança\" → \"Writ of Mandamus (Brazilian constitutional remedy, Art. 5 LXIX, CF)\"\n",
"- \"STJ\" → \"Superior Court of Justice (STJ) — Brazil's highest court for federal statutory law\"\n",
"- \"STF\" → \"Supreme Federal Court (STF) — Brazil's Constitutional Court\"\n",
"- NUNCA traduza literalmente institutos sem equivalente direto nos EUA\n",
"\"\"\"\n",
"\n",
"def gerar_verbete(tema):\n",
" prompt = f\"\"\"Você é um curador jurídico bilíngue especializado em direito brasileiro e comparado.\n",
"\n",
"{REGRAS_TRADUCAO}\n",
"\n",
"Gere um verbete bilíngue completo sobre: \"{tema}\"\n",
"\n",
"Formato obrigatório JSON:\n",
"{{\n",
" \"termo_pt\": \"termo em português\",\n",
" \"definicao_pt\": \"definição técnica em português (2-3 frases)\",\n",
" \"fundamento_legal\": \"artigo/lei aplicável\",\n",
" \"jurisprudencia\": \"precedente STJ ou STF relevante\",\n",
" \"termo_en\": \"termo em inglês (funcional, não literal)\",\n",
" \"definicao_en\": \"definição técnica em inglês (2-3 frases)\",\n",
" \"equivalente_us\": \"instituto equivalente no direito americano ou 'No direct US equivalent'\",\n",
" \"diferenca_sistemas\": \"diferença principal entre os sistemas (1-2 frases)\"\n",
"}}\n",
"\n",
"Responda APENAS com o JSON válido:\"\"\"\n",
" \n",
" try:\n",
" output = pipe(prompt)[0]['generated_text']\n",
" # Extrai só o JSON da resposta\n",
" start = output.find('{')\n",
" end = output.rfind('}') + 1\n",
" if start >= 0 and end > start:\n",
" json_str = output[start:end]\n",
" verbete = json.loads(json_str)\n",
" # Adiciona embedding voyage\n",
" texto_embed = f\"{verbete.get('termo_pt','')} {verbete.get('definicao_pt','')}\"\n",
" verbete['embedding'] = embedder.encode(texto_embed).tolist()\n",
" verbete['fonte'] = 'Jurema-7B + voyage-4-nano'\n",
" verbete['versao'] = 'v2'\n",
" return verbete\n",
" except Exception as e:\n",
" print(f' ⚠️ Erro em \"{tema}\": {e}')\n",
" return None\n",
"\n",
"# Gerar verbetes\n",
"verbetes = []\n",
"print(f'🚀 Gerando {len(TEMAS_JURIDICOS)} verbetes bilíngues...\\n')\n",
"\n",
"with open(OUTPUT_FILE, 'w', encoding='utf-8') as f:\n",
" for i, tema in enumerate(TEMAS_JURIDICOS):\n",
" print(f'[{i+1:02d}/{len(TEMAS_JURIDICOS)}] {tema}...')\n",
" verbete = gerar_verbete(tema)\n",
" if verbete:\n",
" f.write(json.dumps(verbete, ensure_ascii=False) + '\\n')\n",
" verbetes.append(verbete)\n",
" print(f' ✅ {verbete.get(\"termo_pt\",\"\")} → {verbete.get(\"termo_en\",\"\")}')\n",
" time.sleep(1)\n",
"\n",
"print(f'\\n✅ {len(verbetes)} verbetes gerados → {OUTPUT_FILE}')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ══════════════════════════════════════════════════════════════════\n",
"# PARTE B — Q&A JURÍDICO (STJ ementas → perguntas + respostas)\n",
"# ══════════════════════════════════════════════════════════════════\n",
"\n",
"from datasets import load_dataset\n",
"\n",
"print('📥 Carregando STJ para gerar Q&A...')\n",
"stj = load_dataset('celsowm/jurisprudencias_stj', split='train[:500]', token=HF_TOKEN)\n",
"print(f'✅ {len(stj)} acórdãos carregados')\n",
"\n",
"QA_FILE = 'ivrius_output/ivrius_qa_v2.jsonl'\n",
"\n",
"def gerar_qa(row):\n",
" ementa = str(row.get('ementa_texto') or '').strip()\n",
" identificacao = str(row.get('identificacao') or '')\n",
" if len(ementa) < 100:\n",
" return None\n",
" \n",
" prompt = f\"\"\"Você é um professor de direito especializado em jurisprudência brasileira.\n",
"\n",
"Com base na seguinte ementa do STJ ({identificacao}):\n",
"\\\"\\\"\\\"{ementa[:600]}\\\"\\\"\\\"\n",
"\n",
"Gere um par de pergunta e resposta jurídica no formato JSON:\n",
"{{\n",
" \"pergunta\": \"pergunta jurídica clara e objetiva que esta ementa responde\",\n",
" \"resposta\": \"resposta fundamentada com base na ementa (3-5 frases)\",\n",
" \"area\": \"área do direito (civil/penal/tributário/processual/constitucional/trabalhista/outro)\",\n",
" \"tribunal\": \"STJ\",\n",
" \"identificacao\": \"{identificacao}\"\n",
"}}\n",
"\n",
"Responda APENAS com o JSON válido:\"\"\"\n",
" \n",
" try:\n",
" output = pipe(prompt)[0]['generated_text']\n",
" start = output.find('{')\n",
" end = output.rfind('}') + 1\n",
" if start >= 0 and end > start:\n",
" qa = json.loads(output[start:end])\n",
" # Adiciona embedding da pergunta\n",
" qa['embedding_pergunta'] = embedder.encode(qa.get('pergunta','')).tolist()\n",
" qa['fonte'] = 'STJ + Jurema-7B'\n",
" qa['versao'] = 'v2'\n",
" return qa\n",
" except Exception as e:\n",
" pass\n",
" return None\n",
"\n",
"# Gerar Q&A\n",
"qa_pairs = []\n",
"print(f'\\n🚀 Gerando Q&A de {len(stj)} acórdãos STJ...\\n')\n",
"\n",
"with open(QA_FILE, 'w', encoding='utf-8') as f:\n",
" for i, row in enumerate(stj):\n",
" qa = gerar_qa(row)\n",
" if qa:\n",
" f.write(json.dumps(qa, ensure_ascii=False) + '\\n')\n",
" qa_pairs.append(qa)\n",
" if (i+1) % 10 == 0:\n",
" print(f'[{i+1}/500] ✅ {len(qa_pairs)} pares gerados')\n",
" time.sleep(0.5)\n",
"\n",
"print(f'\\n✅ {len(qa_pairs)} pares Q&A gerados → {QA_FILE}')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 8: Estatísticas ────────────────────────────────────────\n",
"import json\n",
"from collections import Counter\n",
"\n",
"# Verbetes\n",
"print('📊 ESTATÍSTICAS — VERBETES BILÍNGUES')\n",
"print(f' Total gerados: {len(verbetes)}')\n",
"if verbetes:\n",
" print(f' Amostra:\\n')\n",
" v = verbetes[0]\n",
" print(f' PT: {v.get(\"termo_pt\")} → {v.get(\"definicao_pt\",\"\")[:100]}...')\n",
" print(f' EN: {v.get(\"termo_en\")} → {v.get(\"definicao_en\",\"\")[:100]}...')\n",
" print(f' US: {v.get(\"equivalente_us\",\"\")[:80]}...')\n",
"\n",
"print()\n",
"# Q&A\n",
"print('📊 ESTATÍSTICAS — Q&A JURÍDICO')\n",
"print(f' Total gerados: {len(qa_pairs)}')\n",
"if qa_pairs:\n",
" areas = Counter([q.get('area','?') for q in qa_pairs])\n",
" print(f' Por área:')\n",
" for area, count in areas.most_common():\n",
" print(f' {area}: {count}')\n",
" print(f'\\n Amostra Q&A:')\n",
" qa = qa_pairs[0]\n",
" print(f' ❓ {qa.get(\"pergunta\",\"\")}' )\n",
" print(f' 💬 {qa.get(\"resposta\",\"\")[:150]}...')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# ── Célula 9: Upload para HuggingFace ────────────────────────────\n",
"from huggingface_hub import HfApi\n",
"\n",
"api = HfApi(token=HF_TOKEN)\n",
"\n",
"# Upload verbetes\n",
"api.upload_file(\n",
" path_or_fileobj='ivrius_output/ivrius_verbetes_v2.jsonl',\n",
" path_in_repo='ivrius_verbetes_v2.jsonl',\n",
" repo_id=HF_REPO_OUT,\n",
" repo_type='dataset'\n",
")\n",
"print(f'✅ Verbetes enviados para {HF_REPO_OUT}')\n",
"\n",
"# Upload Q&A\n",
"api.upload_file(\n",
" path_or_fileobj='ivrius_output/ivrius_qa_v2.jsonl',\n",
" path_in_repo='ivrius_qa_v2.jsonl',\n",
" repo_id=HF_REPO_OUT,\n",
" repo_type='dataset'\n",
")\n",
"print(f'✅ Q&A enviado para {HF_REPO_OUT}')\n",
"print(f'\\n🔗 https://huggingface.co/datasets/{HF_REPO_OUT}')"
],
"execution_count": null,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## ✅ Notebook 2 Concluído!\n",
"\n",
"**Gerado:**\n",
"- `ivrius_verbetes_v2.jsonl` — verbetes bilíngues PT-EN com embeddings voyage-4-nano\n",
"- `ivrius_qa_v2.jsonl` — pares Q&A jurídicos de acórdãos reais do STJ\n",
"\n",
"**Próximo:** Notebook 3 — Pares Paralelos BR↔US + Notebook 4 — IVRIUS V2\n",
"\n",
"---\n",
"_IVRIUS — Intelligent Virtual Research and Information System_ \n",
"_Dra. Miriam Mesquita — OAB_"
]
}
]
} |