vic35get/HelBERT-base

HelBERT: Modelo BERT para Contratações Públicas

O HelBERT é um modelo de linguagem baseado na arquitetura BERT, pré-treinado com mais de 1,4 bilhão de tokens extraídos de editais de licitação, contratos públicos e legislações brasileiras, com foco exclusivo no domínio jurídico de contratações públicas.

Foi desenvolvido para superar modelos genéricos e jurídicos existentes em tarefas específicas do setor público, como classificação de objetos de contratação e identificação de indícios de fraude em editais.

---

🧠 Detalhes do Modelo

• Arquitetura: BERT-Base (12 camadas, 110M parâmetros)
• Tarefa de pré-treinamento: Masked Language Modeling (MLM)
• Tokenizador: WordPiece especializado em domínio jurídico
• Corpora: Comprasnet, TCE-PI, PNCP, Leis de Licitação
• Tamanho do vocabulário: 33 mil subpalavras
• Precisão: 95.87% F1 na classificação de objetos e 91.65% F1 na detecção de fraudes

---

🧪 Avaliação

Tarefa	F1-Weighted	Accuracy
Classificação de objetos de contratação	95.87%	95.87%
Classificação de indícios de fraude	91.65%	86.08%

Outras métricas:

• Perplexidade: 3.4–3.5 nos datasets jurídicos
• Fertilidade do tokenizador: 1.17–1.18 (baixo número de subpalavras por palavra)

---

✅ Como usar

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("vic35get/HelBERT-base")
model = AutoModelForMaskedLM.from_pretrained("vic35get/HelBERT-base")

input_text = "A proposta será avaliada com base no critério do [MASK]."
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model(**inputs)

📚 Dados de Treinamento

• Documentos utilizados: mais de 460 mil, incluindo editais de licitação, contratos administrativos, termos de referência, atas e legislações.
• Fontes: COMPRASNET, Portal Nacional de Contratações Públicas (PNCP), Tribunal de Contas do Estado do Piauí (TCE-PI) e portais de transparência do governo.
• Total de tokens: aproximadamente 1,49 bilhão.
• Conjunto de treino: 9,7 milhões de amostras.
• Conjunto de validação: 100 mil amostras.
• Pré-processamento aplicado:
  • Remoção de ruído estrutural (headers, URLs, assinaturas).
  • Padronização de entidades como CNPJs, números, datas e e-mails.
  • Normalização de vocabulário e unificação de sinônimos.
  • Segmentação de sentenças com o NLTK.

---

⚙️ Configuração de Treinamento

• Épocas de pré-treinamento: 6
• Batch total: 128 (32 por etapa × 4 de accumulation)
• Max length por sequência: 128 tokens
• Otimizador: AdamW (β₁=0.9, β₂=0.999, ε=1e−6)
• Weight decay: 0.01
• Taxa de aprendizado: 1e-4
• Precisão: FP16 (mixed precision)
• Tempo total de treinamento: ~72 horas
• Hardware: GPU Quadro RTX 4000 (8 GB)

---

📌 Aplicações Recomendadas

🧩 Uso Direto (sem fine-tuning)

• Preenchimento de lacunas em textos jurídicos (MLM)
• Geração de embeddings especializados para domínios públicos
• Suporte a tarefas de recuperação de informação jurídica

🏷️ Ajuste Fino (downstream tasks)

• Classificação do tipo de objeto em editais de licitação
• Detecção automática de indícios de fraude ou risco em contratações públicas
• Análise de cláusulas contratuais e segmentação semântica

---

❗ Limitações

• O modelo foi treinado exclusivamente com documentos do setor público, podendo apresentar viés ao ser aplicado fora desse domínio (como contratos privados ou sentenças judiciais).
• Linguagem com forte padrão normativo e técnico pode dificultar a generalização para contextos mais informais.
• Restrições computacionais limitaram o número de épocas e a variedade de batch sizes testados.

---

🌱 Impacto Ambiental

Estimativas aproximadas baseadas na ferramenta Machine Learning CO2 Impact:

• Tipo de hardware: GPU Quadro RTX 4000 (8GB)
• Tempo de uso: ~72 horas
• Região de computação: Local (Brasil)
• Emissão estimada de CO₂eq: ~21.6 kg

---