Chatbot para aposentadoria rural baseado em LLMs e RAG
DOI:
https://doi.org/10.34117/bjdv12n6-016Keywords:
aposentadoria rural, INSS, chatbot, RAG, embeddingsAbstract
Este trabalho apresenta o desenvolvimento e a avaliação de um chatbot para apoio informacional sobre aposentadoria rural do INSS, baseado em Modelos de Linguagem de Grande Escala (LLMs), Retrieval-Augmented Generation (RAG) e embeddings. A pesquisa, de natureza aplicada, qualitativa e exploratória, envolveu a construção de uma base de conhecimento com fontes oficiais do INSS e do Planalto, indexação vetorial e geração condicionada por LLM. A avaliação foi realizada por meio de um FAQ “ouro” com 25 perguntas representativas sobre aposentadoria rural. Os resultados indicaram cobertura integral do conjunto de teste, taxa de respostas substantivas de 80%, fallback de 20% e forte ancoragem em fontes oficiais. Conclui-se que a arquitetura proposta apresenta viabilidade inicial para apoio informacional previdenciário, embora ainda demande aprimoramentos na cobertura do corpus, na recuperação e na ampliação de respostas para questões procedimentais mais específicas.
References
BRASIL. Decreto nº 3.048, de 6 de maio de 1999. Aprova o Regulamento da Previdência Social. Disponível em: https://www.planalto.gov.br/ccivil_03/decreto/d3048.htm. Acesso em: 6 out. 2025.
BRASIL. Lei nº 8.213, de 24 de julho de 1991. Dispõe sobre os Planos de Benefícios da Previdência Social e dá outras providências. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l8213cons.htm. Acesso em: 6 out. 2025.
BROWN, T. et al. Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 2020. Disponível em: https://proceedings.neurips.cc/paper_files/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf. Acesso em: 6 out. 2025.
CARBONELL, Jaime; GOLDSTEIN, Jade. The Use of MMR, Diversity-Based Reranking for Reordering Documents and Producing Summaries. In: SIGIR’98 – Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 1998. Disponível em: https://www.cs.cmu.edu/~jgc/publication/The_Use_MMR_Diversity_Based_LTMIR_1998.pdf. Acesso em: 21 out. 2025.
DEVLIN, Jacob et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv, 2019. Disponível em: https://arxiv.org/abs/1810.04805. Acesso em: 2 jun. 2026.
FAN, Wenqi et al. A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models. arXiv, 2024. Disponível em: https://arxiv.org/abs/2405.06211. Acesso em: 14 out. 2025.
GAO, Yunfan et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv, 2023. Disponível em: https://arxiv.org/abs/2312.10997. Acesso em: 6 out. 2025.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org/. Acesso em: 6 out. 2025.
INSTITUTO NACIONAL DO SEGURO SOCIAL (INSS). Aposentadoria por idade do trabalhador rural. Disponível em: https://www.gov.br/inss/pt-br/direitos-e-deveres/aposentadorias/aposentadoria-por-idade-do-trabalhador-rural. Acesso em: 6 out. 2025.
JOHNSON, Jeff; DOUZE, Matthijs; JÉGOU, Hervé. Billion-Scale Similarity Search with GPUs. arXiv, 2017. Disponível em: https://arxiv.org/abs/1702.08734. Acesso em: 21 out. 2025.
JURAFSKY, Daniel; MARTIN, James H. Speech and Language Processing. 3. ed. draft. [S. l.], 2023. Disponível em: https://web.stanford.edu/~jurafsky/slp3/ed3book_jan72023.pdf. Acesso em: 6 out. 2025.
KARPUKHIN, Vladimir et al. Dense Passage Retrieval for Open-Domain Question Answering. In: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP). [S. l.]: Association for Computational Linguistics, 2020. Disponível em: https://aclanthology.org/2020.emnlp-main.550/. Acesso em: 2 jun. 2026.
LEWIS, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. In: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2020. Disponível em: https://arxiv.org/abs/2005.11401. Acesso em: 6 out. 2025.
LOPES, Marcelo Rodrigues. Pleiteando direitos e lidando com burocracias: o acesso à aposentadoria rural pelos segurados especiais do Marajó, Pará. Revista Direito e Práxis, Rio de Janeiro, v. 16, n. 2, p. 1–29, 2025. Disponível em: https://www.scielo.br/j/rdp/a/cQxH46YwdbdxkNd43zd7yqz/. Acesso em: 21 out. 2025.
MIKOLOV, Tomas et al. Efficient Estimation of Word Representations in Vector Space. arXiv, 2013. Disponível em: https://arxiv.org/abs/1301.3781. Acesso em: 2 jun. 2026.
OPENAI. GPT-4 Technical Report. arXiv, 2023. Disponível em: https://arxiv.org/abs/2303.08774. Acesso em: 6 out. 2025.
PENNINGTON, Jeffrey; SOCHER, Richard; MANNING, Christopher D. GloVe: Global Vectors for Word Representation. In: Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). [S. l.]: Association for Computational Linguistics, 2014. Disponível em: https://aclanthology.org/D14-1162/. Acesso em: 2 jun. 2026.
VASWANI, Ashish et al. Attention Is All You Need. arXiv, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: 2 jun. 2026.
