Recuperação de informação sobre a atividade legislativa do Senado Federal mediada por agentes.
Acesso à informação, Dados Abertos, Recuperação de Informação, Modelos de Linguagem de Larga Escala (LLM), Geração Aumentada por Recuperação (RAG), Agentes Inteligentes
A Lei nº 12.527, de 18 de novembro de 2011 (Lei de Acesso à Informação – LAI) faculta ao cidadão pedir aos órgãos públicos informações do seu interesse através da transparência passiva. No âmbito do Senado Federal, 38,67\% das manifestações recebidas entre 2018 e 2025 foram respondidas com o envio do endereço eletrônico da informação disponível no Portal da Transparência do Senado Federal. Este trabalho propõe a construção de um framework baseado em Geração Aumentada por Recuperação (RAG, do inglês Retrieval-Augmented Generation) para recuperação de informação relacionada à transparência passiva da atividade legislativa do Senado Federal. O objetivo é investigar como diferentes estratégias de recuperação e geração podem ser utilizadas para gerar respostas fundamentadas e provenientes de fontes verificáveis, identificando os endereços das fontes oficiais que sustentam as manifestações institucionais. Será construído um módulo independente para cada estratégia de recuperação e geração, com a avaliação realizada por meio das métricas Precision@K, Recall@K, F1@K, MRR@K e Exact Match para mensurar precisão, relevância e cobertura na recuperação de URLs oficiais. O desafio consiste em compreender pedidos de acesso à informação, formulados em linguagem natural e heterogênea, e traduzi-los em consultas eficazes e rastreáveis capazes de recuperar informações legislativas corretas. Espera-se aprimorar a previsão e a proveniência das respostas, bem como o fluxo de trabalho das equipes responsáveis, promovendo maior eficiência no serviço público. A partir dessa análise, busca-se comparar o desempenho das diferentes abordagens de recuperação e geração, verificando sua eficácia na localização automática das fontes oficiais que fundamentam as manifestações do Senado Federal. Os resultados poderão orientar a implementação de soluções de IA mais robustas, com potencial de expansão para outras demandas de acesso à informação no setor público.