Utilização de técnicas de machine learning para a organização de documentos digitais no formato PDF

Abstract

Este trabalho apresenta o desenvolvimento e a avaliação de um sistema automatizado para organização de documentos digitais no formato PDF utilizando técnicas de Machine Learning. O objetivo central é comparar diferentes abordagens de Inteligência Artificial, como Processamento de Linguagem Natural (PLN), Regressão Logística e o modelo BERT, aplicadas à classificação de documentos. Para isso, foram utilizadas duas bases de dados públicas, totalizando 4.901 documentos, divididos em até cinco categorias distintas, submetidas a etapas de pré-processamento, extração de texto e codificação de categorias. Embora existam estudos prévios aplicando IA à organização documental, muitos se concentram em domínios restritos ou em dados estruturados de forma simplificada. Os modelos foram treinados e avaliados com métricas de acurácia, precisão, recall e F1-score, além de terem sido integrados a uma API REST desenvolvida em Django. Este trabalho se diferencia ao propor uma comparação entre abordagens consolidadas de PLN aplicadas à classificação automatizada de arquivos PDF em larga escala, com aplicação prática em um sistema funcional. Os resultados demonstraram que, em cenários de maior complexidade textual, o modelo BERT atingiu acurácia de até 97% e F1-score acima de 0,95, enquanto a Regressão Logística obteve acurácia média de 92%, com quedas pontuais em algumas classes. Esses resultados destacam a robustez do BERT na classificação de documentos heterogêneos e sugerem que a utilização de técnicas avançadas de IA pode aprimorar significativamente a organização e a gestão de documentos digitais, proporcionando maior eficiência e confiabilidade aos processos.