Olá, Eduardo · Knowledge Weaver

Neuro Symbolic AI aplicada à documentos normativos complexos

A AI Tributária nasceu de um projeto de pesquisa desenvolvido por Eduardo de Souza (kwead) e pelo Prof. Dr. Julio Cesar dos Reis (Unicamp). O projeto investiga como a Inteligência Artificial Neuro-Simbólica pode tornar a interpretação de normas mais explicável, precisa e verificável.

Diferente de sistemas baseados apenas em modelos de linguagem, nossa abordagem combina IA generativa com knowledge graphs. as regras tributárias, suas condições, exceções e relações são recuperadas e avaliadas por mecanismos determinísticos antes da apresentação da resposta.

A AI Tributária está iniciando sua fase de testes com usuários convidados. Neste momento, o sistema trabalha com a Reforma Tributária e a Lei Complementar nº 214/2025. As interações realizadas durante os testes ajudam a avaliar a qualidade da recuperação das regras, a precisão das respostas e a capacidade do sistema de reconhecer quando as evidências disponíveis.

A proposta não é substituir a análise de profissionais da área tributária, mas fornecer um mecanismo de AI mais transparente, auditável e capaz de apresentar não apenas uma resposta, mas também as evidências e um grau mensurável de sustentação desta resposta.

Publicação aceita nos congressos

ESWC - European Semantic Web COnference - Croácia - 2026
KDIR - Knowledge Discovery and Information Retrieval - França - 2026

O objetivo é enfrentar três limitações recorrentes da IA generativa aplicada ao contexto normativo e regulatório

respostas formuladas sem evidência normativa suficiente;

dificuldade para explicar como uma conclusão foi obtida;

ausência de critérios objetivos para avaliar a confiabilidade da resposta.

fundamentadas em regras e dispositivos legais identificáveis;

acompanhadas das evidências utilizadas;

construídas por um processo rastreável;

avaliadas por métricas de cobertura, aderência e confiabilidade.

Base normativa/regulatporia que evolui, trazendo transparência e auditabilidade by design

O usuário vê não só a resposta, mas como ela foi construída: expansão canônica, classes usadas, regras recuperadas e verificação por requisito.