AletheIA

AletheIA é uma plataforma que utiliza Inteligência Artificial e dados públicos para analisar promessas públicas de forma explicável, transparente e auditável.

O objetivo do projeto não é prever o futuro nem determinar verdades absolutas. O foco é fornecer uma análise estruturada baseada em critérios explícitos, evidências verificáveis e fontes públicas confiáveis.

O nome "AletheIA" é inspirado em Aletheia, conceito da filosofia grega associado à verdade e revelação, combinado com "IA" (Inteligência Artificial).

Princípios

O AletheIA é construído sobre alguns princípios fundamentais:

• Não inventar dados.
• Exibir as fontes utilizadas.
• Explicar como a conclusão foi alcançada.
• Tornar os critérios visíveis ao usuário.
• Expor limitações da análise.
• Informar o nível de confiança da análise.
• Evitar modelos de decisão em caixa-preta.
• Separar interpretação por IA de cálculo de score.
• Versionar prompts, modelos e critérios de avaliação.

Objetivo

Transformar promessas públicas escritas em linguagem natural em análises estruturadas e explicáveis.

Fluxo pretendido:

Promessa pública
↓
LLM
↓
Extração de informações estruturadas
↓
Consulta a dados públicos
↓
Avaliação por critérios
↓
Score
↓
Confidence
↓
Explicação da análise
↓
Persistência e histórico

O que o AletheIA analisa

A análise considera fatores como:

• Clareza da promessa;
• Mensurabilidade;
• Existência de prazo;
• Disponibilidade de dados públicos;
• Histórico comparável;
• Dependências e riscos;
• Evidências encontradas em fontes públicas.

Score AletheIA

O score não representa verdade absoluta, intenção política ou probabilidade exata de cumprimento.

O Score AletheIA representa o grau de sustentação verificável de uma promessa pública com base em critérios objetivos, dados disponíveis e evidências auditáveis.

Critérios iniciais do modelo v1:

• Clareza da promessa;
• Mensurabilidade;
• Prazo definido;
• Dados públicos disponíveis;
• Histórico comparável;
• Dependências e riscos.

A LLM interpreta a promessa e extrai informações estruturadas, mas não calcula o score nem define os pesos dos critérios.

Stack

Backend

• Go
• Chi Router
• PostgreSQL
• Docker

Frontend

• React
• TypeScript
• TailwindCSS
• React Router

Inteligência Artificial

• Gemini API
• LLMs
• Processamento de Linguagem Natural
• Extração estruturada de informações
• JSON Mode

Dados

• IBGE
• IPEA
• Banco Central
• Dados.gov.br
• DATASUS

Status Atual

Em desenvolvimento (Release 1).

Implementado atualmente:

Backend

• API REST em Go;
• Health Check;
• Estrutura HTTP com handlers, routes e services;
• Injeção de dependências;
• Repository Pattern;
• Persistência em PostgreSQL;
• Cache de análises por hash da promessa;
• Histórico de análises persistido em banco de dados;
• DTOs de request/response;
• Testes automatizados.

Inteligência Artificial

• Interface llm.Client para desacoplar provedores de IA;

• Integração com Gemini e OpenRouter;

• Prompt estruturado para extração de promessas;

• Resposta da LLM em JSON;

• Parse para PromiseExtraction;

• Extração de:

  • resumo;
  • categoria;
  • objetivo;
  • prazo;
  • indicadores;
  • valor alvo (target_value);
  • unidade alvo (target_unit);
  • critérios;
  • riscos;
  • fontes sugeridas;

• Critérios avaliados pela LLM;

• Explicações dos critérios geradas pela LLM;

• Riscos extraídos pela LLM.

Score e Metodologia

• ScoringModelV1;
• Motor de cálculo de score;
• Confidence calculada a partir dos critérios;
• Critérios ponderados por peso;
• Metodologia documentada em docs/methodology.md;
• Critério de plausibilidade baseado em evidências públicas;
• Comparação automática entre meta e linha de base pública;
• Explicação quantitativa da plausibilidade.

Dados Públicos

• Integração com CNES/DATASUS;
• Coleta automática de baseline público;
• Persistência de baselines em PostgreSQL;
• Evidências públicas incorporadas à análise;
• Contagem nacional de hospitais ativos utilizando dados oficiais do CNES;
• Sistema preparado para múltiplos provedores de dados públicos.

Frontend

• React + TypeScript;

• Consumo da API de análise;

• Exibição de:

  • score;
  • confidence;
  • resumo;
  • critérios;
  • riscos;
  • fontes;
  • evidências públicas;

• Interface dark/light;

• Componentes de resultado e visualização de score.

---

Arquitetura Atual

Frontend React
↓
POST /promises/analyze
↓
AnalyzePromiseHandler
↓
PromiseAnalyzerService
↓
┌─────────────────────┐
│ LLM Provider        │
│ Gemini / OpenRouter │
└─────────────────────┘
↓
PromiseExtraction
↓
Public Data Provider
↓
CNES / DATASUS
↓
Evidence
↓
ScoringModelV1
↓
ScoreCalculatorService
↓
Analysis
↓
PostgreSQL
↓
AnalyzePromiseResponse

Fluxo de Análise

Promessa
↓
LLM
↓
Extração estruturada
↓
Busca de evidências públicas
↓
Linha de base (baseline)
↓
Avaliação dos critérios
↓
Cálculo de Score
↓
Cálculo de Confidence
↓
Persistência
↓
Resposta para o frontend

Próximos Passos

• Banco Central (IPCA);
• Múltiplos provedores de dados públicos;
• Melhorias na metodologia de plausibilidade;
• Transparência da metodologia no frontend;
• Docker Compose completo;
• Release 1.

Contrato da Extração LLM

A LLM deve responder em JSON estruturado no formato:

{
  "summary": "string",
  "category": "string",
  "goal": "string",
  "deadline": "string",
  "indicators": ["string"],
  "risks": ["string"],
  "criteria": [
    {
      "key": "string",
      "status": "yes|partial|no",
      "explanation": "string"
    }
  ]
}

Critérios oficiais:

• clarity
• measurability
• deadline
• public_data
• historical_baseline
• risks_dependencies

Status permitidos:

• yes
• partial
• no

Roadmap

Release 1 — Core

Primeira versão pública do produto.

Inclui:

• LLM;
• Dados públicos;
• Score;
• Confidence;
• Critérios explicáveis;
• Fontes utilizadas;
• Limitações da análise;
• PostgreSQL;
• Persistência das análises;
• Campo analysis_data em JSONB preparado para futuro Knowledge Graph;
• Docker;
• Deploy.

Release 2 — Explainability

• Grafo lógico da análise;
• Visualização do raciocínio utilizado;
• Explicação detalhada dos critérios.

Release 3 — Multi-Fonte

• Integração com múltiplas bases públicas;
• Cruzamento de indicadores;
• Maior robustez das análises.

Release 4 — Knowledge Graph

• Grafo como modelo de dados;
• Relacionamento entre promessas, indicadores, fontes e evidências.

Release 5 — Inteligência Acumulada

• Reutilização de análises anteriores;
• Comparação entre promessas semelhantes;
• Aprendizado sobre padrões históricos.

Release 6 — Plataforma

• Comparações;
• Dashboards;
• Busca;
• Monitoramento contínuo.

Próximos Passos

• Persistir análises no PostgreSQL;
• Criar campo analysis_data em JSONB contendo promessa, extração, critérios, riscos, fontes, limitações e metadados;
• Versionar prompt_version, score_model_version, llm_provider e llm_model;
• Iniciar integração com uma fonte pública real;
• Adicionar Docker para backend, frontend e PostgreSQL;
• Preparar deploy da Release 1.

Objetivo Técnico

Além do impacto social, o projeto também serve como estudo prático de:

• Go;
• Arquitetura de Software;
• APIs REST;
• Integração com IA;
• Engenharia de Dados;
• Sistemas Explicáveis;
• Testes Automatizados;
• Processamento de Dados Públicos;
• Boas Práticas de Engenharia de Software.

Motivação

O AletheIA surgiu da ideia de utilizar tecnologia para tornar análises públicas mais transparentes e acessíveis.

Em vez de produzir respostas opacas, o projeto busca apresentar critérios, evidências, fontes e limitações de forma clara, permitindo que qualquer pessoa compreenda como uma conclusão foi construída.