bypass_bertbase_portuguese_detector

Model Card for Bypass Detector (BERTimbau Base)

Detector supervisionado de tentativas de bypass (transação/contato fora da plataforma) em conversas de chat de negociação, desenvolvido para operar como segunda camada de moderação em cascata.

---

Model Details

Model Description

Este modelo é uma versão fine-tuned do BERTimbau Base (neuralmind/bert-base-portuguese-cased) para classificação binária de sequências (0: nao_bypass, 1: bypass).

O objetivo é identificar quando um participante da negociação tenta migrar o contato para canais externos (WhatsApp, telefone, Telegram, e-mail, redes sociais ou chaves PIX em formato de telefone), considerando a mensagem atual juntamente com o contexto imediato dos turnos anteriores ($k = 3$).

• Developed by: Time de Dados & IA
• Funded by: CEGS
• Shared by: Carlos Eduardo Gabriel Santos
• Model type: Transformer Encoder (BertForSequenceClassification)
• Language(s) (NLP): Português (pt-BR)
• License: CEGS
• Finetuned from model: neuralmind/bert-base-portuguese-cased

Model Sources

• Repository: Repositório privado Hugging Face (carloseducorinto/bypass_bertbase_portuguese_detector)
• Paper: Devlin et al., 2018 (BERT) e Souza et al., 2020 (BERTimbau)

---

Uses

Direct Use

O modelo destina-se à classificação pontual e em lote de mensagens de chat em plataformas de marketplace, avaliando o texto da mensagem-alvo precedido por até 3 turnos de contexto formatados estruturalmente.

Entrada esperada do modelo:

[CONTEXTO]
REMETENTE_1: Texto do turno -3
REMETENTE_2: Texto do turno -2
REMETENTE_1: Texto do turno -1
[MENSAGEM]
REMETENTE_2: Mensagem atual a ser avaliada

Downstream Use

• Segunda Camada em Cascata: Atua após filtros heurísticos e regras de alta precisão (ex: regex de telefones canônicos), capturando ofuscações complexas (62x993x34xx68xx90), fragmentações entre múltiplos turnos, links encurtados/grupos (chat.whatsapp.com), e-mails e chaves PIX de telefone.
• Auditoria Assíncrona: Reprocessamento e scoring em lote de históricos de negociação para mitigação de fraudes e desintermediação.

Out-of-Scope Use

• Uso sem contexto formatado: Avaliar mensagens sem o prefixo [MENSAGEM] ou omitir o histórico quando existente pode degradar o recall em fragmentos multi-turno.
• Truncamento à direita (truncation_side = "right"): A mensagem-alvo situa-se no final da sequência. Cortar pela direita remove a mensagem a ser classificada, gerando falsos negativos silenciosos.
• Decisão judicial ou punitiva automática sem revisão: O modelo deve ser utilizado com limiares calibrados ($P \ge 97%$) ou fila de revisão humana para pontuações limítrofes.

---

Bias, Risks, and Limitations

[!WARNING] Modelo Treinado em Dados Sintéticos (Regra 7 do Projeto): Para estrita conformidade com a LGPD e sigilo de dados sensíveis, o modelo foi treinado integralmente sobre um corpus sintético procedural enriquecido a partir de distribuições e n-gramas agregados do mundo real (sem PII). Antes da implantação em produção final, deve ser validado no ambiente restrito com dados reais anotados.

1. Assimetria por Família de Bypass:
   • O modelo atinge Recall de 100% em ofuscações com caracteres intercalados (fornecimento_ofuscado), números fragmentados (fragmento), links de WhatsApp (recrutamento_externo) e chaves PIX com telefone (pix_telefone).
   • A família solicitacao (pedidos de contato sem envio de dígitos, ex: "me chama lá", "tem zap?") apresenta recall menor (~73,7% no limiar de alta precisão).
2. Contextos com Bypass Prévio (Falsos Positivos Conhecidos):
   • Mensagens de despedida ou confirmação após o envio de um contato (ex: "Boa noite", "Blz" precedidos por turno com telefone) podem herdar pontuação positiva devido ao contexto.
3. Frases Ambíguas por Desenho:
   • Expressões como "chama" ou "fala comigo" sem menção explícita a canal externo são tratadas como legítimas da plataforma para evitar falsos positivos excessivos.

Recommendations

• Configurar Tokenizador: Sempre configurar explicitamente tokenizer.truncation_side = "left" e max_length = 256.
• Limiar de Operação: Utilizar o limiar calibrado T = 0.4506 para garantir Precisão $\ge 96.8%$ e Recall $\ge 91.5%$, ou T = 0.5000 para operação conservadora (Precisão $\ge 98.9%$).

---

How to Get Started with the Model

Instalação

pip install torch transformers

Exemplo de Inferência em Python

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# 1. Carregar modelo e tokenizador
REPO_ID = "carloseducorinto/bypass_bertbase_portuguese_detector"
tokenizer = AutoTokenizer.from_pretrained(REPO_ID)
tokenizer.truncation_side = "left"  # OBRIGATÓRIO: preserva a mensagem-alvo no fim

model = AutoModelForSequenceClassification.from_pretrained(REPO_ID)
model.eval()

# 2. Formatar mensagem com histórico de até 3 turnos
contexto = [
    {"sender": "CAMINHONEIRO", "texto": "Boa tarde, tenho interesse no frete"},
    {"sender": "EMBARCADOR",   "texto": "Boa tarde amigo, carga disponível em Curitiba"},
    {"sender": "CAMINHONEIRO", "texto": "Qual o valor fechado?"}
]
mensagem_alvo = {
    "sender": "EMBARCADOR",
    "texto": "chama no 4 1 9 9 1 2 3 4 5 6 7 pra fechar"
}

# Montar o template de entrada
linhas_contexto = [f"{t['sender']}: {t['texto']}" for t in contexto[-3:]]
texto_contexto = "\n".join(linhas_contexto) if linhas_contexto else "[SEM HISTORICO ANTERIOR]"
input_text = f"[CONTEXTO]\n{texto_contexto}\n[MENSAGEM]\n{mensagem_alvo['sender']}: {mensagem_alvo['texto']}"

# 3. Tokenização e Predição
inputs = tokenizer(
    input_text,
    max_length=256,
    truncation=True,
    padding=True,
    return_tensors="pt"
)

with torch.no_grad():
    outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=-1)
    score_bypass = probs[0, 1].item()  # Classe 1 = bypass

# 4. Decisão via limiar calibrado
LIMIAR_CALIBRADO = 0.4506
is_bypass = score_bypass >= LIMIAR_CALIBRADO

print(f"Score Bypass: {score_bypass:.5f}")
print(f"Classificação: {'🚨 BYPASS DETECTADO' if is_bypass else '✅ MENSAGEM REGULAR'}")

---

Training Details

Training Data

O modelo foi treinado em um corpus de 534.964 exemplos sintéticos com prevalência natural balanceada de 3,99% de positivos, estruturado segundo o contrato de 31 colunas do projeto.

• Ausência total de PII: Padrões numéricos e nomes foram gerados deterministicamente baseados em distribuições de n-gramas do mundo real.
• Diversidade de Negativos Realistas: Inclui placas de veículos (ABC1D23), CEPs (13480-000), valores monetários (R$ 4.500,00), dimensões (11.40 x 2.60), pesos em toneladas e kg, e URLs legítimas da plataforma.
• Garantia de Split: Divisão estratificada por chat_id com deduplicação prévia, garantindo 0 vazamento entre treino, validação e teste.

Training Procedure

Preprocessing

• Formatação em turnos com prefixos estruturados [CONTEXTO] e [MENSAGEM].
• Tokenização via BERTimbau cased com max_length = 256 e truncation_side = "left".

Training Hyperparameters

• Regime de Treino: FP16 mixed precision
• Otimizador: AdamW
• Learning Rate: 2e-5 com linear decay
• Warmup: 1.505 passos (~6% do total)
• Batch Size: 64
• Épocas: 3 épocas (25.092 passos de otimização)
• Seleção de Checkpoint: load_best_model_at_end = True monitorando recall @ precision >= 97% (Melhor checkpoint na Época 2).

Speeds, Sizes, Times

• Hardware de Treino: 1x NVIDIA A100 SXM4 40GB (Google Colab Enterprise)
• Tempo Total de Treino: 43 minutos e 49 segundos
• Tamanho dos Pesos: 435,7 MB (model.safetensors, 108.9M parâmetros)

---

Evaluation

Testing Data, Factors & Metrics

Testing Data

Conjunto de teste independente contendo 115.962 mensagens (4.634 bypass e 111.328 não-bypass), avaliado com reponderação para a prevalência real de 4%.

Factors & Taxonomia

Avaliação desagregada pelas 9 famílias de bypass reais:

• fornecimento_ofuscado (dígitos com separadores/caracteres intercalados)
• fragmento (número dividido em 2 a 4 mensagens sequenciais)
• solicitacao (pedido de canal externo sem envio de número)
• pix_telefone (chave PIX em formato de celular - Regra R5)
• valor_camuflado (telefone disfarçado de valor em R$)
• recrutamento_externo (links wa.me, chat.whatsapp.com, linktr.ee)
• fornecimento_explicito (e-mails e números canônicos)
• combinacao_canal (promessa de contato com letras espaçadas)
• instrucao_ofuscacao (orientações sobre como burlar o filtro)

Metrics

• AUC-PR (Reponderado): Integração da curva Precision-Recall ajustada à prevalência.
• Precisão e Recall por Mensagem.
• Precisão e Recall por Negociação: Agregação por max(score) em cada negotiation_id (basta 1 detecção para conter o bypass).

Results

Desempenho por Família de Bypass (Teste)

Teste de Estresse (Casos Desafiadores Fora da Distribuição)

Em suite de testes com 33 casos manuais contendo ruídos, gírias e números legais:

• Casos Vistos: 8/8 (100% de acerto)
• Casos Inéditos: 21/25 (84% de acerto)
• Negativos Numéricos Críticos: CEP 13480-000, nota fiscal 000123456789, placa ABC1D23 e pedido 4500123 ja liberado foram classificados corretamente com score 0.0000.

---

Model Examination

• Resolução de Sub-tokens: O vocabulário do BERTimbau separa estruturalmente ofuscações de medidas (62 ##x ##99 ##3 para telefone vs 11 . 40 x 2 . 60 para dimensões de carreta), dispensando normalizadores heurísticos que causavam perda de sinal em emojis e leetspeak.
• Análise Pareada vs Versões Anteriores: Em comparação direta pareada (teste de McNemar, $p < 0.001$), esta versão superou a baseline em 26 discordâncias consecutivas a zero, corrigindo disparos indevidos em CEPs e placas.

---

Environmental Impact

• Hardware Type: 1x NVIDIA A100 SXM4 (40 GB VRAM)
• Hours Used: ~1.5 horas de computação ativa (treino + validações)
• Cloud Provider: Google Cloud Platform (GCP / Colab Enterprise)
• Compute Region: us-central1
• Carbon Estimation: ~0.18 kg CO₂eq (estimado via Machine Learning Impact Calculator).

---

Technical Specifications

Model Architecture and Objective

BertForSequenceClassification(
  (bert): BertModel (12 layers, 768 hidden, 12 heads, 29,794 vocab)
  (dropout): Dropout(p=0.1)
  (classifier): Linear(in_features=768, out_features=2, bias=True)
)

• Número Total de Parâmetros: 108.923.138 (~108.9M)
• Formato de Serialização: Safetensors (model.safetensors)

Compute Infrastructure

Latência de Inferência Medida

---

Citation

@article{souza2020bertimbau,
  title={BERTimbau: Pretrained BERT Models for Brazilian Portuguese},
  author={Souza, F{\'a}bio and Nogueira, Rodrigo and Lotufo, Roberto},
  journal={9th Brazilian Conference on Intelligent Systems (BRACIS)},
  year={2020}
}

@article{devlin2018bert,
  title={BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding},
  author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  journal={arXiv preprint arXiv:1810.04805},
  year={2018}
}

---

Glossary

• Bypass: Qualquer tentativa de fornecer, solicitar ou instruir a migração da negociação para canal externo fora da plataforma segura.
• Segunda Camada em Cascata: Arquitetura onde o modelo processa mensagens que não foram filtradas por regras determinísticas estritas, maximizando recall em padrões complexos sem sobrecarregar a infraestrutura.
• Regras R1–R5: Regras normativas de desempate do projeto (prioridade do canal sobre rótulo alegado, contagem de dígitos sem unidade, validação de chaves PIX).
• Truncamento à Esquerda (left): Estratégia de tokenização que descarta turnos mais antigos do contexto quando o tamanho excede max_length = 256, preservando intacta a mensagem-alvo.

---

Model Card Authors

• Time de Dados e IA

---