Para a Sprint 8, a equipe de Business Intelligence teve como missões: continuar a Implementação da classificação multirrótulo no pipeline de subsets, implementar cleanlab com o identificador de petições iniciais, implementar testes na etapa de coleta da triagem de perícias, estudar documentação do sinapses, acelerar o processamento dos textos do CRETA, adicionar mais 10 intenções ao chatbot com serviços essenciais, definir métrica para o chatbot e interpretá-las, correção de bugs do chatbot, adicionar feedback e report de erro no chatbot e coleta de dados para refinamento do chatbot. 

 Em relação a implementação da classificação multirrótulo no pipeline foi finalizada a construção do modelo para treino. O ambiente sobe automaticamente os novos modelos testados e todos os dados diretamente para o Gitjus. Já em relação ao cleanlab foi testado um novo algoritmo junto aos anteriores(XGBoost e LightGBM) conhecido como CatBoost, as métricas foram basicamente idênticas aos algoritmos anteriores. Nos testes da etapa de coleta foi utilizado uma nova ferramenta chamada de Great Expectations para ajudar a criar testes relacionados aos dados dentro da pipeline e assim identificar erros de maneira bem mais simples. No processamento de textos do CRETA foram criadas novas formas de processar, sendo possível dividir as aplicações em várias máquinas diferentes e também verificando para que não façam o processamento do mesmo documento já feito por outra máquina. 

 No projeto do Nísia Chatbot foi realizado um estudo sobre métricas para que seja possível avaliar se o modelo está realmente melhorando com adição de novas intenções, foram realizados correções de alguns problemas quando o chat não estava respondendo algumas perguntas e ficava num estado de travamento, adicionada 2 novas funcionalidades ao projeto onde o usuário ao final da interação responde se aquilo ajudou ou não a sua dúvida e também é possível enviar um formulário de erros/sugestões sobre o projeto. Também foi disponibilizado para os servidores do atendimento ao público um outro formulário, esse para coletar mais perguntas reais sobre intenções que têm poucos dados no momento, fazendo assim que o modelo fique o mais balanceado possível em relação às classes. 

 Um novo material foi disponibilizado para a equipe e assim poder estudar a documentação do sinapses, ferramenta que auxilia o desenvolvimento e disponibilidade em larga escala de modelos de IA, tudo isso para que futuramente os modelos possam ser colocados em produção dentro da plataforma do CNJ.