Democratizando a IA: Desafios e oportunidades no Contexto Educacional

O uso de Modelos de Linguagem de Grande Escala (LLMs) marca uma transformação significativa na forma como consumimos conteúdo e incorporamos o uso de inteligência artificial no nosso dia a dia. Seja para gerar textos, criar imagens, analisar documentos ou organizar informações, esses modelos têm demonstrado como a IA pode simplificar processos antes dependentes de ferramentas fragmentadas. No entanto, o uso destes modelos exige atenção , especialmente nos contextos de uso educacional e comercial.

Não se trata da capacidade de um modelo entregar resultados, mas de como ele entrega e qual o custo-benefício quando fazemos uma pergunta, e recebemos uma resposta. Devemos considerar, por exemplo:

• Se os dados utilizados no treinamento respeitam políticas de privacidade
• Se o modelo é capaz de capturar nuances culturais e evitar preconceitos inerentes ao seu treinamento
• Se existem restrições para o uso dos modelos, e se existe a possibilidade de garantir que estas restrições sejam respeitadas
• Se a resposta gerada é realmente adequada e útil para o contexto específico em que será utilizada

Por que trago esse tema aqui no LinkedIn?

Nesta semana, a OpenAI anunciou o ChatGPT Pro, uma versão premium do seu modelo, com capacidades avançadas para resolver problemas matemáticos, de programação e até pesquisa acadêmica em nível de doutorado.

O gráfico acima ilustra essa evolução ao comparar a confiabilidade em cenários de alta complexidade, como matemática competitiva (AIME 2024), programação (Codeforces) e questões científicas de nível de doutorado. A versão Pro (o1 pro mode) se destaca em todas as métricas avaliadas, mostrando melhorias expressivas em relação às versões anteriores (o1 e o1-preview).

Esses resultados refletem o potencial da tecnologia em casos de uso altamente especializados e críticos, como pesquisas acadêmicas ou resolução de problemas complexos. No entanto, a própria especificidade desses casos de uso destaca uma questão fundamental:

Será que precisamos desse nível de sofisticação em todas as aplicações? Ou seria mais eficiente e acessível explorar soluções ajustadas a contextos específicos, como o ensino básico ou o treinamento de competências práticas?

É aqui que entram as discussões sobre aplicabilidade, custo e democratização. No contexto educacional, por exemplo, o uso de modelos mais simples, mas ajustados ao contexto cultural e linguístico brasileiro, pode ser mais eficiente para resolver problemas práticos e acessíveis às instituições públicas. Isso não desmerece a inovação representada pelo ChatGPT Pro, mas reforça a importância de diversificar as abordagens e alinhar as soluções às necessidades reais de cada cenário.

Contudo, o custo elevado dessa solução (US$ 200/mês) trouxe à tona um ponto importante para reflexão: como equilibrar o avanço tecnológico com a democratização do acesso?

Oportunidades e desafios para o Uso Educacional

O contexto educacional brasileiro apresenta demandas muito específicas, e isso pode ser atendido de diversas formas, não se restringindo apenas ao uso do modelo incorporado no ChatGPT Pro. É preciso reconhecer as diferenças entre os desafios enfrentados pela educação básica e pelas universidades, criando soluções que dialoguem com essas realidades de forma inclusiva, eficiente e sustentável.

Para as escolas públicas na educação básica, a tecnologia deve ser uma ferramenta inclusiva, e não uma barreira. Isso exige:

• Modelos adaptados ao contexto local: No ensino básico, os modelos precisam ser ajustados para abordar temas como linguagem, história, cultura e necessidades pedagógicas específicas do Brasil. Um modelo genérico dificilmente será útil para o professor que ensina habilidades fundamentais de forma contextualizada.
• Custo operacional acessível: Escolas públicas, frequentemente com orçamentos limitados, não podem arcar com modelos que demandem recursos computacionais intensivos. Modelos menores e mais especializados, que sejam acessíveis e energeticamente eficientes, são essenciais para esse ambiente.

Já no contexto universitário, onde a aplicação da tecnologia exige maior sofisticação técnica e adaptabilidade, algumas questões tornam-se fundamentais:

• Modelos especializados para ensino superior: O potencial dos LLMs para tarefas técnicas é evidente, especialmente quando consideramos os resultados apresentados por iniciativas como as da OpenAI no modelo o1 pro mode. No entanto, é fundamental que os modelos utilizados sejam desenhados para abordar desafios amplos e específicos de cada campo do conhecimento. Eles devem garantir flexibilidade no acesso à informação, promover uma interação que vá além de respostas simples e apoiar processos que exigem análise crítica e construção de conhecimento. Além disso, a acessibilidade deve ser tratada como uma prioridade, considerando as restrições de infraestrutura tecnológica enfrentadas por muitas universidades públicas.
• Iniciativas locais para desenvolvimento e pesquisa: A adaptação de LLMs ao contexto brasileiro não pode se limitar à reprodução de soluções existentes. É indispensável fomentar a criação de modelos inovadores que considerem a diversidade das áreas do conhecimento, a interdisciplinaridade e as demandas específicas do ensino superior, como pesquisa aplicada e formação técnica. Além disso, é fundamental questionar se as iniciativas locais recebem o suporte necessário — seja em termos de financiamento, infraestrutura ou políticas públicas — para que possam desenvolver soluções alinhadas às necessidades reais de professores, pesquisadores e estudantes. Com isso, atendemos tanto às demandas básicas quanto às especializadas, criando um ecossistema educacional mais integrado e inclusivo.

LLMs Menores e Agentes Inteligentes

Em vez de depender exclusivamente de modelos massivos e generalistas, podemos explorar modelos menores e agentes inteligentes que sejam desenvolvidos para casos de uso específicos. Essa abordagem não apenas reduz custos, mas também aumenta a capacidade de adequar a ferramenta para propostas pedagógicas específicas.

Por exemplo:

• Um agente especializado em desvios condicionais na programação, que auxilie o aluno a compreender estruturas como if-else e switch. Esse agente poderia simular cenários práticos, oferecer feedback interativo e adaptar o conteúdo conforme as dúvidas e o nível de entendimento do estudante.
• Um guia inteligente voltado à construção de personas, capaz de orientar alunos na criação de perfis de usuários considerando dados demográficos, culturais e comportamentais, ajudando-os a conectar essas personas a contextos de mercado ou necessidades específicas de uma comunidade.
• Um facilitador de alfabetização e leitura, treinado em literatura nacional e textos educacionais, que auxilie na análise de figuras de linguagem, contextualização histórica e conexões culturais, enriquecendo o aprendizado de forma personalizada e relevante.

Essa modularidade permite que os professores escolham ferramentas específicas para as suas necessidades, sem sobrecarregar os sistemas educacionais com modelos que demandam altos custos ou recursos computacionais inacessíveis. Além disso, soluções menores são mais fáceis de personalizar e adaptar, promovendo maior autonomia e independência tecnológica.

Outro ponto é que, ao focarmos em agentes inteligentes para casos específicos, podemos promover aprendizados mais ativos e significativos. Em vez de depender de respostas generalistas, os estudantes são engajados com interações mais relevantes, que refletem os desafios do dia a dia e os preparam para atuar criticamente no mundo.

O Papel dos Modelos de Código Aberto

Aqui entra a importância dos modelos de código aberto. Soluções como LLaMA 3, Falcon 180B e BLOOM já demonstram como a colaboração aberta pode democratizar a IA. Esses modelos permitem personalizações alinhadas às necessidades locais, além de serem mais acessíveis do que opções proprietárias. O trabalho de plataformas como a Hugging Face é essencial para tornar essas ferramentas acessíveis a educadores e pesquisadores, promovendo um ecossistema de inovação inclusiva.

Um exemplo recente é o TeenyTinyLlama, uma iniciativa que busca criar modelos menores e mais eficientes em português brasileiro, treinados com arquitetura baseada no Llama 2. Focado na eficiência e no baixo custo computacional, o projeto desenvolveu dois modelos compactos (160M e 460M parâmetros) que alcançam resultados competitivos em benchmarks como ENEM e HellaSwag. Além de demonstrar a viabilidade de soluções locais e específicas, o trabalho reforça que modelos menores podem oferecer suporte relevante para aplicações educacionais e culturais, promovendo acessibilidade e inovação no contexto brasileiro.

Uma Reflexão para o Futuro

Precisamos nos perguntar: qual o papel da IA Generativa na Educação? O objetivo deve ser sempre o de ampliar o acesso, respeitando contextos locais e capacitando professores e alunos a utilizarem essas ferramentas de forma crítica e produtiva.

O caminho passa por repensar como aplicamos os LLMs. Não precisamos do modelo mais caro ou avançado para todas as situações. Muitas vezes, soluções menores, mais simples e mais focadas podem ser mais eficazes e alinhadas às necessidades reais de um país tão diverso como o Brasil.

Vamos ampliar o debate: como vocês enxergam o papel da IA nas escolas públicas? Como equilibrar inovação, custo e impacto social? Deixem suas reflexões nos comentários!