On the missing data layer and a potential solution

Os Ingredientes Faltantes para um Cérebro Local

Imagine que você está tentando assar o bolo perfeito, mas todas as receitas que encontra foram escritas para uma cozinha diferente, usando ingredientes que você nunca viu e fornos que funcionam em temperaturas distintas. Esta é a situação atual da Inteligência Artificial (IA) na América Latina. Para entender por que isso importa, precisamos olhar para duas ideias simples. Primeiro, os modelos de IA são como estudantes superinteligentes; eles aprendem lendo quantidades massivas de informações (dados) para descobrir como resolver problemas. Segundo, os benchmarks são como testes padronizados; são os exames que aplicamos nesses estudantes para ver se eles realmente sabem o que estão fazendo ou se estão apenas chutando.

No momento, a maioria dos "estudantes" de IA na América Latina está sendo ensinada por professores de outros países usando livros didáticos escritos em outras línguas. Embora esses estudantes sejam ótimos em tarefas gerais como matemática ou programação, eles costem tropeçar quando solicitados a fazer coisas específicas de seu próprio bairro, como entender gírias locais, reconhecer plantas locais ou navegar pelas leis locais. A grande questão não é apenas sobre ficar mais inteligente; é sobre se uma região consegue construir seu próprio cérebro que realmente entenda seu próprio povo, ou se terá que depender para sempre de um cérebro construído em outro lugar que pode não se importar com suas necessidades específicas.

---

As Duas Camadas Faltantes na Casa da IA

De acordo com um novo artigo da equipe SURUS, a América Latina está sentindo falta de dois andares críticos em sua casa de IA: uma camada de dataset e uma camada de benchmarks. Pense na camada de dataset como a biblioteca de livros que a IA lê para aprender, e na camada de benchmark como o centro de testes onde verificamos se a IA é realmente inteligente. Sem essas camadas, a região não consegue construir sua própria IA, e nem sequer consegue verificar adequadamente se a IA estrangeira que utiliza está fazendo um bom trabalho.

Os autores argumentam que essa ausência cria dois tipos diferentes de problemas. Para as empresas, o problema é como tentar identificar pragas em uma fazenda brasileira usando um guia feito para campos europeus. A tarefa (encontrar insetos) é a mesma, mas os insetos são diferentes. Se você usar os dados errados, sua IA pode deixar passar as pragas que realmente destroem a colheita. Para governos e instituições públicas, o problema é mais profundo: trata-se de identidade. Se uma IA é treinada com histórias e valores estrangeiros, ela pode descrever os cidadãos locais de maneiras que não se ajustam à realidade, ou tomar decisões que não refletem como aquelas pessoas realmente vivem. É como ter um prefeito que fala uma língua diferente e não entende a cultura local — ele pode ser educado, mas não governará bem você.

A Grande Caça ao Tesouro de Dados

O artigo aponta que os dados latino-americanos não sumiram; eles apenas estão perdidos. Estão espalhados pela internet como peças de um quebra-cabeça escondidas em diferentes caixas — alguns em artigos de pesquisa, outros em plataformas como o Hugging Face, e alguns presos em arquivos de empresas privadas. Não existe um mapa único para encontrá-los. Mesmo que você pudesse encontrar todos, simplesmente não há o suficiente comparado ao que os EUA ou a Europa possuem.

Isso cria um ciclo vicioso: como não há um lugar fácil para compartilhar dados onde se receba crédito, as pessoas não compartilham. Porque as pessoas não compartilham, não há uma grande coleção que motive outras a participar. Os autores propem uma solução chamada DataHub, uma biblioteca central projetada para quebrar esse ciclo. Não é apenas uma lista; é um sistema que recompensa as pessoas por compartilhar. Se você contribui com um conjunto de dados, você ganha visibilidade e reconhecimento, tornando que valha a pena abrir seus dados.

Uma Nova Maneira de Organizar a Biblioteca

Uma das partes mais criativas do artigo é como eles sugerem organizar esta nova biblioteca. Em vez de classificar os dados pelo "que eles parecem" (como imagens ou texto) ou "para qual modelo são destinados", eles sugerem classificar pelo que a IA precisa fazer.

Imagine uma biblioteca onde os livros não são organizados por cor ou tamanho, mas pela função que ajudam você a realizar. Os autores propõem uma escada de três degraus:

1. Tarefa: Qual é o trabalho? (ex: "Transcrever áudio").
2. Domínio: Qual é o campo específico? (ex: "Médico" vs. "Jurídico").
3. Língua e Região: Quem está falando? (ex: "Espanhol Rioplatense" vs. "Espanhol Colombiano").

Isso importa porque um médico em Buenos Aires precisa de um tipo de IA de transcrição médica diferente de um advogado em Bogotá. Uma IA geral pode acertar as palavras, mas pode perder os termos médicos específicos ou o sotaque local. Ao organizar os dados desta forma, o DataHub garante que a IA que você constrói seja ajustada exatamente às suas necessidades específicas, fazendo com que ela performe melhor e pareça mais "local".

Portas Abertas e Incentivos

O artigo assume uma postura forte sobre como isso deve ser construído: Aberto por design. Os autores acreditam que, para uma região que está tentando alcançar o nível dos outros, a colaboração é a única maneira de vencer. Esconder dados atrás de portas fechadas não ajudará; compartilhar abertamente permite que todos aprendam mais rápido. No entanto, eles também sabem que as pessoas não compartilharão apenas por bondade de coração. O sistema deve ser "impulsionado por incentivos", o que significa que os contribuidores precisam ver um benef que seja, como o reconhecimento pelo seu trabalho ou o nome de sua instituição anexado aos dados.

O Caminho à Frente

Os autores deixam claro que este é apenas o começo — um "pontapé inicial" em vez de um produto finalizado. Eles admitem que ainda existem grandes obstáculos. Diferentes países da América Latina têm leis diferentes sobre privacidade e dados, e ainda não há regras acordadas sobre como rotular ou licenciar esses dados. Eles não afirmam ter resolvido esses problemas; em vez disso, estão convidando todos — empresas, universidades e governos — para ajudar a descobrir o caminho.

O artigo termina com um chamado à ação: a camada de datasets para a IA latino-americana deve ser construída pela região, para a região, ou não será construída. O DataHub é o primeiro passo, um convite vivo para que qualquer pessoa com dados venha, compartilhe e ajude a construir um futuro onde a América Latina tenha sua própria voz no mundo da Inteligência Artificial.