Modelos de IA leves ganham espaço em governos

O avanço da inteligência artificial está transformando diversos setores, e o governo não pode ficar de fora. No entanto, enquanto empresas privadas adotam soluções de IA com mais liberdade, instituições públicas enfrentam desafios únicos relacionados à segurança, governança e operação. Nesse cenário, os modelos de linguagem pequenos (SLMs, na sigla em inglês) surgem como uma alternativa promissora para implementar IA de forma segura e controlada. Segundo um estudo da Capgemini, 79% dos executivos do setor público global têm receios sobre a segurança de dados em projetos de IA, um número justificável diante da sensibilidade das informações governamentais e das obrigações legais envolvidas.

Han Xiao, vice-presidente de IA da Elastic, destaca que agências governamentais precisam ser extremamente criteriosas com os dados que enviam para redes externas. “Isso impõe limites significativos sobre como elas gerenciam e pensam em seus dados”, explica. A necessidade de controle sobre informações sensíveis é apenas um dos muitos fatores que tornam a implementação de IA no setor público mais complexa do que no setor privado. Enquanto empresas podem contar com infraestrutura centralizada e conectividade constante, órgãos governamentais muitas vezes operam em ambientes com restrições severas, onde a internet é limitada ou até mesmo inexistente.

Além disso, a confiabilidade é fundamental. Um sistema de IA no governo não pode falhar nem mesmo em condições adversas. Xiao reforça que “muitas pessoas subestimam o desafio operacional da IA”. O setor público precisa que a tecnologia funcione de forma consistente, independentemente do tipo de dado processado, e que seja capaz de escalar sem comprometer a segurança ou a eficiência. Uma pesquisa da Elastic com líderes do setor público revelou que 65% deles têm dificuldades para usar dados em tempo real e em grande escala, o que demonstra a magnitude do problema.

Outro obstáculo é a infraestrutura. Enquanto empresas privadas costumam investir em GPUs (unidades de processamento gráfico) para treinar modelos avançados de IA, órgãos governamentais muitas vezes não têm acesso a esse tipo de hardware. “O governo não está acostumado a comprar GPUs como o setor privado”, observa Xiao. “Isso cria um gargalo para a execução de modelos complexos de IA”. Essa limitação reforça a necessidade de soluções mais leves e localizadas, capazes de operar mesmo sem recursos computacionais robustos.

Os modelos de linguagem pequenos (SLMs) surgem como uma resposta a esses desafios. Ao contrário dos grandes modelos de linguagem (LLMs), que exigem centenas de bilhões de parâmetros e recursos computacionais intensivos, os SLMs são projetados para serem mais compactos e eficientes. Um estudo empírico mostrou que, em muitos casos, os SLMs apresentam desempenho igual ou superior aos LLMs, além de serem mais fáceis de implementar em ambientes com restrições. “É simples usar o ChatGPT para revisar um texto, mas rodar um grande modelo de linguagem em um ambiente sem conexão à internet já é outra história”, comenta Xiao.

A flexibilidade dos SLMs é outro ponto forte. Eles podem ser adaptados especificamente para as necessidades de cada departamento ou agência, armazenando dados de forma segura e acessando-os apenas quando necessário. Com técnicas como recuperação inteligente, busca vetorial e verificação de fontes, os sistemas de IA podem ser construídos para atender às demandas do setor público. A Gartner prevê que, até 2027, modelos especializados e menores serão três vezes mais utilizados do que os LLMs, indicando uma tendência clara de migração para soluções mais práticas e controladas.

Outra aplicação imediata da IA no setor público é a busca avançada de informações. Muitas pessoas associam IA apenas a chatbots como o ChatGPT, mas as possibilidades são muito mais amplas. Órgãos governamentais lidam com montanhas de dados não estruturados, como relatórios técnicos, documentos de licitação, atas de reuniões e notas fiscais. Com a IA, é possível extrair insights de PDFs, imagens, planilhas e até gravações, tudo indexado por sistemas baseados em SLMs. Isso permite respostas personalizadas e até a redação de textos complexos em vários idiomas, sempre dentro dos padrões legais.

“O setor público tem muita informação, mas nem sempre sabe como usá-la”, diz Xiao. “Eles não conhecem todas as possibilidades que a IA oferece”. Além de facilitar a busca, a tecnologia pode ajudar funcionários públicos a interpretar dados de maneiras inovadoras. Um SLM bem treinado pode auxiliar na interpretação de normas legais, na extração de insights de consultas públicas e no apoio à tomada de decisões baseadas em dados. Isso pode resultar em melhorias significativas na eficiência das operações governamentais e no acesso do cidadão a serviços públicos.

A eficiência dos SLMs também se reflete em custos mais baixos e menor impacto ambiental. Enquanto os LLMs demandam investimentos pesados em hardware especializado, os SLMs exigem menos recursos computacionais, o que os torna mais acessíveis. Além disso, eles podem ser auditados e certificados como transparentes, algo crucial para órgãos que precisam cumprir normas rígidas de conformidade. Em países da Europa, por exemplo, regulamentações como o GDPR tornam os SLMs uma opção ainda mais atraente, pois podem ser projetados para atender a esses padrões de privacidade.

Outro benefício é a redução de erros e vieses. Como os SLMs são treinados com dados específicos e verificados, eles evitam os “alucinações” comuns em modelos maiores, que podem gerar informações incorretas ou desatualizadas. “Os grandes modelos de linguagem geram textos com base no que foram treinados, e há um limite de data na qual o treinamento foi feito”, explica Xiao. “Se você perguntar sobre algo posterior a essa data, ele vai inventar. Nós podemos resolver isso forçando o modelo a trabalhar com fontes verificadas”. Ao manter os dados armazenados localmente ou até mesmo em dispositivos específicos, o risco de vazamentos ou acessos indevidos também é minimizado.

A estratégia de priorizar modelos específicos para tarefas locais e de monitorar constantemente seu desempenho permite que organizações públicas construam capacidades de IA duradouras e confiáveis. “Não comece com um chatbot; comece com uma busca”, aconselha Xiao. “Grande parte do que chamamos de inteligência em IA é, na verdade, sobre encontrar a informação certa”. Essa abordagem não apenas melhora a eficiência, mas também garante que as decisões tomadas sejam baseadas em dados precisos e atualizados.

Para o futuro, a tendência é clara: o setor público precisa de soluções de IA que sejam seguras, controladas e adaptadas às suas realidades operacionais. Os SLMs representam um passo importante nessa direção, oferecendo a flexibilidade necessária para implementar tecnologia sem comprometer a segurança ou a conformidade. À medida que mais órgãos governamentais adotam essas soluções, espera-se uma revolução na forma como o setor público gerencia e utiliza seus dados, levando a serviços mais eficientes e transparentes para a população.

Em resumo, enquanto o boom da IA avança em diversos setores, o governo enfrenta o desafio de equilibrar inovação e segurança. Os modelos de linguagem pequenos surgem como a ponte entre essas necessidades, permitindo que a inteligência artificial seja aplicada de forma prática e confiável. Com o tempo, espera-se que mais agências públicas adotem essa abordagem, transformando a maneira como o Estado opera e interage com os cidadãos.

Para saber mais sobre como a IA pode ser aplicada no setor público, visite a Elastic.

Este conteúdo foi produzido pela Insights, a divisão de conteúdo personalizado do MIT Technology Review. Não foi escrito pela equipe editorial da revista, mas por escritores, editores, analistas e ilustradores humanos. As pesquisas e coleta de dados também foram realizadas por profissionais humanos. Qualquer ferramenta de IA utilizada teve papel secundário e passou por revisão humana rigorosa.