Marcus Vinicius dos Santos
A seleção, a documentação e a curadoria dos dados definem o que os modelos de inteligência artificial podem representar sobre a língua e a sociedade brasileira. O professor Tiago Timponi Torrent, da Universidade Federal de Juiz de Fora (UFJF), discutiu o tema na palestra “Dados pra quê? IA pra quem? Viés, soberania e o papel da curadoria humana de datasets”, apresentada no Café com IA em 28 de agosto de 2026. Este texto foi produzido a partir dos argumentos e das questões discutidos pelo pesquisador no evento on-line, uma iniciativa do Instituto Nacional de Ciência e Tecnologia em Inteligência Artificial Responsável para Linguística Computacional, Tratamento e Disseminação de Informação (INCT TILDIAR)..
Quando se fala em desenvolver uma inteligência artificial brasileira, a discussão costuma começar pelos modelos, pela capacidade computacional e pela infraestrutura necessária para treiná-los. Para Torrent, existe uma questão anterior: quais dados serão usados para ensinar essa IA sobre o Brasil?
A pergunta esteve no centro da palestra. Torrent partiu de uma questão descrita no Plano Brasileiro de Inteligência Artificial (PBIA): o desenvolvimento de modelos de língua em português baseados em dados nacionais que contemplem a diversidade brasileira.
Para o pesquisador, entretanto, a expressão “dados nacionais” não resolve o problema. Um dado produzido no Brasil não se torna automaticamente representativo do país.
A discussão começa pela própria palavra língua.
O que um modelo de língua aprende?
Torrent chamou atenção para uma distinção que pode desaparecer quando o termo language, em inglês, é traduzido simplesmente como “linguagem”.
No ramo da Linguística, linguagem pode se referir à capacidade humana de produzir e compreender enunciados. Língua, por outro lado, é um produto social e histórico, construído coletivamente pelo uso.
Um grande modelo de língua não aprende a capacidade cognitiva humana. Ele recebe grandes volumes de dados linguísticos e identifica regularidades nas combinações de elementos que aparecem nesses dados.
Isso significa que o modelo aprende a partir do material que recebeu.
Se determinados grupos aparecem mais vezes associados a certas profissões, características ou comportamentos, por exemplo, essas relações podem se tornar padrões estatísticos do modelo. O sistema não precisa “acreditar” em um estereótipo para reproduzi-lo. Basta que determinada associação esteja suficientemente presente nos dados.
Os dados, portanto, não carregam apenas palavras. Eles também carregam marcas de como a sociedade que os produziu está representada neles.
Por isso, a discussão sobre IA não pode separar completamente o funcionamento técnico dos modelos das condições sociais de produção dos dados.
Qual português representa o Brasil?
A questão se torna ainda mais evidente quando se pensa no “português brasileiro”.
O Brasil não possui uma única forma de falar português. Existem variações regionais, sociais e situacionais. Uma palavra utilizada em determinada região pode receber outro nome em outra. Uma mesma construção pode ter frequências diferentes entre grupos de falantes.
Essas diferenças não são necessariamente ruídos que precisam ser eliminados. Elas fazem parte da realidade linguística que um sistema pretende representar.
Por isso, dizer que um modelo foi treinado com dados “em português” ainda diz pouco.
É preciso perguntar qual português está presente nesses dados. Quais regiões aparecem? Quais grupos sociais? Quais contextos de uso? Quais gêneros textuais? Quais formas de expressão?
A questão também ultrapassa a língua. Dados produzidos em determinado contexto podem privilegiar algumas experiências culturais e deixar outras pouco visíveis.
Assim, quando um país pretende desenvolver modelos capazes de representar sua população, precisa tomar decisões sobre o que será considerado representativo.
Essa decisão acontece antes do treinamento.
Dados nacionais não são automaticamente representativos
Um dos pontos centrais da palestra foi a diferença entre ter dados e ter dados adequados a uma finalidade.
A internet oferece uma quantidade enorme de informações. No entanto, disponibilidade não equivale a representatividade, qualidade ou autorização para reutilização.
Um dataset pode conter milhões de documentos e ainda apresentar limitações importantes. Pode concentrar informações de determinados grupos, regiões ou plataformas. Pode também ter sido produzido para uma finalidade diferente daquela pretendida por quem deseja utilizá-lo no treinamento de um modelo.
Por isso, a primeira pergunta não deveria ser apenas “quantos dados temos?”, mas “o que esses dados representam?”
Torrent também questionou a ideia de que a escolha da técnica de treinamento seja necessariamente o primeiro passo de um projeto de IA. É possível desenvolver um modelo desde o início ou adaptar um modelo existente.
Porém, nenhuma dessas decisões resolve um problema anterior: saber quais dados podem sustentar a representação que se deseja construir.
Curadoria humana começa antes do treinamento
É nesse ponto que Torrent atribuiu importância à curadoria humana.
Curar um dataset não significa simplesmente retirar dados considerados ruins. O trabalho envolve compreender como aquele conjunto foi produzido e para que ele pode ser utilizado.
É necessário conhecer sua origem, composição, finalidade, condições de acesso e características. Também é preciso avaliar aspectos éticos e legais, especialmente quando os dados foram produzidos a partir da participação de pessoas.
Um conjunto criado originalmente para uma pesquisa linguística, por exemplo, pode ter grande valor científico e ainda assim não estar automaticamente disponível para o treinamento de um modelo de IA.
É preciso verificar o que foi autorizado pelos participantes, quais procedimentos éticos foram adotados, quais são as condições de uso e se a reutilização pretendida é compatível com essas condições.
Nesse sentido, a responsabilidade começa antes de o dado chegar ao modelo.
Documentar também é fazer curadoria
A documentação dos datasets aparece como parte desse processo.
Torrent citou os data statements e os datasheets for datasets como recursos utilizados para registrar informações sobre conjuntos de dados.
A ideia é permitir que pesquisadores e desenvolvedores saibam mais do que simplesmente o conteúdo de um dataset. É importante conhecer também sua origem, finalidade, composição, limitações e condições de utilização.
Essa informação pode mudar a decisão sobre o uso de um conjunto de dados.
Um dataset pode ser adequado para uma determinada tarefa e inadequado para outra. Pode ter sido criado com uma população específica. Pode conter limitações conhecidas. Pode ter restrições de licença ou exigir cuidados adicionais por envolver dados produzidos com participação humana.
Sem documentação, parte desse contexto desaparece quando o dataset circula entre projetos.
A curadoria, portanto, não termina quando os dados são selecionados. Ela inclui a capacidade de explicar o que existe naquele conjunto de dados e em quais condições ele pode ser utilizado.
A infraestrutura também é feita de dados
A discussão conduz ao tema da soberania em inteligência artificial.
Quando se fala em soberania, é comum pensar na capacidade de um país de produzir ou controlar a infraestrutura computacional necessária para desenvolver seus próprios sistemas. Essa capacidade é relevante, mas Torrent chamou atenção para outro componente.
Um país pode dispor de computadores, capacidade de armazenamento e poder de processamento. Ainda assim, precisa de dados capazes de sustentar os modelos que pretende desenvolver.
Sem dados adequados, a infraestrutura computacional não resolve o problema da representação.
A metáfora apresentada por Torrent é simples: antes de colocar a máquina para funcionar, é preciso preparar a comida.
Nesse sentido, organizar, documentar e disponibilizar datasets passa a fazer parte da própria infraestrutura de uma estratégia nacional de IA.
A soberania, portanto, não depende apenas de quem controla o processamento. Também envolve a capacidade de produzir, organizar, compreender e reutilizar os dados necessários ao desenvolvimento desses sistemas.
Quantos datasets em português existem?
Durante a palestra, Torrent apresentou uma consulta realizada na plataforma Hugging Face para discutir a disponibilidade de recursos.
A busca identificou 2.823 datasets que incluíam dados em português. O número, entretanto, precisa ser interpretado com cuidado. A presença do português não significa que o conjunto seja brasileiro, nem que seja composto exclusivamente por português.
Quando a consulta considerou datasets multimodais com vídeo, foram identificados 16. Para conjuntos que combinavam imagem e texto, apareceram 38.
Mais importante do que os números absolutos é a questão que eles ajudam a formular: quantidade não é sinônimo de representatividade.
Ter milhares de datasets em português não significa dispor de recursos suficientes para representar as diferentes formas de uso do português brasileiro e a diversidade social e cultural do país.
O problema, portanto, não é apenas criar mais datasets. É saber quais já existem, como foram produzidos e para quais finalidades podem contribuir.
O Brasil já possui uma base científica
O país não começa essa discussão do zero.
Torrent lembrou a existência de uma tradição de pesquisas em Linguística de Corpus e Sociolinguística, que produziu acervos relevantes sobre o uso da língua.
Entre os exemplos estão projetos como o NURC e o PEUL, que reuniram dados de diferentes contextos de uso do português brasileiro.
Esses acervos representam um patrimônio científico que pode vir a contribuir para o desenvolvimento de recursos destinados à inteligência artificial.
Existe, porém, uma diferença entre um acervo criado para uma pesquisa linguística e um dataset preparado para treinar um modelo.
O objetivo original do conjunto de dados influencia sua estrutura, sua documentação e suas condições de uso. Além disso, um dataset destinado a uma tarefa específica pode exigir organização e anotação diferentes.
Por isso, reaproveitar acervos existentes não significa simplesmente transferi-los para uma nova plataforma.
Antes, é necessário verificar licenças, autorizações, protocolos éticos e condições de disponibilização. Depois, pode ser necessário reorganizar ou anotar os dados de acordo com a finalidade do novo recurso.
O desafio consiste em transformar parte desse patrimônio científico em datasets que possam ser reutilizados de forma responsável.
Uma infraestrutura para datasets curados
É nesse contexto que a discussão apresentada por Torrent se aproxima de uma iniciativa do próprio INCT TILDIAR.
O instituto trabalha em um projeto voltado ao levantamento, à organização e à disponibilização de recursos com curadoria humana para o português brasileiro.
A proposta considera tanto a produção de novos datasets quanto a identificação de recursos já existentes que possam ser reutilizados.
Uma infraestrutura desse tipo pode cumprir uma função que vai além de armazenar arquivos. Ela pode permitir que pesquisadores encontrem datasets e, ao mesmo tempo, compreendam sua origem, composição, finalidade e condições de utilização.
Isso muda a pergunta feita por quem procura um recurso.
Em vez de perguntar apenas “que dataset está disponível?”, o pesquisador passa a poder perguntar também: “quem produziu esse dataset?”, “para qual finalidade?”, “quais grupos estão representados?”, “quais limitações ele possui?” e “em quais condições posso reutilizá-lo?”
Essa camada de informação também faz parte da curadoria.
Quem decide o que a IA brasileira aprende?
A palestra de Torrent começou falando do desenvolvimento de modelos de língua em português e chega ao fim com uma questão ainda mais ampla: quem decide o que esses modelos vão aprender sobre o Brasil?
A resposta não está apenas nos algoritmos.
Ela começa na seleção dos dados, passa pela avaliação de sua representatividade, envolve decisões sobre inclusão e exclusão, exige documentação e continua nas condições estabelecidas para sua reutilização.
Desenvolver uma IA brasileira, portanto, não significa apenas produzir um sistema capaz de processar português.
Significa também decidir quais formas de português estarão representadas, quais experiências sociais e culturais aparecerão nos dados e quais critérios serão utilizados para definir um conjunto como adequado a determinada finalidade.
Essa escolha acontece antes de o modelo gerar sua primeira resposta.
É por isso que a curadoria humana ocupa um lugar central na proposta discutida por Torrent. Pessoas precisam avaliar aquilo que as máquinas ainda não conseguem avaliar de forma suficiente: contexto, finalidade, representatividade, condições de produção e implicações sociais do uso dos dados.
A questão “IA para quem?” começa, portanto, antes da pergunta “qual modelo usar?”
Se o objetivo é construir sistemas capazes de representar a diversidade brasileira, o primeiro passo não está necessariamente no treinamento. Está em compreender, selecionar, organizar e documentar os dados que formarão a base desse aprendizado.
A IA brasileira começa, nesse sentido, muito antes do modelo. Começa nos dados.
O Café com IA é uma série de encontros técnicos online e mensais do INCT TILDIAR. A iniciativa apresenta pesquisas e promove a troca de experiências entre pesquisadores sobre inteligência artificial e suas aplicações. Aberto a pesquisadores, estudantes e todos os interessados no tema de cada encontro, os encontros têm como objetivo aproximar diferentes áreas do conhecimento e promover o debate sobre os impactos sociais, éticos e tecnológicos da IA.
A gravação em vídeo da 3ª edição do Café com IA será publicada em breve no canal do INCT TILDIAR no YouTube, @INCTILDIAR.
__________________
Este texto teve apoio de inteligência artificial (IA) em etapas de transcrição, organização e redação, com revisão e decisão editorial humana, além da revisão final do apresentador da palestra, professor Tiago Timponi Torrent, pesquisador do INCT TILDIAR.