Uma turma do Instituto de Computação da Universidade Federal do Amazonas (IComp/UFAM) transformou conceitos de inteligência artificial em projetos práticos voltados ao ensino.
Na disciplina Processamento de Linguagem Natural (NLP), os professores André Luis Carvalho e Altigran da Silva, membros do INCT TIDIAR, orientaram os estudantes a desenvolver independentemente agentes de IA com funções complementares e, depois, integrá-los para interoperar de forma efetiva e trocar informações.
A atividade colocou em prática conceitos usados no desenvolvimento de sistemas de IA. Entre eles estavam os LLMs (grandes modelos de linguagem, capazes de compreender e gerar textos), o RAG, técnica que permite recuperar informações em fontes externas para apoiar a geração de respostas, e o MCP, protocolo que facilita a comunicação entre diferentes sistemas de IA.
Mais do que desenvolver agentes que respondem a perguntas, os estudantes enfrentaram um desafio concreto do desenvolvimento desses sistemas: como fazer diferentes agentes de IA trabalharem em conjunto para realizar uma tarefa?
A experiência foi descrita pelos professores em artigo publicado na plataforma Medium, que reúne os projetos produzidos na disciplina. Além disso, os respectivos repositórios com os códigos dos agentes implementados foram disponibilizados com o objeto de servir para o aprendizado de outros estudantes e até mesmo profissionais.
Dois grupos, funções diferentes
A turma foi dividida em dois grupos. Um deles desenvolveu componentes responsáveis pela interação com estudantes. Esses sistemas poderiam explicar conteúdos, formular perguntas e propor atividades.
O outro criou componentes especializados em diferentes áreas do conhecimento. Esses sistemas organizam fontes, recuperam informações e fornecem evidências para apoiar as respostas.
A divisão permitiu que os estudantes trabalhassem com componentes de funções distintas e, depois, precisassem integrá-los.
Para isso, utilizaram o Model Context Protocol (MCP), um protocolo que padroniza a comunicação entre sistemas de IA e ferramentas ou fontes externas. A abordagem pode ser comparada a uma espécie de tomada universal, capaz de conectar sistemas compatíveis sem que um precise conhecer todos os detalhes internos do outro.
Na experiência, um agente responsável pela interação com o estudante podia utilizar informações fornecidas por outro agente, especializado em determinada disciplina.
O teste foi feito entre os grupos
A experiência não terminou quando cada grupo conseguiu fazer seu próprio sistema funcionar. “Na segunda etapa, componentes de uma trilha foram testados com componentes reais desenvolvidos pela outra”, afirma André Luis Carvalho.
“Ou seja, um sistema desenvolvido por uma equipe precisou trabalhar com uma solução criada por outra, em vez de operar apenas dentro do ambiente em que havia sido desenvolvido”, disse.
Para Altigran da Silva, subcoordenador do Instituto Nacional de Ciência e Tecnologia em Inteligência Artificial Responsável para Linguística Computacional, Tratamento e Disseminação de Informação (INCT TILDIAR), foi nesse momento que questões de integração ganharam importância.
Documentação, contratos de comunicação, registros de execução, qualidade das fontes e avaliação dos resultados passaram a fazer parte do desenvolvimento.
A experiência permitiu aos estudantes perceber a diferença entre desenvolver um sistema isoladamente e criar uma solução que precisa trabalhar com outros sistemas. Para da Silva, quando um agente de IA depende de outro, problemas que poderiam passar despercebidos em um projeto isolado ficam mais evidentes.
Conhecimento de outras áreas
Os estudantes também trabalharam com conteúdos de áreas diferentes da Computação. Os projetos envolveram Cálculo, Física, Álgebra Linear, Gestão Financeira, Contabilidade, Direito Penal, Geografia, Neuropsicologia e Circuitos Elétricos.
A escolha colocou os desenvolvedores diante de outra questão: como avaliar a resposta de um sistema quando o conteúdo pertence a uma área que eles próprios não dominam?
Em parte dos projetos, questões e gabaritos oficiais do Exame Nacional de Desempenho dos Estudantes (ENADE) serviram como referência externa. Dessa forma, as respostas dos sistemas puderam ser confrontadas com conteúdos previamente estabelecidos.
Da sala de aula para a formação em IA
Ao desenvolver os projetos, os estudantes precisaram definir funções, estabelecer padrões de comunicação, documentar sistemas, selecionar fontes, testar respostas e identificar limitações. Essas tarefas aproximam a experiência de questões que surgem quando sistemas de IA deixam de funcionar isoladamente e passam a integrar aplicações, ferramentas e bases de conhecimento diferentes.
A atividade também colocou em discussão aspectos relacionados à IA responsável. A escolha das fontes, a avaliação das respostas, a possibilidade de acompanhar o funcionamento dos sistemas e o reconhecimento de suas limitações fazem parte desse processo.
Para Altigran da Silva, esse aprendizado se relaciona ao trabalho desenvolvido pelo INCT TILDIAR, que pesquisa inteligência artificial responsável em áreas como linguística computacional, tratamento e disseminação da informação.
A experiência da UFAM mostra como uma disciplina pode levar os estudantes a lidar, na prática, com questões que vão além da construção de modelos e aplicações. Ao integrar agentes diferentes, desenvolvidos por pessoas diferentes, eles precisaram considerar também comunicação, fontes, avaliação e limites de uso.
Os projetos desenvolvidos na disciplina estão reunidos no artigo dos professores, com acesso aos respectivos repositórios. O material permite acompanhar as soluções construídas pelos estudantes e os problemas encontrados durante o desenvolvimento.