ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Doutorando: Sidimar Junior
Site: sidimarjunior.blogspot.com
Instagram: @sidimarjr
App: Prof Sidimar Jr – Ueg (Android)
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Problemática:
�Possuímos diferenciação entre os grandes modelos de linguagem (LLMs) de inteligência
artificial aplicáveis ao ensino-aprendizagem
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
OBJETIVOS:
O objetivo geral: é verificar a possível
diferenciação dos LLMs em aplicações educacionais para aprendizagem geral.�
Objetivos Específicos: Busca-se conceituar os modelos de LLM, definir métricas como acurácia,
recall e precisão, e analisar as possibilidades de aplicação no ensino. Além disso, pretende-se
avaliar se os diferentes modelos podem ser mais adequados conforme variações em resposta
natural (clareza e precisão), tempo de processamento e acurácia, para sugerir o modelo ideal.�
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
�METODOLOGIA
�A metodologia adotada será indutiva, com abordagem quali-quanti, visando mapear e analisar
dados qualitativos e quantitativos. A justificativa inclui a relevância social da IA e, também,
seu impacto crescente em setores diversos, especialmente no meio acadêmico, visando
contribuir para a seleção eficaz de ferramentas de IA no ensino, bem como, raciocínio em
aplicação para outros setores em sua usabilidade.
�
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
�I.A.��A inteligência artificial (IA) pode ser definida como um campo da ciência da
computação que se dedica a criar sistemas capazes de realizar tarefas que normalmente
requerem inteligência humana, como percepção, raciocínio, aprendizado e tomada de decisão
(Russell, 2013; Norvig, 2022).
�
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
�
Machine Learning
Dentro da IA, o machine learning (aprendizado de máquina) consiste em técnicas
que permitem aos computadores aprender a partir de dados e melhorar seu desempenho sem
programação explícita para cada tarefa específica (IBM, 2021).
�
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
�Deep Learning
Deep learning (aprendizado profundo) é uma subárea do machine learning que
utiliza redes neurais artificiais profundas para modelar padrões complexos em grandes
volumes de dados, inspirando-se no funcionamento do cérebro humano (Goodfellow et al.,
2016; Oracle, 2022). �
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
No Ensino:
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Equipamento
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
HARDWARE HACKING
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Baixar o OLLama e ter o docker instalado�
Certificados�sudo apt install apt-transport-https ca-certificates curl software-properties-common -y
GPG docker oficial (chaves)��curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
�Docker nas fontes APT��sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"
�Docker Engine:��sudo apt install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin -y
��Baixar LLM
�docker exec -it ollama ollama pull llama3
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
$ ollama run llama3:8b�ollama run llama3:70b
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
HARDWARE HACKING
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
HARDWARE HACKING
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
HARDWARE HACKING
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Interno ao Docker��
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Interno ao Docker��
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Interno ao Docker��
Implantação de IA – Viabilidade e Segurança
HARDWARE HACKING
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
Conclusões��Entre os modelos testados localmente, o LLaMA 3 (8B) demonstrou ser a opção
mais equilibrada, com respostas mais confiáveis e desempenho técnico satisfatório, ainda que
dependente de infraestrutura mais robusta para garantir tempo de resposta mais adequado (no
caso de requisição via HTTP). Já modelos como Falcon:7B e Qwen:7B mostraram limitações
(modelo falcon:7b um pouco mais), especialmente em consistência e precisão, o modelo
qwen:7b foi no aspecto ao detalhamento das repostas, enquanto o falcon:7b teve uma reposta
imprecisa (fora do contexto perguntado), o que compromete seu uso imediato em contextos
educacionais críticos imediatos (mas, não totalmente).
Portanto, embora os modelos online ainda sejam a escolha mais eficaz para
aplicações que demandam alta confiabilidade e desempenho, o uso de modelos locais pode ser
considerado viável em instituições com capacidade técnica para suportar e manter esses
Sistemas.
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
ANÁLISE DE MODELOS L.L.M.’S DE INTELIGÊNCIA ARTIFICIAL APLICADAS�AO ENSINO: Impacto da performance de utilização.
CASE DE IMPLANTAÇÃO DE IA – VIABILIDADE E SEGURANÇA
Atuação e Adequação.
Obrigado!