O Capítulo 8 estrutura a consolidação dos achados experimentais e as diretrizes de implantação do Framework AInclude, confirmando a viabilidade da execução de Inteligência Artificial offline em hardware de baixo custo.
8.1 Síntese do Cumprimento dos Objetivos
Apresenta o sucesso do framework ao atender integralmente aos objetivos traçados, que incluem a criação de uma arquitetura multiagente, o desenvolvimento do Dataset V13, a execução offline otimizada em hardware de borda, a validação de métricas de erro estatisticamente equivalentes à correção humana e o mapeamento rigoroso dos limites operacionais termo-físicos.
8.1.1 Decisões de Engenharia e Tríade
A investigação atesta inequivocamente que a qualidade e a densidade instrucional dos dados de treino superam a capacidade bruta de parâmetros das redes neurais. Com base nisto, instituiu-se a "Tríade de Viabilidade":
Consolidou-se como o teto técnico absoluto e padrão-ouro de referência qualitativa para a pesquisa.
Afirmou-se como uma alternativa híbrida robusta viabilizada rigorosamente via engenharia de prompt restritiva.
Tornou-se a escolha titular definitiva, representando o equilíbrio ideal entre inteligência e baixo custo de processamento local.
8.2 a 8.6 Sínteses Críticas das Fases Laboratoriais
Esta secção promove uma consolidação cronológica rigorosa das cinco etapas da investigação empírica, mapeando a evolução do framework desde a prova de conceito básica até ao teste físico limitante em ambiente de produção na borda.
8.2 Síntese Crítica da Fase 1
Analisa a prova de conceito inicial executada num processador padrão. Demonstra que, embora tenha provado que a IA pode residir no dispositivo sem internet, as limitações foram latentes:
O tempo de resposta alertou que modelos genéricos seriam inviáveis em computadores de placa única, exigindo obrigatoriamente a adoção de técnicas avançadas de quantização de pesos.
8.3 Síntese Crítica da Fase 2
Avalia a orquestração do fluxo de inferência e detalha a decisão crucial que fundamentou o abandono do RAG em prol de uma solução mais performática para a borda:
O RAG foi abandonado por sobrecarregar a memória VRAM. O Fine-Tuning internalizou o conhecimento pedagógico, reduziu o consumo de memória, permitiu raciocínio semântico profundo e garantiu 100% de sucesso estrutural.
8.4 Síntese Crítica da Fase 3
Refuta categoricamente a hipótese de que o volume bruto de dados compensaria a falta de curadoria em modelos de IA, provando que a densidade instrucional é o fator determinante do sucesso:
O uso de bases ruidosas (com falhas de OCR) fez a máquina mimetizar erros estruturais e corromper as saídas em JSON.
A inteligência nativa das LLMs não compensa dados ruins, resultando na imperativa construção de uma topologia multiagente contextualizada.
A pesquisa passou a focar na precisão estrutural e no isolamento de competências para suprimir definitivamente as alucinações gramaticais.
8.5 Síntese Crítica da Fase 4
Comprova que a reengenharia e a organização estrutural do Dataset V13 corrigiram todas as falhas sistémicas anteriores, superando a necessidade de escala paramétrica do modelo:
Demonstra que o refinamento dos dados garantiu uma taxa de sucesso estrutural de 100% (geração de JSON válido) em todas as arquiteturas.
Revela a rejeição de 50% dos modelos. Estes apresentavam taxas de erro baixas por conveniência estatística (atribuindo notas centrais sistematicamente).
Mostra que o uso de guardrails (camadas lógicas no prompt) conseguiu estabilizar arquiteturas oscilantes, ancorando as predições à grelha oficial.
8.6 Síntese Crítica da Fase 5
Descreve a auditoria e os testes de estresse com o hardware operando 100% offline, provando que a inferência local na borda é um desafio primariamente termodinâmico e físico:
Mapeia limites severos de I/O em cartões microSD (latências de 45s e descarte de cache) e evidencia o estrangulamento térmico que derruba o desempenho.
Expõe que, sob estresse, modelos mais densos adotam o Fail-Safe (respostas vazias). Modelos menores sofrem degradação lógica e alucinação térmica.
Estabelece como obrigatória a adoção de Armazenamento de Estado Sólido (NVMe) e Gerenciamento Térmico Ativo para sustentar o sistema operacionalmente.
8.7 Veredito Final: A Tríade de Viabilidade
Redefine e consagra os papéis funcionais dos modelos após os testes de estresse físico, compondo uma orquestração inteligente e modular adaptável a diferentes cenários e capacidades de hardware.
Orquestração Modular
Atua como motor de alta performance e padrão ouro de referência. Requer hardware superior (>8GB VRAM).
Motor de agilidade titular. Equilíbrio ideal, estritamente condicionado a refrigeração ativa para não alucinar.
Motor de resiliência e redundância para borda estrita, ancorado através de engenharia de prompt restritiva.
8.8 TRL e Validação da Arquitetura
Mapeia a trajetória de desenvolvimento empírico do projeto segundo a rígida escala de Níveis de Maturidade Tecnológica (TRL - Technology Readiness Level) baseada na norma ISO 16290, atestando a evolução funcional do sistema.
Maturidade do Framework
Descreve a jornada metodológica desde a exploração conceitual (TRL 1) até a materialização no TRL 6, transformando o projeto de simulações abstratas em nuvem para um dispositivo físico funcional embarcado.
Apresenta a consolidação formal que atesta os requisitos e as evidências colhidas, comprovando categoricamente o alcance do nível Demonstração do Sistema em Ambiente Relevante.
8.9 Trabalhos Futuros
Elenca o mapa de perspetivas e investigações técnicas delineadas para garantir o escalonamento, a governança e a criação de uma infraestrutura de software sustentável e duradoura para as próximas interações do framework.
Diretrizes de Evolução Sistémica
Adoção estrutural do protocolo para tornar o sistema agnóstico a modelos, permitir injeção dinâmica de manuais e conectar ferramentas externas de forma auditável.
Emprego de máscaras de vocabulário no inferidor para proibir fisicamente a IA de gerar formatos inválidos ou numerações inexistentes, garantindo o isolamento puro de competências.
Foco no Aprendizado Ativo, onde o sistema absorve continuamente as validações dos docentes para retroalimentar os pesos e mitigar vieses regionais dinamicamente.
Passos de hardware como SSD NVMe via PCIe, chamadas no Kernel (mlock) para fixar tensores na RAM e automação preditiva da refrigeração ativa.
8.10 Limitações da Pesquisa
Mapeia frontalmente as restrições intrínsecas que permeiam a experimentação arquitetural e o uso em campo do framework, garantindo o devido distanciamento e imparcialidade rigorosa perante as tecnologias testadas.
Auditoria de Restrições
Dependência frágil de conversores de imagem para texto, gargalos de I/O em cartões de memória, redução forçada da taxa de geração por calor e degradação semântica pela compressão estrutural de pesos.
Alucinação termicamente induzida, vulnerabilidade a mudanças nas regras de correção (pesos congelados), ausência de verificação factual offline e inexistência de memória evolutiva do histórico do aluno.
Risco residual inerente ao sobreajuste intencional, tornando improvável a generalização das capacidades analíticas do agente para outras bancas avaliativas ou géneros textuais divergentes sem um novo ciclo de treino.
8.11 Considerações Finais
Encerra a tese documentando as reflexões capitais e sistémicas sobre a relevância de se posicionar soberanamente a capacidade inteligível na base comunitária em face do atual cenário de ensino formativo.
O Contexto Social e Diagnóstico
Utiliza como justificação empírica a crise avaliativa instalada pelas alterações ocultas em manuais técnicos, onde critérios eminentemente subjetivos geraram punições assimétricas imprevisíveis nos candidatos, clamando por agentes computacionais padronizados e auditáveis.
Posiciona a IA educacional como uma Inteligência Aumentada análoga aos exames de imagem da medicina clínica. Uma ferramenta concebida unicamente para mapear lacunas e remover o fardo burocrático, devolvendo ao professor o tempo basilar para a mediação intelectual e humana que se revela insubstituível.
8.12 Produções da Tese
Esta subsecção garante a legitimidade metodológica da investigação científica realizada. Lista de forma estrutural as publicações, ensaios e produções bibliográficas validadas que fundamentaram a pesquisa perante o escrutínio académico das conferências avançadas de Informática e Educação.