Abstract:
A evolução dos modelos de linguagem de grande escala (Large Language Models – LLMs) aumentou as possibilidades de aplicação da Inteligência Artificial generativa em domínios especializados de conhecimento. No entanto, a dependência desses modelos de bases de dados genéricas expõe os sistemas a riscos de alucinação e distorção conceitual, especialmente em áreas com terminologia própria e fontes primárias em idiomas específicos. Este trabalho apresenta o desenvolvimento do sistema AntonIA, um protótipo de IA generativa baseada na técnica de Retrieval-Augmented Generation (RAG) com execução local, projetado para responder a consultas sobre os fundamentos da Ciência Ontopsicológica com fidelidade semântica a base de referência. A metodologia adotada é a Design Science Research Methodology (DSRM), que orientou as etapas de identificação do problema, definição dos objetivos, projeto e desenvolvimento do artefato, demonstração e avaliação. O sistema foi construído sobre o framework Django, com orquestração via LangChain, indexação vetorial por FAISS e modelos LLM executados localmente via Ollama. Quatro modelos de linguagem foram avaliados: Qwen2.5:7b, LLaMA 3.1:8b, Gemma2:9b e Mistral-Nemo:12b. Os resultados demonstraram que o pipeline RAG, ancorado em uma base de conhecimento validada e verificada, é capaz de gerar respostas precisas e contextualmente coerentes com o domínio ontopsicológico, sem alucinações e sem necessidade de infraestrutura em nuvem ou pagamento por consumo de tokens, validando a viabilidade técnica, informacional e econômica da solução proposta.
