Da FAIRificação à IA: gestão de dados de pesquisa como caminho para inovação científica

Abstract

A apresentação defende que a Inteligência Artificial científica confiável depende menos de algoritmos e mais de dados bem geridos: partindo do problema dos "dark data" — dados dispersos, mal documentados, sem metadados, proveniência ou formatos abertos —, os autores apresentam os princípios FAIR (criados em 2014 no contexto da e-Science) como base para tornar dados encontráveis, acessíveis, interoperáveis e reutilizáveis por humanos e máquinas, lembrando que FAIR não é sinônimo de aberto e que seu foco central é a acionabilidade por máquina sustentada por metadados ricos; a FAIRificação é descrita como o processo prático que leva dos dados brutos aos dados FAIR (curadoria, metadados, identificadores persistentes, vocabulários e repositórios, apoiados por planos de gestão, CRIS e padrões), evoluindo do simplesmente legível para o acionável por máquina via ontologias, grafos de conhecimento e APIs, e culminando nos FAIR Digital Objects e na Internet FAIR de Dados e Serviços. Sem isso, a IA produz alucinações, viés e baixa reprodutibilidade; com isso, ganha proveniência, contexto e reuso automatizado — razão pela qual a Ciência da Informação (organização do conhecimento, curadoria, governança, preservação e interoperabilidade semântica) é essencial, e por que instituições precisam investir em planejamento, capacitação, infraestruturas e políticas FAIR. A conclusão: se os dados são o combustível da IA, a FAIRificação é a ponte que os transforma em energia para inovação científica.