Machine Learning Flashcards
Quando surgiu o termo “Inteligência Artificial”?
Com John McCarthy em 1956.
Qual a diferença entre “artificial intelligence”, “machine learning” e “deep learning”?
A inteligência artificial trata de programas que podem sentir, raciocinar, agir e se adaptar a fim de imitar a inteligência humana por meio de diversas técnicas.
O aprendizado de máquina trata de algoritmos cujo desempenho melhoram à medida que eles são expostos a mais dados no decorrer do tempo.
O Aprendizado de Máquina (Machine Learning) é a ciência e a arte de programar computadores para que eles possam aprender com os dados, computadores tem a capacidade de aprender sem ser explicitamente programado.
O que é programação tradicional?
É aquele processo manual de escrever um conjunto de regras em uma sequência de passos – também chamado de algoritmo – utilizando uma linguagem de programação para que o computador as execute sobre um conjunto de dados de entrada a fim de produzir um conjunto de resultados de saída.
Quanto mais exemplos de resultados você oferece a máquina, mais o algoritmo é treinado, mais regras são aprendidas e mais ajustado se torna o modelo.
Esse processo é chamado de:
treinamento.
Qual a etapa que vem após a etapa de treinamento? Descreva.
Etapa de inferência. Se utiliza uma programação bem próxima à programação tradicional com regras aprendidas na etapa anterior e novos dados para gerar inferir resultados. A inferência trabalha com probabilidades e não com afirmação. Ela vai dizer se determinado algoritmo tem baixa ou alta probabilidade.
Quem “treina” os algoritmos?
O cientista de dados.
Qual a fase mais custosa, a de treinamento ou a de inferência?
A de treinamento porque será colocado a maior quantidade de dados possíveis.
CERTO OU ERRADO
A máquina pode aprender com seus erros e fazer inferência sobre dados.
CERTO!
O modelo (treinado) é um objeto computacional que efetivamente transforma uma observação (variáveis independentes) em uma (1) utilizando um (2), (3) e (4).
O modelo (treinado) é um objeto computacional que efetivamente transforma uma observação (variáveis independentes) em uma previsão utilizando um algoritmo específico, instanciado e treinado.
O que é o Responsible IA (Inteligência Artificial Responsável)?
Uma abordagem para o desenvolvimento e uso de sistemas de Inteligência Artificial.
Quais os impactos que o Responsible IA leva em consideração?
Éticos, sociais e ambientais.
Quais os objetivos da Responsible IA?
1) Garantir que os sistemas de IA sejam desenvolvidos e utilizados de forma ética e legalmente responsável, respeitando os direitos e privacidade das pessoas e minimizando os impactos negativos sobre a sociedade.
2) Promover a transparência e explicabilidade das decisões tomadas por sistemas de IA, permitindo que as pessoas entendam como as decisões foram tomadas e possam contestá-las se necessário.
3) Promover a equidade e inclusão, considerando aspectos sociais e garantindo que os sistemas de IA não discriminem ou prejudiquem grupos ou indivíduos e promovam a diversidade e a inclusão na IA.
4) Garantir a segurança e confiabilidade dos sistemas de IA, minimizando o risco de prejuízos para as pessoas ou a sociedade em geral.
Qual a diferença entre IA Responsável e IA Explicável?
IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de IA para os usuários entenderem como foram feitas as tomadas de decisão.
Quais os princípios e práticas da IA responsável?
Não há uma consolidação ainda. Mas são algumas das consideradas por grandes organizações:
- Transparência
- Explicabilidade ou Interpretabilidade
- Privacidade/Segurança
- Responsabilização
- Inclusividade/diversidade
- Justiça/equidade
- Confiabilidade/uso seguro
Os dados, o sistema e os modelos de negócios de IA devem ser transparentes e há um mecanismo que pode ajudar a alcançar isso.
Que mecanismo é esse?
Mecanismo de rastreabilidade.
O que é a Explicabilidade em IA Responsável?
Como e por que a IA chegou a determinada conclusão, tornando a tomada de decisão mais transparente e compreensível e explicada para pessoas não conhecedoras.
A explicabilidade é especialmente importante em áreas onde as decisões da IA têm implicações significativas para os indivíduos em determinadas áreas.
Como essa falta de explicabilidade pode afetar pode afetar a confiança na IA?
A falta de explicabilidade em áreas como justiça, crédito, saúde, financeira, por exemplo, pode levar a decisões injustas ou discriminatórias.
CERTO OU ERRADO
A explicabilidade é considerada fundamental da Responsabilidade AI.
CERTO!
Apesar de grande parte da doutrina considerar Explicabilidade e Interpretabilidade sinônimos, há uma parcela que as diferenciam. Explique.
A interpretabilidade tem relação com a facilidade de se estabelecer uma relação de causa e efeito nas predições, ou seja, a capacidade de predizer o que vai acontecer em função dos dados e parâmetros fornecidos como entradas.
A explicabilidade pode denotar a medida em que o funcionamento do modelo em si pode ser explicado para pessoas não especialistas, ou ao menos as previsões geradas pelo modelo podem ser explicadas.
O que é a Privacidade na IA Responsável?
Se refere à proteção dos dados pessoais e sensíveis dos usuários que são coletados e processados pelos sistemas de inteligência artificial.
Quais os tipos de Privacidadade que uma entidade de IA pode adotar?
- Criptografia
- Controles de acesso rigorosos
- Adoção de práticas de segurança cibernética robustas.
CERTO OU ERRADO
A implementação de recursos de IA pode conter a escolha de privacidade por parte dos usuários, que podem escolher quais dados desejam compartilhar com a IA e em que condições.
CERTO!
CERTO OU ERRADO
As organizações pode ocultar aos usuários como seus dados serão usados e como a IA tomará decisões com base nesses dados.
ERRADO! Quebra o princípio da Privacidade e Segurança. A IA deve ser CLARA quanto ao uso dos dados e como esses dados serão usados.
A segurança da informação e a privacidade devem ser levadas em conta em que fases do ciclo de vida das soluções de IA?
TODAS AS FASES!!