<\/p>\n
Um dos maiores temores em rela\u00e7\u00e3o \u00e0 dissemina\u00e7\u00e3o da Intelig\u00eancia Artificial \u00e9 a limita\u00e7\u00e3o de acesso ao processo de aprendizagem \u2013 cada vez mais complexo, como nos c\u00e9rebros humanos \u2013 e consequente incerteza em rela\u00e7\u00e3o aos resultados. Com algoritmos exponencialmente sofisticados, como os usados nas m\u00e1quinas de deep learning<\/em> e suas redes neurais, \u00e9 muitas vezes imposs\u00edvel acompanhar o \u201cracioc\u00ednio\u201d seguido at\u00e9 determinada solu\u00e7\u00e3o. Um desafio ainda maior devido \u00e0 acelerada ado\u00e7\u00e3o de sistemas de machine learning<\/em> nas \u00e1reas de seguran\u00e7a, educa\u00e7\u00e3o, finan\u00e7as e neg\u00f3cios, entre outras. Enquanto a maioria dos softwares s\u00e3o codificados com l\u00f3gica program\u00e1vel, ou seja, respondem conforme os par\u00e2metros determinados por seus programadores, n\u00e3o \u00e9 poss\u00edvel saber exatamente qual \u00e9 o processo pelo qual alguns algoritmos de IA passam at\u00e9 que cheguem \u00e0s suas conclus\u00f5es. S\u00e3o os sistemas black box, que j\u00e1 falamos aqui<\/a>.<\/p>\n As m\u00e1quinas com capacidade de aprender o fazem a partir de informa\u00e7\u00f5es recolhidas previamente, das quais sair\u00e3o os par\u00e2metros para predi\u00e7\u00f5es, a\u00e7\u00f5es e rea\u00e7\u00f5es. Mas, por mais \u201cindependentes\u201d, esses dispositivos s\u00e3o programados e alimentados por humanos e seus dados. Eles carregam vieses pessoais, vis\u00f5es de mundo e distor\u00e7\u00f5es. Como resultado, o risco de sistemas preconceituosos ou discriminat\u00f3rios.<\/p>\n