AI governance

A governança IA abrange regras, princípios e normas garantindo que tecnologias IA sejam desenvolvidas e utilizadas de modo responsável, constituindo termo abrangente que envolve definição, princípios, diretrizes e políticas concebidas para orientar criação ética e utilização de tecnologias IA, quadro de crucial para abordar preocupações e desafios associados tais como tomada de decisões, privacidade de dados, preconceito em algoritmos e impacto amplo na sociedade. O conceito de governança IA vai além de aspectos técnicos incluindo dimensões jurídicas, sociais e éticas além de servir como estrutura à organizações e governos garantirem que sistemas IA sejam desenvolvidos e implantados de modo benéfico e que não causem danos não intencionais, constituindo espinha dorsal do desenvolvimento e utilização responsáveis da IA, fornecendo padrões e normas que orientam partes interessadas, incluindo criadores IA, decisores políticos e utilizadores finais estabelecendo diretrizes e princípios éticos claros harmonizando avanços na tecnologia com valores sociais e éticos das comunidades humanas.

A governança IA adapta-se às necessidades de organização sem níveis fixos, recorrendo ao NIST e OCDE para orientação, não seguindo níveis universalmente padronizados como em domínios na segurança cibernética, em vez disso, utiliza abordagens e estruturas de várias entidades permitindo que organizações as adaptem às necessidades específicas. A Estrutura de gerenciamento de risco IA do Instituto Nacional de Padrões e Tecnologia, NIST, os princípios da Organização para Cooperação e Desenvolvimento Econômico, OCDE, sobre IA e as Diretrizes de Ética à IA Confiável da Comissão Europeia estão entre as mais utilizadas abrangendo tópicos que incluem transparência, responsabilização, justiça, privacidade, segurança e proteção, proporcionando base à práticas de governança variando conforme o tamanho da organização, complexidade dos sistemas IA que utiliza e o panorama regulamentar que opera.  Nestes conceitos, emergem abordagens à governança IA como Governança informal, forma mais básica, baseando-se em valores e princípios de uma organização, com processos informais tais como conselhos de revisão ética, sem  estrutura formal de governança, seguindo a Governança ad hoc através de abordagem mais estruturada que a governança  informal envolvendo criação de políticas e procedimentos em resposta a desafios específicos, no entanto, pode não ser abrangente ou sistemático e, por fim, a Governança formal, mais abrangente implicando desenvolvimento de quadro de governança IA reflitindo valores da organização, alinhando requisitos legais e incluindo avaliação dos riscos e processos de supervisão ética. O Regulamento Geral sobre a Proteção de Dados, RGPD, é exemplo da governança IA em privacidade e dados pessoais, embora o GDPR não se concentre apenas na IA, seus regulamentos têm impacto nas aplicações IA, aquelas que processam dados pessoais na UE enfatizando necessidade de transparência e proteção de dados. Princípios IA da OCDE, aprovados por mais de 40 países, sublinham compromisso com IA fiável defendendo que sistemas IA sejam transparentes, responsáveis e justos, orientando esforços ao desenvolvimento e utilização da IA, enquanto  os Conselhos Corporativos de Ética IA dão abordagem à governança, por exemplo, o Conselho de Ética em IA da IBM analisa ofertas IA para garantir que estejam em conformidade com a ética IA da empresa, em equipe diversificada para fornecer supervisão abrangente. A complexidade da governança IA exige participação ativa dos setores da sociedade, incluindo o governo, indústria, meio acadêmico e sociedade civil. O envolvimento de  partes interessadas garante que múltiplas perspectivas sejam consideradas no desenvolvimento de quadros de governança IA, conduzindo a políticas mais robustas e inclusivas. Este envolvimento promove um sentido de responsabilidade partilhada pelo desenvolvimento ético e utilização de tecnologias IA. Ao envolver partes interessadas no processo de governança, decisores políticos aproveitam conhecimentos garantindo que quadros de governança IA sejam bem informados, adaptáveis e capazes de enfrentar  desafios e oportunidades apresentados. A IA sustentável centra-se no desenvolvimento de tecnologias amigas ao ambiente e economicamente viáveis a longo prazo, centrada no ser humano, priorizando sistemas que melhoram capacidades humanas e bem-estar, garantindo que sirva como  ferramenta para aumentar potencial humano em vez de o substituir, exige colaboração internacional na governança envolvendo harmonização dos quadros regulamentares além-fronteiras, promove padrões globais à ética IA e garante que tecnologias IA sejam implementadas com segurança em ambientes culturais e regulamentares diversos, enfrentando desafios, como fluxo de dados transfronteiriço e garantindo que benefícios IA sejam partilhados de modo equitativo no mundo.

Moral da nota: o Instituto de Matemática Sobolev da Rússia, situado em Novosibirsk, avança com supercomputador para modelar epidemias, processos ambientais e sociais, notícia comunicada pelo Governo regional na cerimônia de lançamento, esclarecendo que o "supercomputador Serguei Godunov se converte na principal ferramenta para desenvolver investigações e soluções aplicadas no centro científico de Novosibirsk criando plataforma tecnológica para construir modelos matemáticos da evolução de epidemias, processos ambientais, econômicos e sociais", considerando que  o novo supercomputador desenvolvido pela instituição docente alcança potência de cálculo de 54,4 teraflops semdo que um teraflops equivale a 1 bilhão de operações por segundo.

        

Machine learning

Aprendizado de máquina, ML, é tendência tecnológica popular com  potencial para introduzir uma revolução tecnológica e o aspecto fundamental da ML explicado em detalhe centrar-se-ia nas capacidades de transformar sistemas informáticos em máquinas inteligentes, sendo que enfatiza aprendizado contínuo das máquinas na resolução de problemas como os humanos permitindo automação de tarefas, detecção de padrões e aprendizado a partir de dados históricos, sendo que aplicações em setores, como saúde, transporte, marketing e finanças, mostra capacidade em melhorar eficiência.  Avanços tecnológicos permitiram que máquinas aprendessem independentemente dos conjuntos de dados de treinamento ou de suas experiências anteriores e conceitualmente se descreve ML como variante da inteligência artificial, IA,  que ajuda aplicativos de software obter precisão na previsão de resultados destacando que sistemas computacionais não precisam de programação explícita para atingir objetivos desejados, o ML é subconjunto da IA e disciplina da ciência da computação focada na análise e interpretação de estruturas e padrões de dados auxiliando  máquinas, aprender, raciocinar e decidir sem interação humana. Ao buscar explicações sobre como ML funciona no fluxo de trabalho de alimentação de grandes volumes de dados a algoritmo de computador, o sistema informático analisa volumes de dados para fazer recomendações e decisões baseadas em dados, conforme dados de entrada e, em caso de correção, o algoritmo utilizaria informações para melhorar capacidade de tomada de decisão no futuro, sendo que alguns dos exemplos populares de casos de uso de aprendizado de máquina incluem mecanismos de recomendação, detecção de ameaças de malware, detecção de fraudes, além  de manutenção preditiva e filtragem de spam.

Os algoritmos de aprendizado de máquina são os únicos elementos subjacentes às funcionalidades do aprendizado de máquina, sendo que o algoritmo computacional é o elemento central do aprendizado de máquina funcionando na determinação dos resultados ao lado do conjunto de variáveis ​​e funcionalidades que auxiliam na tomada de  decisão específica dependendo do conhecimento básico ou dados de treinamento usados para ajudar o sistema no aprendizado. Os modelos de ML pegam os dados dos parâmetros que possuem respostas conhecidas e o algoritmo é executado, em seguida, faz ajustes para garantir que a saída do algoritmo seja igual à resposta conhecida com o sistema de aprendizado de máquina utilizando mais quantidades de dados para treinamento que ajuda o sistema aprender e processar mais tarefas computacionais. Outro aspecto na discussão sobre aprendizado de máquina refere-se às variantes do ML, podendo encontrar 4 tipos distintos de ML com base em abordagens seguidas por algoritmos para melhorar a precisão das previsões sendo que as abordagens fundamentais para ML incluem ML supervisionado, não supervisionado, semi supervisionado e aprendizado por reforço, com cientistas de dados podendo escolher diferentes tipos de algoritmos conforme o tipo de entrada que precisam nas previsões dos algoritmos.  A tradução automática é um dos principais aplicativos de ML semi supervisionado e se concentra no treinamento de algoritmos para tradução de idiomas de acordo com coleção de palavras diversas, sendo que os casos de uso de detecção de fraude de ML semi supervisionado concentram-se em identificar casos de fraude com coleção limitada de exemplos positivos envolvendo treinamento de algoritmos em pequenos conjuntos de dados para aplicação automática de rótulos de dados em conjuntos de dados maiores. A aprendizagem por reforço envolve programação de um algoritmo seguindo objetivo específico e coleção predefinida de regras para atingir objetivos desejados, destacando que aprendizagem por reforço é a facilidade de recompensas positivas ao algoritmo quando alcança resultados benéficos próximos do objetivo final.  Os exemplos de aprendizado por reforço em algoritmos de ML fornecem base à casos de uso como robótica, gerenciamento de recursos e videogame, sendo que os robôs poderiam usar técnicas de aprendizagem por reforço para melhorar eficácia na resolução de tarefas no mundo real além de casos de uso de gerenciamento de recursos de aprendizagem por reforço auxiliando empresas usar recursos finitos junto com objetivo específico para determinar sua alocação ideal.

Moral da Nota: o funcionamento de diferentes tipos de ML mostra que serve como ferramenta para impulsionar a revolução IA, sendo que o exemplo mais notável de aplicações práticas de ML aponta à mecanismo de recomendação, por exemplo, o feed de notícias do Facebook utiliza mecanismo de recomendação em ML para personalizar o feed de notícias de cada usuário e quando o usuário faz pausa para ler um tipo específico de postagem os mecanismos de recomendação exibem postagens semelhantes no feed de notícias do usuário. Na Inteligência Empresarial o ML emergiu como contribuinte para que fornecedores de business intelligence e análises melhorem softwares ao enriquecer recursos do software de BI e análise para identificar pontos de dados, anomalias e padrões cruciais em pontos de dados e nos Assistentes virtuais inteligentes, exemplos proeminentes de ML através de combinação de aprendizado supervisionado e ML não supervisionado para interpretação da fala natural oferecendo contexto às conversas. Outro caso de uso ML é no gerenciamento de relacionamento com o cliente, cujo software CRM, Customer Relationship Management, poderia aproveitar modelos de ML para análise de e-mails e solicitar que membros da equipe de vendas respondessem mensagens importantes enquanto alguns dos sistemas avançados de CRM aproveitam ML para recomendar respostas mais eficazes. Muitas empresas utilizam ML como um dos impulsionadores de novos modelos de negócios, por exemplo, o Google utiliza ML para apresentar anúncios junto aos resultados de pesquisa para os usuários, por outro lado, algoritmos de ML apresentam limitações como exigência de conhecimento técnico e custos mais elevados  na exigência de infraestrutura de software cara e conhecimento técnico de profissionais que podem exigir salários mais altos. ML é subconjunto IA e tem como objetivo simular a inteligência humana em sistemas computacionais e, melhorias na aprendizagem automática, podem fornecer bases à criação de nova geração de aplicações IA.