\n\nArtigo original (publicado em 04/02/2019): https://www.technologyreview.com/s/612876/this-is-how-ai-bias-really-happensand-why-its-so-hard-to-fix/
\n
Nos últimos meses, documentamos como a grande maioria das aplicações de Inteligência Artificial são baseadas na categoria de algoritmos conhecidos como *Deep Learning, *e como esses algoritmos reconhecem padrões nos dados. Além disso, incluímos como essas tecnologias afetam a vida das pessoas: como podem perpetuar injustiça no recrutamento, varejo e segurança e já podem estar afetando até o sistema penal.
\nNo entanto, não basta saber que o viés existe. Se queremos corrigi-lo, precisamos entender como ele surge e quais mecanismos permitem que isso aconteça.
\nNós costumamos explicar o viés da IA atribuindo a culpa a um conjunto de dados de treinamento enviesado. Mas a realidade tem mais aspectos a serem considerados: o viés pode surgir muito antes dos dados serem coletados e em outros estágios do processo de Deep Learning. Para discutirmos isso, focaremos em 3 principais estágios:
\nA primeira coisa que cientistas da computação fazem quando constroem um modelo de *Deep learning *é decidir qual o objetivo da construção do modelo. Uma empresa de cartão de crédito, por exemplo, pode buscar predizer se um cliente é ou não elegível a receber crédito. Credibilidade é um conceito complexo e para traduzirmos esse conceito para algo computável, a empresa deve decidir se quer maximizar sua margem de lucro ou maximizar a quantidade de empréstimos que são pagos. A partir disso, pode-se definir a credibilidade dentro do contexto do objetivo definido.
\nO problema é que “essas decisões são tomadas por diversas razões do negócio além de justiça ou discriminação”, explica Solon Barocas, um professor na Cornell University especialista em justiça dentro de Machine Learning. Se o algoritmo descobrir que dar empréstimos de risco (*subprime loan) *pode ser um caminho para maximizar o lucro, isso pode acabar criando um comportamento predatório que não era a intenção da empresa.
\nO viés pode aparecer de duas formas nos dados de treinamento:
\nO primeiro caso pode ocorrer, por exemplo, se um algoritmo de *Deep Learning *é treinado com mais fotos de pessoas brancas do que de pessoas negras. Nesse caso, o sistema de reconhecimento facial seria, inevitavelmente, pior em reconhecer rostos negros.
\nO segundo caso trata-se sobre o que aconteceu quando a Amazon descobriu que sua ferramenta de recrutamento estava penalizando candidatas mulheres com relação aos candidatos homens. Justamente porque o sistema foi treinado com históricos anteriores de contratação, que favoreciam candidatos homens ao invés de mulheres.
\nPor último, é possível introduzir o viés durante a etapa de preparação dos dados que envolve selecionar quais atributos/variáveis o algoritmo deve considerar. (Não confunda essa etapa com a etapa de “Definição do problema”. Você pode usar as mesmas variáveis para treinar um modelo para diferentes objetivos ou usar diferentes variáveis para treinar um modelo para o mesmo objetivo).
\nConsiderando a situação anterior, sobre modelar uma análise de crédito, poderíamos considerar a idade do cliente, renda e quantidade de empréstimos pagos.
\nNo caso da ferramenta de recrutamento da Amazon, poderiam ser considerados o gênero do candidato, nível de educação e anos de experiência. Isto é o que as pessoas chamam de “arte” do* Deep Learning: *escolher quais atributos considerar ou ignorar e influenciar diretamente na acurácia de predição do seu modelo. Mas, enquanto, o impacto dos atributos sobre a acurácia é fácil de ser medido; o impacto sobre o viés do modelo não é.
\nDado todas as observações anteriores, alguns dos desafios para reduzir o bias podem já estar claros para você. Abaixo, destacamos os 4 principais:
\nA introdução do viés nem sempre é óbvia durante a construção do modelo já que você pode não notar os impactos dos seus dados e escolhas desde o início.
\nMesmo que o impacto seja notado, é difícil identificar em que momento o viés foi introduzido e descobrir como retirá-lo do modelo. No caso da Amazon, quando os engenheiros descobriram que a ferramenta estava penalizando candidatas mulheres, eles a reprogramaram para ignorar palavras com gênero explícito como “*women’s”. *Após essa alteração, descobriu-se que o sistema ainda estava considerando palavras com gênero implícito — verbos que eram altamente correlacionados a homens e não a mulheres, como “executed” e “captured” — e utilizando essa informação para tomar decisões.
\nMuitos dos processos e etapas de Deep Learning não são projetadas para detectar viés. Modelos de* Deep Learning* são testados de acordo com sua performance antes de serem publicados, criando o que poderia ser uma ótima oportunidade para encontrar o viés. Mas, na prática, os testes geralmente são assim: cientistas dividem aleatoriamente os dados em 2 conjuntos: 1 conjunto de treinamento e 1 conjunto de validação. Isso significa que os dados utilizados para testar a performance do modelo tem o mesmo viés que os dados utilizados para treiná-lo anteriormente. Portanto, ele irá falhar ao tentar indicar resultados enviesados.
\nDe maneira semelhante, a forma como cientistas da computação são ensinados a definir problemas, muitas vezes, não é a melhor abordagem para problemas sociais.
\nPor exemplo, em um jornal, Andrew Selbst, um phd na Data & Society Research Institute, identificou o que ele chama de armadilha da portabilidade (“portability trap”). *Na área de computação, é considerado uma boa prática projetar um sistema que pode ser utilizado para realizar diferentes tarefas em diferentes contextos. *“Mas o que isso realmente faz é ignorar todo um contexto social”, diz Selbst.
\n“Você não pode criar um sistema projetado para Utah e aplicá-lo em Kentucky porque diferentes comunidades tem diferentes visões de justiça. Ou você não pode ter um sistema utilizado para justiça criminal e aplicá-lo para recrutamento. O que pensamos sobre justiça em cada um desses contextos é totalmente diferente.”
\nApesar de tudo isso, não é muito claro como a ausência de viés pode parecer. Esse problema não está só presente na ciência da computação — essa questão tem uma longa história de debates na filosofia, nas ciências sociais e na lei. A diferença é que na computação, temos que definir o conceito de justiça em termos matemáticos, como equilibrar as taxas de falsos positivos e falsos negativos de um sistema de predição. Mas, como pesquisadores descobriram, existem diferentes definições matemáticas de justiça que são também mutuamente exclusivas.
\nA justiça significa que a mesma proporção de pessoas negras e brancas deveriam ter um alto grau de risco de serem maus pagadores? Ou que o mesmo nível de risco deveria ter o mesmo resultado independente da raça? É impossível garantir que as duas definições são mutuamente verdadeiras (esse artigo entre em mais profundidade sobre o assunto); logo, em algum momento você terá que escolher uma das definições como verdadeira.
\nEnquanto que em outras áreas essa decisão é entendida como algo que pode mudar ao longo do tempo, o campo da computação entende que isso deveria ser algo a ser consertado.
\n“Ao consertar uma resposta, você está resolvendo um problema que parece muito diferente de como a sociedade pensa sobre ele”, diz Selbst.
\nImagino que assim como eu, você já deve estar sentindo-se perdido em meio a tantas informações sobre os problemas do viés da Inteligência Artificial. Mas, felizmente, muitos pesquisadores de IA estão trabalhando duro para resolver esse problema sob diferentes abordagens: algoritmos que ajudam a detectar/reduzir viés nos dados de treinamento ou reduzir o viés do modelo independente da qualidade dos dados; discutindo diferentes versões de justiça e assim por diante.
\n\n\n“Consertar a discriminação em algoritmos não é algo que pode ser facilmente resolvido. É um processo contínuo, assim como a discriminação em qualquer espectro da sociedade”. (Selbst)
\n
Este artigo foi escrito Karen Hao e traduzido para o português por Carla Vieira. Se você tiver alguma sugestão de artigo sobre Inteligência Artificial e quer me ajudar a democratizar o conhecimento sobre o assunto pode entrar em contato comigo pelo Twitter.
","fields":{"slug":"blog/4-26-como-realmente-surge-o-viés-na-ia-—-e-porque-é-tão-difícil-corrigi-lo/"},"frontmatter":{"date":"26 de abril de 2019","description":"Nós costumamos explicar o viés da IA atribuindo a culpa a um conjunto de dados de treinamento enviesado. Mas a realidade tem mais aspectos a serem considerados.","title":"Como realmente surge o viés na IA — e porque é tão difícil corrigi-lo","tags":["Inteligência Artificial","vieses","traduções"],"categories":["Tecnologia","Inteligência Artificial"],"thumbnail":{"id":"68c2944f-7d44-55c2-97bd-3ae5f8e92e79","publicURL":"/static/d17f6b99c26e81b17669b75d461374f2/1-jurtdjsaby48bnle4wm4cg.png"}},"timeToRead":6}},"pageContext":{"slug":"blog/4-26-como-realmente-surge-o-viés-na-ia-—-e-porque-é-tão-difícil-corrigi-lo/","previous":{"fields":{"slug":"blog/9-26-vieses-e-a-importância-de-sempre-analisar-o-cenário-completo/"},"frontmatter":{"title":"Vieses e a importância de sempre analisar o cenário completo","date":"14 abr, 2019"}},"next":{"fields":{"slug":"blog/9-26-unindo-tecnologia-e-educação-para-empoderar-garotas-na-fundação-casa/"},"frontmatter":{"title":"Unindo tecnologia e educação para empoderar garotas na Fundação Casa","date":"04 jun, 2020"}},"language":"pt","intl":{"language":"pt","languages":["en","pt"],"messages":{"greeting":"Olá, eu sou a Carla","headline":"engenheira de software, criadora de conteúdo e organizadora de comunidade","cta":"Conheça meu canal no Youtube","home":"Início","about":"Sobre mim","contact":"Contato","projects":"Projetos","biography":"Informações de Biografia e fotos","events":"Próximos eventos","name":"Nome","subject":"Assunto","message":"Mensagem","submit":"Enviar","speaking":"Palestras","page":"Página","of":"de","previous":"Anterior","next":"Próxima"},"routed":false,"originalPath":"/blog/4-26-como-realmente-surge-o-viés-na-ia-—-e-porque-é-tão-difícil-corrigi-lo/","redirect":false,"defaultLanguage":"pt"}}},"staticQueryHashes":["2432066201","32046230","4051767494","560207136"]}