AIS104 · IA responsável: vieses, transparência e supervisão humana

Coloque a IA responsável em prática: detecte e reduza vieses, torne o uso de IA transparente para quem é afetado e desenhe uma supervisão humana que funcione de verdade, e não apenas carimbe decisões.

Construir · 6 horas · 4 aulas, um laboratório, uma atividade avaliada e uma peça de portfólio

Para quem é

Responsáveis por produto, líderes de RH e operações, analistas e equipes de compliance que implantam ou aprovam IA que afeta clientes ou funcionários.

Pré-requisitos

Concluir o AIS101 e o AIS102; o laboratório usa notebooks Python prontos, então não é preciso saber programar.

O que você será capaz de fazer

• Identificar fontes de viés nos dados, no desenho do modelo e na implantação
• Medir a equidade entre grupos com métricas como taxa de seleção, diferença de paridade demográfica e equalized odds
• Produzir artefatos de transparência, como um model card e um aviso de IA em linguagem simples
• Desenhar uma supervisão humana com autoridade clara, informação suficiente e proteção contra o viés de automação

Aulas

• Aula 1 · De onde vem o viés e por que ele importa
• Aula 2 · Medindo e reduzindo a falta de equidade
• Aula 3 · Transparência e supervisão humana efetiva
• Aula 4 · Laboratório e atividade

Laboratório: Meça e reduza o viés de um modelo de pré-aprovação de crédito

Você vai treinar um classificador simples de pré-aprovação em um notebook do Colab e usar o MetricFrame do Fairlearn para comparar taxas de seleção e de erro entre grupos. Depois vai aplicar uma mitigação, como a otimização de limiares, comparar o equilíbrio entre acurácia e equidade e documentar o resultado em um model card.

Ferramentas gratuitas: Google Colab (gratuito), scikit-learn e Fairlearn (código aberto) e uma base pública sintética ou do tipo censo

Atividade avaliada

Escreva uma análise de IA responsável sobre um sistema de IA que tome ou apoie decisões sobre pessoas, como triagem de candidatos, pré-aprovação de crédito ou priorização de atendimento. Inclua uma análise de viés com pelo menos duas métricas de equidade, a mitigação recomendada e suas contrapartidas, um model card, um aviso em linguagem simples para as pessoas afetadas e um desenho de supervisão humana que indique quem pode contrariar o sistema e com que frequência essas intervenções são revisadas, considerando o direito de revisão do art. 20 da LGPD.

Peça de portfólio

Uma análise de IA responsável com avaliação de equidade, model card, aviso de IA e desenho de supervisão humana.

No seu ritmo, com 12 meses de acesso. Dúvidas são respondidas por escrito pelo painel do aluno. Ao concluir o curso, você recebe um registro de conclusão.