Renato Melón
No coração do Brasil, uma revolução tecnológica está em curso. O Governo do Mato Grosso, em um movimento audacioso liderado pelo governador Mauro Mendes, anunciou a utilização de inteligência artificial (IA) para combater uma ameaça insidiosa: o desmatamento químico. Este tipo de desmatamento, recentemente revelado pela Operação Cordilheira, representa uma nova fronteira na luta pela preservação ambiental. A aplicação de IA para detectar e prevenir tais práticas promete transformar a forma como monitoramos e protegemos nossas florestas.
Entretanto, como em qualquer revolução, há desafios e controvérsias. A falta de transparência sobre a implementação desta tecnologia levanta questões críticas sobre a eficácia e a justiça das ações governamentais. Quais são os modelos de IA utilizados? Que dados alimentam esses sistemas? Como são validadas as previsões? Essas perguntas não têm respostas claras, gerando desconfiança e preocupação entre especialistas e cidadãos.
Curiosamente, enquanto Mato Grosso se esforça para empregar IA na proteção ambiental, do outro lado do mundo, nos Estados Unidos, a inteligência artificial enfrenta um escrutínio feroz. As gigantes da música Sony Music, Universal Music Group e Warner Records entraram com um processo explosivo contra duas empresas de inteligência artificial (IA), acusando-as de violar direitos autorais ao utilizar suas gravações sem permissão para treinar sistemas de IA de geração de música. A informação foi divulgada nesta segunda-feira (24), causando alvoroço no setor musical.
Os processos federais, movidos contra a Udio, em Nova York, e a Suno, em Massachusetts, alegam que essas empresas copiaram músicas sem autorização, com o objetivo de ensinar seus sistemas a criar música que "concorrerá diretamente, barateará e, em última análise, suprimirá" o trabalho de artistas humanos. Essa prática, segundo as gravadoras, ameaça não apenas a integridade dos direitos autorais, mas também o sustento dos artistas.
Esta coincidência de eventos em contextos tão distintos ressalta a necessidade urgente de um marco regulatório robusto e transparente. No Mato Grosso, a promessa de uma detecção precoce do desmatamento deve ser acompanhada por uma comunicação clara sobre os métodos e dados utilizados. Globalmente, o debate sobre o uso responsável de IA deve continuar, garantindo que a inovação tecnológica avance de forma ética e justa.
Pois bem.
A promessa da inteligência artificial (IA) está intrinsecamente ligada à qualidade e à transparência dos dados que a alimentam. No Brasil, o Mato Grosso utiliza IA para detectar o desmatamento químico, enquanto nos Estados Unidos, empresas de IA enfrentam processos judiciais por violação de direitos autorais. Ambos os casos destacam um problema comum e preocupante: a falta de transparência na coleta e utilização dos dados.
No Mato Grosso, o governo anunciou com entusiasmo o uso de IA para combater o desmatamento, mas não forneceu detalhes sobre os modelos de IA utilizados, os dados que alimentam esses sistemas ou as métricas para validar suas previsões. Essa falta de clareza levanta questões críticas sobre a eficácia e a justiça das ações governamentais. O público e os especialistas ficam no escuro, incapazes de avaliar a precisão e a legalidade das ferramentas empregadas.
De forma semelhante, nos Estados Unidos, gravadoras processam empresas de IA por utilizarem dados musicais sem autorização, destacando a obscuridade em torno dos métodos de coleta e uso dos dados. Aqui também, não se sabe exatamente quais modelos estão sendo utilizados ou como os dados foram adquiridos e processados. Este contexto de falta de transparência não apenas compromete a confiança do público, mas também levanta sérias questões éticas e legais.
Para que a coleta de dados seja robusta e legalmente sustentável, é essencial seguir uma série de práticas científicas e estatísticas rigorosas. Primeiramente, é crucial definir claramente os objetivos do projeto e selecionar fontes de dados confiáveis e relevantes. No caso do Mato Grosso, sensores ambientais e imagens de satélite são indispensáveis. Para as empresas de IA nos Estados Unidos, a utilização de bibliotecas de música licenciada é fundamental.
A questão é: como e donde surgem estes dados?
Deveras, a coleta de dados deve ser abrangente e precisa. No Mato Grosso, tecnologias como drones, satélites e sensores IoT poderiam monitorar vastas áreas de forma eficaz. Nos Estados Unidos, as empresas de IA devem garantir que os dados utilizados sejam obtidos de forma legal e ética, respeitando os direitos autorais e a privacidade dos indivíduos. É vital assegurar a integridade, precisão e consistência dos dados, removendo duplicidades, corrigindo inconsistências e atualizando as informações conforme necessário.
Após a coleta, os dados devem passar por uma Análise Exploratória de Dados (AED). Esta etapa é fundamental para entender as características dos dados, identificar padrões e anomalias, e preparar os dados para modelagem. Ferramentas de visualização, como gráficos e mapas de calor, são utilizadas para revelar tendências e outliers. No caso do desmatamento, mapas de calor podem mostrar áreas críticas, enquanto gráficos de frequência são úteis para analisar padrões em dados musicais. Estatísticas descritivas oferecem uma visão geral das principais métricas, como médias e desvios-padrão, essenciais para a construção de modelos precisos. A análise de correlação e causalidade ajuda a identificar possíveis relações entre variáveis, utilizando técnicas como a análise de regressão.
Com efeito, para que os dados sejam úteis em modelos de IA, eles precisam passar por processos de ETL (Extração, Transformação e Carga). A extração envolve reunir dados de diversas fontes e consolidá-los em um local centralizado. A transformação limpa e ajusta os dados, padronizando formatos, preenchendo lacunas e criando novas variáveis derivadas. Finalmente, a carga armazena os dados transformados em sistemas apropriados, como data warehouses, onde podem ser facilmente acessados para análise.
A amostragem e a validação são etapas críticas para garantir que os modelos de IA sejam precisos e generalizáveis. A amostragem aleatória assegura que as análises sejam representativas da população total. Dividir os dados em conjuntos de treinamento, validação e teste permite avaliar a performance do modelo de forma objetiva. Técnicas de validação cruzada reduzem o viés, assegurando que o modelo funcione bem em diversos subconjuntos de dados.
E temos mais. A proteção dos dados. Os entes são capazes de, ao mesmo tempo, assegurar modelos de machine learning, respeitando os dados?
A conformidade com a Lei Geral de Proteção de Dados (LGPD) no Brasil e com regulamentos como o GDPR na Europa é imprescindível. Garantir o consentimento e a transparência é fundamental: os titulares dos dados devem ser informados sobre como suas informações serão utilizadas. A minimização de dados, coletando apenas o necessário, é uma prática recomendada. Técnicas de anonimização e pseudonimização protegem a identidade dos indivíduos, e medidas robustas de segurança previnem acessos não autorizados e vazamentos. Respeitar e facilitar o exercício dos direitos dos titulares, como o direito de acesso, correção e exclusão de dados, é essencial.
A falta de transparência tanto no Mato Grosso quanto nos Estados Unidos sublinha a necessidade urgente de práticas claras e responsáveis na coleta e uso de dados. Uma abordagem rigorosa e transparente na coleta de dados, combinada com uma análise exploratória detalhada, processos eficientes de ETL, técnicas de amostragem e validação, e uma rigorosa conformidade com a LGPD e outras regulamentações, estabelece uma base sólida para a implementação de modelos de aprendizado de máquina. Promovendo a confiança e a transparência, asseguramos que inovações tecnológicas avancem de forma justa e responsável, garantindo que a IA cumpra seu potencial transformador de maneira ética e legal.
Renato Melón é advogado graduado pela UFMT, especialista em Direito Empresarial Tributário pela Universidade Mackenzie, especialista em Aprendizado de Máquina (Stanford e Deep Learning.AI), cientista de dados credenciado pela IBM, profissional de Transformação Digital pelo MIT com MicroMaster em Microeconomia pelo MIT; especialista em Inteligência Artificial pelo programa da Saïd Business School da Universidade de Oxford e pós-graduando em Ciência de Dados pelo Instituto de Computação da UFMT.
Quer receber notícias no seu celular? Participe do nosso grupo do WhatsApp clicando aqui .
Tem alguma denúncia para ser feita? Salve o número e entre em contato com o canal de denúncias do Midiajur pelo WhatsApp: (65) 993414107. A reportagem garante o sigilo da fonte.
