responsabilidade
Responsabilidade significa assumir a responsabilidade pelos efeitos de um sistema de IA.
A responsabilidade geralmente envolve transparência, ou seja, compartilhar informações sobre o comportamento do sistema e o processo organizacional, o que pode incluir a documentação e o compartilhamento de como modelos e conjuntos de dados foram criados, treinados e avaliados. Os
sites a seguir explicam dois modos valiosos de documentação de responsabilização:
Outra dimensão da responsabilidade é a interpretabilidade, que envolve a
compreensão das decisões do modelo de ML, em que os humanos conseguem identificar os recursos
que levam a uma previsão. Além disso, a explicabilidade é a capacidade de explicar as decisões automatizadas de um modelo de uma maneira que as pessoas possam entender.
Leia mais sobre como conquistar a confiança dos usuários em sistemas de IA na seção Explicabilidade e
confiança do
Guia para pessoas e IA.
Confira também os recursos de explicabilidade do Google
para conferir exemplos reais e práticas recomendadas.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-02-25 UTC.
[null,null,["Última atualização 2025-02-25 UTC."],[[["Accountability in AI involves taking ownership for the effects of a system, often achieved through transparency about the system's development and behavior."],["Transparency can be enhanced using documentation practices like Model Cards and Data Cards, which provide information about models and datasets."],["Interpretability and explainability are crucial aspects of accountability, enabling understanding of model decisions and providing human-understandable explanations for automated actions."],["Fostering user trust in AI systems requires focusing on explainability and transparency, with further resources available in Google's Responsible AI Practices and Explainability Resources."]]],[]]
