Skip to main content

Conheça a ética, a privacidade e a implementação prática dos dados

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

  • Definir e explicar a importância das considerações éticas relacionadas à coleta e análise de dados.
  • Compreender as questões éticas relacionadas à garantia da privacidade, consentimento e confidencialidade dos dados.
  • Compreender as diversas formas de proteger os dados e as estruturas legais e regulatórias de proteção de dados, incluindo RGPD, CCPA e outras leis e regulamentos relevantes.

Ética, dados e IA

A recolha e análise de dados são componentes essenciais da IA e da aprendizagem de máquina, mas também podem gerar preocupações éticas. À medida que os dados se tornam cada vez mais valiosos e acessíveis, é importante considerar as implicações éticas de como são recolhidos, analisados e utilizados. 

Alguns exemplos de questões éticas na coleta e análise de dados incluem:

  • Violação da privacidade: recolher e analisar informações pessoais sem consentimento ou utilizar informações pessoais para fins diferentes daqueles para os quais foram recolhidas.
  • Vazamentos de dados: acesso não autorizado ou divulgação de dados confidenciais que pode resultar em danos financeiros ou à reputação de indivíduos ou organizações.
  • Preconceito: a presença de erros sistemáticos ou imprecisões em dados, algoritmos ou processos de tomada de decisão que podem causar resultados injustos ou discriminatórios.

Garantir a privacidade de dados, consentimento e confidencialidade

Para abordar as questões éticas, é importante garantir que os dados sejam recolhidos, analisados e utilizados de forma responsável e ética. Isso exige estratégias para garantir a privacidade, o consentimento e a confidencialidade dos dados. 

Essas estratégias podem ajudar a promover a privacidade e a confidencialidade dos dados:

  • Criptografia: proteger dados confidenciais criptografando-os para que apenas usuários autorizados possam acessá-los.
  • Anonimização: remover informações de identificação pessoal dos dados para que não possam ser vinculados a indivíduos específicos.
  • Controles de acesso: limitar o acesso a dados confidenciais a usuários autorizados e garantir que os dados sejam usados apenas para a finalidade pretendida.

Abordar preconceitos e imparcialidade na tomada de decisão orientada por dados

Um dos principais desafios na tomada de decisão orientada por dados é a presença de preconceitos, que pode levar a resultados injustos ou discriminatórios. O preconceito pode ser introduzido em qualquer etapa do ciclo de vida dos dados, da coleta à tomada de decisões algorítmicas. 

A abordagem do preconceito e a promoção da imparcialidade exige uma série de estratégias, incluindo:

  • Diversificação de fontes de dados: Uma das principais formas de abordar o preconceito é garantir que os dados sejam recolhidos de uma grande variedade de fontes. Isso pode ajudar a garantir que os dados sejam representativos da população-alvo e que os preconceitos que possam estar presentes em uma fonte sejam compensados por outras fontes.
  • Melhorar a qualidade dos dados: Outra estratégia fundamental para abordar o preconceito é melhorar a qualidade dos dados. O processo inclui garantir que os dados sejam precisos, completos e representem a população-alvo. Também pode incluir a identificação e correção de erros ou distorções que possam estar presentes nos dados.
  • Realização de auditorias para verificação de preconceitos: A revisão regular de dados e algoritmos para identificar e abordar preconceitos que possam estar presentes também é uma estratégia importante para lidar com preconceitos. Isso pode incluir a análise dos dados para identificar padrões ou tendências que possam indicar preconceitos e adotar medidas corretivas para os resolver.
  • Incorporação de métricas de imparcialidade: Outra estratégia importante para promover a imparcialidade é incorporar métricas de imparcialidade no design de algoritmos e processos de tomada de decisão. A estratégia pode incluir medir o impacto de certas decisões em diferentes grupos de pessoas e adotar medidas para garantir que as decisões sejam justas e imparciais.
  • Promoção da transparência: A promoção da transparência é outra estratégia fundamental para combater os preconceitos e promover a imparcialidade. Isso pode incluir a disponibilização de dados e algoritmos ao público e o fornecimento de explicações sobre como as decisões são tomadas. Também pode incluir a solicitação de feedback das partes interessadas e a incorporação de contribuições nos processos de tomada de decisão.

A adoção dessas estratégias ajuda as organizações a garantir que seus processos de tomadas de decisão orientadas por dados sejam justos e imparciais.

Para garantir que a IA e a aprendizagem de máquina sejam desenvolvidas e implementadas de forma responsável e ética, é importante ter estruturas e diretrizes éticas em vigor. Portanto, vamos nos aprofundar nas principais estruturas regulatórias relacionadas a dados e IA.

As leis e regulamentos de proteção de dados são um componente importante para garantir que dados sejam coletados, analisados e usados de forma responsável e ética. 

Veja a seguir quatro leis e regulamentos importantes de proteção de dados.

  • A Lei de privacidade do consumidor da Califórnia (CCPA): Um conjunto de regulamentos que se aplicam a empresas que fazem negócios na Califórnia e coletam dados pessoais de residentes da Califórnia.
  • A Lei de portabilidade e responsabilidade do seguro de saúde (HIPAA): Um conjunto de regulamentos que se aplicam às organizações de saúde e regem o uso e a divulgação de informações de saúde protegidas nos Estados Unidos.
  • O Regulamento geral de proteção de dados (RGPD): Um conjunto de regulamentos que se aplicam a todas as empresas que processam dados pessoais de cidadãos da União Europeia.
  • Lei de Inteligência Artificial da União Europeia (Lei de IA da UE): regulamentos abrangentes de IA que proíbem sistemas com risco inaceitável e fornecem requisitos legais específicos para aplicativos de alto risco.

As agências governamentais são responsáveis pela aplicação dessas leis e regulamentos. Eles investigam reclamações e violações de dados, realizam auditorias e inspeções, aplicam multas e penalidades por não conformidade e fornecem orientação e aconselhamento às organizações sobre como proteger os dados e cumprir as leis e regulamentos de proteção de dados.

Melhores práticas para o gerenciamento do ciclo de vida de dados

O gerenciamento eficaz do ciclo de vida dos dados requer uma série de práticas recomendadas para garantir que os dados sejam coletados, armazenados e usados de forma responsável e ética. 

Algumas melhores práticas para o gerenciamento do ciclo de vida de dados incluem:

  • Implementar políticas e procedimentos de governança de dados para garantir que os dados sejam coletados e usados de maneira responsável e ética
  • Realizar auditorias e avaliações regulares para identificar pontos fracos ou vulnerabilidades no ciclo de vida dos dados
  • Garantir que os dados sejam precisos, completos e representativos da população-alvo
  • Garantir que os dados sejam armazenados de forma segura e que o acesso seja concedido apenas a usuários autorizados
  • Garantir que os dados sejam usados apenas para a finalidade pretendida e compartilhados apenas de maneira responsável e ética
  • Implementar proteções apropriadas para proteger os dados
  • Garantir que as políticas de retenção de dados estejam em vigor e que os dados sejam excluídos com segurança quando já não forem necessários

Com o cumprimento dessas práticas recomendadas, as organizações podem garantir que estão gerenciando os dados de maneira responsável e ética e que estão protegendo a privacidade e a confidencialidade de indivíduos e organizações.

A IA depende de grandes quantidades de dados para aprender e fazer previsões. Compreender a importância dos dados é fundamental para o desenvolvimento de modelos de IA eficazes que possam impulsionar a inovação e o sucesso. Ao compreender os conceitos fundamentais, indivíduos e organizações podem aproveitar efetivamente os dados e a IA para impulsionar a inovação e o sucesso e, ao mesmo tempo, garantindo o uso ético e responsável.

A Camada de confiança do Einstein

Embora a IA e suas implicações éticas possam ser complexas, o seu poder não tem de sacrificar a paz de espírito. Quando você usa soluções de IA do Salesforce, todos os princípios que você acabou de aprender são postos em prática por causa da Camada de confiança do Einstein. A Camada de confiança do Einstein é uma arquitetura de IA segura, integrada na Salesforce Platform. É um conjunto de contratos, tecnologia de segurança e controles de dados e privacidade usados para manter sua empresa segura enquanto você explora soluções de IA generativa. Ela oferece vários recursos que o ajudam a se sentir bem em relação à sua segurança e à sua marca. Com uma plataforma dedicada a conquistar sua confiança, você pode usar as últimas inovações, como agentes e recursos generativos, sem arriscar sua reputação. Desde o mascaramento de dados confidenciais até à mesclagem de dados de registro relevantes com seus prompts para obter resultados mais precisos, a Camada de confiança oferece segurança aos produtos Salesforce e permite que você se sinta confiante na vanguarda.

Recursos 

Compartilhe seu feedback do Trailhead usando a Ajuda do Salesforce.

Queremos saber sobre sua experiência com o Trailhead. Agora você pode acessar o novo formulário de feedback, a qualquer momento, no site Ajuda do Salesforce.

Saiba mais Continue compartilhando feedback