Curso Básico de IA Responsável

Aula 1 • Princípios Éticos Fundamentais para IA

Apresenta justiça, transparência, responsabilidade e privacidade como pilares fundamentais. Conecta cada princípio a decisões concretas de design.

Aula 2 • O que os Sistemas de IA Realmente Fazem

Desmistifica como os modelos de IA processam entradas e produzem saídas. Fundamenta a análise ética posterior em uma compreensão técnica precisa.

Aula 3 • Visão Geral do Lifecycle de IA Responsável

Apresenta como as considerações de responsabilidade se aplicam em cada etapa, desde o design até a aposentadoria. Define o mapa estrutural para todo o curso.

Aula 4 • Por que a Responsabilidade é Importante na IA

Examina os danos reais causados pela implantação de IA sem a devida análise. Motiva a disciplina de IA responsável como uma necessidade profissional.

Aula 1 • Decisões de Equidade Contextuais

Aborda como o contexto do domínio — contratação, empréstimos, saúde — molda qual definição de justiça é apropriada. Desenvolve o discernimento para decisões de trade-off no mundo real.

Aula 2 • Estratégias de Mitigação ao Longo do Pipeline

Apresenta técnicas de debiasing de pré-processamento, durante o processamento e pós-processamento. Os alunos selecionam estratégias com base no contexto e nos trade-offs aceitáveis.

Aula 3 • Fontes de viés em IA

Rastreia as origens do viés desde as desigualdades sociais, passando pela coleta de dados, até as saídas do modelo. Estabelece que o viés é sistêmico, não acidental.

Aula 4 • Definindo e Medindo Justiça

Apresenta definições matemáticas concorrentes de equidade e seus trade-offs. Alunos entendem por que nenhuma métrica única satisfaz todos os objetivos de equidade simultaneamente.

Aula 1 • Limites e Riscos da Explicabilidade

Examina como as explicações podem enganar, ser manipuladas ou criar uma falsa confiança. Desenvolve o julgamento crítico sobre quando as explicações são suficientes.

Aula 2 • Arquiteturas de Modelo Interpretável

Analisa modelos inerentemente interpretáveis e seus casos de uso apropriados. Posiciona a interpretabilidade como uma escolha de design, não um pensamento posterior.

Aula 3 • Comunicando Explicações às Partes Interessadas

Traduz explicações técnicas para uma linguagem apropriada para públicos não técnicos. Abrange o design de explicações para operadores, usuários finais e reguladores.

Aula 4 • Transparência Versus Explicabilidade

Diferencia a transparência em nível de sistema da explicabilidade em nível de modelo. Esclarece o que cada conceito exige de desenvolvedores e implantadores.

Aula 1 • Cenário Regulatório para Dados de IA

Examina os requisitos globais de proteção de dados e suas implicações para o desenvolvimento de IA. Os alunos mapeiam as obrigações regulatórias para estágios específicos do pipeline.

Aula 2 • Princípios de Privacidade em Contextos de IA

Aplica conceitos fundamentais de privacidade—minimização, limitação de finalidade, retenção—a pipelines de dados de IA. Estabelece a privacidade como uma restrição de design.

Aula 3 • Técnicas de Preservação de Privacidade

Apresenta privacidade diferencial, aprendizado federado e dados sintéticos como salvaguardas técnicas. Os alunos avaliam o trade-off entre privacidade e utilidade de cada técnica.

Aula 4 • Frameworks de Governança de Dados

Aborda políticas, funções e Processos para gerenciar ativos de dados de forma responsável. Posiciona a governança como a infraestrutura organizacional para a privacidade.

Aula 1 • Estruturas de Responsabilidade em Organizações de IA

Mapeia as funções e responsabilidades ao longo da cadeia de desenvolvimento de IA. Previne lacunas de responsabilidade que permitem que danos fiquem sem solução.

Aula 2 • Mecanismos de Supervisão Humana

Examina os designs humano-no-loop, humano-sobre-o-loop e humano-no-comando. Os alunos associam o nível de supervisão à gravidade do risco.

Aula 3 • Prestação de Contas Externa e Auditoria

Aborda auditorias de terceiros, inspeções regulatórias e mecanismos de prestação de contas públicas. Prepara os alunos para se envolver com a supervisão externa de forma construtiva.

Aula 4 • Políticas, Normas e Controles Internos

Abrange o design de políticas internas de IA, códigos de conduta e controles técnicos. Traduz princípios éticos em regras organizacionais aplicáveis.

Aula 1 • Ameaças Adversariais e Ataques

Aborda exemplos adversariais, envenenamento de dados e ataques de extração de modelo. Os alunos compreendem as motivações do invasor e as vulnerabilidades do sistema.

Aula 2 • Práticas Seguras de Implantação

Apresenta implantações graduais, kill switches e mecanismos de fallback como infraestrutura de segurança. Aplica princípios de engenharia de segurança à implantação de IA.

Aula 3 • Definindo Segurança e Confiabilidade em IA

Diferencia segurança, robustez e confiabilidade como propriedades relacionadas, porém distintas. Enquadra cada uma como um requisito de design com critérios mensuráveis.

Aula 4 • Práticas de Teste e Validação

Aborda testes de estresse, simulação de ataques (red-teaming) e abordagens de verificação formal. Conecta o rigor dos testes ao nível de risco e ao contexto de implantação.

Aula 1 • IA Responsável em Serviços Financeiros

Aborda a imparcialidade na pontuação de crédito, detecção de fraudes e negociação algorítmica. Aplica frameworks de governança a casos de uso de IA financeira regulamentados.

Aula 2 • IA Responsável na Saúde

Examina os requisitos de segurança, privacidade e responsabilidade para sistemas clínicos de IA. Conecta princípios de IA responsável a resultados de segurança do paciente.

Aula 3 • IA Responsável no Setor Público

Aborda as demandas de responsabilização e transparência exclusivas da implantação de IA no governo. Examina a legitimidade democrática e os requisitos de devido processo legal.

Aula 4 • Raciocínio Ético Entre Domínios

Constrói um processo de tomada de decisão transferível para novos dilemas de IA responsável. Sintetiza todos os princípios do curso em um método unificado de raciocínio ético.

Aula 1 • Operacionalizando Processos de IA Responsável

Incorpora pontos de verificação de IA responsável nos fluxos de trabalho existentes de desenvolvimento e aquisição. Impede que a ética permaneça uma função separada e ignorada.

Aula 2 • Construindo uma Cultura de IA Responsável

Aborda a mudança humana e organizacional necessária para sustentar a prática responsável de IA. Abrange treinamento, incentivos e compromisso da liderança.

Aula 3 • Medindo e Melhorando o Programa

Estabelece KPIs, loops de feedback e ciclos de melhoria contínua para o programa de IA responsável. Viabiliza a evolução do programa baseada em evidências.

Aula 4 • Projetando um Framework de Ética em IA

Orienta a criação de um framework de ética do princípio à prática adaptado ao contexto organizacional. Conecta valores abstratos a requisitos operacionais.