1. Princípios éticos. Aspectos legais e práticos
1.1. Contextualização e fundamentos éticos da IA
1.1.1. Princípios: como aplicar princípios em sistemas complexos e autônomos?
1.1.2. Desafios: marcos jurídicos tradicionais podem ser inadequados.
1.1.3. Responsabilidade Civil: Código Civil e Código de Defesa do Consumidor.
1.1.4. Debate: soluções e tendências globais sobre Responsabilidade por danos oriundos de IA.
1.2. Vieses algorítmicos e discriminação
1.2.1. Definição: sistemas treinados com dados enviesados reproduzem e potencialmente amplificam preconceitos sociais existentes.
1.2.2. Proteção legal: proibição constitucional de discriminação de qualquer natureza (art. 3º, IV, CF).
1.2.3. Estratégias de mitigação:
1.2.3.1. Técnicas de *“debiasing”. *
1.2.3.2. Técnicas de “debiasing”.
1.2.3.3. Abordagens organizacionais.
1.3. Transparência e direito à explicação
1.3.1. Opacidade: dificulta a aplicação do princípio da motivação das decisões.
1.3.2. Direito à explicação: como garantir explicações compreensíveis de sistemas com bilhões de parâmetros?
1.3.3. Suficiência das explicações: direito a explicações significativas.
1.3.4. Dilema: precisão *versus * interpretabilidade.
1.4. Privacidade e proteção de dados
1.4.1. Realidade: a IA depende de dados pessoais.
1.4.2. Problema: coleta indiscriminada especialmente invasiva.
1.4.3. IA generativa: quem responde por vazamento de dados?
1.4.4. Desafio regulatório: como aplicar a LGPD?
2. Responsabilidade
2.1. Contexto e reflexão
2.1.1. Princípios:
2.1.1.1. Centralidade da pessoa humana.
2.1.1.2. Transparência e explicabilidade.
2.1.1.3. Supervisão humana.
2.1.1.4. Responsabilização e reparação.
2.1.2. Riscos: decisões discriminatórias, vazamentos, impactos ambientais e efeitos no mercado de trabalho.
2.1.3. Regulamentação: responsabilização sobre os riscos do uso da IA.
2.2. Responsabilização jurídica
2.2.1. IA e meio ambiente: tendência de responsabilização civil por danos ambientais.
2.2.2. IA e trabalho: relações entre empregador e efeitos negativos da IA sobre o trabalho.
2.2.3. IA, dados e discriminação: tendência de responsabilização objetiva em setores críticos.
2.2.4. IA e propriedade intelectual: dificuldades relacionadas ao uso indevido de obras e à creditação de autoria.
2.3. Governança, fiscalização e *enforcement *
2.3.1. Governança: fiscalizar, planejar, coordenar e promover inovação da IA, bem como responsabilizar quando necessário.
2.3.2. Sistema Nacional de Regulação e Governança de Inteligência Artificial (SIA): agentes integrantes do Poder Público, setor privado, academia e terceiro setor.
2.3.3. *Enforcement:* equilíbrio entre regulação preventiva e punição por dano efetivo.
2.3.4. Plano internacional: coordenação global entre marcos regulatórios nacionais.
3. Modelos regulatórios e fundamentos
3.1. União Europeia
3.1.1. Abordagem: reguladora, preventiva e baseada em riscos.
3.1.2. Regulação: AI Act (2024) cria classificações por grau de risco.
3.1.3. Responsabilização: provedores e usuários profissionais.
3.2. Estados Unidos
3.2.1. Abordagem: flexível, setorial e pragmática.
3.2.2. Regulação: atuação de agências e estados.
3.2.3. Responsabilização incerta: debates sobre autorregulação, propriedade intelectual e desinformação.
3.3. China
3.3.1. Abordagem: indutora, estatal e estratégica.
3.3.2. Regulação: diretiva e altamente centralizada.
3.3.3. Responsabilização: estatal ou difusa.
3.4. Brasil
3.4.1. Abordagem: mista, inovadora, inspirada no modelo europeu.
3.4.2. Regulação: calcada na principiologia do ordenamento jurídico brasileiro.
3.4.3. Responsabilização: objetiva para agentes de IA de alto risco.
4. Introdução à IA – contexto histórico e aplicações atuais
4.1. Definição de IA: sistemas que podem aprender, adaptar-se e realizar tarefas que exigem inteligência humana.
4.2. Diferenças:
4.2.1. Programação tradicional: instruções detalhadas e explícitas.
4.2.2. IA: princípios gerais + aprendizado autônomo.
4.3. Pioneiros da IA: evolução histórica do pensamento computacional sobre a inteligência das máquinas.
4.4. Marcos práticos da IA: conquistas da inteligência artificial em disputas contra humanos e sua disseminação no mercado.
4.5. IA na prática: aplicação nas áreas da saúde, educação, agricultura, de finanças e do direito.
5. Taxonomia e categorias da IA
5.1. IA estreita *versus* IA geral:
5.1.1. IA estreita (ANI): especializada em tarefas específicas.
5.1.2. IA geral (AGI): implicações profundas – filosóficas, éticas e jurídicas.
5.1.3. IA ampla: categoria intermediária emergente.
5.2. Sistemas baseados em regras *versus* aprendizado:
5.2.1. Sistemas baseados em regras: transparentes e previsíveis; seguem instruções explicitamente programadas.
5.2.2. Sistemas baseados em aprendizado: adaptáveis a novas situações; derivam padrões a partir de dados.
5.3. Classificação por funcionalidade e aplicação:
5.3.1. Sistemas de percepção.
5.3.2. Sistemas de raciocínio e decisão.
5.3.3. Sistemas generativos.
5.3.4. Sistemas interativos.
5.3.5. Sistemas autônomos.
6. Pilares tecnológicos da IA contemporânea
6.1. Algoritmos: conjunto de regras e procedimentos utilizado para resolver problemas.
6.2. Dados de treinamento: nenhum algoritmo é melhor que os dados que o alimentam.
6.3. *Machine learning:* Dados -> Descoberta autônoma de regras.
6.3.1. Supervisionado: treinamento com exemplos rotulados.
6.3.2. Não supervisionado: descoberta de padrões sem rótulos.
6.3.3. Reforço: aprendizado via tentativa e erro com recompensas.