Publicado no JOTA
As conquistas obtidas com o auxílio de ferramentas de Inteligência Artificial (IA) são inegáveis. A realidade atual convive com uma crescente implementação de artefatos de análise de comportamento humano por meio dessa modalidade de tecnologia, sendo inegável também que as máquinas representam perigo à autonomia dos ser humano, como indivíduo, e podem gerar mecanismos potencialmente discriminatórios em razão da possibilidade de manejo perverso de algoritmos. É evidente que o avanço da Inteligência Artificial pode trazer grandes benefícios para a humanidade, desde que resguardada a defesa da condição humana e do desenvolvimento sustentável em todas as suas dimensões. O sistema algorítmico de aprendizagem, utilizado para solucionar possíveis problemas e auxiliar na tomada de decisões por meio de previsões e probabilidades, pode produzir resultados discriminatórios e refletir preconceitos já existentes, principalmente pela utilização de correlações e não de causalidades quando de sua criação.
Tudo isso adquire uma maior complexidade quando consideramos o desenvolvimento atual da ciência da computação no campo da IA (Inteligência Artificial), principalmente quando analisamos aprendizagem das máquinas, denominado pelos cientistas da computação de Machine Learning, que pode “mudar as regras do jogo”. Ou seja, o algoritmo inteligente faz uma espécie de previsão com base nos acontecimentos pretéritos e poderá estimar uma probabilidade futura. Os métodos estatísticos utilizados no processamento de dados por algoritmos podem reproduzir vieses já existentes e levar a resultados discriminatórios, até porque nexo de causalidade e correlações são definidos pelos controladores de dados, que acabam transmitindo vieses existentes nos processos tradicionais de tomadas de decisões.
A Inteligência artificial está relacionada à tarefa similar de usar computadores para entender a inteligência humana. Dentro de diversas abordagens sobre o tema, a inteligência artificial pode ser classificada com IA forte, IA fraca e IA pragmática. Pela primeira abordagem, acredita-se que o computador possa pensar da mesma forma que os humanos. De acordo com a IA fraca, o computador só precisaria agir como se fosse inteligente. Na abordagem pragmática, não importa se as máquinas se pareçam com humanos ou não, e sim qual uso se pode fazer delas. Em suma: inteligência artificial nada mais é do que uma criação algorítmica destinada a cumprir finalidades específicas com base no recebimento de dados objetivos (input) para gerar resultados também objetivos (outputs). O ponto crítico é que os algoritmos de aprendizagem na IA são organizados com maior complexidade do que na automação, pois não apenas seguem regras como também tomam decisões, aprendendo sozinhos sobre dados coligidos[1]. Há ainda, no campo denominado como Machine Learning, o fato de que adentram na máquina além do input e output o resultado desejado, o que torna um algoritmo capaz de tornar a relação entre dado e resultado verdadeira. É o que se chama de learners – são algoritmos inteligentes que criam outros algoritmos.
A discriminação algorítmica decorre do fato de que nessas operações por meio de algoritmos alguém pertencer a determinado grupo e ser julgado a partir das características generalizada desse grupo, onde as características individuais de uma pessoa são desconsideradas, sendo vista apenas como membro de um dado conjunto de pessoas. A ocorrência da discriminação se torna melhor explicável quando se conceitua generalizações em consistentes (universais e não universais) e inconsistentes. As generalizações consistentes podem ser subdividias em universais e não-universais. Nas universais tem-se como destaque o exemplo utilizado por Aristóteles de que “Todos os humanos são mortais”, o que significa que a totalidade da raça humana um dia, de fato, morre, de modo que essa generalização se mostra verdadeira em 100% dos casos. Nas não universaisa generalização não se presta a descrever a totalidade de um grupo, mas sim uma característica compartilhada da maioria dos indivíduos daquele grupo, o que pode utilizado com grupo de indivíduos de determinada localidade.
Generalizações inconsistentes são as que falham em preencher os parâmetros anteriormente definidos. Utilizamos como exemplo uma afirmação de que “arianos são impulsivos”, o que é de fácil verificação que essa não é uma característica universal, pois não há evidências de que essas pessoas sejam mais impulsivas do que aquelas nascidas em outros períodos do ano[2]. Uma conhecida generalização no campo jurídico são os estudos de Cesare Lombroso acerca do homem delinquente. Se tratava de um trabalho de um médico italiano fundador da escola de Criminologia Positivista cujos estudos se dedicaram a comprovar como criminosos teriam nascido dessa forma e como certas características físicas poderiam ajudar a identificar a criminalidade. Sua pesquisa concluiu que o homem criminoso reuniria certos traços, como braços longos, crânio e rosto assimétricos, etc. Até hoje não existem evidências concretas de que Lombroso estava correto[3]. O ponto chave da generalização é que com muita frequência os algoritmos utilizam características de um grupo para avaliar a totalidade dos indivíduos, o que é uma forma de discriminação. Isso porque os agentes ainda precisam tomar grandes decisões quando do tratamento desses dados, e consequentemente tendem a utilizar características facilmente observáveis, como gênero, raça, orientação sexual como proxies para características produtivas algorítmicas.
Fator importante a ser observado na discriminação algorítmica é que o perfil criado de determinada pessoa utiliza dados históricos e pretéritos para traçar um perfil adequado ou verdadeira sobre determinada condição, tanto nas situações de emprego, como de marketing, policiamento e diversos outros casos. Dentro dessa condição é que se ressalta a gravidade da discriminação algorítmica quando tratamos de contratação de mulheres em determinado campo de trabalho, por exemplo, pois historicamente as mulheres demandavam mais tempo com tarefas domésticas em razão da discriminação já existente anteriormente, o que pode ser transportando por meio de dados pretéritos para o algoritmo, tornando ainda mais difícil identificar e eliminar o ato discriminatório. Laura Mendes[4] sistematiza quatro tipos principais de discriminação algorítmica: discriminação por erro estatístico, discriminação por generalização, discriminação pelo uso de informações sensíveis e discriminação limitadora do exercício de direitos.
Na discriminação por erro estatístico o tipo de discriminação pode ser conceituado como decorrente de erro cometido pelos engenheiros ou cientistas de dados responsáveis pelo desenho do algoritmo. Discriminação por generalização é quando algumas pessoas são equivocadamente classificadas em certos grupos, de modo que, embora o algoritmo esteja correto e as informações também, ainda assim o resultado será uma generalização incorreta, na medida em que mesmo um resultado estatisticamente relevante apresentará um percentual de pessoas que não se encaixam perfeitamente naquela média. A discriminação pelo uso de informações sensíveis é assim considerada por se basear em dados ou proxies legalmente protegidos. É o que ocorre, por exemplo, quando um algoritmo utiliza informações sobre identificação religiosa de um indivíduo para designar seu credit scoring no Brasil, pois a Lei do Cadastro Positivo proíbe o uso desse tipo de informação para essa finalidade.
Quando se trata da discriminação limitadora do exercício de direitos novamente pode se apresentar resultados estatisticamente corretos e relevantes, mas que ainda assim pode ser considerada discriminatório, porém o problema não advém do tipo de dado utilizado, mas da relação entre a informação utilizada pelo algoritmo e a realização de um direito. Se o direito é demasiadamente afetado, provável que o uso seja discriminatório. O fato é que a inteligência artificial (AI) repercute nas dimensões sociais, econômicas, ambientais, éticas, tornando crucial análise de qualquer tipo de enviesamento, que deve necessariamente ser corrigido no momento da programação da Inteligência Artificial, no curso do aprendizado (adaptabilidade), ou posteriormente.
O desenviesamento evita qualquer relação da Inteligência Artificial com a discriminação algorítmica, que deve ser evitada para não inquinar aos vieses associados às predisposições esteriotipantes, discriminatórias e ameaçadoras. Da mesma forma, a governança algorítmica no uso da Inteligência Artificial deve se tornar inseparável da acconuntability, tendo-se em mente que pessoas serão afetadas pelo processo decisório e que, dessa forma, é necessário oferecer alternativas de responsabilização, o que é pouco evidenciada na Lei Geral de Proteção de Dados Brasileira. De igual modo deve ser em relação a auditabilidade, que pressupõe a ideia de que um terceiro deva ser capaz de avaliar o método utilizado pelo algoritmo para chegar àquela conclusão.
Como um dos princípios mais desafiadores, também a fairness deve ser inseparável e condição indispensável da governança algorítmica, pois é por trás desse conceito que surge a ideia de que os algoritmos não podem levar a resultados discriminatórios, chamando ao feito a necessidade de evocar a transparência para desmistificar as “caixas-pretas” do sistema algorítmico e obedecer o indispensável protocolo ético-jurídico da inteligência artificial, que abarca tábua necessária de diretrizes para decisão algorítmica. A regulação estatal sofisticada é condição urgente para sustentar o próprio papel evolutivo da Inteligência Artificial e garantir a defesa do humano ao revés dos danos que a IA está propensa a ocasionar.
[1] FREITAS, Juarez; FREITAS, Thomas Bellini. Direito e inteligência artificial: em defesa do humano. Belo Horizonte: Fórum, 2020. p. 29.
[2] SCHAUER, F. Profiles, Probabilities, and Stereotypes. Cambridge: Harvard University Press, 2006 Apud SCHERTEL MENDES, Laura; MATTIUZZO, Marcela. DISCRIMINAÇÃO ALGORÍTMICA: CONCEITO, FUNDAMENTO LEGAL E TIPOLOGIA. Direito Público, [S.l.], v. 16, n. 90, dez. 2019. ISSN 2236-1766. Disponível em: <https://portal.idp.emnuvens.com.br/direitopublico/article/view/3766>. Acesso em: 29 nov. 2020.
[3]SCHERTEL MENDES, Laura; MATTIUZZO, Marcela. DISCRIMINAÇÃO ALGORÍTMICA: CONCEITO, FUNDAMENTO LEGAL E TIPOLOGIA. Direito Público, [S.l.], v. 16, n. 90, dez. 2019. ISSN 2236-1766. Disponível em: <https://portal.idp.emnuvens.com.br/direitopublico/article/view/3766>. Acesso em: 29 nov. 2020.
[4] Ibidem