AI estabelece diretrizes para negócios seguirem regras do bloco
São Paulo — InkDesign News —
A recente regulamentação da União Europeia sobre inteligência artificial (AI) traz à tona a importância de abordagens de machine learning para garantir a conformidade das empresas. O novo código de prática visa ajudar diversas organizações a integrar tecnologias de AI de forma segura e responsável.
Contexto da pesquisa
A nova legislação europeia, que entrará em vigor em agosto, exige que os fornecedores de modelos de AI, como chatbots, adotem práticas de transparência. Isso se reflete na necessidade de métodos de machine learning que assegurem a integridade e a segurança no uso de sistemas avançados. A relação entre legislação e tecnologia se intensifica conforme as empresas buscam maneiras de se ajustar às normas.
Método proposto
A proposta da EU se concentra em três áreas: requisitos de transparência, proteções de direitos autorais e segurança. Muitas das aplicações de machine learning são baseadas em Redes Neurais Convolucionais (CNNs) e Modelos de Linguagem de Grande Escala (LLMs) para lidar com vastos volumes de dados. As CNNs, por exemplo, são particularmente eficazes na análise de imagens e dados não estruturados, enquanto os LLMs são usados para tarefas de geração de texto e interação em linguagem natural.
“A publicação do Código de Prática para AI de uso geral marca um passo importante para disponibilizar os modelos de AI mais avançados na Europa, não apenas de forma inovadora, mas também segura e transparente.”
(“Today’s publication of the final version of the Code of Practice for general-purpose AI marks an important step in making the most advanced AI models available in Europe not only innovative but also safe and transparent.”)— Henna Virkkunen, Vice-Presidente Executivo, Comissão Europeia
Resultados e impacto
O uso de machine learning sob a nova regulamentação deve observar diferentes níveis de scrutínio, dependendo do risco apresentado. Modelos de AI com maior potencial de risco enfrentam penalidades severas por violação das normas. Em testes preliminares, as métricas de desempenho das AI variam com base em benchmarks estabelecidos, com algumas CNNs alcançando até 90% de precisão em reconhecimento de imagens. Datasets como ImageNet e GLUE são exemplos de recursos utilizados para estabelecer essas métricas.
As aplicações práticas destas diretrizes vão desde a melhor integração de AI em setores industriais até a preparação das empresas para atender a novos padrões internacionais. À medida que os regulamentos se tornam mais claros, a expectativa é que isso estimule também inovações dentro do campo de machine learning.
Fonte: (TechXplore – Machine Learning & AI)
