Intermediario ~50 min 5 itens

Bias e Fairness em IA

bias fairness etica
AÇÕES
Progresso do Topico 0%

Este topico aparece nas seguintes trilhas:

IA Pratica (Segurança e Ética) AI Engineer (AI Safety)

Bias e Fairness em IA

Bias (vies) e Fairness (equidade) em IA referem-se aos desafios de garantir que modelos de machine learning nao produzam resultados discriminatorios ou enviesados. Esta e uma das areas mais criticas da etica em IA.

O que e Bias em IA?#

Bias em IA ocorre quando um sistema produz resultados sistematicamente preconceituosos ou injustos para certos grupos. Isso pode acontecer devido a:

Fontes de Bias#

  1. Dados de Treinamento Desbalanceados

    • Sub-representacao de certos grupos demograficos
    • Dados historicos que refletem preconceitos passados

  2. Pressupostos Falhos

    • Variaveis proxy que correlacionam com caracteristicas protegidas
    • Definicoes de "sucesso" que favorecem certos grupos

  3. Algoritmos Enviesados

    • Funcoes de otimizacao que amplificam desigualdades
    • Falta de restricoes de fairness no treinamento

Tipos de Bias#

Selection Bias#

Quando os dados de treinamento nao representam adequadamente a populacao alvo.

Python 
# Exemplo: Dataset de contratacao historica
# Se historicamente so homens foram contratados,
# o modelo aprendera a preferir candidatos homens

Measurement Bias#

Quando as features ou labels sao medidas de forma diferente para grupos diferentes.

Algorithmic Bias#

Quando o proprio algoritmo introduz ou amplifica vieses.

O que e Fairness?#

Fairness busca garantir que sistemas de IA tratem todos os grupos de forma justa e equitativa. Existem diferentes definicoes matematicas de fairness:

Metricas de Fairness#

1. Demographic Parity#

Todos os grupos devem receber resultados positivos na mesma proporcao.

Python 
def demographic_parity(predictions, sensitive_attr):
    """Verifica se a taxa de positivos e igual entre grupos"""
    groups = predictions.groupby(sensitive_attr)
    positive_rates = groups['prediction'].mean()
    return positive_rates.max() - positive_rates.min()

2. Equalized Odds#

A taxa de verdadeiros positivos e falsos positivos deve ser igual entre grupos.

Python 
def equalized_odds(y_true, y_pred, sensitive_attr):
    """Calcula diferenca em TPR e FPR entre grupos"""
    results = {}
    for group in sensitive_attr.unique():
        mask = sensitive_attr == group
        y_t, y_p = y_true[mask], y_pred[mask]

        tp = ((y_p == 1) & (y_t == 1)).sum()
        fp = ((y_p == 1) & (y_t == 0)).sum()
        fn = ((y_p == 0) & (y_t == 1)).sum()
        tn = ((y_p == 0) & (y_t == 0)).sum()

        results[group] = {
            'tpr': tp / (tp + fn) if (tp + fn) > 0 else 0,
            'fpr': fp / (fp + tn) if (fp + tn) > 0 else 0
        }
    return results

3. Individual Fairness#

Individuos similares devem receber tratamento similar.

Tecnicas de Mitigacao#

Pre-processamento#

Corrigir o dataset antes do treinamento.

Python 
from sklearn.utils import resample

def balance_dataset(df, target_col, sensitive_col):
    """Balanceia dataset para ter representacao igual"""
    groups = df.groupby([target_col, sensitive_col])
    max_size = groups.size().max()

    balanced_dfs = []
    for name, group in groups:
        resampled = resample(group, replace=True, n_samples=max_size)
        balanced_dfs.append(resampled)

    return pd.concat(balanced_dfs)

In-processamento#

Adicionar restricoes de fairness durante o treinamento.

Python 
# Exemplo conceitual: adicionar termo de regularizacao
def fairness_loss(predictions, sensitive_attr, lambda_fair=0.1):
    """Penaliza disparidade entre grupos"""
    group_means = []
    for group in sensitive_attr.unique():
        mask = sensitive_attr == group
        group_means.append(predictions[mask].mean())

    disparity = max(group_means) - min(group_means)
    return lambda_fair * disparity

Pos-processamento#

Ajustar as predicoes apos o treinamento.

Python 
def calibrate_thresholds(predictions, sensitive_attr, y_true):
    """Ajusta thresholds por grupo para equalizar metricas"""
    thresholds = {}
    for group in sensitive_attr.unique():
        mask = sensitive_attr == group
        # Encontra threshold que equaliza TPR
        thresholds[group] = find_optimal_threshold(
            predictions[mask], y_true[mask]
        )
    return thresholds

Ferramentas para Auditoria de Fairness#

  • Fairlearn (Microsoft): Biblioteca Python para avaliar e melhorar fairness
  • AI Fairness 360 (IBM): Toolkit abrangente para deteccao e mitigacao de bias
  • What-If Tool (Google): Interface visual para exploracao de fairness

Recursos#

Checklist#

3 recursos

📝
What Do We Do About the Biases in AI? - HBR hbr.org
📝
AI Bias - What Is It and How to Avoid It? - Levity levity.ai
📝
What about fairness, bias and discrimination? - ICO UK ico.org.uk