Visão Geral deste Livro

Este livro aborda o design e a implementação de sistemas de inteligência artificial (IA) responsáveis, com foco em tornar os modelos de IA mais transparentes e éticos. Ele começa com a construção de modelos éticos para aprendizado de máquina tradicional e profundo, e a implantação desses modelos em ambientes de produção sustentáveis. O livro detalha como configurar pipelines de dados, validar conjuntos de dados e criar microserviços de forma segura e privada em qualquer framework independente de nuvem.

A seguir, você aprenderá a construir modelos de aprendizado de máquina justos e privados, ajustar hiperparâmetros e avaliar métricas do modelo. Ao final, o livro fornecerá as melhores práticas para cumprir com as leis de privacidade de dados e ética, além de técnicas para anonimização de dados. Você estará capacitado a desenvolver modelos com explicabilidade, armazená-los em repositórios de recursos e gerenciar incertezas nas previsões dos modelos.

Módulo 1: Ataques e Riscos em Modelos de ML

• Lição 1.1: Introdução aos Ataques em Modelos de ML
• Lição 1.2: Tipos de Ataques Diretos e Indiretos
• Lição 1.3: Impactos das Quebras de Privacidade
• Lição 1.4: Exemplos de Perdas Organizacionais
• Lição 1.5: Medidas de Proteção Contra Ataques

Módulo 2: Metodologias e Estruturas de Avaliação de Risco

• Lição 2.1: Introdução às Estruturas de Avaliação de Risco
• Lição 2.2: Ferramentas de Avaliação de Risco
• Lição 2.3: Técnicas de Anonimização de Dados
• Lição 2.4: Validação de Modelos e Privacidade
• Lição 2.5: Aplicações Práticas em Plataformas de Dados

Módulo 3: Regulamentações e Políticas de IA Confiável

• Lição 3.1: Leis e Políticas Globais de Proteção de Dados
• Lição 3.2: Grupos de Especialistas em Ética
• Lição 3.3: Iniciativas Governamentais em IA
• Lição 3.4: Política de Conformidade e Ética
• Lição 3.5: Implementação de Requisitos Legais em Soluções de IA

Módulo 4: Gestão da Privacidade em Big Data e Pipelines de Modelos

• Lição 4.1: Componentes de Sistemas de Big Data
• Lição 4.2: Arquiteturas de Microsserviços e Segurança
• Lição 4.3: Medidas de Segurança em Nuvem
• Lição 4.4: Técnicas para Prevenção de Vazamentos de Dados
• Lição 4.5: Princípios de Segurança em ML em Grande Escala

Módulo 5: Pipeline de ML, Avaliação de Modelos e Gestão da Incerteza

• Lição 5.1: Introdução ao Workflow de IA/ML
• Lição 5.2: Algoritmos de ML para Classificação e Regressão
• Lição 5.3: Algoritmos de Geração e Aprendizado por Reforço
• Lição 5.4: Problemas de Confiabilidade e Confiança em Modelos
• Lição 5.5: Técnicas para Quantificação da Incerteza

Módulo 6: Ajuste de Hiperparâmetros, MLOps e AutoML

• Lição 6.1: Necessidade de Treinamento Contínuo em Pipelines de ML
• Lição 6.2: Opções de AutoML e Soluções Sem Código
• Lição 6.3: Ferramentas de Orquestração de Modelos
• Lição 6.4: Gerenciamento de Treinamento e Implementação de Modelos
• Lição 6.5: Comparação entre Soluções de AutoML de Grandes Provedores

Módulo 7: Noções de Justiça e Geração de Dados Justos

• Lição 7.1: Problemas de Coleta de Dados e Tendências
• Lição 7.2: Importância da Qualidade dos Dados
• Lição 7.3: Princípios para Coleta e Gestão de Dados Justos
• Lição 7.4: Estratégias de Avaliação para Conjuntos de Dados Não Tendenciosos
• Lição 7.5: Impacto dos Dados Justos em Análises e Transformação Digital

Módulo 8: Justiça na Otimização de Modelos

• Lição 8.1: Introdução a Técnicas de Otimização Justa
• Lição 8.2: Otimizadores Personalizados para Modelos Justos
• Lição 8.3: Avaliação de Modelos com Base em Restrições
• Lição 8.4: Métricas de Avaliação para Modelos Justos
• Lição 8.5: Sobrecarga de Treinamento em Otimização Justa

Módulo 9: Explicabilidade de Modelos

• Lição 9.1: Necessidade de Explicabilidade em Modelos de ML
• Lição 9.2: Algoritmos de Explicabilidade: SHAP e LIME
• Lição 9.3: Bibliotecas para Explicabilidade: DoWhy e CausalNex
• Lição 9.4: Recursos de Explicabilidade em Ferramentas de ML em Nuvem
• Lição 9.5: Integração de Explicabilidade em Modelos

Módulo 10: Ética e Governança de Modelos

• Lição 10.1: Processos de Governança Ética para Modelos em Produção
• Lição 10.2: Melhores Práticas para Monitoramento de Modelos
• Lição 10.3: Identificação e Mitigação de Riscos ao Longo do Ciclo de Vida
• Lição 10.4: Classificação de Riscos e Minimização de Perdas
• Lição 10.5: Governança em Treinamento Iterativo e Ajuste de Hiperparâmetros

Módulo 11: Ética da Adaptabilidade dos Modelos

• Lição 11.1: Governança Ética para a Adaptabilidade dos Modelos
• Lição 11.2: Monitoramento do Desempenho e Previsões Contextuais
• Lição 11.3: Condições para Re-treinamento e Calibração do Modelo
• Lição 11.4: Trade-offs entre Justiça e Calibração do Modelo
• Lição 11.5: Planos de Ação para Modelos de Curto e Longo Prazo

Módulo 12: Construindo Plataformas de IA Sustentáveis

• Lição 12.1: Alinhamento de Princípios de IA Ética com Valores Locais
• Lição 12.2: Impacto Ambiental de Soluções de IA em Grande Escala
• Lição 12.3: Procedimentos para Treinamento e Implementação Sustentável
• Lição 12.4: Uso de Aprendizado Federado em Modelos de IA
• Lição 12.5: Responsabilidade Social na Criação de Plataformas de IA

Módulo 13: Gestão Sustentável do Ciclo de Vida do Modelo e Armazenamento de Recursos

• Lição 13.1: Melhores Práticas para o Ciclo de Vida do Modelo
• Lição 13.2: Criação de Armazenamentos de Recursos Sustentáveis
• Lição 13.3: Calibração de Modelos para Plataformas Sustentáveis
• Lição 13.4: Privacidade e Segurança em Armazenamentos de Recursos
• Lição 13.5: Governança e Monitoramento em Aprendizado Federado

Módulo 14: Casos de Uso na Indústria

• Lição 14.1: Casos de Uso Éticos em Diversas Indústrias
• Lição 14.2: Integração de Ética e Conformidade em Sistemas de IA
• Lição 14.3: Aplicação de Algoritmos e Ferramentas em Problemas de Negócios
• Lição 14.4: Padrões de Design Ético em Diferentes Domínios
• Lição 14.5: Reutilização de Padrões Éticos e Ferramentas na Indústria