"Abertura não faz mal: promovendo transparência qualificada de sistemas de aprendizagem de máquina por meio da regulação responsiva".
aprendizagem de máquina, transparência, caixa preta, responsabiliza- ção, regulação responsiva
Sistemas de aprendizagem de máquina (machine learning, ML) têm sido cada vez mais utilizados para tomar decisões que afetam aspectos-chave das vidas das pessoas. Entretanto, usuários e reguladores pouco sabem sobre como esses modelos funcio- nam, pois apenas informações escassas são divulgadas pelos desenvolvedores e ope- radores. A transparência dessas tecnologias surge assim como uma exigência feita por diferentes grupos de especialistas para que os usuários tenham controle sobre o quan- to suas vidas devem depender dos julgamentos realizados por sistemas de machine learning, mas também para que reguladores responsabilizem os responsáveis por eles pelos danos que vierem a incorrer. Esta dissertação traça assim uma análise compara- tiva sobre como os marcos legais brasileiro e europeu de proteção de dados abordam a transparência de ML e avalia a adequação das estratégias participativas da teoria da regulação responsiva e de sua estrutura de incentivos para promover sistemas mais inteligíveis.