Dados desbalanceados, opacidade dos algoritmos e métricas de avaliação inadequadas podem gerar resultados injustos e perpetuar preconceitos em sistemas de IA.

Dados desbalanceados, opacidade dos algoritmos e métricas de avaliação inadequadas podem gerar resultados injustos e perpetuar preconceitos em sistemas de IA. Para mitigar esses problemas, são recomendadas práticas como auditorias, uso de dados representativos, explicabilidade e escolha criteriosa das métricas. 

Fonte: LOPES, C. M. N.; MENDES, J. C. Ética e Inteligência Artificial: desafios e melhores práticas. Revista da UFMG, v. 30, e47673, 2023. 

Considerando o texto apresentado, analise as afirmativas a seguir: 

1. Dados históricos, por si só, garantem imparcialidade e justiça nos modelos de IA. II. A coleta de dados representativos ajuda a evitar vieses e melhorar a equidade nos resultados. 

III. A opacidade dos algoritmos facilita a compreensão de suas decisões, fortalecendo a confiança social. 

1. Auditorias periódicas e a explicabilidade dos sistemas são práticas recomendadas para reduzir injustiças algorítmicas. 
2. A utilização de métricas inadequadas em conjuntos de dados desbalanceados pode criar uma falsa impressão de bom desempenho. 

É correto o que se afirma em: 

ALTERNATIVAS 

I, II e III, apenas. 

I, III e IV, apenas. 

I, IV e V, apenas. 

II, III e V, apenas. 

II, IV e V, apenas.