AIF-C01 Question 71

Community Discussion

Written by other learners. Comments can disagree with the marked answer — check the official documentation when in doubt.

• Chose AC1

  A and C A. Include fairness metrics for model evaluation. Responsible AI development requires measuring fairness — evaluating whether the model treats different groups equitably and doesn't produce biased or discriminatory outputs in document processing decisions. C. Modify the training data to mitigate bias. Addressing bias at the data level is a foundational responsible AI practice — ensuring training data is balanced, representative, and doesn't encode historical discrimination that could lead to harmful automated decisions.

• Chose UC2

  Explicação:Quando uma empresa implementa um LLM (Large Language Model) para automação, especialmente em um setor sensível como contabilidade, é fundamental Garantir que o modelo aja de forma ética, justa e segura. Para isso, é importante: A. Incluir métricas de imparcialidade para avaliação do modelo → Isso permite monitorar se o modelo está gerando respostas tendenciosas ou discriminatórias. Ajuda a garantir conformidade com princípios de IA responsável e regulamentos. C. Modificar os dados de treinamento para mitigar o viés → Ajustar ou balancear os dados ajuda a reduzir vieses aprendidos pelo modelo, evitando resultados distorcidos. Fundamental em contextos onde decisões automatizadas podem afetar pessoas ou negócios.

• Chose UC2

  Explicação: Desenvolver e implantar LLMs com responsabilidade envolve garantir que o modelo seja justo, ético, e evite causar danos involuntários. As duas práticas mais alinhadas com esse objetivo são:A. Incluir métricas de imparcialidade para avaliação do modelo.Avaliar a imparcialidade (fairness) garante que o modelo não gere resultados discriminatórios ou enviesados, especialmente importante em áreas sensíveis como contabilidade e finanças. C. Modificar os dados de treinamento para mitigar o viés.O viés muitas vezes está nos dados. Corrigir ou balancear o conjunto de dados pode ajudar a reduzir decisões injustas ou distorcidas do modelo.