Transduções informacionais e Machine Learning: reflexões sobre possível inciência de atores envueltos

Resumo

O estudo realizado tem como objetivo discorrer sobre os aspectos da inconsciência dos atores envolvidos no desenvolvimento e uso de modelos de Machine Learning, com foco nas transduções informacionais que ocorrem ao longo de suas etapas, isto é, nas transformações que a informação experimenta ao longo das diferentes fases do ciclo de vida dos dados e do modelo, desde a coleta até a aplicação. O procedimento metodológico adotado baseia-se em uma pesquisa descritiva, exploratória e qualitativa, e coletou dados nas plataformas Hugging Face e GitHub, com a finalidade de analisar as possíveis transformações e transduções informacionais que ocorrem na fase de treinamento dos modelos disponíveis. Os resultados indicam que, embora as plataformas ofereçam um grande volume de modelos e ferramentas, existe opacidade em relação às transformações aplicadas aos dados originais, o que limita a compreensão dos usuários sobre a integridade e a confiabilidade dos modelos disponíveis. Conclui-se, portanto, que há necessidade de que as plataformas adotem protocolos de transparência e estruturas padronizadas de descrição para representar as transduções e as decisões técnicas envolvidas.