# Domínio do conteúdo 4: Diretrizes de IA responsável
<a name="ai-practitioner-01-domain4"></a>

O domínio 4 abrange as diretrizes da IA responsável e representa 14% do conteúdo pontuado no exame.

**Topics**
+ [Declaração de tarefa 4.1: Explicar o desenvolvimento de sistemas de IA que são responsáveis.](#ai-practitioner-01-task4.1)
+ [Declaração de tarefa 4.2: Reconhecer a importância de modelos transparentes e explicáveis.](#ai-practitioner-01-task4.2)

## Declaração de tarefa 4.1: Explicar o desenvolvimento de sistemas de IA que são responsáveis.
<a name="ai-practitioner-01-task4.1"></a>

Objetivos:
+ Identificar as características da IA responsável (por exemplo, viés, imparcialidade, inclusão, robustez, segurança e veracidade).
+ Explicar como usar ferramentas para identificar recursos de IA responsável (por exemplo, Barreiras de Proteção para Amazon Bedrock).
+ Definir as práticas responsáveis para escolher um modelo (por exemplo, considerações ambientais e sustentabilidade).
+ Identificar os riscos legais de trabalhar com IA generativa (por exemplo, reivindicações relacionadas à violação de propriedade intelectual, resultados de modelos tendenciosos, perda da confiança do cliente, risco do usuário final e alucinações).
+ Identificar características de conjuntos de dados (por exemplo, inclusão, diversidade, fontes de dados com curadoria e conjuntos de dados balanceados).
+ Descrever os efeitos do viés e da variância (por exemplo, efeitos em grupos demográficos, imprecisão, sobreajuste e subajuste).
+ Descrever as ferramentas para detectar e monitorar vieses, confiabilidade e veracidade [por exemplo, análise da qualidade do rótulo, auditorias humanas, análise de subgrupos, Amazon SageMaker Clarify, Monitor de Modelos do SageMaker e Amazon Augmented AI (Amazon A2I)].

## Declaração de tarefa 4.2: Reconhecer a importância de modelos transparentes e explicáveis.
<a name="ai-practitioner-01-task4.2"></a>

Objetivos:
+ Descrever as diferenças entre modelos que são transparentes e explicáveis e os que não são.
+ Descrever as ferramentas para identificar modelos transparentes e explicáveis (por exemplo, Amazon SageMaker Model Cards, SageMaker Clarify, Amazon Bedrock Model Evaluations, modelos de código aberto, dados e licenciamento).
+ Identificar as concessões entre a segurança e a transparência do modelo (por exemplo, avaliação do desempenho e da interpretabilidade).
+ Descrever os princípios do design centrado no ser humano para uma IA explicável (por exemplo, mecanismos de feedback do usuário, transparência de decisões de IA).