Implementação de uma biblioteca de modelos de desenviesamento adversarial

Descrição

O avanço da disponibilidade de dados impulsionou o desenvolvimento de soluções de inteligência artificial e de aprendizado de máquina, ampliando sua aplicação em diversos domínios, como saúde, finanças, segurança, educação, redes sociais e serviços digitais. Apesar dos benefícios proporcionados por essas tecnologias, cresce a preocupação com impactos sociais negativos decorrentes de seu uso, especialmente quanto à explicabilidade, à privacidade, à justiça algorítmica e à mitigação de vieses. Entre as abordagens mais promissoras para a mitigação de discriminação algorítmica, destaca-se o desenviesamento adversarial, que utiliza estratégias de aprendizado adversarial para impor restrições de equidade durante o treinamento de modelos. Trabalhos anteriores demonstraram a eficácia dessa estratégia, seja por aprendizado adversarial direto, seja por meio de redes generativas adversárias. Apesar da consolidação dessas técnicas na literatura, ainda há escassez de bibliotecas de software que disponibilizem implementações abrangentes de algoritmos de desenviesamento adversarial. Ferramentas como AIF360 e FairLearn oferecem suporte limitado a essas abordagens, o que frequentemente exige a reimplementação dos métodos por pesquisadores e desenvolvedores. Diante desse cenário, o projeto propõe o desenvolvimento e a disponibilização de uma biblioteca em Python dedicada a algoritmos de desenviesamento adversarial, contemplando inicialmente as abordagens propostas por estudos de referência. A iniciativa busca facilitar a adoção dessas técnicas, reduzir retrabalho em pesquisas futuras e ampliar a disseminação de práticas de desenvolvimento de sistemas de IA mais justos. Além de contribuir para o avanço do aprendizado de máquina justo, o projeto possui caráter formativo, promovendo a capacitação de estudantes e a disseminação de conhecimentos sobre ética em IA, problemas socioalgorítmicos e mitigação de desigualdades, especialmente aquelas relacionadas ao gênero. O trabalho será desenvolvido em articulação com uma pesquisa de doutorado em andamento, fortalecendo a formação acadêmica e profissional em uma área estratégica e em crescente demanda. O desenvolvimento da biblioteca será conduzido em quatro etapas: revisão bibliográfica sobre justiça em AM e sobre aprendizado adversarial; definição da arquitetura da biblioteca; implementação incremental e validação das funcionalidades; e, por fim, disponibilização da biblioteca na PyPI e divulgação científica dos resultados alcançados.