Dissertação
Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
Fecha
2022-12-16Registro en:
PEREIRA, José Renato Laranjeira de. Openness doesn’t hurt: enforcing qualified machine-learning transparency for data protection through responsive regulation. 2022. 182 f., il. Dissertação (Mestrado em Direito) — Universidade de Brasília, Brasília, 2022.
Autor
Pereira, José Renato Laranjeira de
Institución
Resumen
Sistemas de aprendizagem de máquina (machine learning, ML) têm sido cada vez
mais utilizados em processos de tomada de decisões que afetam aspectos-chave das
vidas de pessoas. Entretanto, usuários e reguladores pouco sabem sobre como esses
modelos funcionam, já que apenas informações escassas são divulgadas por seus desenvolvedores e operadores. A transparência dessas tecnologias surge assim como
uma exigência feita por diferentes grupos de especialistas para que os usuários tenham controle sobre o quanto suas vidas devem depender dos julgamentos realizados
por sistemas de machine learning, mas também para que reguladores responsabilizem
os responsáveis por eles pelos danos que vierem a incorrer. Esta dissertação traça assim uma análise comparativa sobre como as leis brasileira e europeia de proteção de
dados abordam a transparência de machine learning e avalia a adequação das estratégias participativas da teoria da regulação responsiva e de sua estrutura de incentivos
para promover sistemas mais inteligíveis.