1.3.4. Caixas-Brancas e Caixas-Pretas: Conceitos Fundamentais

Pode-se dizer que os sistemas de IA baseados em redes neurais artificiais destacam-se sobretudo no reconhecimento de padrões quando operam com grandes volumes de dados, incluindo informações não estruturadas, conseguindo extrair soluções a partir de dados complexos ou desorganizados117. O aprendizado profundo, ou deep learning, por sua vez, utiliza redes neurais artificiais compostas por múltiplas camadas, projetadas para processar dados de forma hierárquica e identificar padrões complexos. Embora baseado na arquitetura de redes neurais, o aprendizado profundo distingue-se pelo maior número de camadas e pela capacidade de lidar com grandes volumes de dados, permitindo extrações mais sofisticadas de padrões. Essas redes simulam, de forma simplificada, a interconexão de neurônios biológicos, ajustando os pesos das conexões para refinar o aprendizado118. A característica mais relevante do aprendizado profundo, particularmente no contexto das redes neurais profundas, é sua natureza frequentemente descrita como “caixa-preta” (black box) – tratada a seguir. Esse termo reflete a complexidade intrínseca dessas redes, que utilizam múltiplas camadas de neurônios artificiais para realizar cálculos e transformações nos dados de formas que desafiam a compreensão humana detalhada. A dificuldade reside no fato de que seus algoritmos operam com matemáticas extremamente complexas, tornando inviável rastrear ou explicar, de forma transparente, o passo a passo lógico que levou à solução de um problema. Em outras palavras, mesmo os programadores não conseguem interpretar plenamente os processos que ocorrem nas “camadas ocultas” dessas redes, o que reforça os desafios de explicabilidade e controle no aprendizado profundo119. 1.3.4. Caixas-Brancas e Caixas-Pretas A categoria que se caracteriza por formas de raciocínio e comportamento abrange sistemas que imitam aspectos específicos da cognição e do com117 Por exemplo, um arquivo Excel com atributos e dados etiquetados é considerado informação estruturada, enquanto publicações em redes sociais são exemplos de informações não estruturadas. Dados não estruturados podem ser extraídos de contextos não previstos originalmente para a finalidade analisada, como preferências musicais ou cinematográficas extraídas de um diálogo. Já os dados estruturados emergem de instrumentos e processos preparados para esse fim, como uma pesquisa de opinião (cf. Corvalán, Dávila e Simari, 2023, p. 51). 118 Dapkevicius, 2024, p. 210. 119 Corvalán, Dávila e Simari, 2023, p. 33.