2.3.1. As Concausas e a Multiplicidade de Agentes: Perspectivas e Desafios

pesos e parâmetros conforme surgem novas variantes dessas doenças (fato do responsável). Simultaneamente, o paciente (lesado), ao utilizar o aplicativo, omite detalhes fundamentais de seu histórico médico e não segue o protocolo recomendado para coleta de dados (fato do lesado). A combinação dos dois erros culmina em diagnósticos incorretos, agravando o estado de saúde do paciente. Como veremos adiante, isso não significa exclusão ou atenuação da própria responsabilidade do agente causador do dano. O concurso de fatos distintos de várias pessoas (‘2.3’) – que Noronha denomina de causalidades complexas –, por sua vez, se divide em outros três subgrupos: causalidade colateral, causalidade concorrente propriamente dita e causalidade cumulativa. A causalidade colateral (‘2.3.1’) consiste nos casos em que cada uma das partes envolvidas pratica fato que, por si só, seria suficiente para causar todo o dano verificado280. Exemplo: dois assistentes virtuais (por exemplo, chatbots) de uma mesma empresa fazem recomendações financeiras com base em modelos distintos de machine learning. Cada um, isoladamente, contém uma falha crítica que, sozinha, já seria suficiente para induzir investidores a aplicações desastrosas (por exemplo, um deles superestima a rentabilidade e o outro subestima o risco). Como ambos operam simultaneamente, os usuários recebem dupla recomendação equivocada, agravando ainda mais as perdas. Cada falha, por si só, já bastaria para causar o dano, ilustrando a causalidade colateral. A segunda hipótese é a causalidade concorrente propriamente dita (2.3.2), na qual as práticas, isoladamente, não seriam suficientes para provocar o dano; contudo, quando combinadas, acabam por constituir a causa necessária para sua ocorrência281. Tomemos o caso de um grande provedor de serviços em nuvem, em que dois times de especialistas em IA são encarregados de desenvolver, separadamente, módulos e submódulos282 para gerenciar a alocação de recursos em data centers. O primeiro módulo, apoiado em redes neurais recorrentes (RNN, recurrent neural networks), prevê picos de tráfego ao analisar longas sequências de uso. As RNN processam dados temporais (por 280 Ibidem, p. 647. 281 Ibidem, p. 647-648. 282 Em linhas gerais, componentes autônomos dentro do sistema que executam tarefas específicas.