2.3.1. As Concausas e a Multiplicidade de Agentes: Aplicações e Implicações

exemplo, séries históricas) ao manterem um “estado de memória” que capta o contexto de entradas anteriores, tornando-as especialmente úteis para identificar tendências e padrões ao longo do tempo. O segundo módulo, construído com algoritmos genéticos (GA, genetic algorithms), otimiza a distribuição de cargas de trabalho, imitando a seleção natural (mutação, cruzamento e seleção) para encontrar, de forma iterativa (repetições em larga escala), a melhor configuração de recursos entre diferentes regiões. Se cada módulo operasse sozinho, suas limitações poderiam causar problemas localizados, mas provavelmente não resultariam em falhas generalizadas. Porém, ao serem integrados sem calibração adequada (ou seja, sem uma harmonização dos resultados de um com os do outro), as imperfeições de cada tecnologia se combinam. Enquanto o módulo com RNN subestima a demanda em regiões específicas, o módulo com algoritmos genéticos realoca recursos de maneira equivocada, ocasionando sobrecargas e interrupções de serviço. Como nenhuma das falhas, isoladamente, seria suficiente para causar o dano total, mas a soma delas se torna determinante, tem-se a causalidade concorrente “propriamente dita”. Finalmente, dentro ainda da divisão de Fernando Noronha em relação ao concurso de fatos distintos de várias pessoas, temos a causalidade cumulativa (2.3.3), em que cada pessoa pratica um dano independente, por si só, mas que se junta a um resultado maior. Clássico caso, por exemplo, do abalroamento sucessivo de múltiplos veículos 283. Em um cenário mais complexo, consideremos um aplicativo de e-commerce que incorpora três serviços de IA independentes: (i) um módulo de recomendação baseado em deep learning, que sugere produtos aos usuários analisando padrões de compra; (ii) um sistema de detecção de fraude, estruturado pela combinação de modelos estatísticos284; e (iii) uma ferramenta de reputação do vendedor que emprega processamento de linguagem natural (PLN) para analisar textos de avaliação, identificando comportamentos ou comentários suspeitos. Cada um desses módulos pos283 Noronha, 2010, p. 649. 284 Representações matemáticas simplificadas compostas por diversos algoritmos para aumentar a precisão e reduzir erros em determinada operação.