Uma Assembleia Legislativa adotou um sistema baseado em aprendizado de máquin...

Tratando desse tema, vale lembrar que transparência e explicabilidade são dois pilares muito importantes quando se fala de modelos de aprendizado de máquina (machine learning), principalmente no setor público. Quando gestores e servidores ficam inseguros sobre por que uma máquina tomou determinada decisão ou recomendou alguma coisa, o sistema perde credibilidade e pode até criar resistências à sua adoção. Por isso, técnicas que esclarecem como as previsões foram feitas ajudam bastante!

Entre as alternativas, a letra A acerta em cheio ao dizer que é importante usar mecanismos que evidenciem a contribuição das variáveis para as previsões. Recursos como gráficos de importância de variável, valores SHAP, LIME ou até mesmo modelos mais simples e interpretáveis são essenciais para que pessoas entendam de verdade as recomendações da máquina. Isso fortalece a confiança em todo o processo e permite avaliações mais justas.

As outras opções (b, c, d, e) vão justamente na direção contrária, sugerindo restrição de informações, desprezo à interpretabilidade ou priorização de complexidade sobre clareza, o que não é desejado no contexto público e nem está alinhado com princípios éticos em ciência de dados. Por isso, a alternativa correta é a letra A.