PROPOSTA DE UM REFERENCIAL TEÓRICO PARA A AVALIAÇÃO DA QUALIDADE DE DADOS NA INTELIGÊNCIA ARTIFICIAL
Palavras-chave:
Qualidade de dados, inteligência artificial, referencial teórico, avaliaçãoResumo
Este artigo propõe um referencial teórico para a avaliação da qualidade dos dados na inteligência artificial (IA), abordando a falta de padrões uniformes nesse campo crucial. O referencial concentra-se em critérios padronizados para aprimorar a consistência e confiabilidade dos sistemas de IA, identificando áreas específicas de melhoria na coleta e processamento de dados. A introdução destaca a importância da qualidade dos dados na IA e como ela afeta a precisão e eficácia dos algoritmos. Ressalta-se a falta de clareza nos métodos existentes para avaliar essa qualidade, o que motiva a proposta do referencial teórico. O referencial teórico baseia-se em uma revisão sistemática da literatura e análise qualitativa de estudos de caso em setores como saúde e finanças. São identificados elementos críticos para a qualidade dos dados: precisão, integridade, relevância, atualidade e consistência. O referencial proposto inclui diretrizes para aplicar esses critérios em diferentes fases do ciclo de vida de um projeto de IA. Os resultados demonstram que a implementação do referencial melhora a qualidade dos dados e, consequentemente, a efetividade dos sistemas de IA. O feedback de especialistas em IA valida a relevância e utilidade do referencial. A discussão concentra-se na importância do referencial, sua alinhamento com a literatura existente e a necessidade de uma abordagem ética e responsável na IA. São sugeridas direções futuras para a pesquisa, destacando a necessidade de adaptar e validar o referencial em diferentes subcampos da IA. Em conclusão, este estudo oferece um referencial teórico robusto e prático para a avaliação da qualidade dos dados na IA, com potencial para aprimorar significativamente a precisão e confiabilidade desses sistemas.
