Ética e Responsabilidade na Ciência de Dados

Em 11 de junho de 2025, tive a oportunidade de compartilhar na Trilha de Data Science do TDC Florianópolis 2025, reflexões sobre Ética e Responsabilidade na Ciência de Dados.

Agora, registro aqui alguns pontos principais da minha apresentação...

Quando os Dados Enganam

Ética e Responsabilidade na Ciênica de Dados

Introdução

Não há como negar: os dados estão em tudo, moldando decisões importantes e impactando nossas vidas. Eles carregam um poder transformador - e muitas vezes, perigoso. Você já parou para pensar o que acontece quando os dados enganam?

Nesta apresentação, explorei o ciclo de vida dos dados para entender como a ética deve permear cada uma de suas etapas.  A LGPD dá o tom, mas, como Cientistas de Dados, o que podemos e devemos fazer para garantir a integraidade dos dados e das informações, das histórias que eles contam?

Vamos começar com uma provocação:

"Se você torturar os dados por tempo suficiente, eles confessarão qualquer coisa."

Esta frase, de Ronald Coase, economista britânico e Nobel de Economia (1991), ilustra bem o poder, e o perigo de manipular dados para ququer fim desejado. 

Vivemos na era dos dados. Eles estão por toda parte - nos aplicativos que usamos, nas decisões que nos afetam, nas políticas públicas e nas estratégias empresariais.

Mas... e se eles, os dados, estiverem errados?

Ou pior: e se os dados forem usados de forma a distorcer a realidade?

O objetivo desta postagem, é refletir sobre o papel da ética na ciência de dados, entender como decisões aparentemente técnicas podem ter impactos sociais profundos, e talvez o mais importante: o que pode ser feito para garantir que os dados sirvam ao bem comum.

Um pouco de história...

Antes de entrar no tema efetivamente, gostaria de compartilhar como me interessei ética e dados.

Em 2024, participei de um Datathon do Women in Data Science sobre Equity in Healthcare. O desafio era criar modelos preditivos para estimar o tempo até o diagnóstico de câncer metastático em pacientes com câncer de mama. Ao analisar o dataset, percebi que variáveis importantes, como o IMC (Índice de Massa Corporal), tinham muitos valores ausentes. Tentei várias técnicas de imputação, mas, devido ao perfil majoritário dos pacientes (brancos), o viés persistia. Esse desafio me fez refletir sobre como tratar dados de forma ética e responsável.

No meu dia a dia, também vejo como a forma de apresentar dados pode mudar percepções. Por exemplo, ao medir o tempo médio de resposta do meu time a requests, a média aritmética era distorcida por outliers. Ao usar a mediana e gráficos boxplot, o desempenho real ficou mais claro.

Veja um exemplo:

E, finalmente, não posso deixar de citar o livro "Como mentir com estatística". Não vou entrar em muitos detalhes neste ponto, pois já fiz uma postagem dedicada ao livro aqui - leiam esse post, e vocês entenderão.

O Poder dos Dados

Dados são usados para, se não tudo, muita coisa atualmente: eles são usados para aprovar empréstimos, selecionar candidatos, prever doenças, definir políticas públicas.

E a crença comum é que dados são "objetivos". 

Odeio ser a portadora de más notícias, mas os Dados NÃO são neutros - eles carregam vieses de quem os coleta, interpreta e aplica. Eles refletem escolhas humanas e, por isso, precisam ser tratados com responsabilidade.

Um teste..

Durante a apresentação no TDC, eu fiz um teste com quem estava presente. Usando o SLIDO, perguntei:

Você prefere trabalhar presencialmente ou remotamente?

Foi um momento divertido, e as respostas muito esclarecedoras - mais pelos "buracos" e dúvidas que elas traziam, do que pelas respostas em si...

Estou falando do Viés da Coleta. Será que a amostra de respostas que eu recebi representava todos os profissionais de tecnologia do Brasil? Do TDC Florianópolis?

O que influencia as respostas:

- Quem está presente no evento? Quem não está?

- Quem respondeu foram mais os participantes do digital/online, ou de participantes presenciais?

- Qual o perfil socioeconômico? 

- Eram todos de Santa Catarina ou tinha pessoas de outros Estados do Brasil? Ou de fora do Brasil?

Quantos pontos abertos!

A Coleta de Dados é o primeiro ponto onde o viés pode surgir - e muitas vezes, esse ponto passa desapercebido.

Outra consideração importante:

Correlação não é Causalidade

Dados podem mostrar padrões - mas interpretar esses padrões exige cuidado, contexto, pensamento crítico e responsabilidade.

Exemplos de correlações espúrias (como este exemplo do site Spurious Correlations) ilustram como relações aparentemente significativas podem ser apenas coincidências.

E este outro exemplo, de um artigo do Medium, de Kushal Mukherjee, em um estudo sobre correlação:

Há vários outros exemplos de quando os dados enganam, como:

• Cambridge Analytica - onde foram usados de forma indevida dados do facebook para manipular eleições. 
• Amazon e o algoritmo de recrutamento - o sistema penalizava candidatas mulheres por cause de viés nos dados históricos.
• O paradoxo de Simpson - um padrão que aparece em grupos separados desaparece ou se inverte quando os dados são combinados.

Esses casos mostram que A manipulação de dados pode ser sutil - e extremamente perigosa!

Ética na Ciência de Dados

A ética não é um extra na Ciência de Dados: ela é um requisito fundamental!

Fundamentos de Ética em dados, como em um Manifesto Ético do Cientista de Dados:

• Justiça: evitar discriminação e viés algoritmico.

• Transparência: tomar decisões compreensíveis e auditáveis.

• Responsabilidade: assumir as consequências do uso de dados.

• Privacidade: respeitar os direitos dos indivíduos sobre seus dados.

No Brasil, a LGPD (Lei Geral de Proteção de Dados), traz princípios fundamentais para os dados, como:

1. Finalidade
2. Adequação
3. Necessidade
4. Livre Acesso
5. Qualidade dos Dados
6. Transparência
7. Seguraça
8. Prevenção
9. Não discriminação
10. Responsaiblização de contas.

Organizações internacionais reforçam esses pilares, como foco em IA Responsável:

• OCDE: recomenda IA que seja robusta, segura, justa, explicável e centrada no ser humano.

• UNESCO: defende IA que respeite direitos humanos, diversidade cultural e sustentabilidade.

• AI Act (União Européia): propõe classificação de riscos e obrigações éticas conforme o impacto da IA.

Como aplicar isso na prática?

Questione! Por exemplo, pergunte "Por que estamos coletando esse dado?""

Documente decisões e premissas do modelo.

Use ferramentas de auditoria e explicabilidade (XAI).

Crie comitês de ética em dados dentro das organizações.

Promova diversidade nas equipes de ciência de dados.

A ética em dados não é apenas uma escolah técnica: é uma escolha civilizatória. É o que garante que a tecnologia sirva às pessoas, e não o contrário.

 

Até aqui, falei muito sobre a ética na coleta dos dados. Mas a ética deve estar presente em todo o ciclo de vida dos dados:

O papel do Cientista de Dados

Então, qual o nosso papel, como cientistas de dados nisso?

Ser um bom cientista de dados é, acima de tudo, ser um profissional ético.

E, indo além para outros profissionais de dados...

Afinal, Ética não é só sobre o que fazemos com os dados, mas é também sobre como os tratamos em cada etapa do caminho.

Para refletir

• Você já enfrentou um dilema ético em projetos de dados?

• Como você / sua empresa lida com privacidade e viés?

• O que você acredita que falta para termos uma cultura mais ética em dados?

Concluindo...

Os dados têm poder, e como poder, vem responsabilidade.

Ética é o que transofrma tecnologia em progresso real.

Precisamos de profissionais que não apenas dominem técnicas, mas que também saibam fazer as perguntas certas, com pensamento crítico.

Com grandes dados, vêm grandes responsabilidades.

Vamos juntos construir uma cultura de dados mais ética, transparente e inclusiva?

Deixe seu comentário, compartilhe suas experiências, e vamos continuar essa conversa!

#PensamentoCrítico #DataLiteracy #DataScience #CriticalThinking #DataEthics #TDC2025

[LIVRO LIDO] Como Mentir com Estatística

Depois de assistir alguns cursos e ouvir algumas dicas, entendi que é importante documentar as leituras - fichamentos, resumos etc.

Então, resolvi registrar alguns livros lidos aqui - para compartilhar o conhecimento, e quem sabe incentivar a leitura.

E, vou começar com um que li este ano, e gostei muito - apesar do título, inicialmente, ter me "impressionado negativamente".

Como mentir com Estatística

Capa do Livro: "Como Mentir com Estatística", de Darrell Huff

O livro "Como Mentir com Estatística" ("How to Lie with Statistics", no original em inglês), escrito por Darrell Huff e publicado pela primeira vez em 1954, é uma obra clássica que explora de forma acessível e bem-humorada como estatísticas podem ser manipuladas ou mal interpretadas (muitas vezes, de maneira intencional, para enganar ou convencer o público).

Apesar do título (pelo menos para mim, inicialmente), induzir a uma ideia que ele vai ensinar como usar a estatística para mentir e enganar, o objetivo é justamente o contrário: mostrar como ela pode (e tem sido usada há muito tempo!) de maneira a induzir erros, e incentivar a análise das informações e pensamento crítico.

Principais pontos abordados no livro:

1. Gráficos enganosos: o autor mostra como gráficos podem ser manipulados para exagerar ou minimizar diferenças.

2. Amostragem tendenciosa: o autor alerta sobre o uso de amostras não representativas, que levam a conclusões incorretas.

3. Média vs Mediana: o autor explica como o uso de média aritmética, em vez de mediana ou moda, pode distorcer a interpretação dos dados.

4. Causalidade enganosa: o autor destaca a confusão comum entre correlação e causalidade, em que relações estatísticas são apresentadas como se uma variável causasse a outra, sem base real.

(Comentário adicional, que não está no livro: No site Spurious Correlations tem muitos exemplos de Correlações Espúrias (hipotéticas, não genuínas), demonstrando que correlação não é causalidade).

5. Percentuais ilusórios: o livro mostra como variações em percentuais podem ser usadas para criar impacto visual ou emocional, sem necessariamente, representar uma mudança relevante.

6. Seleção seletiva de dados: mostrar apenas parte dos dados, ou escolher um recorte de tempo conveniente, pode alterar completamente a percepção de uma tendência ou evento.

Importância, Impacto e Críticas

Apesar de ter sido escrito na década de 1950, o livro continua extremamente relevante em tempos de fake news, infográficos nas redes sociais e manipulações de dados na mídia. Em tempos, onde o pensamento crítico é essencial.

É frequentemente usado em cursos introdutórios de estatística, jornalismo e ciências sociais (no meu caso, conheci ele durante minha MBA em Data Science & Analytics), como uma leitura crítica e formativa.

O estilo é simples e didático, com exemplos fáceis de entender e uma abordagem mais voltada para leigos do que para estatísticos profissionais, o que torna esse livro acessível para pessoas interessadas e entender melhor os dados e as informações que recebe das Redes Sociais, Noticiários e afins.

Alguns críticos modernos apontam que o livro, apesar de útil, não aprofunda o rigor estatístico e pode levar leitores a desconfiar excessivamente da estatística, mesmo quando bem aplicada.

O próprio autor não era estatístico, mas jornalista. Isso contribui para a linguagem acessível, mas também limita a profundidadte técnica.

É uma excelente introdução crítica ao alfabetismo estatístico, especialmente para quem deseja aprender a não ser enganados por dados mal apresentados.

Fichamento Técnico

Fichamento do livro "Como Mentir com Estatística"

Mapa Mental

Mapa Mental do livro "Como Mentir com Estatística" - clique na imagem para melhor visualização

Você já leu esse livro? Compartilhe aqui suas impressões.

#LivroLido #Estatística #PensamentoCrítico #DataLiteracy #DataScience #CriticalThinking #DataEthics

Clean Core no SAP S/4HANA Cloud - Minha Jornada de Aprendizado

 

Concluí na semana passada o treinamento "Managing Clean Core for SAP S/4HANA Cloud" - uma experiência muito enriquecedora que me permitiu aprofundar os fundamentos e práticas recomendadas para manter um núcleo limpo (Clean Core) em ambientes SAP.

Me fez também lembrar e refletir um pouco em quando comecei a trabalhar com SAP, em 1998 (SAP R/3 3.0F - dinossauro, eu?), quando vi muitos funcionais e ABAPers querendo modificar o standard - sem contar nos vários Zs espalhados...  Bons tempos... 😌

Mas, voltando ao presente, neste post, compartilho os principais aprendizados e reflexões sobre como essa abordagem pode transformar a arquitetura de sistemas ERP em nuvem.

Mas primeiro, o que é Clean Core?

O conceito de Clean Core refere-se à manutenção de um sistema SAP S/4HANA Cloud com o mínimo de customizações, extensões desacopladas e dados bem governados. Isso garante maior agilidade, escalabilidade, manutenibilidade e escalabilidade - pilarees essenciais para empresas que buscam inovação contínua e redução de complexidade.

Por que o Clean Core é necessário?

O curso destacou 3 grandes forças que impulsionam a necessidade de um core clean:

- Adaptabilidade dos modelos de negócio: mudanças rápidas nas preferências dos clientes e nas regulamentações exigem flexibilidade.

- Inovação tecnológica: adoção de tecnologias como IA, ML e computação em nuvem.

- Simplificação de landscapes: integração eficiente e arquitetura modular para suportar crescimento e mudanças

Dimensões do Clean Core

O Clean Core é estruturado em 5 dimensões principais:

1 - Processos de Negócio - bem definidos, simples e com governança.

2 - Extensões - só quando necessário, e então, devem ser limpas, desacopladas e compatíveis com nuvem, utilizando ABAP Cloud e SAP BTP.

3 - Dados - devem ser precisos, completos, consistentes e únicos, com governança.

4 - Integrações - Devem usar APIs padrão, modernas (OData, SOAP) e arquitetura orientada a eventos.

(e eu que gostava tanto de IDoc e RFC... 😢)

5 - Operações - devem ser eficientes, com rotinas bem planejadas, housekeeping e monitoramento contínuo.

Estratégias de Implementação

O curso explorou 3 abordagens para adoção do Clean Core:

- Greenfield: nova implementação, com foco em melhores práticas.

- Brownfield: conversão de sistemas legados com limpeza gradual.

- Transição Seletiva de Dados: consolidação de múltiplos sistemas, ideal para cenários de fusões e aquisições.

Benefícios para todos os Stakeholders

• Usuários:
• Melhor desempenho.
• Dados confiáveis.
• Processos flexíveis.
• Menos bugs.

• TI:
• Eliminação de dívidas técnicas e código legado.
• Desenvolvimento nativo em cloud.
• Extensões seguras.
• Mais controle e facilidade de manutenção.

• Empresa: 
• Operações otimizadas.
• Decisões mais inteligentes.
• Colaboração aprimorada.

Reflexão

Adotar o Clean Core não é a penas um decisão técnica - é uma mudança de mentalidade. É sobre preparar a empresa para o futuro, com uma base sólida que permite inovação contínua, redução de custos e maior resiliência.

Se você está envolvido com arquitetura de sistemas SAP, especialmente em ambiente de nuvem, recomendo este curso. Ele oferece uma visão estratégica e prática sobre como transformar seu ERP em uma plataforma ágil, segura e preparada para o futuro.

Recursos adicionais

Como parte dos meus estudos, criei um Mapa Mental. Se você gosta deste formato para estudar/entender um assunto, deixei ele disponível neste link.

E, já que estou "brincando" com IA também, pedi ao Copilot para fazer uma nuvem de palavras a partir do meu mapa mental, e isso foi o que ele me deu (depois da alguns refinamentos):

O que você acha? Está preciso?

Data Literacy: O Poder por Trás da Tomada de Decisão

Ontem à noite (29 de julho), no Chapter São Paulo do Women in Data, tivemos o privilégio de receber Francieli Pinzon - especialista em Dados e IA com mais de 15 anos de experiência, atualmente liderando iniciativas em IA Preditiva e ajudando empresas a transformar dados em estratégias eficazes.

Ela conduziu uma sessão incrível sobre Data Literacy, destacando seu papel essencial na tomada de decisões. Infelizmente, devido a problemas técnicos, não conseguimos gravar a apresentação — mas aqui está um resumo dos principais pontos para quem não pôde participar.

Visualizando Hard Skills: Estratégicos e em Alta Demanda

Há alguns dias eu vi uma apresentação sobre skills, mais precisamente sobre "Hot Skills necessários e estratégicos".

Embora o tema seja extremamente interessante e relevante, a forma que os dados foram apresentados foi confusa.

Não tenho os dados originais da apresentação, mas tentei reproduzir com dados que pedi ao Copilot (IA Generativa da Microsoft) gerar.

Fiz esta pergunta ao Copilot:

Gostaria que você gerasse 2 listas:
- A Lista 1 deve ter Hard Skills Estratégicos no Mercado Atual.
- A Lista 2 deve ter Hard Skills Necessários / Demandados no Mercado Atual.

Cada lista deve ter aprox. 36 skills, sendo:
- Hard Skill / Tecnologia
- % demanda (ou seja, em 100 empresas, % que estão procurando estes skills - por ser porcentagem, a somatória deste campo precisa ser 100%).

O Copilot gerou duas listas, mas precisei refiná-las por meio de algumas interações, já que, inicialmente, ele tratou 'Cloud Computing' e 'Computação em Nuvem' como habilidades distintas.

Mas, no final, consegui minhas listas, de forma satisfatória, e com referências de sites reais, suportando a veracidade das informações.

Desta lista, criei este primeiro gráfico, similar ao que vi na apresentação que assisti:

Hard Skills / Tecnologias Estratégicas e em Demanda no Mercado Atual 

(fonte dos dados: Copilot, 10-Abr-2025 / imagem: Adriana Weingart com Excel)

Antes de entrar na "boa-e-velha discussão" Gráfico de Pizza vs não Gráfico de Pizza, vou listar alguns pontos que observei:

1 - Logo de cara, eu parei e fiquei tentando ler as letrinhas da legenda e tentando achar a cor equivalente no gráfico. 

• O primeiro desafio foi: ler as letrinhas pequenas (sim: estou ciente do uso da hipérbole nesta expressão). 
• O segundo desafio foi achar a cor relacionada da legenda no gráfico - e aqui tem um ponto negativo a mais: naquele tamanho de letrinha da legenda, o verde claro, verde médio, verde musgo, verde palmeiras (eca! #VaiCorinthians) e qualquer outro verde é só isso: verde.
• Esse segundo desafio me incomodou por mais um ponto: comecei a assumir algumas coisas, como: assumi que o primeiro skill listado na legenda é o skill com maior "fatia". Mas... E se quem criou o gráfico mexeu nisso. Eu não deveria precisar fazer suposições para ler o gráfico.

2 - Passando a fase de tentar ler (print na tela, zoom in e voilà) e achar a equivalência (suposições), comecei a tentar a avaliar os skills listados, e me deparei com mais pontos de atenção:

• Os skills estratégicos (futuros) aparecem antes dos skills em demanda (presente) - isso pode ser tanto pensado para ser assim (querendo dar ênfase no futuro), mas não seria mais interessante "garantir" o presente primeiro? E neste caso, os skills em demanda deveriam aparecer à esquerda (já que no Brasil lemos da esquerda para a direita).
• Não há uma correlação de cores para os mesmos skills que aparecem em estratégicos e em demanda. O que seria interessante para avaliar os skills e sua importância ou relevância.

3 - Agora sim, entrando na discussão da pizza...

• As fatias, enquanto bonitinhas, dificultam o entendimento dos dados. O quanto "Inteligência Artificial e Machine Learning" é listado como mais estratégico que "Cibersegurança"? As fatias pequenas representam quais dados e com qual relevância? Apesar do gráfico de pizza ser simples e intuitivo e muito útil para visualização da participação relativa de cada categoria no total, ela só funciona assim para poucas categorias. Quando há muitas categorias, e as porcentagens forem parecidas, o gráfico fica confuso e passa sensação de imprecisão ao tornar difícil identificar a diferença entre elas.
• A projeção 3D do gráfico, apesar de ser visualmente impactante e muitas vezes passar uma sensação de sofisticação, o efeito 3D pode distorcer o tamanho das fatias - fazendo-as parecer maiores ou menores em algumas situações. Esse efeito também pode dificultar a comparação precisa entre os segmentos, diminuindo a legibilidade.

4 - Um ponto positivo do gráfico (pelo menos este que gerei) foi que ele "passou no teste" do Coblis - Color Blindness Simulator. Coloquei a imagem lá, e ainda conseguia perceber (com as dificuldades já listadas acima) cores diferentes.

Com estas considerações em mente, montei outros gráficos e o slide correspondente:

Hard Skills / Tecnologias Estratégicas e em Demanda no Mercado Atual 

(fonte dos dados: Copilot, 10-Abr-2025 / imagem: Adriana Weingart com Excel e PowerPoint)

Apesar deste novo "slide" ter mais texto, e ainda poder receber algumas melhorias, ele me parece mais informativo e claro, contando a história dos dados que o alimentaram.

E este ponto me fez começar a refletir em outras coisas, no tópico de Visualização de Dados e Criação de Apresentações:

• Que história meu dado está contando / quer contar?

• Que história o slide está dizendo para quem o visualiza?

 

Não é apenas sobre colocar os dados no Excel e criar um gráfico bonitinho, que passa uma sensação agradável impactante. É sobre a narrativa construída, a história que os dados e a apresentação contam, e o impacto que ela gera nas pessoas e nos negócios, no contexto em que está inserida.

Acho que ainda é válido mencionar que não é apenas sobre fazer o gráfico no Excel, copiar e colar no slide do PowerPoint e é isso.  É pensar nos dados, pensar na história, pensar na apresentação e como ela ficará - design, contexto, cores. É montar um quebra-cabeças, e no final, observar se o resultado conta a história do dado (como um todo, e cada pedaço).

O que você achou desta transformação? Há algum ponto que poderia ser acrescentado / tirado para melhorar a história na 2a imagem? Você tem alguma dica para apresentação e visualização de dados? Compartilhe aqui...

#DataViz #VisualizaçãoDeDados #DataAnalysis #Skills #HardSkills #Learning #Carreira #TechnicalCareer

Postagems relacionadas:

- Uma proposta de visualização...

- A mágica por trás da imagem

Redes de Computadores e sua segurança

Logo que terminei a faculdade de Engenharia Civil, não consegui emprego na área. Então, iniciei uma Especialização em Análise de Sistemas.

Por que estou mencionando este fato? Por que estou lembrando que tive na especialização uma matéria chamada "Redes", que, como em várias outras situações semelhantes em que me encontrei não sabendo de nada do assunto, minha mente resolveu imitar a mente do Bobby. 

("O fantástico mundo de Bobby" / "Bobby's World", de 1990).

Então... nestes 2 últimos dias, tive um "déjà vu". Trabalhando com outros colegas em uma solução de redes, lembrei daquelas aulas (há muitos anos), e percebi o quão pouco eu evolui em redes (preferindo focar em SAP, e mais recentemente em Dados e IA).

Resolvi "relembrar" algumas coisas, e registrar aqui.

Conceitualmente, as redes de TI seguem o Modelo OSI (Open Systems Interconnection), que divide a comunicação em 7 camadas, cada uma com funções específicas. 

Mas, enquanto o Modelo OSI é mais teórico e usado aprendizado, desenvolvimento de padrões e análise de redes, há o Modelo TCP/IP (Transmission Control Protocol / Internet Protocol) que foi criado para permitir a comunicação entre sistemas diferentes na internet, sendo mais prático e diretamente implementado nos protocolos de rede, sendo a base da conectividade global.

O Modelo TCP/IP também é dividido em camadas, mas apenas em 4 camadas.

Comparação entre os modelos OSI e TCP/IP

Há uma correspondência entre as camadas dos 2 modelos:

Correspondência entre as camadas dos modelos OSI e TCP/IP

E segurança?

Todas as camadas (de ambos os modelos) desempenham um papel importante na comunicação de redes, mas algumas são consideradas mais críticas por que lidam diretamente com a transmissão dos dados na internet, e devido à sua exposição a ataques e impactos na seguranca e desempenho.

No modelo TCP/IP:

A - Camada de Internet (equivalente à Camada 3 / Rede, do Modelo OSI)

• Responsável pelo roteamento e endereçamento IP.
• Ataques comuns: IP spoofing, ataques de roteamento, DDoS baseado em ICMP.
• Proteção: Firewalls, VPNs, lista de controle de acesso (ACLs).

B - Camada de Transporte (equivalente à Camada 4 / Transporte, do Modelo OSI)

• Gerencia a entrega dos pacotes TCP e UDP entre dispositivos.
• Ataques comuns: TCP SYN Flood, UDP Flooding, manipulação de conexões.
• Proteção: Rate limiting, inspeção profunda de pacotes (DPI), mecanismos de controle de sessão.

C - Camada de Aplicação (equivalente às Camadas 5 / Sessão, 6 / Apresentação e 7 / Aplicação, do Modelo OSI)

• Interage com aplicativos e usuários, sendo a camada mais exposta.
• Ataques comuns: SQL Injection, XSS, phishing, DDoS HTTP Flood.
• Proteção: WAFs (Web Application Firewalls), autenticação multifator, validação de entrada de dados.

Considerando o Modelo OSI, a camada 1 (Física) também é crítica do ponto de vista da infraestrutura, pois ataques físicos podem comprometer completamente um sistema.

Manter defesas robustas nessas camadas é essencial para proteger sistemas contra ataques cada vez mais sofisticados.

E, com este estudo e post, percebo que há muito mais para se estudar em termos de redes e segurança. Mas isso ficará para próximos estudos e posts.

Será que redes está finalmente deixando de ser aquele pedaço de pano que colocamos entre duas árvores para deitar e dormir?

#Network #RedesDeComputadores #NetworkSecurity #ModeloOSI #ModeloTCPIP #CyberSecurity

Reflexões sobre IA...

 Esta semana, a Ana Paula Appel compartilhou em seu perfil no Instagram "Crazy for Data", um texto bem interessante sobre IA (Inteligência Artificial) que gostei muito, e vou reproduzir aqui.

A IA vê apenas...

O passado e não o futuro.
O padrão e não o propósito.
Conformidade e não comprometimento.
Dados e não história humana.
Correspondência de palavras e não compreensão.
A escrita e não o pensamento.
Tempo de resposta e não amizade.
O que foi implementado, não o que foi considerado.
Seus eventos de calendário, não o que eles significam para você.
A decisão final, não os momentos de inspiração.
O que funcionou antes, não o que funcionará a seguir.
O que você fez, não por que você fez.
Sua sombra digital, não o verdadeiro você.

A Inteligência Artificial é muito útil e inegavelmente, uma realidade hoje. Mas ela não substitui o ser humano em toda sua complexidade, sua criatividade, suas emoções e realizações.

Usar a IA, sim! Depender da IA, não! A IA é para nos ajudar a irmos além, a nos permitir explorar novos caminhos e possibilidades.

Joanna Maciejewska expressou muito bem um bom caminho para a IA:

Joanna Maciejewska, sobre IA

"I want AI to do my laundry and dishes so that I can do art and writing, not for AI to do my art and writing so that I can do my laundry and dishes."
“Quero que a IA lave minha roupa e minha louça para que eu possa fazer arte e escrever, não que a IA faça minha arte e minha escrita para que eu possa lavar minha roupa e minha louça.”

E ela ainda vai mais longe, em seu perfil no X (antigo Twitter), explicando que: 

"This post isn't about wanting an actual laundry robots. It's about wishing that AI focused on taking away those tasks we hate (doing taxes, anyone?) and don't enjoy instead of trying to take away what we love to do and what makes us human."
"Este post não é exatamente sobre querer robôs para lavar a roupa. É sobre desejar que a IA se concentre em tirar aquelas tarefas que odiamos (fazer Imposto de Renda, alguém?) e não gostamos, em vez de tentar tirar o que amamos fazer e o que nos torna humanos."

Ha cerca de 2 anos, o ChatGPT apareceu (e com ela, várias outras IAs Generativas), tornando o acesso a recursos de Inteligência Artificial mais simples e populares. E cada vez mais, vemos os usos se expandindo, se diversificando - e também, o medo de ser substituido/a por ela.

Enquanto o ser humano mantiver sua capacidade de criação, de ser criativo, de ir além, de compreensão, de entender o porquê e seu senso crítico, mantiver as emoções e sua humanidade, e entender que a IA é uma ferramenta, um suporte, e não o objetivo, teremos possibilidade de fazer nossa arte, buscar inspiração, enfim, sermos nós mesmos, mas melhores.

Mas, estamos prontos para essa conversa?

Deixo o questionamento e a reflexão...

#IA #AI #ArtificialIntelligence #InteligênciaArtificial #GenAI #PoV #PontoDeVista #PointOfView