Data Detox Kit/DDK-AI_Bias-web — Portuguese (Brazil) @ Weblate: Now that you know about some of the weaknesses that …

Zen

Glossary term

Key odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[18]

English

Portuguese (Brazil)

Needs editing

Translation explanation

Additional explanation to clarify meaning or usage of the string.

Skip

Key	English	Portuguese (Brazil)
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[0]/text:list-item[0]/text:p[0]/text:a[0]/text:span[0]	Some of the data	Alguns dos dados
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[0]/text:list-item[0]/text:p[0]/text:span[0]	they’re trained on might be personal, copyrighted, or used without permission.	nos quais eles são treinados, podem ser pessoais, protegidos por direitos autorais ou podem estar sendo usados sem permissão.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:span[0]	Depending on the data sets, they might be full of	Dependendo dos conjuntos de dados, eles podem estar repletos de
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:a[0]/text:span[0]	hate speech	discursos de ódio
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:span[1]	,	,
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:a[1]/text:span[0]	conspiracy theories	teorias da conspiração
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:span[2]	, or information that’s	, ou de informações que estão
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:a[2]/text:span[0]	just plain wrong	simplesmente erradas
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[0]/text:p[0]/text:span[3]	.	.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[1]/text:list-item[1]/text:p[0]	The data might be biased against certain people, genders, cultures, religions, jobs, or circumstances.	Os dados podem ser tendenciosos com relação a determinadas pessoas, gêneros, culturas, religiões, empregos ou circunstâncias.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[0]	Did you know?	Você sabia que...?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[1]	AI tools are trained on data that also leaves stuff out altogether. If there’s little or no information about a group of people, language, or culture in the training data, it won’t be able to generate any answers about them. A key 2018 study by Joy Buolamwini called “	As ferramentas de IA são treinadas com base em dados que também deixam coisas de fora. Se, nos dados de treinamento, houver pouca ou nenhuma informação sobre um grupo de pessoas, um idioma ou uma cultura, não será possível gerar respostas sobre esse assunto. Um estudo crucial, de 2018, realizado por Joy Buolamwini e intitulado “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:a[0]/text:span[0]	Gender Shades	Gender Shades [As sombras do gênero],
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[2]	” identified how widespread facial recognition systems struggled to identify the faces of People of Color, especially Black women.	” identificou como os disseminados sistemas de reconhecimento facial tiveram dificuldade para identificar os rostos de pessoas não brancas, especialmente de mulheres negras.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[17]	Shine a spotlight on bias	Chame a atenção para o viés
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[18]	Now that you know about some of the weaknesses that can exist in AI data sets, which are built by people like us, let’s take a look at ourselves. How can the way our human brains work shed light on AI's biases?	Agora que você ficou conhecendo alguns dos pontos fracos, que podem existir nos conjuntos de dados de IA, criados por pessoas como a gente, vamos dar uma olhada em nós mesmos. Como o funcionamento dos nossos cérebros humanos pode elucidar os vieses da IA?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[19]	Imagine this scenario: you see a news headline about a topic you care about and before even clicking on it, you can imagine what it will say. It’s not because we’re all fortune tellers – it’s because we hold preconceived notions about certain topics. Perhaps you sometimes perpetuate biases by over-generalizing or jumping to conclusions:	Imagine o seguinte cenário: ao olhar as notícias, você vê uma manchete sobre um assunto de seu interesse e, antes mesmo de clicar nela, você já imagina o que vai estar ali. Isso não acontece porque conseguimos prever o futuro, mas sim porque temos noções preconcebidas sobre determinados assuntos. É possível que você, às vezes, perpetue esses vieses de aprendizado de máquina ao generalizar demais ou tirar conclusões precipitadas:
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[2]/text:list-item[0]/text:p[0]/text:span[0]	Over-generalizing	Generalização excessiva
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[2]/text:list-item[0]/text:p[0]/text:span[1]	means reaching hasty judgments from insufficient information.	significa fazer julgamentos precipitados com base em informações insuficientes.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[2]/text:list-item[1]/text:p[0]/text:span[0]	Jumping to conclusions	Tirar conclusões precipitadas
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[2]/text:list-item[1]/text:p[0]/text:span[1]	describes making conclusions with little or no evidence.	significa concluir a partir de pouca ou nenhuma evidência.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[20]	If you’ve done either of these, you’re not alone! These thought patterns are not uncommon. The key is to become aware of them and take concrete steps to ensure they stay in check.	Se você já fez alguma dessas coisas, saiba que não é só você! Esses padrões de pensamento não são incomuns. O segredo é manter-se alerta com relação a eles e adotar medidas concretas para garantir que permaneçam sob controle.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[21]/text:span[0]	Try it!	Experimente!
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[21]/text:span[1]	Think back to an earlier example: people who let their dog sleep in their bed. Imagine who those people are, generally speaking. What do people who do that have in common?	Pense no exemplo citado anteriormente: pessoas que deixam seus cachorros dormirem em suas camas. Imagine quem são elas, de maneira geral. O que as pessoas que fazem isso têm em comum?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[3]/text:list-item[0]/text:p[0]	Where do people who do that tend to live?	Onde essas pessoas costumam morar?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[3]/text:list-item[1]/text:p[0]	How much money do people who do that tend to make?	Qual a renda dessas pessoas?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:list[3]/text:list-item[2]/text:p[0]	How clean or messy do they tend to keep their houses?	O quanto essas pessoas são organizadas ou bagunçadas?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[22]	If you could imagine certain characteristics or behaviors of people who wear their ‘outside shoes’ in the house, you may have just over-generalized or jumped to conclusions about them.	Se você tiver imaginado certas características ou comportamentos de pessoas que deixam seus cachorros dormirem em suas camas, você talvez tenha generalizado excessivamente ou tirado conclusões precipitadas sobre essas pessoas.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[0]	If you did	Se você
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[1]	not	não
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[2]	make generalizations, and recognize that a habit does not necessarily define other aspects of their lives – that’s great! But hold on! Before you think you’re above bias, stay with us until the end because there is much more to explore.	generalizou, tendo reconhecido que um hábito não necessariamente define outros aspectos da vida das pessoas, isso é ótimo! Mas espere! Antes de achar que você é superior ao viés do aprendizado de máquina, fique conosco até o final, pois há muita coisa ainda a ser analisada.

Key	English	Portuguese (Brazil)
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[10]/text:span[2]	”, (3) “	”, (3) “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[10]/text:span[3]	”, (4) “	”, (4) “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[10]/text:span[4]	”, (5) “	”, (5) “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[10]/text:span[5]	”, (6) “	”, (6) “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[10]/text:span[6]	”.	”.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[11]	Expose the cracks in AI	Exponha as falhas da IA
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[12]	Now that we’ve looked at some popular AI tools, let’s zoom in on how chatbots work, which are tools that generate texts.	Agora que já vimos algumas ferramentas populares de IA, vamos dar uma olhada em como funcionam os chatbots, que são geradores de textos.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[13]	AI is designed by people and trained on data sets. Just like you, the people who build it have certain beliefs, opinions and experiences that inform their choices, whether they realize it or not. The engineers and companies that build and train AI may think certain information or goals are more important than others. Depending on which data sets they ‘feed’ to the AI tools they build – like algorithms or chatbots – those machines might serve up biased results. That’s why AI can produce inaccurate data, generate false assumptions, or make the same bad decisions as a person.	A IA é projetada por pessoas e treinada a partir de ‘data sets’, ou seja, de conjuntos de dados. Assim como você, as pessoas que criam esses conjuntos têm certas crenças, opiniões e passaram por determinadas experiências, que formataram suas escolhas – não importando se elas percebem isso ou não. Os engenheiros e as empresas que criam e treinam a IA podem achar que certas informações ou determinados objetivos são mais importantes do que outros. Dependendo dos conjuntos de dados que eles escolhem para “alimentar” as ferramentas de IA que criam – como algoritmos ou ‘chatbots’ –, essas máquinas podem apresentar resultados tendenciosos. É por isso que a IA pode produzir dados imprecisos, gerar suposições falsas ou tomar as mesmas decisões equivocadas que um ser humano.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[14]	Chatbots have been fed so much data that they can write computer code and ace exams. But they also present things as facts that aren’t always true. They can also generate texts that repeat the biases that already existed in their training data or in the programmers who trained them.	Os ‘chatbots’ foram alimentados com tantos dados, que eles podem escrever códigos de programação ou passar em provas. Mas eles também apresentam certas coisas, que nem sempre são verdadeiras, como fatos comprovados. Eles também podem gerar textos que repetem vieses já existentes em seus dados de treinamento ou nos(as) programadores(as) que os treinaram.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[15]	While some experts believe text generation tools are getting ‘smarter’ on their own, others say they’re not actually understanding the words they repeat. Here are some reasons why you might want to think about the biases behind what chatbots tell you:	Enquanto alguns especialistas acreditam que os geradores de texto estão ficando ‘mais espertos’ por conta própria, há quem diga que eles não estão entendendo de fato as palavras que repetem. Aqui estão algumas razões pelas quais você pode querer pensar sobre os vieses de aprendizado de máquina que estão por trás daquilo que os chatbots dizem a você:
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:a[0]/text:span[0]	Gender Shades	Gender Shades [As sombras do gênero],
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[0]	Did you know?	Você sabia que...?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[1]	AI tools are trained on data that also leaves stuff out altogether. If there’s little or no information about a group of people, language, or culture in the training data, it won’t be able to generate any answers about them. A key 2018 study by Joy Buolamwini called “	As ferramentas de IA são treinadas com base em dados que também deixam coisas de fora. Se, nos dados de treinamento, houver pouca ou nenhuma informação sobre um grupo de pessoas, um idioma ou uma cultura, não será possível gerar respostas sobre esse assunto. Um estudo crucial, de 2018, realizado por Joy Buolamwini e intitulado “
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[16]/text:span[2]	” identified how widespread facial recognition systems struggled to identify the faces of People of Color, especially Black women.	” identificou como os disseminados sistemas de reconhecimento facial tiveram dificuldade para identificar os rostos de pessoas não brancas, especialmente de mulheres negras.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[17]	Shine a spotlight on bias	Chame a atenção para o viés
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[18]	Now that you know about some of the weaknesses that can exist in AI data sets, which are built by people like us, let’s take a look at ourselves. How can the way our human brains work shed light on AI's biases?	Agora que você ficou conhecendo alguns dos pontos fracos, que podem existir nos conjuntos de dados de IA, criados por pessoas como a gente, vamos dar uma olhada em nós mesmos. Como o funcionamento dos nossos cérebros humanos pode elucidar os vieses da IA?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[19]	Imagine this scenario: you see a news headline about a topic you care about and before even clicking on it, you can imagine what it will say. It’s not because we’re all fortune tellers – it’s because we hold preconceived notions about certain topics. Perhaps you sometimes perpetuate biases by over-generalizing or jumping to conclusions:	Imagine o seguinte cenário: ao olhar as notícias, você vê uma manchete sobre um assunto de seu interesse e, antes mesmo de clicar nela, você já imagina o que vai estar ali. Isso não acontece porque conseguimos prever o futuro, mas sim porque temos noções preconcebidas sobre determinados assuntos. É possível que você, às vezes, perpetue esses vieses de aprendizado de máquina ao generalizar demais ou tirar conclusões precipitadas:
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[20]	If you’ve done either of these, you’re not alone! These thought patterns are not uncommon. The key is to become aware of them and take concrete steps to ensure they stay in check.	Se você já fez alguma dessas coisas, saiba que não é só você! Esses padrões de pensamento não são incomuns. O segredo é manter-se alerta com relação a eles e adotar medidas concretas para garantir que permaneçam sob controle.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[21]/text:span[0]	Try it!	Experimente!
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[21]/text:span[1]	Think back to an earlier example: people who let their dog sleep in their bed. Imagine who those people are, generally speaking. What do people who do that have in common?	Pense no exemplo citado anteriormente: pessoas que deixam seus cachorros dormirem em suas camas. Imagine quem são elas, de maneira geral. O que as pessoas que fazem isso têm em comum?
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[22]	If you could imagine certain characteristics or behaviors of people who wear their ‘outside shoes’ in the house, you may have just over-generalized or jumped to conclusions about them.	Se você tiver imaginado certas características ou comportamentos de pessoas que deixam seus cachorros dormirem em suas camas, você talvez tenha generalizado excessivamente ou tirado conclusões precipitadas sobre essas pessoas.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[0]	If you did	Se você
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[1]	not	não
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[23]/text:span[2]	make generalizations, and recognize that a habit does not necessarily define other aspects of their lives – that’s great! But hold on! Before you think you’re above bias, stay with us until the end because there is much more to explore.	generalizou, tendo reconhecido que um hábito não necessariamente define outros aspectos da vida das pessoas, isso é ótimo! Mas espere! Antes de achar que você é superior ao viés do aprendizado de máquina, fique conosco até o final, pois há muita coisa ainda a ser analisada.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[24]	There are types of biases that are more deeply ingrained in individuals, organizations, cultures, and societies. Shine a light on them by reflecting on these questions:	Há alguns tipos de vieses de aprendizado de máquina que estão mais arraigados em indivíduos, organizações, culturas e sociedades. Pense sobre a questão ao refletir sobre estas perguntas:
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[25]/text:span[0]	The biases you just reflected on often rely on assumptions, attitudes, and stereotypes that have been part of cultures for a very long time and can influence your decision-making in	Os vieses sobre os quais você acabou de refletir geralmente se baseiam em suposições, atitudes e estereótipos, que há muito tempo fazem parte das culturas e podem influenciar – inconscientemente – sua
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[25]/text:span[1]	unconscious ways. This is why they’re called	tomada de decisões. Essa é a razão pela qual eles são chamados de
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[25]/text:span[2]	implicit biases	vieses implícitos
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[25]/text:span[3]	– they’re often hard-wired into your mindset, difficult to spot, and uncomfortable to confront.	– geralmente, estão programados em sua mente, são difíceis de rastrear, e é desconfortável entrar em confronto com eles.
odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[26]	Common implicit biases include:	Os vieses implícitos comuns incluem:

Loading…

Soraia Vilela

Translation changed

English

Portuguese (Brazil) 184 characters edited Current translation Translated

a year ago

None

String added in the repository

English

Portuguese (Brazil) 210 characters edited Needs editing

a year ago

Browse all string changes

Things to check

Inconsistent

This string has more than one translation in this project or is untranslated in some components.

Reset

Glossary

English	Portuguese (Brazil)
Now that you know about some of the weaknesses that can exist in AI data sets, which are built by people like us, let’s take a look at ourselves. How can the way our human brains work shed light on AI's biases?	Agora que você ficou conhecendo alguns dos pontos fracos, que podem existir nos conjuntos de dados de IA, criados por pessoas como a gente, vamos dar uma olhada em nós mesmos. Como o funcionamento dos nossos cérebros humanos pode elucidar os vieses da IA?	DDK-AI_Bias-web

String information

Key

odf///office:document-content[0]/office:body[0]/office:text[0]/text:p[18]

Flags

strict-same

String age

a year ago

Last updated

a year ago

Source string age

a year ago

Translation file

ddk-ai_bias-web/pt_BR.odt, string 58