Uma instituição financeira pública implementou um sistema de IA para análise de crédito e detecção de fraudes. Durante auditoria, identificou-se que o modelo apresentava desempenho significativamente inferior para solicitantes residentes em determinadas regiões periféricas, embora a acurácia global fosse alta. A equipe de governança propôs as seguintes medidas:

• I. Aplicar técnicas de explicabilidade pós-hoc, como LIME e SHAP, para identificar as variáveis que mais influenciavam as decisões negativas para esse grupo.
• II. Realizar auditoria de viés utilizando métricas de equidade, como paridade demográfica e igualdade de oportunidades, para quantificar a disparidade entre grupos.
• III. Manter o modelo em produção, pois a acurácia global elevada é suficiente para garantir a justiça do sistema, desde que haja supervisão humana em todas as decisões automatizadas.
• IV. Implementar um comitê de revisão humana com poder de reverter decisões automatizadas, assegurando que casos sinalizados como potencialmente discriminatórios sejam analisados individualmente.

Considerando os princípios de governança de IA, transparência, explicabilidade, equidade e responsabilidade, quais medidas são adequadas para mitigar o problema identificado?