Uma secretaria estadual de Fazenda implantou um sistema de IA para triagem de processos administrativos fiscais. O modelo foi treinado com dados históricos de decisões e apresenta alta acurácia, mas auditorias internas revelaram que ele reproduz padrões discriminatórios contra contribuintes de determinadas regiões. Para mitigar o problema, 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 influenciam as decisões e, com base nisso, ajustar o modelo.
• II. Manter a supervisão humana apenas nas decisões finais, uma vez que a explicabilidade já garante que os vieses sejam eliminados automaticamente.
• III. Documentar o modelo, os dados de treinamento e as métricas de equidade, garantindo rastreabilidade e responsabilização em caso de danos.
• IV. Utilizar apenas métricas de acurácia global, pois elas são suficientes para assegurar a equidade do sistema.

Considerando os princípios de governança de IA, transparência, explicabilidade, equidade e responsabilidade, quais medidas estão alinhadas com as boas práticas para mitigar viés algorítmico e garantir uso responsável?