As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
An appointment queue can hide the decision that shapes it. In one machine-learning scheduling system in health care, Black patients waited approximately 30% longer than non-Black patients. Researchers eliminated the disparity by putting race into the system’s optimization objective while maintaining scheduling efficiency.
Uma fila de marcação de consultas pode esconder a decisão que a determina. Num sistema de marcação baseado em aprendizagem automática na área da saúde, os doentes negros esperavam aproximadamente mais 30 % do que os doentes não negros. Os investigadores eliminaram a disparidade ao incluir a raça no objetivo de otimização do sistema, mantendo a eficiência da marcação.
That finding shows why AI systems are not only prediction engines. They can allocate resources, shape opportunities and influence institutional processes. When historical inequities are embedded in data, feedback is incomplete or institutions interact in reinforcing ways, disparities can emerge less visibly and compound over time.
Esta conclusão mostra por que razão os sistemas de IA não são apenas motores de previsão. Podem distribuir recursos, moldar oportunidades e influenciar processos institucionais. Quando desigualdades históricas estão incorporadas nos dados, o feedback é incompleto ou as instituições interagem de formas que se reforçam mutuamente, as disparidades podem surgir de forma menos visível e agravar-se ao longo do tempo.
The example comes from one of 13 studies in a special issue of the INFORMS Journal on Computing focused on responsible AI and data science for social good. The issue spans six areas: judicial systems, education, communication, health care, bias and fairness, and interpretability. Ram Ramesh, a professor at the University at Buffalo School of Management and an area editor of the journal, says ethical consequences cannot be handled only after systems are built; social goals have to shape data collection, learning, optimization, interaction and governance.
O exemplo provém de um dos 13 estudos de um número especial da revista INFORMS Journal on Computing dedicado à IA responsável e à ciência de dados para o bem social. O número abrange seis áreas: sistemas judiciais, educação, comunicação, cuidados de saúde, enviesamento e equidade, e interpretabilidade. Ram Ramesh, professor na Escola de Gestão da University at Buffalo e editor de área da revista, afirma que as consequências éticas não podem ser tratadas apenas depois de os sistemas serem construídos; os objetivos sociais têm de orientar a recolha de dados, a aprendizagem, a otimização, a interação e a governação.
Ramesh describes fairness as a design objective rather than an external constraint added to an otherwise optimal system. The appointment result is a narrow but useful demonstration: changing what an algorithm optimizes altered a measured disparity without reducing the reported scheduling efficiency. It does not settle the broader problems created by biased historical data or incomplete feedback.
Ramesh descreve a equidade como um objetivo de conceção, e não como uma restrição externa acrescentada a um sistema que, de outro modo, seria ótimo. O resultado da marcação de consultas é uma demonstração limitada, mas útil: alterar aquilo que um algoritmo otimiza modificou uma disparidade medida sem reduzir a eficiência de marcação comunicada. Não resolve os problemas mais amplos criados por dados históricos enviesados ou por feedback incompleto.
Concretely, teams building AI for scheduling or resource allocation can treat fairness as part of the technical brief from the beginning, alongside the data and performance objectives. For people affected by those systems, that choice can show up as a measurable difference in waiting time. The reported result offers a specific route to improvement while leaving the wider task—finding and preventing less obvious disparities—firmly on the engineering table.
Concretamente, as equipas que desenvolvem IA para marcação de consultas ou distribuição de recursos podem tratar a equidade como parte do caderno de encargos técnico desde o início, a par dos dados e dos objetivos de desempenho. Para as pessoas afetadas por esses sistemas, essa escolha pode traduzir-se numa diferença mensurável no tempo de espera. O resultado divulgado oferece uma via específica para a melhoria, deixando simultaneamente a tarefa mais ampla — encontrar e prevenir disparidades menos evidentes — firmemente nas mãos da engenharia.