Pseudonimização e retenção segura

import hashlib
from datetime import datetime, timedelta

def pseudonymize(user_id: str, secret_salt: str) -> str:
    return hashlib.sha256((secret_salt + user_id).encode()).hexdigest()

class StoragePolicy:
    def __init__(self, retention_days: int):
        self.retention_days = retention_days
    def should_delete(self, created_at: datetime, now: datetime) -> bool:
        return now - created_at > timedelta(days=self.retention_days)

secret_salt = "rotate-me-regularly"
pid = pseudonymize("user-abc", secret_salt)

policy = StoragePolicy(retention_days=30)
created_at = datetime(2025, 9, 1)
if policy.should_delete(created_at, datetime(2025, 10, 14)):
    # Remover dados + manter apenas estatísticas agregadas
    pass

Detecção de eventos raros em small data (classificação desbalanceada)

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
from sklearn.linear_model import LogisticRegression
from imblearn.over_sampling import SMOTE

X = np.random.randn(400, 10)
y = np.zeros(400); y[:20] = 1  # 5% positivos (evento raro)

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size=0.3, random_state=42)

Reamostragem para lidar com desbalanceamento

sm = SMOTE(random_state=42)
X_res, y_res = sm.fit_resample(X_train, y_train)

clf = LogisticRegression(max_iter=1000, class_weight="balanced")
clf.fit(X_res, y_res)
pred = clf.predict(X_test)
print("F1:", f1_score(y_test, pred))

5. Desafios de Cibercrime e Compliance

1. Ameaças e táticas
- Os cibercriminosos exploram brechas legais e técnicas para evitar a aplicação da lei. 
Eles utilizam técnicas de anonimização, redes privadas e tiram proveito de jurisdições 
fracas para evitar a responsabilização.

2. Obstáculos práticos
- A cooperação internacional no combate ao crime cibernético continua lenta e inconsistente, 
o que dificulta a ação penal e a responsabilização eficazes. A proteção depende muito de auditorias
regulares, práticas robustas de criptografia e esforços contínuos de monitoramento.

3. Os desafios incluem o grande volume de evidências digitais, perda de dados devido a curtos períodos 
de retenção e barreiras legais e técnicas ao acesso transfronteiriço. 

4. O uso de serviços de anonimização, como VPNs e Tor, bem como a diversidade de formatos de dados
e provedores de serviços, complicam ainda mais as investigações.

5. Ferramentas Jurídicas e Cooperação Internacional
- A cooperação internacional e os instrumentos jurídicos emergentes, como os pacotes de provas eletrônicas, 
visam resolver estas questões. No entanto, seu sucesso depende de uma implementação eficaz.

6. Capacidade Institucional
- Após a pandemia, a digitalização acelerou e os incidentes de crimes cibernéticos aumentaram, revelando 
lacunas nos relatórios de incidentes, harmonização e recursos forenses. 

- A natureza sem fronteiras do crime cibernético complica a coordenação entre a polícia, o governo e o setor privado. 
Estruturas como a Convenção de Budapeste e o fortalecimento das competências institucionais são essenciais para 
enfrentar esses desafios. 

6. Ética e IA: estado atual global

•	Padrões multilaterais: desde 2021, a Recomendação da UNESCO sobre Ética da IA estabeleceu um 
padrão internacional, com fóruns globais periódicos para acompanhar implementação, avaliação de prontidão e
impacto ético. 
- Em 2025, o Fórum Global da UNESCO destaca avanços práticos e coordenação internacional,
incluindo observatórios e redes de especialistas UNESCO ircai.org.

•	Lacunas percebidas: apesar da proliferação de ferramentas e anúncios, a paisagem é fragmentada 
e muitas abordagens mantêm viés ocidental, sem incorporar suficientemente perspectivas regionais 
e culturais diversas. 

Há esforços para pontes interculturais e governança inclusiva, mas a prática ainda corre atrás da adoção 
tecnológica Technology Magazine.

•	Brasil e convergência: 
- O debate legislativo brasileiro sobre IA segue a tendência de risco e transparência, com sandboxes e 
obrigações setoriais, buscando compatibilizar inovação com direitos fundamentais e proteção de dados 
(LGPD). 
- A efetividade virá da implementação, fiscalização e capacidade institucional. 
Chambers and Partners Global Policy Watch.

7. Big data e small data em ML e deep learning

•	Definição de big data: conjuntos massivos, variados e velozes de dados (os “4V”: volume, variedade, 
velocidade, veracidade), frequentemente não estruturados, que exigem arquiteturas e ferramentas 
especializadas para captura, armazenamento e análise.  Em ML, big data é o “combustível” que permite 
treinar modelos robusto e generalizáveis
GeeksForGeeks.

•	Definição de small data: conjuntos menores e frequentemente escassos, caros ou difíceis de obter 
(por exemplo, em domínios  industriais, médicos ou com eventos raros). Desafios típicos incluem dados 
não rotulados, desbalanceados, faltantes e ocorrência de raros, exigindo técnicas de regularização, data 
augmentation, transferência de aprendizado e modelos  “few-shot” arXiv.org Springer.

•	Relação com ML/DL: big data favorece modelos de alta capacidade, enquanto small data exige engenharia 
de atributos, conhecimento de domínio e estratégias de generalização com menos exemplos (transfer learning, ]
pré-treinados,  validação rigorosa). 


A pesquisa recente  tem democratizado DL com métodos para pequenos datasets, reduzindo a “desigualdade de dados” 
entre big techs e organizações menores.

•	Prática: enquanto big data favorece grandes corporações, small data é a realidade de startups, hospitais e indústrias
locais, que precisam extrair valor de conjuntos limitados.

8 . Boas Práticas de Fabricação de Dispositivos Médicos (DM)

- No Brasil, a ANVISA regula esse tema por meio da RDC nº 687/2022, que estabelece 
os critérios para concessão e renovação da Certificação de Boas Práticas de Fabricação 
de DM Anatel CBDL – Câmara Brasileira de Diagnóstico Laboratorial.

# Regras e Boas Práticas de Fabricação de Dispositivos Médicos (DM)
1. Gestão da Qualidade
•	Implantar um Sistema de Gestão da Qualidade (SGQ) robusto, documentado e auditável.
•	Garantir rastreabilidade de matérias-primas, processos e produtos finais.

2. Controle de Projeto e Desenvolvimento
•	Documentar todas as etapas de concepção, prototipagem, testes e validação.
•	Avaliar riscos clínicos e de segurança antes da liberação.

3. Processos de Produção
•	Áreas limpas e controladas (quando aplicável).
•	Procedimentos padronizados (POPs) para cada etapa.
•	Validação de processos críticos (esterilização, calibração, software embarcado).

4. Controle de Fornecedores
•	Qualificação e monitoramento contínuo de fornecedores de insumos e componentes.
•	Auditorias periódicas para garantir conformidade.

5. Gestão de Risco
•	Aplicar a ISO 14971 (Gestão de Risco para Dispositivos Médicos).
•	Identificar, avaliar e mitigar riscos em todo o ciclo de vida do produto.

6. Pós-Mercado
•	Monitoramento de desempenho e segurança após a comercialização.
•	Sistema de notificação de eventos adversos e recall quando necessário.

7. Conexão com Ética e IA
- Hoje, muitos dispositivos médicos já incorporam IA (ex.: softwares de diagnóstico, 
wearables, algoritmos de triagem). Isso amplia a responsabilidade ética:
•	Transparência nos algoritmos.
•	Explicabilidade dos resultados.
•	Proteção de dados sensíveis (LGPD).
•	Responsabilidade compartilhada entre fabricante, médico e regulador.

9. Ética e Inteligência Artificial

1. Questão central: a ética em IA não é acessório, mas infraestrutura. Sem ela, modelos podem reproduzir vieses, 
comprometer direitos e gerar riscos sociais.

2. Padrões globais: a UNESCO estabeleceu diretrizes éticas universais, mas a implementação ainda é desigual.
- O Brasil discute seu próprio marco legal de IA, inspirado em abordagens de risco.

3. Prática: profissionais devem exigir explicabilidade, transparência e responsabilidade em sistemas de IA, 
especialmente em áreas críticas como saúde, justiça e segurança.
- Quando falamos de DM (Dispositivos Médicos), o paralelo com Boas Práticas de Fabricação (BPF ou GMP –
Good Manufacturing  Practices) é inevitável e essencial.

10. Reflexões

1. O ponto nevrálgico da transformação que estamos vivendo: hoje, a medicina, a tecnologia da informação e a legislação 
caminham em paralelo, mas o futuro exige profissionais que consigam transitar entre esses mundos.

2. O TI sem medicina: pode dominar arquitetura de sistemas, segurança e algoritmos, mas não tem a vivência clínica para 
compreender nuances de diagnóstico, protocolos terapêuticos ou impacto humano de uma decisão automatizada.

3. O médico sem TI: pode entender o ciclo de um dispositivo médico, mas sem noção de linguagem de programação, 
interoperabilidade de sistemas ou governança de dados, fica limitado a ser apenas usuário — e não protagonista — 
da inovação.

4. O jurista sem ciência: pode legislar, mas sem compreender a essência técnica, corre o risco de criar normas ineficazes 
ou descoladas da realidade.

5. O médico de bagagem híbrida: apesar de ainda ser um perfil bem raro, um profissional médico que entende de IA, 
de legislação, de boas práticas de fabricação e de ética aplicada será indispensável amanhã.

6. Nossas escolhas, nosso futuro: 
A convergência entre dados, lei, dispositivos médicos e ética em IA mostra que não basta dominar técnicas
de machine learning. 

É preciso integrar ciência, regulação e responsabilidade social. O futuro da tecnologia será
definido não apenas pelo que podemos construir, mas pelo que escolhemos construir.

7. Tendência inevitável: hospitais, startups de saúde digital, agências regulatórias e até tribunais vão precisar 
de profissionais que falem as duas línguas — a da medicina e a da computação.

8. Pesquisa e ensino: formar médicos que saibam dialogar com engenheiros de dados e cientistas da computação 
será diferencial estratégico. 

9. Nascimento de uma nova carreira profissional médica:
A intersecção médico-cientista de dados, ou o médico-regulador de IA aponta para onde estarão as maiores 
oportunidades —e também as maiores responsabilidades. 

Em pouco tempo, a pergunta não será “se” vão procurar médicos com essa formação, mas “quantos existem disponíveis
” — e a resposta será: muito poucos,  por diversas razões. 

11. Ensaio

Dados, Lei e Algoritmos: do Big ao Small Data — E, por falar em Ética?

Vivemos em uma era em que os dados se tornaram o novo petróleo, mas também o novo risco.  O discurso sobre big data
costuma destacar o poder de treinar modelos robustos com volumes massivos de informação. No entanto, a realidade prática 
e muitos setores — especialmente saúde, indústria e pesquisa aplicada — é o small data: conjuntos escassos, caros e sensíveis.
É nesse cenário que técnicas como transferência de aprendizado, data aumentativo e validação rigorosa se tornam não apenas 
ferramentas, mas condições de sobrevivência para projetos de IA.

Ao mesmo tempo, não podemos falar de dados sem falar de lei. No Brasil, a LGPD trouxe princípios claros: finalidade, adequação,
necessidade e segurança. Esses pilares não são burocracia, mas sim a base de confiança para qualquer sistema que manipule informações pessoais.

E, como a circulação de dados é global, não basta olhar apenas para a LGPD: o AI Act europeu, os frameworks norte-americanos e a Recomendação da UNESCO sobre Ética da IA já moldam o cenário internacional.

Mas a lei, sozinha, não basta. O cibercrime cresce em velocidade superior à capacidade de fiscalização. Hackers exploram anonimização, jurisdições frágeis e brechas técnicas para escapar da responsabilização. A resposta exige cooperação internacional, auditorias 
constantes e, sobretudo, a adoção de privacy by design: segurança e ética incorporadas desde a concepção dos sistemas.

No campo da saúde, a discussão ganha contornos ainda mais delicados. Dispositivos Médicos (DM), regulados pela ANVISA e pela RDC 687/2022, precisam seguir Boas Práticas de Fabricação. Isso significa rastreabilidade, controle de fornecedores, validação de processos críticos e monitoramento pós-mercado. 

Quando esses dispositivos incorporam IA, como softwares de diagnóstico (SaMD), a responsabilidade se multiplica: não basta que o algoritmo funcione, ele precisa ser explicável, auditável e seguro.

E aqui chegamos ao ponto central: ética. A ética em IA não é ornamento, mas infraestrutura. Sem ela, corremos o risco de reproduzir vieses, comprometer direitos e gerar danos sociais irreversíveis. 

A UNESCO já estabeleceu diretrizes universais, mas a implementação ainda é desigual. O Brasil discute seu próprio marco legal de IA, inspirado em abordagens de risco, mas a prática dependerá da capacidade institucional de fiscalizar e da maturidade das empresas 
em adotar padrões éticos.

No fim, a convergência entre dados, lei, dispositivos médicos e ética mostra que não basta dominar técnicas de machine learning. 
O futuro da tecnologia será definido não apenas pelo que podemos construir, mas pelo que escolhemos construir. 

E, por falar em ética, talvez o maior desafio não seja técnico, mas cultural: transformar a ética em parte do DNA de cada projeto, de cada linha de código, de cada decisão.

12. Conclusão Final

O profissional que une medicina, tecnologia e legislação não será apenas um especialista, mas um tradutor de mundos. Esse perfil híbrido será indispensável para hospitais, startups, reguladores e universidades. O que hoje parece diferencial, amanhã será requisito. Médicos com essa bagagem estarão na vanguarda de uma nova era, em que ciência, ética e tecnologia caminham juntas

13. Manifesto Pessoal

1.	Sou médico de corpo e alma, porque nunca tratei apenas um órgão, mas sempre um ser humano inteiro.
2.	Vejo a medicina além da técnica, como ciência que dialoga com ética, lei e tecnologia.
3.	Entendo que dados não são números, mas histórias humanas codificadas que merecem respeito e cuidado.
4.	Acredito que a ética é infraestrutura, sem a qual nenhum algoritmo ou dispositivo médico é legítimo.
5.	Construo pontes entre mundos distintos — clínica, ciência de dados, legislação e filosofia — para que a inovação nunca se afaste da dignidade humana.

Oi, Ricardo! Como vai?

Agradeço por compartilhar suas reflexões e aprendizados com a comunidade Alura. É sempre ótimo acompanhar sua dedicação aos estudos!

Gostei da forma como você conectou ética, lei e inteligência artificial, destacando a importância de equilibrar tecnologia e responsabilidade humana. Essa visão é muito alinhada às discussões sobre o papel da IA em contextos sociais e regulatórios.

Continue explorando essa integração entre áreas distintas e colocando o conhecimento em prática. Sucesso!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Rafael, sua objetividade, competência e erudição são verdadeiramente notáveis. Muito obrigado, Ricardo.