Os cinco componentes de usabilidade de Nielsen

O Modelo Espiral é um modelo de processo de desenvolvimento de software orientado a riscos que combina elementos de prototipagem e do modelo em cascata. Trata-se de um tipo de desenvolvimento iterativo em que o projeto passa por quatro fases em cada iteração (espiral): determinar objetivos, identificar e resolver riscos, desenvolver e testar, e planejar a próxima iteração. Ele enfatiza a análise contínua de riscos.

A detecção de sinais é o processo de identificar potenciais relações causais entre um medicamento e um evento adverso a partir de grandes conjuntos de dados, tipicamente sistemas de notificação espontânea. Utiliza métodos estatísticos, conhecidos como análise de desproporcionalidade, para encontrar combinações medicamento-evento relatadas com mais frequência do que o esperado. Uma medida comum é a Razão de Chances de Notificação (ROR, na sigla em inglês), um valor maior que um que sugere um sinal potencial que requer investigação adicional.

A norma internacional ISO 9241-11 define usabilidade como "a extensão em que um produto pode ser usado por usuários específicos para atingir objetivos específicos com eficácia, eficiência e satisfação em um contexto de uso específico". Essa definição fornece uma estrutura para medir a usabilidade, dividindo-a em três componentes distintos e quantificáveis, indo além de avaliações puramente subjetivas.

Em aprendizado de máquina justo, os teoremas da impossibilidade demonstram que é matematicamente impossível para um algoritmo satisfazer simultaneamente múltiplos critérios de justiça aparentemente intuitivos, exceto em casos triviais. Por exemplo, um algoritmo geralmente não pode satisfazer tanto a paridade demográfica (taxas iguais de verdadeiros positivos entre os grupos) quanto a igualdade de probabilidades (taxas iguais de verdadeiros positivos e falsos positivos entre os grupos) se as taxas de base forem diferentes entre os grupos.

BFT (acrônimo de Tolerância a Falhas Bizantinas) é uma propriedade de um sistema que permite que ele continue operando corretamente e alcance consenso mesmo que alguns de seus componentes falhem de maneiras arbitrárias e imprevisíveis, incluindo comportamentos maliciosos (falhas bizantinas). Essa é uma garantia muito mais forte do que tolerar falhas simples. Requer um mínimo de [latex]3f+1[/latex] componentes no total para tolerar [latex]f[/latex] componentes defeituosos e maliciosos.

RAID (acrônimo de Redundant Array of Independent Disks) é uma tecnologia de virtualização de armazenamento de dados que combina vários discos rígidos físicos em uma ou mais unidades lógicas para redundância de dados, melhoria de desempenho ou ambos. Diferentes níveis de RAID oferecem equilíbrios variados entre confiabilidade, disponibilidade, desempenho e capacidade. Por exemplo, o RAID 1 espelha os dados em dois discos, enquanto o RAID 5 distribui os dados e a paridade em pelo menos três discos.

A gestão ágil de projetos é uma abordagem iterativa para a entrega de um projeto ao longo de seu ciclo de vida. Ela divide grandes projetos em tarefas menores e gerenciáveis, concluídas em iterações curtas ou "sprints". Isso permite reavaliações frequentes, adaptação de planos e flexibilidade em resposta a mudanças. Prioriza a colaboração com o cliente, o software funcional e a capacidade de resposta a mudanças em detrimento de documentação abrangente e planos rígidos.

As técnicas de mitigação de viés algorítmico são categorizadas em três estágios principais em relação ao processo de treinamento do modelo. Os métodos de pré-processamento modificam os próprios dados de treinamento (por exemplo, reponderação, reamostragem). Os métodos de processamento interno incorporam restrições de equidade diretamente no algoritmo de aprendizado do modelo. Os métodos de pós-processamento ajustam as previsões do modelo após terem sido feitas para melhorar a equidade.

A confusão algorítmica ocorre quando uma variável proxy usada por um algoritmo está correlacionada com um atributo protegido (como raça ou gênero) e também com o resultado de interesse. O algoritmo pode, inadvertidamente, aprender a discriminar com base no atributo protegido ao usar a variável proxy, mesmo que o próprio atributo protegido seja explicitamente excluído dos dados de entrada do modelo.