425 Anais do XXI Seminário Internacional Nanotecnologias, Sociedade e Meio Ambiente desafios jurídicos éticos e sociais para a “grande transição sustentável” (XXI SEMINANOSOMA) Schwartz, observou-se que a confiança excessiva nas informações fornecidas pela IA levou a um uso indevido e potencialmente prejudicial. As técnicas de checagem autônoma dentro dos próprios modelos de linguagem, como as utilizadas pelo GPT-3, mostraram-se eficazes na detecção de inconsistências, mas ainda requerem a intervenção de um profissional qualificado. Conclusão: As alucinações da inteligência ar- tificial no direito evidenciam a necessidade de uma abordagem cautelosa no uso dessas ferramentas. O papel do profissional do direito permanece indispensável na revisão e validação das informações ge- radas. É essencial que os operadores do direito desenvolvam habilidades para utilizar a inteligência artificial como uma ferramenta auxiliar, compreendendo seus limites e assegurando a veracidade das informa- ções empregadas. Palavras-chave: Alucinações, Inteligência Artificial, Direito. Referências BOHANNON, Molly. Lawyer Used CHatGPT In Court – And Cited Fake Cases. A Judge is Considering Sanctions. Forbes, 2023. Dis- ponível em: https://www.forbes.com/sites/mollybohan non/2023/06/08/lawyer-used-chatgpt-in-court-and-cited- fake-cases-a-judge-is-considering-sanctions/. Acesso em: 2 jun. 2024. BRANDÃO, Carlos Eduardo; BECKER, João Luiz. Como gerenciar os ris- cos de inteligência artificial. GVExecutivo, v. 21, n. 4, p. 38- 47, 2022. Disponível em: https://eaesp.fgv.br/sites/eaesp. fgv.br/files/u949/joaoluizbecker_como_gerenciar_os_ris cos_de_inteligencia_artificial.pdf. Acesso em: 1 jul. 2024. BROWN, Tom B. Language models are few-shot learners. 34th Conference on Neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada. Disponível em: https://procee dings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bf b8ac142f64a-Paper.pdf. Acesso em: 27 set. 2024. FILIPPOVA, Katja. Controlled Hallucinations: Learning to Generate Faithfully from Noisy Data. Findings of the Association for Computational Linguistics: EMNLP 2020. p. 864-870. Disponível em: https://aclanthology.org/2020.findings-em nlp.76/. Acesso em: 27 set. 2024.
RkJQdWJsaXNoZXIy MjEzNzYz