Vamos analisar os termos que melhor se encaixam no contexto de ética e privacidade em Machine Learning: - Preencher 1: Refere-se a uma medida que protege os dados pessoais, evitando exposição indevida. "Anonimização" é o processo de remover informações que identificam diretamente uma pessoa, protegendo a privacidade. - Preencher 2: Refere-se a práticas que evitam vieses e garantem equidade. "Transparência" é fundamental para entender como os modelos funcionam e para identificar e corrigir vieses. Analisando as alternativas: A. 1 - anonimização; 2 - transparência → Faz sentido no contexto. B. 1 - integridade; 2 - otimização → Integridade é sobre dados corretos, otimização não está relacionada a evitar vieses. C. 1 - rastreabilidade; 2 - inferência → Rastreabilidade é sobre acompanhar dados, inferência é o processo de tirar conclusões, não diretamente ligado a evitar vieses. D. 1 - criptografia; 2 - generalização → Criptografia protege dados, mas generalização é um conceito de modelo, não diretamente ligado a práticas éticas. E. 1 - descentralização; 2 - viabilidade → Não se encaixa no contexto. Portanto, a resposta correta é: A. 1 - anonimização; 2 - transparência