Merge pull request #505 from emmanuelgjr/patch-45

Update and rename LLM09_Misinformation.md to LLM09_Desinformacao.md

2_0_vulns/translations/pt-BR/LLM09_Desinformacao.md

@@ -0,0 +1,81 @@
+## LLM09:2025 Desinformação
+
+### Descrição
+
+A desinformação gerada por LLMs representa uma vulnerabilidade central para aplicações que dependem desses modelos. A desinformação ocorre quando os LLMs produzem informações falsas ou enganosas que parecem credíveis. Essa vulnerabilidade pode levar a violações de segurança, danos reputacionais e responsabilidades legais.
+
+Uma das principais causas da desinformação é a alucinação—quando o LLM gera conteúdo que parece preciso, mas é fabricado. Alucinações ocorrem quando os LLMs preenchem lacunas em seus dados de treinamento usando padrões estatísticos, sem realmente entender o conteúdo. Como resultado, o modelo pode produzir respostas que soam corretas, mas são completamente infundadas. Embora as alucinações sejam uma fonte significativa de desinformação, não são a única causa; vieses introduzidos pelos dados de treinamento e informações incompletas também podem contribuir.
+
+Um problema relacionado é a dependência excessiva. Isso ocorre quando os usuários confiam excessivamente no conteúdo gerado pelo LLM, falhando em verificar sua precisão. Essa dependência agrava o impacto da desinformação, já que os usuários podem integrar dados incorretos em decisões ou processos críticos sem a devida verificação.
+
+### Exemplos Comuns de Risco
+
+#### 1. Inacurácias Fatuais
+  O modelo produz declarações incorretas, levando os usuários a tomar decisões com base em informações falsas. Por exemplo, o chatbot da Air Canada forneceu informações incorretas aos viajantes, levando a interrupções operacionais e complicações legais. A companhia aérea foi processada com sucesso como resultado.
+  (Ref. link: [BBC](https://www.bbc.com/travel/article/20240222-air-canada-chatbot-misinformation-what-travellers-should-know))
+
+#### 2. Afirmativas Sem Suporte
+  O modelo gera declarações infundadas, especialmente prejudiciais em contextos sensíveis, como saúde ou processos legais. Por exemplo, o ChatGPT fabricou casos jurídicos falsos, resultando em problemas significativos no tribunal.
+  (Ref. link: [LegalDive](https://www.legaldive.com/news/chatgpt-fake-legal-cases-generative-ai-hallucinations/651557/))
+
+#### 3. Representação Errada de Especialização
+  O modelo cria a ilusão de entender tópicos complexos, enganando os usuários quanto ao seu nível de especialização. Por exemplo, chatbots foram encontrados representando de forma inadequada a complexidade de questões de saúde, sugerindo tratamentos não suportados como se ainda estivessem em debate.
+  (Ref. link: [KFF](https://www.kff.org/health-misinformation-monitor/volume-05/))
+
+#### 4. Geração de Código Inseguro
+  O modelo sugere bibliotecas de código inseguras ou inexistentes, introduzindo vulnerabilidades quando integradas em sistemas. Por exemplo, LLMs propuseram bibliotecas de terceiros inseguras que, se confiadas sem verificação, levam a riscos de segurança.
+  (Ref. link: [Lasso](https://www.lasso.security/blog/ai-package-hallucinations))
+
+### Estratégias de Prevenção e Mitigação
+
+#### 1. Geração com Recuperação Aprimorada (RAG)
+  Use a Recuperação Aprimorada para melhorar a confiabilidade das saídas do modelo, recuperando informações relevantes e verificadas de bancos de dados externos confiáveis durante a geração de respostas. Isso ajuda a mitigar o risco de alucinações e desinformação.
+
+#### 2. Ajuste Fino do Modelo
+  Aperfeiçoe o modelo com técnicas de ajuste fino ou embeddings para melhorar a qualidade das saídas. Técnicas como ajuste eficiente de parâmetros (PET) e prompting de cadeia de raciocínio podem reduzir a incidência de desinformação.
+
+#### 3. Verificação Cruzada e Supervisão Humana
+  Incentive os usuários a verificar as saídas dos LLMs com fontes externas confiáveis. Implemente processos de supervisão humana, especialmente para informações críticas ou sensíveis. Garanta que os revisores humanos sejam devidamente treinados para evitar dependência excessiva de conteúdo gerado por IA.
+
+#### 4. Mecanismos Automáticos de Validação
+  Implemente ferramentas e processos para validar automaticamente saídas críticas, especialmente em ambientes de alto risco.
+
+#### 5. Comunicação de Riscos
+  Identifique os riscos associados ao conteúdo gerado por LLMs e comunique claramente essas limitações aos usuários, incluindo o potencial para desinformação.
+
+#### 6. Práticas de Codificação Segura
+  Estabeleça práticas de codificação seguras para prevenir a integração de vulnerabilidades devido a sugestões de código incorretas.
+
+#### 7. Design da Interface do Usuário
+  Desenvolva APIs e interfaces de usuário que incentivem o uso responsável de LLMs, como integração de filtros de conteúdo, rotulagem clara de conteúdo gerado por IA e informações sobre limitações de confiabilidade e precisão.
+
+#### 8. Treinamento e Educação
+  Ofereça treinamento abrangente sobre as limitações dos LLMs, a importância da verificação independente de conteúdo gerado e a necessidade de pensamento crítico. Em contextos específicos, forneça treinamento especializado para avaliar eficazmente as saídas dos LLMs.
+
+### Cenários de Ataques Exemplares
+
+#### Cenário #1
+  Atacantes experimentam assistentes de codificação populares para identificar nomes de pacotes frequentemente alucinados. Após identificar esses pacotes inexistentes sugeridos pelo assistente, eles publicam pacotes maliciosos com os mesmos nomes em repositórios amplamente usados. Desenvolvedores, confiando nas sugestões do assistente, integram esses pacotes comprometidos, resultando em violações de segurança e comprometimento de dados.
+
+#### Cenário #2
+  Uma empresa disponibiliza um chatbot para diagnóstico médico sem garantir precisão suficiente. O chatbot fornece informações incorretas, resultando em consequências prejudiciais para pacientes. Como resultado, a empresa é processada por danos. Nesse caso, a falha de segurança e confiabilidade do sistema LLM expôs a empresa a riscos reputacionais e financeiros, mesmo sem a presença de um atacante ativo.
+
+### Links de Referência
+
+1. [AI Chatbots as Health Information Sources: Misrepresentation of Expertise](https://www.kff.org/health-misinformation-monitor/volume-05/): **KFF**
+2. [Air Canada Chatbot Misinformation: What Travellers Should Know](https://www.bbc.com/travel/article/20240222-air-canada-chatbot-misinformation-what-travellers-should-know): **BBC**
+3. [ChatGPT Fake Legal Cases: Generative AI Hallucinations](https://www.legaldive.com/news/chatgpt-fake-legal-cases-generative-ai-hallucinations/651557/): **LegalDive**
+4. [Understanding LLM Hallucinations](https://towardsdatascience.com/llm-hallucinations-ec831dcd7786): **Towards Data Science**
+5. [How Should Companies Communicate the Risks of Large Language Models to Users?](https://techpolicy.press/how-should-companies-communicate-the-risks-of-large-language-models-to-users/): **Techpolicy**
+6. [A news site used AI to write articles. It was a journalistic disaster](https://www.washingtonpost.com/media/2023/01/17/cnet-ai-articles-journalism-corrections/): **Washington Post**
+7. [Diving Deeper into AI Package Hallucinations](https://www.lasso.security/blog/ai-package-hallucinations): **Lasso Security**
+8. [How Secure is Code Generated by ChatGPT?](https://arxiv.org/abs/2304.09655): **Arvix**
+9. [How to Reduce the Hallucinations from Large Language Models](https://thenewstack.io/how-to-reduce-the-hallucinations-from-large-language-models/): **The New Stack**
+10. [Practical Steps to Reduce Hallucination](https://newsletter.victordibia.com/p/practical-steps-to-reduce-hallucination): **Victor Debia**
+11. [A Framework for Exploring the Consequences of AI-Mediated Enterprise Knowledge](https://www.microsoft.com/en-us/research/publication/a-framework-for-exploring-the-consequences-of-ai-mediated-enterprise-knowledge-access-and-identifying-risks-to-workers/): **Microsoft**
+
+### Frameworks e Taxonomias Relacionados
+
+Consulte esta seção para informações abrangentes, cenários e estratégias relacionadas à implantação de infraestrutura, controles no ambiente aplicado e outras melhores práticas.
+
+- [AML.T0048.002 - Societal Harm](https://atlas.mitre.org/techniques/AML.T0048): **MITRE ATLAS**