Os 5 principais desafios e soluções do reconhecimento facial
O reconhecimento facial faz agora parte da vida quotidiana, desde desbloquear telemóveis até verificar identidades em espaços públicos. O seu alcance continua a crescer, trazendo conveniência e novas possibilidades. No entanto, esta expansão também levanta preocupações sobre precisão, privacidade, enviesamento e justiça que exigem atenção cuidadosa.
Enviesamento no reconhecimento facial
O gráfico compara oito sistemas de reconhecimento facial utilizando o benchmark Racial Faces in the Wild (RFW). O RFW avalia a verificação facial um-para-um, ou seja, o sistema verifica se duas imagens faciais pertencem à mesma pessoa.
O benchmark reporta resultados separadamente para quatro grupos demográficos: caucasiano, indiano, asiático e africano.
Cada grupo é testado com 6.000 pares de imagens desafiantes. Metade destes pares mostram a mesma pessoa, enquanto a outra metade mostra pessoas diferentes. Uma vez que todos os quatro grupos utilizam a mesma configuração de teste equilibrada, as diferenças de desempenho entre grupos refletem mais provavelmente o enviesamento demográfico do que diferenças na conceção do teste.1
Cada ponto no gráfico representa um modelo de reconhecimento facial. As pontuações de precisão dos quatro subgrupos do modelo são resumidas em duas medidas:
- Precisão média: Indicando o desempenho global do modelo em todos os grupos demográficos.
- Justiça: Calculada como 100 menos a diferença entre o subgrupo com melhor e pior desempenho.
Os resultados mostram um padrão consistente: a maioria dos sistemas tem melhor desempenho em rostos caucasianos e pior em rostos africanos. Em vários casos, a taxa de erro para rostos africanos é cerca do dobro da dos rostos caucasianos. É esta diferença que empurra os sistemas menos justos para baixo no gráfico.2
Este exemplo mostra por que razão a precisão do reconhecimento facial por si só não é suficiente para avaliar estes sistemas. Mesmo quando um modelo tem um bom desempenho médio, os seus erros podem estar distribuídos de forma desigual pelos grupos demográficos, criando riscos reais na segurança, aplicação da lei, banca e verificação de identidade.
Estas lacunas de desempenho são um dos vários desafios que as organizações precisam de considerar antes de adotar a tecnologia de reconhecimento facial. Abaixo, examinamos os principais desafios do reconhecimento facial, as suas causas e possíveis formas de os enfrentar.
1. Privacidade e vigilância
O reconhecimento facial pode ser usado para monitorizar pessoas sem o seu consentimento. Quando as autoridades ou empresas o aplicam em áreas públicas, os indivíduos podem ser identificados e seguidos sem se aperceberem. Este tipo de vigilância levanta sérias preocupações de privacidade e pode ameaçar as liberdades civis.
Por exemplo, a Polícia Metropolitana expandiu a sua utilização do reconhecimento facial ao vivo em espaços públicos, mas a escala de digitalização varia consoante a operação e não é aplicada continuamente em toda a cidade.3
Como aumentar a privacidade?
- Estabelecer quadros legais claros para regular o uso governamental e prevenir a vigilância não autorizada.
- Exigir consentimento por escrito antes de recolher dados de reconhecimento facial em contextos não públicos.
- Implementar medidas de transparência, como auditorias e relatórios regulares sobre as implementações.
- Limitar o armazenamento de dados biométricos a finalidades específicas de identificação e reforçar os controlos de proteção de dados.
Exemplo real: Reconhecimento facial no retalho
Os retalhistas estão a usar cada vez mais o reconhecimento facial para identificar pessoas anteriormente assinaladas por furto, fraude ou outras condutas impróprias. Isto levantou preocupações sobre se os consumidores podem consentir de forma significativa o escaneamento biométrico em espaços comerciais comuns.
Em 2026, a Wegmans enfrentou desafios após confirmar que o reconhecimento facial estava a ser usado em algumas lojas de Nova Iorque. A empresa afirmou que a tecnologia era utilizada em lojas de maior risco e para identificar indivíduos anteriormente assinalados por má conduta. No entanto, defensores da privacidade e legisladores locais argumentaram que os sistemas biométricos colocam riscos que vão além das câmaras de segurança padrão, porque os dados faciais podem ser armazenados, reutilizados, vendidos ou roubados.
A controvérsia levou o Condado de Erie, Nova Iorque, a aprovar uma lei que proíbe os estabelecimentos comerciais de recolher, armazenar ou vender dados biométricos dos clientes, incluindo digitalizações faciais. A lei não proíbe as câmaras de segurança padrão e inclui isenções para uso governamental e policial.4
Exemplo real: Reconhecimento facial ao nível da rua
Os agentes federais de imigração estão a usar cada vez mais a tecnologia de reconhecimento facial durante operações de rua, levantando preocupações sobre a expansão da vigilância governamental.
O ICE e outros funcionários do Departamento de Segurança Interna têm usado uma aplicação para smartphone chamada Mobile Fortify para fotografar e digitalizar rostos de pessoas em cidades como Minneapolis, Chicago e Portland, Maine. A aplicação pode comparar imagens com bases de dados governamentais em tempo real e pode armazenar fotografias por até 15 anos, de acordo com documentos obtidos através de um pedido ao abrigo da Lei de Liberdade de Informação. Testemunhas afirmam que as digitalizações incluíram transeuntes e cidadãos americanos, e não apenas alvos de fiscalização.
O DHS afirma que a ferramenta é legal e ajuda a identificar pessoas de interesse. Mas grupos de liberdades civis e alguns legisladores argumentam que o reconhecimento facial ao nível da rua pode violar proteções constitucionais e normalizar a vigilância biométrica em espaços públicos. Processos judiciais e legislação proposta procuram travar a prática, uma vez que os críticos alertam que pode corroer a privacidade e limitar a atividade pública.5
Exemplo real: Meta Name Tag
Meta planeia trazer a tecnologia de reconhecimento facial para os seus óculos inteligentes Ray-Ban. A funcionalidade, internamente chamada “Name Tag”, permitiria aos utilizadores identificar pessoas que veem e aceder a informações sobre elas através do assistente de IA da Meta.
Antes deste desenvolvimento, o Facebook desativou o seu sistema de reconhecimento facial em 2021, citando riscos de privacidade e legais. Depois de vender mais de 7 milhões de óculos inteligentes em 2025 e de enfrentar uma concorrência crescente no uso de IA em dispositivos wearables, a Meta vê o reconhecimento facial como uma forma de tornar os seus dispositivos mais úteis e de se destacar no mercado.
Discussões internas mostram que a empresa está ciente das preocupações de privacidade e segurança. A Meta considerou limitar a funcionalidade ao reconhecimento de pessoas ligadas a um utilizador nas suas plataformas ou com perfis públicos, em vez de oferecer uma identificação aberta.
Os defensores da privacidade alertam que colocar o reconhecimento facial em óculos de consumo pode corroer o anonimato nos espaços públicos e convidar a utilizações indevidas.
Ao mesmo tempo, a Meta argumenta que a tecnologia pode melhorar a acessibilidade, particularmente para pessoas cegas ou com deficiência visual. A empresa está também a desenvolver óculos mais avançados concebidos para capturar continuamente dados visuais, com o reconhecimento facial a servir de base a lembretes e assistência contextual.6
2. Enviesamento e identificação incorreta
Embora muitos sistemas de reconhecimento facial ainda apresentem taxas de erro mais elevadas para grupos marginalizados, os modelos de topo avaliados nas recentes avaliações do NIST7 reduziram significativamente as lacunas de precisão demográfica. O enviesamento continua a ser uma preocupação, especialmente em sistemas mais antigos ou mal curados.
Para reduzir o enviesamento e a identificação incorreta:
- Treinar modelos em conjuntos de dados diversificados que representem várias demografias.
- Exigir testes independentes para identificar enviesamento algorítmico.
- Aplicar limites conservadores e assegurar supervisão humana de todas as correspondências.
- Proibir as agências de aplicação da lei de dependerem exclusivamente de resultados automatizados.
Exemplo real: Representação racial no reconhecimento facial
Ifeoma Nwogu, professora de ciências da computação do Departamento de Ciências da Computação e Engenharia da Universidade de Buffalo, explica que muitos algoritmos alcançam alta precisão em conjuntos de dados de treino estreitamente representativos, tipicamente dominados por imagens de homens brancos com idades entre 18 e 35 anos, o que leva a taxas de erro significativamente mais elevadas para mulheres e pessoas de cor.
Estudos como o Gender Shades e do NIST confirmaram uma precisão particularmente baixa para mulheres negras, ilustrando como dados desequilibrados e tecnologias de câmara não otimizadas para tons de pele mais escuros reforçam disparidades sistémicas.
Embora os avanços recentes em conjuntos de dados, qualidade das câmaras e aprendizagem automática tenham melhorado a precisão, Nwogu sublinha que uma supervisão significativa deve ocorrer a nível governamental e de formulação de políticas, uma vez que muitos danos sociais decorrem de consequências não intencionais dos sistemas implementados.
Defende que uma regulamentação abrangente, uma maior literacia técnica entre os decisores políticos e a investigação contínua em modelos sensíveis à diversidade são essenciais para garantir que o reconhecimento facial é utilizado de forma responsável e ética.8
3. Segurança de dados e uso indevido
Os dados faciais são especialmente sensíveis porque, ao contrário de uma palavra-passe, não podem ser repostos uma vez expostos. Se alguém obtiver acesso a eles, pode usá-los para roubo de identidade, fraude ou rastreio não autorizado. Quando estes sistemas operam com pouca supervisão, a probabilidade de abuso aumenta.
Apoiar a segurança dos dados e minimizar o uso indevido através de:
- Encriptar todos os dados de reconhecimento facial armazenados e limitar os períodos de retenção.
- Exigir o cumprimento de normas fortes de proteção de dados e auditorias regulares.
- Aplicar controlos de acesso rigorosos para garantir que apenas pessoal autorizado manuseia dados biométricos.
- Exigir planos claros de resposta a incidentes para proteger os indivíduos em caso de violações.
Exemplo real: Violações de privacidade da Clearview IA
A Clearview IA é uma empresa norte-americana que fornece software de reconhecimento facial construído sobre uma base de dados de dezenas de milhares de milhões de imagens recolhidas de sítios web publicamente acessíveis. As forças de segurança e agências governamentais carregam uma fotografia no sistema, que devolve possíveis correspondências e ligações para onde essas imagens apareceram online. A tecnologia tem sido usada em investigações criminais e comercializada para agências de fronteiras e de inteligência.
A empresa tem enfrentado um escrutínio jurídico e regulamentar contínuo devido a preocupações de privacidade. Os críticos argumentam que a Clearview recolhe e indexa imagens faciais sem o conhecimento ou consentimento dos indivíduos. Nos Estados Unidos, foi processada ao abrigo de leis de privacidade biométrica, incluindo a Lei de Privacidade de Informação Biométrica do Illinois, resultando num acordo significativo. Os tribunais da Califórnia também permitiram que as ações de privacidade relativas às suas práticas de base de dados avançassem.
Os reguladores europeus consideraram repetidamente a Clearview em violação das leis de proteção de dados. As autoridades da Grécia e dos Países Baixos impuseram multas multimilionárias, citando a recolha ilícita de dados biométricos ao abrigo do RGPD. Grupos de privacidade também apresentaram queixas procurando novas ações legais.
Mais recentemente, a Alfândega e Proteção de Fronteiras dos EUA assinou um contrato que concede às unidades de informação acesso ao sistema da Clearview para direcionamento tático, levantando preocupações sobre a expansão da vigilância biométrica em operações governamentais de rotina.9
4. Limitações técnicas em condições do mundo real
O reconhecimento facial tende a ser menos preciso em condições do mundo real. Pouca luz, máscaras, óculos e alterações de ângulo podem confundir o sistema, levando a erros. Estas questões tornam mais difícil confiar na tecnologia para verificações de identidade, acesso de segurança ou policiamento.
Para aumentar a precisão no mundo real:
- Melhorar os padrões de captura de imagem para garantir entradas de alta resolução.
- Aplicar a deteção de vivacidade para confirmar que estão presentes pessoas reais durante as digitalizações.
- Utilizar métodos avançados, como modelação facial 3D e GANs, para reconstruir características oclusas.
- Empregar autenticação multimodal (combinando rosto com reconhecimento de íris, impressão digital ou voz) em áreas sensíveis.
Recentemente, os investigadores têm usado cada vez mais modelos baseados em difusão e arquiteturas de transformadores para reconstruir características faciais oclusas, uma vez que estes métodos superam as GANs tradicionais em termos de estabilidade e precisão.
Exemplo real: Deteção de vivacidade com Yoti MyFace
O Yoti MyFace Liveness é um sistema passivo de deteção de vivacidade que verifica se uma selfie está a ser capturada de uma pessoa real e fisicamente presente em tempo real, em vez de uma falsificação, como uma fotografia impressa, vídeo reproduzido, máscara ou deepfake gerado por IA.
Funciona analisando uma única selfie através de vários modelos de redes neuronais para avaliar a qualidade da imagem e pistas de profundidade facial, devolvendo uma pontuação de confiança em segundos. Ao contrário do reconhecimento facial, não identifica quem é a pessoa; verifica que o rosto está vivo e genuíno. Pode também ser configurado para detetar ataques de injeção, nos quais uma imagem ou vídeo falso é injetado no fluxo da câmara em vez de uma captura real.10
Exemplo real: Imagens de baixa qualidade em investigações
Muitas falhas de reconhecimento facial ocorrem quando os sistemas são aplicados a imagens que não foram concebidas para correspondência biométrica. As imagens de vigilância podem estar desfocadas, mal iluminadas, em ângulo ou parcialmente obstruídas. Estas condições podem reduzir as pontuações de confiança e aumentar o risco de falsas correspondências.
Isto é especialmente importante na aplicação da lei, onde uma imagem de baixa qualidade pode ser comparada com grandes bases de dados. Mesmo que o sistema devolva uma correspondência possível, o resultado deve ser tratado como uma pista de investigação e não como uma identificação fiável.
A lição prática é que o reconhecimento facial não deve ser avaliado pela precisão de benchmarks. As organizações devem testar a tecnologia nas mesmas condições em que será utilizada, incluindo qualidade da câmara, iluminação, movimento do utilizador e variação demográfica.
Exemplos reais: Aumentar a eficácia do reconhecimento facial no mundo real
De acordo com um estudo recente, os sistemas de reconhecimento facial continuam a enfrentar desafios significativos quando usados em condições do mundo real. Para resolver estas limitações, os investigadores estão a desenvolver métodos como a aprendizagem profunda, modelação facial 3D e técnicas generativas que podem reconstruir características em falta.
O estudo destaca os benefícios de combinar o reconhecimento facial com outras abordagens biométricas para aumentar a precisão. Também sublinha a importância de técnicas de preservação da privacidade, como a aprendizagem federada e a encriptação.
Conclui que, apesar do rápido progresso, os desafios relacionados com a justiça, a precisão e a privacidade devem ser abordados para garantir a utilização responsável da tecnologia de reconhecimento facial.
Figura 1: A imagem mostra 30 tipos diferentes de distorções comuns e alterações de aparência.11
Outro estudo sobre desafios do reconhecimento facial mostra que os sistemas de vigilância e reconhecimento sofrem frequentemente de precisão reduzida devido a filmagens de baixa qualidade, oclusões (por exemplo, óculos) e enviesamentos demográficos nos conjuntos de dados de treino.
Para resolver estas questões, os investigadores desenvolveram uma estrutura de aprendizagem profunda que utiliza autoencoders e redes generativas adversariais (GANs) para gerar dados sintéticos, manipular atributos faciais e melhorar imagens degradadas.
Os componentes-chave desta abordagem incluem um modelo para ajustar os tons de pele para uma maior representação demográfica, um sistema para remover óculos preservando a identidade e um módulo de melhoramento de imagem que melhora a nitidez em filmagens de vigilância de baixa resolução.
Testado no conjunto de dados CelebA, o método demonstrou uma melhor diversidade do conjunto de dados, redução do enviesamento e maior precisão de reconhecimento em condições desafiantes.12
5. Questões éticas e sociais
A utilização crescente do reconhecimento facial suscitou sérias questões éticas sobre justiça, transparência e confiança pública. Quando a tecnologia é usada sem consentimento claro, enfrenta frequentemente fortes críticas públicas. Se a sua disseminação continuar sem limites adequados, pode fazer com que a vigilância constante pareça normal e enfraquecer direitos fundamentais.
Apoiar padrões éticos através de:
- Exigir a divulgação por parte das empresas e agências governamentais sobre a forma como os sistemas de reconhecimento facial são utilizados.
- Exigir um consentimento de adesão significativo para os indivíduos.
- Criar comités de revisão ética independentes para supervisionar as implementações.
- Lançar campanhas de sensibilização pública explicando os benefícios e os riscos da tecnologia.
Exemplo real: Verificação de presenças de alunos com reconhecimento facial
Um relatório recente sobre o plano da Índia de usar reconhecimento facial baseado em IA para a verificação de presenças de alunos no âmbito do Students Achievement Tracking System (SATS) levantou grandes preocupações de privacidade e ética. Os especialistas alertam que a recolha e armazenamento de dados faciais de crianças pode levar a utilizações indevidas, incluindo potenciais fugas para atores comerciais ou criminosos.
Sublinham que as escolas devem continuar a ser espaços de aprendizagem seguros, e não locais de vigilância. Em vez disso, sugerem a melhoria dos Comités de Desenvolvimento e Monitorização Escolar (SDMCs) e a adoção de ferramentas de código aberto como opções mais seguras e transparentes.13
Adicionar como fonte preferencialAs etapas da tecnologia de reconhecimento facial
Um sistema típico de reconhecimento facial segue uma sequência clara:
- Captura de imagem: O sistema regista uma imagem facial ou um fotograma de um vídeo. A qualidade das digitalizações faciais tem um impacto significativo nos resultados, com imagens de alta resolução a produzirem normalmente correspondências mais precisas.
- Deteção facial: Algoritmos especializados localizam o rosto na imagem capturada e separam-no do fundo. Este passo é essencial antes de analisar as características faciais.
- Extração de características: O sistema codifica características faciais únicas num modelo numérico que representa a identidade de uma pessoa. Algumas tecnologias de reconhecimento facial utilizam dados tridimensionais para aumentar a precisão.
- Comparação: O modelo extraído é comparado com dados de reconhecimento facial armazenados numa base de dados ou com uma imagem facial específica, dependendo se a tarefa é de identificação ou verificação.
- Decisão: O sistema avalia o nível de semelhança entre a amostra e os dados armazenados, depois apresenta correspondências potenciais ou confirma uma identidade.
Por exemplo, o Amazon Rekognition utiliza coleções para armazenar vetores faciais, que são representações matemáticas das características faciais em vez de imagens.
O fluxo de trabalho é:
- Criar uma coleção para guardar dados faciais.
- Indexar rostos para detetar e armazenar vetores faciais.
- Criar um utilizador e associar rostos para agrupar várias imagens da mesma pessoa num vetor de utilizador, para maior precisão.
Pode depois pesquisar rostos em imagens, vídeos armazenados ou streaming de vídeo utilizando operações como SearchFacesByImage ou SearchUsersByImage. Isto permite casos de uso como a autenticação de funcionários em pontos de entrada, comparando digitalizações faciais ao vivo com dados armazenados através de pontuações de semelhança.14
Como medir a precisão do reconhecimento
A precisão na tecnologia de reconhecimento facial é medida através de métricas específicas que captam a probabilidade de correspondências corretas ou incorretas. As medidas comuns incluem:
- Taxa de Falsa Correspondência (FMR): A probabilidade de o sistema emparelhar incorretamente duas pessoas diferentes.
- Taxa de Falsa Não Correspondência (FNMR): A probabilidade de o sistema não conseguir emparelhar duas imagens da mesma pessoa.
- Taxas de identificação: Métricas como a taxa de identificação de rank-1 indicam com que frequência o sistema identifica corretamente indivíduos de uma base de dados extensa.
- Compromissos de erro: O desempenho é frequentemente apresentado em gráficos, como curvas ROC, que mostram como os falsos positivos e falsos negativos mudam à medida que o limiar de decisão é ajustado.
A precisão depende da qualidade das imagens faciais, iluminação, ângulo e até mesmo alterações na aparência, como pelos faciais. Também varia entre modelos de reconhecimento facial, o que levanta importantes preocupações éticas sobre o enviesamento algorítmico e a justiça para com grupos específicos.
O que é a pontuação de confiança no reconhecimento facial?
Uma pontuação de confiança mostra o quão certo um sistema de reconhecimento facial está de que dois rostos pertencem à mesma pessoa. Mede a semelhança, e não a probabilidade exata de estar correto. Embora uma pontuação mais alta signifique uma correspondência mais próxima, o julgamento final depende do limiar definido no sistema.
- Calibração: As pontuações de confiança variam entre softwares de reconhecimento facial e devem estar alinhadas com os objetivos operacionais.
- Limiares: Em muitas jurisdições, os sistemas de aplicação da lei geram listas de candidatos com base em limiares de alta confiança, e os agentes são obrigados a validar manualmente as correspondências potenciais, em vez de dependerem de resultados automatizados.
- Influência das condições: Má iluminação, oclusão ou alterações nas características faciais únicas, como novos pelos faciais, podem reduzir as pontuações de confiança e afetar os resultados.
- Implicações políticas: Uma vez que os dados de reconhecimento facial são dados biométricos sensíveis, os limiares de confiança devem ser geridos com salvaguardas de proteção de dados, considerações de privacidade pessoal e consciência de questões éticas como o enviesamento racial e o potencial uso indevido em vigilância não autorizada.
As pontuações de confiança ajudam, portanto, a equilibrar a capacidade da tecnologia de identificar indivíduos com os riscos de falsos positivos e os desafios mais amplos do reconhecimento facial que muitas empresas, agências governamentais e forças de segurança enfrentam.
Perguntas frequentes
O reconhecimento facial é uma abordagem biométrica que identifica ou verifica uma pessoa analisando características faciais únicas. Ao contrário de palavras-passe ou tokens, baseia-se no próprio rosto da pessoa como credencial.
Esta tecnologia converte imagens faciais em padrões matemáticos, por vezes chamados de modelos ou impressões faciais, que podem depois ser comparados com dados faciais armazenados. É utilizada tanto para identificação em grandes bases de dados como para verificar uma identidade alegada.
O reconhecimento facial é cada vez mais utilizado em sistemas de segurança, controlo de acesso e verificação de identidade.
A tecnologia de reconhecimento facial funciona capturando uma imagem facial, isolando o rosto na imagem e analisando características faciais distintivas. Estas características incluem as distâncias relativas entre os olhos, nariz, boca e outros pontos-chave, bem como traços adicionais, como a textura da pele.
Os modelos avançados de reconhecimento facial utilizam inteligência artificial, visão computacional e aprendizagem profunda para criar representações altamente precisas de rostos, permitindo à tecnologia identificar ou verificar indivíduos com uma precisão excecional. A utilização do reconhecimento facial estende-se desde o desbloqueio de dispositivos pessoais até ao apoio às forças de segurança em espaços públicos, levantando oportunidades de melhoria e preocupações de privacidade.
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{Os 5 principais desafios e soluções do reconhecimento facial}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/facial-recognition-challenges}},
note = {AIMultiple. Acessado em 22 Junho 2026}
}Links de referência
O trabalho de Cem foi citado por publicações globais de destaque, incluindo Business Insider, Forbes, Washington Post, empresas globais como Deloitte, HPE e ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia.
Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas em suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.
Ele liderou a estratégia de tecnologia e aquisições de uma empresa de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de tecnologia profunda Hypatos, que alcançou uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia de destaque como TechCrunch e Business Insider.
Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou na Universidade Bogazici como engenheiro de computação e possui um MBA pela Columbia Business School.
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.