msb-public
/
Data-Science-For-Beginners
mirror of https://github.com/microsoft/Data-Science-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 8 changes)

Browse Source
pull/787/head
localizeflow[bot] 2 months ago
parent 3fd822008f
commit 3fcf25a020
8 changed files with 691 additions and 214 deletions
Show Stats Download Patch File Download Diff File

2
translations/kn/.co-op-translator.json
Unescape View File

@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-12-19T14:22:03+00:00",
"translation_date": "2026-07-02T11:27:19+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "kn"
},

278
translations/kn/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,127 +1,265 @@
Translation for chunk 1 of 'README.md' skipped due to timeout.
* ಮಾಹಿತಿ ವಾಸ್ತವಿಕತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಲ್ಲಿ _ನಿಖರವಾಗಿ_ ಸೆರೆಹಿಡಿದಿದೆಯೇ?
# ಡೇಟಾ ನೈತಿಕತೆಯ ಪರಿಚಯ
#### 2.8 ಅಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತಂತ್ರ
|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಖೆಚ್ನೋಟ್ ](../../sketchnotes/02-Ethics.png)|
|:---:|
| ಡೇಟಾ ಸೈನ್ಸ್ ನೈತಿಕತೆ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಖೆಚ್ನೋಟ್_ |
[ಅಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತಂತ್ರ](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ಅಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸವು ನಿರ್ದಿಷ್ಟ ಉಪಗುಂಪುಗಳ ವಿರುದ್ಧ ಕ್ರಮಬದ್ಧವಾಗಿ ಭೇದಭಾವ ಮಾಡುತ್ತಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಇದರಿಂದ _ವಿತರಣೆಯಲ್ಲಿ_ (ಆ ಗುಂಪಿನಿಂದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರಾಕರಿಸುವುದು ಅಥವಾ ತಡೆಯುವುದು) ಮತ್ತು _ಸೇವೆಯ ಗುಣಮಟ್ಟದಲ್ಲಿ_ (ಕೆಲವು ಉಪಗುಂಪುಗಳಿಗೆ AI ಇತರರಿಗಿಂತ ಕಡಿಮೆ ನಿಖರವಾಗಿರುವುದು) [ಸಂಭಾವ್ಯ ಹಾನಿಗಳು](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ಉಂಟಾಗಬಹುದು.
---
ನಾವು ಎಲ್ಲರೂ ಡೇಟಾಫೈಡ್ ಜಗತ್ತಿನಲ್ಲಿ ಡೇಟಾ ನಾಗರಿಕರಾಗಿ ಜೀವನ ಸಾಗಿಸುತ್ತಿದ್ದೇವೆ.
ಮಾರುಕಟ್ಟೆ ಪ್ರವಣತೆಗಳು 2022 ರ ಒಳಗೆ, ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳ 1-ನಲ್ಲಿ 3 ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಡೇಟಾವನ್ನು ಆನ್ಲೈನ್ [ಮಾರ್ಕೆಟ್‌ಪ್ಲೇಸ್‌ಗಳು ಮತ್ತು ಎಕ್ಸ್ಚೇಂಜ್‌ಗಳ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ಮೂಲಕ ಖರೀದಿ ಮತ್ತು ಮಾರಾಟ ಮಾಡುವುದನ್ನು ಸೂಚಿಸುತ್ತವೆ. **ಆಪ್ ಡೆವಲಪರ್‌ಗಳು** ಆಗಿ, ನಾವು ದಿನನಿತ್ಯದ ಬಳಕೆದಾರ ಅನುಭವಗಳಲ್ಲಿ ಡೇಟಾ-ಚಾಲಿತ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಅಲ್ಗೋರಿದಮ್-ಚಾಲಿತ ಸ್ವಯಂಚಾಲಿತತೆಗಳನ್ನು ಹೊಂದಿಸಲು ಸುಲಭ ಮತ್ತು ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ. ಆದರೆ AI ವ್ಯಾಪಕವಾಗಿ ಬಳಕೆಯಲ್ಲಾದಂತೆ, ನಾವು ಆ ಅಲ್ಗೋರಿದಮ್‌ಗಳ [ಾಯುಧೀಕರಣ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ನಿಂದ ಉಂಟಾಗಬಹುದಾದ ಹಾನಿಗಳಿಗೆ ಸಹ ಅರಿವು ಹೊಂದಬೇಕಾಗುತ್ತದೆ.
ಪ್ರವಣತೆಗಳು 2025 ರೊಳಗೆ ನಾವು [180 ಸೆಟಾಬೈಟ್‌ಗಳಿಂದ ಹೆಚ್ಚು](https://www.statista.com/statistics/871513/worldwide-data-created/) ಡೇಟಾ ಸೃಷ್ಟಿಸುವುದೂ, ಬಳಕೆಮಾಡುವುದೂ ಸೂಚಿಸುತ್ತವೆ. **ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು**ಮತ್ತು ಅವರಿಗಾಗುವ ಈ ಮಾಹಿತಿಯ ಸ್ಫೋಟವು ವೈಯಕ್ತಿಕ ಮತ್ತು ವರ್ತನಾ ಡೇಟಾಗೆ ಅದೃಷ್ಟವಂತ ಪ್ರವೇಶವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದರೊಂದಿಗೆ, ವಿವರವಾದ ಬಳಕೆದಾರ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ರಚಿಸುವ ಶಕ್ತಿ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆಗೊಳ್ಳುವಿಕೆಯನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಪ್ರಭಾವಿತ ಮಾಡುವ ಶಕ್ತಿ ಬರುತ್ತದೆ—ಅತಿ ಬಾರಿಗೆ [ಸ್ವತಂತ್ರ ಆಯ್ಕೆ ಭ್ರಮೆ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ಮೂಡಿಸುವ ರೀತಿಯಲ್ಲಿ. ಇದನ್ನು ಬಳಕೆದಾರರನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ಫಲಿತಾಂಶಗಳತ್ತ ಪ್ರೇರೇಪಿಸಲು ಉಪಯೋಗಿಸಬಹುದು, ಆದರೆ ಇದು ಡೇಟಾ ಗೌಪ್ಯತೆ, ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಅಲ್ಗೋರಿದಮ್ ಪ್ರಭಾವದ ನೈತಿಕ ಮಿತಿಗಳ ಕುರಿತು ಮಹತ್ವದ ಪ್ರಶ್ನೆಗಳು ಉದಯಿಸಬಹುದು.
ಡೇಟಾ ನೈತಿಕತೆ ಈಗ ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಅಂಕಣಶಾಸ್ರಕ್ಕೆ _ಅತ್ಯಾವಶ್ಯಕ ಗಾರ್ಡ್‌ರೇಲ್‌ಗಳು_, ನಮಗೆ ಡೇಟಾ ಚಲಿತ ಕ್ರಿಯೆಗಳಿಂದ ಉಂಟಾಗಬಹುದಾದ ಸಾಧ್ಯ ಹಾನಿ ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತಿದೆ. [ಗಾರ್ಟ್ನರ್ ಹೈಪ್ ಸೈಕಲ್ ಫಾರ್ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ಡಿಜಿಟಲ್ ನೈತಿಕತೆ, ಜವಾಬ್ದಾರಿ AI ಮತ್ತು AI ರಾಜ್ಯ ನಿಯಂತ್ರಣಗಳ ಸಂಬಂಧಿತ ಪ್ರವೃತಿಗಳನ್ನು ಗುರುತಿಸಿದೆ, ಇದು AI ಯ _ಜನತೀಕರಣ_ ಮತ್ತು _ಉದ್ಯಮೀಕರಣ_ ಬೃಹತ್ ಪ್ರವೃತ್ತಿಗಳ ಪ್ರಮುಖ ಚಾಲಕಗಳಾಗಿವೆ.
![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಡೇಟಾ ನೈತಿಕತೆ ಎಂಬ ರೋಚಕ ಕ್ಷೇತ್ರವನ್ನು ಅಧ್ಯಯನ ಮಾಡೋಣ - ಮೂಲ ಸಾಂಕೇತಿಕತೆಗಳು ಮತ್ತು ಸವಾಲುಗಳಿಂದ ಆರಂಭಿಸಿ, ಕೇಸ್ ಸ್ಟಡಿಗಳು ಮತ್ತು ಆಡಳಿತ ಸಂಧಾನದಂತಹ AI ಆವೃತ್ತಿಯೊಂದಿಗೆ ಕಾರ್ಯನೈತಿಕತೆಯ ವಾತಾವರಣವನ್ನು ನಿರ್ಮಿಸುವ ತಂಡಗಳ ಮತ್ತು ಸಂಸ್ಥೆಗಳಿಗಾಗಿ ಸಹಾಯ ಮಾಡುತ್ತವೆ.
## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## ಮೂಲ ಆವರ್ತನೆಗಳು
ನಾವು ಮೂಲ ಪದ್ಯಾತ್ಮಕ ಪದಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸೋಣ.
"ನೈತಿಕತೆ" ಪದವು [ಗೂಟದ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ಮತ್ತು ಅದರ ಮೂಲ "ethos") ಎಂಬ ಪದದಿಂದ ಬಂದಿದೆ, ಅಂದರೆ _ಚರಿತ್ರೆ ಅಥವಾ ನೈತಿಕ ಸ್ವಭಾವ_.
**ನೈತಿಕತೆ** ಎನ್ನುವುದು ಸಮಾಜದಲ್ಲಿ ನಮ್ಮ ವರ್ತನೆಯ ನಿಯಂತ್ರಣದ ಹಂಚಿದ ಮೌಲ್ಯಗಳು ಮತ್ತು ನೈತಿಕ ತತ್ವಗಳ ಬಗ್ಗೆ. ನೈತಿಕತೆ ಕಾನೂನುಗಳ ಮೇಲೆ ಆಧಾರಿತವಲ್ಲ, ಬದಲಿಗೆ "ಸರಿಯಾದದು ಮತ್ತು ತಪ್ಪು" ಆಗಿರುವವುಗಳ ವಿಶ್ವಾದೃತ ಮಾನ್ಯತೆಗಳಲ್ಲಿ ಆಧರಿಸಿದೆ. ಆದರೂ, ನೈತಿಕ ವಿಚಾರಣೆಗಳು ಸಂಸ್ಥೆಯ ಆಡಳಿತ ಅಧಿನಿಯಮಗಳು ಮತ್ತು ಸರ್ಕಾರದ ನಿಯಮಗಳು ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ, ಇದರಿಂದ ಅನುಗುಣತೆಯನ್ನು ಮರಳಿ ಉತ್ತೇಜನಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
**ಡೇಟಾ ನೈತಿಕತೆ** [ನೈತಿಕತೆಯ ಹೊಸ ಶಾಖೆ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), ಇದು "_ಡೇಟಾ, ಅಲ್ಗೋರಿದಮ್‌ಗಳು ಮತ್ತು ಸಂಬಂಧಿಸಿದ ಪ್ರಕ್ರಿಯೆಗಳ_ ನೈತಿಕ ಸಮಸ್ಯೆಗಳ ಅಧ್ಯಯನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ" ಮಾಡುತ್ತದೆ. ಇಲ್ಲಿ, **ಡೇಟಾ** ಸೃಷ್ಟಿ, ದಾಖಲೆ, ಸಂಗ್ರಹ, ಪ್ರಕ್ರಿಯೆ, ಪ್ರಚಾರ, ಹಂಚಿಕೆ ಮತ್ತು ಬಳಕೆಯ ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ, **ಅಲ್ಗೋರಿದಮ್‌ಗಳು** AI, ಏಜೆಂಟ್‌ಗಳು, ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು ರೋಬೋಟ್‌ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಿದೆ, ಮತ್ತು **ಪ್ರಕ್ರಿಯೆಗಳು** ಜವಾಬ್ದಾರಿತ್ವದ ಹೊಸ ಆವಿಷ್ಕಾರ, ಪ್ರೋಗ್ರಾಮಿಂಗ್, ಹ್ಯಾಕಿಂಗ್ ಮತ್ತು ನೈತಿಕತೆಯ ನಿಯಮಾವಳಿಗಳಂತಹ ವಿಷಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ.
**ಅನುಷ್ಠಿತ ನೈತಿಕತೆ** [ನೈತಿಕ ವಿಚಾರಣೆಯ ಅನುಷ್ಠಾನ](https://en.wikipedia.org/wiki/Applied_ethics). ಇದು _ವಾಸ್ತವಿಕ ಕ್ರಿಯೆಗಳು, ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳ_ ಪರಿಪ्रेಕ್ಷ್ಯದಲ್ಲಿ ನೈತಿಕ ವಿಷಯಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಪರಿಶೀಲಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ, ಮತ್ತು ನಮ್ಮ ನಿರ್ಧರಿಸಿದ ನೈತಿಕ ಮೌಲ್ಯಗಳಿಗೆ ಹೊಂದಾಣಿಕೆ ಆಗಿರುವಂತೆ ಸರಿಪಡಿಸುವ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು.
**ನೈತಿಕತೆಯ ಸಂಸ್ಕೃತಿ** [_ಅನುಷ್ಠಿತ ನೈತಿಕತೆಯನ್ನು ಕಾರ್ಯಕ್ಷಮಗೊಳಿಸುವಿಕೆ_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ಬಗ್ಗೆ ಆಗಿದ್ದು, ನಮ್ಮ ನೈತಿಕ ತತ್ವಗಳು ಮತ್ತು ಅಭ್ಯಾಸವನ್ನು ಸಂಸ್ಥೆಯಾದ್ಯಾಂತ ಸತತ ಮತ್ತು ಪ್ರಮಾಣಾರ್ಹ ವಿಧಾನದಲ್ಲಿ ಅಂಗೀಕರಿಸುವಿಕೆಯನ್ನೊಳಗೊಂಡಿದೆ. ಯಶಸ್ವೀ ನೈತಿಕತೆ ಸಂಸ್ಕೃತಿಗಳು ಸಂಸ್ಥೆ-ವ್ಯಾಪ್ತ ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ, ಅನುಗುಣತೆಯಿಗಾಗಿ ಅರ್ಥಪೂರ್ಣ ಪ್ರೋತ್ಸಾಹಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಮತ್ತು ಸಂಘಟನೆಯ ಪ್ರತಿ ಮಟ್ಟದಲ್ಲಿಯೂ ಅಗ್ರಹಿತ ವರ್ತನೆಯನ್ನು ಉತ್ತೇಜಿಸುವ ಮೂಲಕ ನೈತಿಕತಾ ಪ್ರಮಾಣಿಕತೆಯನ್ನು ಬಲಗೊಳಿಸುತ್ತವೆ.
## ನೈತಿಕತೆಯ ಸಂಯೋಜನೆಗಳು
ಈ ವಿಭಾಗದಲ್ಲಿ, ನಾವು ಡೇಟಾ ನೈತಿಕತೆಗಾಗಿ **ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳು** (ತತ್ತ್ವಗಳು) ಮತ್ತು **ನೈತಿಕ ಸವಾಲುಗಳು** (ಸಮಸ್ಯೆಗಳು) ಎಂಬ ಸಂಯೋಜನೆಗಳನ್ನು ಚರ್ಚಿಸುವೆವು - ಮತ್ತು ಈ ಸಂಯೋಜನೆಗಳನ್ನು ನೈತಿಕತೆಯ ಬೇಸಿಕ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ **ಕೇಸ್ ಸ್ಟಡಿ**ಗಳನ್ನು ಅನ್ವೇಷಿಸುವೆವು.
### 1. ನೈತಿಕ ತತ್ತ್ವಗಳು
ಪ್ರತಿ ಡೇಟಾ ನೈತಿಕತೆಯ ಕಾರ್ಯತಂತ್ರವು _ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು_ ವ್ಯಾಖ್ಯಾನಿಸುವುದರಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ - "ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳು" ಯಾವವು ಸಹನವಿರುವ ವರ್ತನೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ ಮತ್ತು ನಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಯೋಜನೆಗಳಲ್ಲಿ ಅನುಗುಣತೆಯ ಕ್ರಿಯೆಗಳನ್ನು ಮಾರ್ಗದರ್ಶಿಸುತ್ತವೆ. ನೀವು ಅವುಗಳನ್ನು ವೈಯಕ್ತಿಕ ಅಥವಾ ತಂಡ ಮಟ್ಟದಲ್ಲಿ ನಿರ್ಧಾರ ಮಾಡಬಹುದು. ಆದರೆ, ಹೆಚ್ಚಿನ ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳು ಇದನ್ನು _ನೈತಿಕ AI_ ಮಿಷನ್ ಹೇಳಿಕೆ ಅಥವಾ ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ, ಎಲ್ಲ ತಂಡಗಳಿಗೂ ಸಮಾನವಾಗಿ ಜಾರಿ ಮಾಡುತ್ತವೆ.
**ಉದಾಹರಣೆ:** Microsoft ನ [ಜವಾಬ್ದಾರಿ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ಮಿಷನ್ ಹೇಳಿಕೆ: _"ನಾವು ಜನರನ್ನು ಮೊದಲಿಗಾಗಿಸುವ ನೈತಿಕ ತತ್ತ್ವಗಳಿಂದ ಚಾಲಿತ AI ನ ಪ್ರಗತಿಗೆ ಬದ್ಧರಿದ್ದೇವೆ"_, ಕೆಳಗಿನ 6 ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ:
![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
ಈ ತತ್ತ್ವಗಳನ್ನು ತಲೆಮೇಲೆ ನೋಡೋಣ. _ಪಾರದರ್ಶಕತೆ_ ಮತ್ತು _ಲೆಕ್ಕವಾಳಿಕೆ_ ಸ್ಥಾಪಕ ಮೌಲ್ಯಗಳಾಗಿವೆ ಮತ್ತು ಇತರೆ ತತ್ತ್ವಗಳು ಅವಶ್ಯವಾಗಿ ಅವುಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ - ಆದ್ದರಿಂದ ಇಲ್ಲಿಂದ ಪ್ರಾರಂಭಿಸೋಣ:
* [**ಲೆಕ್ಕವಾಳಿಕೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ಪ್ರಾಯೋಗಿಕರನ್ನು ತಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಕಾರ್ಯಚಟುವಟಿಕೆಗಳಿಗಾಗಿ _ಜವಾಬ್ದಾರಿಯುತ_ ಆಗಿರಿಸುವುದು ಮತ್ತು ಈ ನೈತಿಕ ತತ್ತ್ವಗಳಿಗೆ ಅನುಗುಣವಾಗಿರಿಸುವುದು.
* [**ಪಾರದರ್ಶಕತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ಡೇಟಾ ಮತ್ತು AI행ಗಳು ಬಳಕೆದಾರರಿಗೆ _ಅರ್ಥವಾಗುವಂತ_ (ವಿವರಣಾತ್ಮಕ) ಆಗಿರಬೇಕು, ನಿರ್ಧಾರಗಳ ಹಿಂದೆ ಏನು ಮತ್ತು ಯಾಕೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವುದು.
* [**ನ್ಯಾಯ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI ಎಲ್ಲರೂ ಸಮನಾಗಿ _ನ್ಯಾಯವಾಗಿಯೇ_ ನಡೆಸಿಕೊಳ್ಳುವುದಕ್ಕೆ ಒತ್ತು ನೀಡುತ್ತದೆ, ಡೇಟಾ ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳ ಯಾವುದೇ ಸಿಸ್ಟಮಿಕ್ ಅಥವಾ ಅಸ್ಪಷ್ಟ ಸಾಮಾಜಿಕ-ತಂತ್ರಜ್ಞಾನಾತ್ಮಕ ಪಕ್ಷಣಗಳಿಗೆ ಸ್ಪಂದಿಸುತ್ತದೆ.
* [**ನಂಬಿಕೆಗೆ ತಕ್ಕ ಹಾಗೂ ಭದ್ರತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯಗಳಿಗೆ _ಸ್ಥಿರವಾಗಿ_ ನಡತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಸಂಭವನೀಯ ಹಾನಿ ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
* [**ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ಡೇಟಾ ಮೂಲವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ _ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಸಂಬಂಧಿತ ರಕ್ಷಣೆಗಳನ್ನು_ ಒದಗಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ.
* [**ಸಮಾವೇಶತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ಪರಿಹಾರಗಳನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸುವುದು, ಅವುಗಳನ್ನು _ವ್ಯಾಪಕ ಮಾನವ ಅಗತ್ಯಗಳು ಹಾಗೂ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ_ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾಡುವುದು.
> 🚨 ನಿಮ್ಮ ಡೇಟಾ ನೈತಿಕತೆಯ ಮಿಷನ್ ಹೇಳಿಕೆ ಏನಾಗಿರಬಹುದು ಎಂದು ಯೋಚಿಸಿ. ಇತರೆ ಸಂಸ್ಥೆಗಳ ನೈತಿಕ AI ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ - ಇಲ್ಲಿ IBM, Google ಮತ್ತು Facebook ನ ಉದಾಹರಣೆಗಳಿವೆ. ಅವರು共有哪些共享价值观？这些原则与他们运作的AI产品或行业有什么关系？
### 2. ನೈತಿಕ ಸವಾಲುಗಳು
ಇಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ವಿಭಿನ್ನ ಉಪಗುಂಪುಗಳು ಮತ್ತು ಪರಿಸ್ಥಿತಿಗಳಿಗಾಗಿ ಮಾದರಿ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇವೇ?
* ನಾವು ವ್ಯವಸ್ಥೆಯನ್ನು ಸಾಧ್ಯವಿರುವ ಹಾನಿಗಳಿಗಾಗಿ (ಉದಾ: ಸ್ಟೀರಿಯೋಟೈಪಿಂಗ್) ಪರಿಶೀಲಿಸಿದ್ದೇವೇ?
* ಗುರುತಿಸಿದ ಹಾನಿಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಡೇಟಾವನ್ನು ಪರಿಷ್ಕರಿಸಬಹುದೇ ಅಥವಾ ಮಾದರಿಗಳನ್ನು ಮರುಶಿಕ್ಷಣ ಮಾಡಬಹುದೇ?
ನಾವು ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ನಿರ್ಧರಿಸಿದ ನಂತರ, ಮುಂದಿನ ಹಂತವೆಂದರೆ ನಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಕ್ರಿಯೆಗಳು ಆ ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಂಡಿದ್ದರೆ ಎಂದು ಪರಿಶೀಲಿಸುವುದು. ನಿಮ್ಮ ಕ್ರಿಯೆಗಳನ್ನು ಎರಡು ವಿಭಾಗಗಳಲ್ಲಿ ಪರಿಗಣಿಸಿ: _ಡೇಟಾ ಸಂಗ್ರಹಣೆ_ ಮತ್ತು _ಅಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸ_.
ಹೆಚ್ಚು ತಿಳಿಯಲು [AI ನ್ಯಾಯತಂತ್ರ ಪರಿಶೀಲನಾ ಪಟ್ಟಿಗಳು](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ಅನ್ನು ಅನ್ವೇಷಿಸಿ.
ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ, ಕ್ರಿಯೆಗಳು ಬಹುಶಃ **ವೈಯಕ್ತಿಕ ಡೇಟಾ** ಅಥವಾ ಪರ್ಸನಳಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಮಾಹಿತಿ (PII) ಸಂಬಂಧಗೊಳ್ಳುತ್ತದೆ. ಇದರಲ್ಲಿ [ವೈವಿಧ್ಯಮಯ ಅ-ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಂಶಗಳು](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ಸೇರಿವೆ, ಅವು _ಒಟ್ಟಾರೆ_ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸುವಂತಿವೆ. ನೈತಿಕ ಸವಾಲುಗಳು _ಡೇಟಾ ಗೌಪ್ಯತೆ_, _ಡೇಟಾ ಹೊಂದಿಕೆಯಲ್ಲಿ_, ಮತ್ತು ಸಂಬಂಧಿತ ವಿಷಯಗಳಾದ _ಸೂಚನಾ ಒಪ್ಪಿಗೆ_ ಮತ್ತು _ಬೌದ್ಧಿಕ ಸಂಪತ್ತಿನ ಹಕ್ಕುಗಳು_ ಇತ್ಯಾದಿ ಎದುರಾಗಬಹುದು.
#### 2.9 ತಪ್ಪು ಪ್ರತಿನಿಧಾನ
ಅಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸದಲ್ಲಿ, ಕ್ರಿಯೆಗಳು ಸಂಗ್ರಹ, ಸಂಗ್ರಹಣೆ ಮಾಡಲಾದ **ಡೇಟಾಸೆಟ್‌ಗಳು** ಯನ್ನು ಸಂಗ್ರಹಿಸಿ, ನಂತರ ಅವುಗಳನ್ನು ಉಪಯೋಗಿಸಿ ನಿರ್ಧಾರಗಳನ್ನು ಊಹಿಸಿ ಅಥವಾ ನೈಜ ಜಗತಿನಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ಸಂಚಲನವನ್ನು ಸಾಧಿಸುವ **ಡೇಟಾ ಮಾದರಿಗಳನ್ನು** ತರಬೇತಿ ಮತ್ತು ಜಾರಿ ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ನೈತಿಕ ಸವಾಲುಗಳು _ಡೇಟಾಸೆಟ್ ಪಕ್ಷಪಾತ_, _ಡೇಟಾ ಗುಣಮಟ್ಟ ಸಮಸ್ಯೆಗಳು_, _ಅನ್ಯಾಯ_, ಮತ್ತು ಅಲ್ಗೋರಿದಮ್‌ಗಳಲ್ಲಿ _ತಪ್ಪು ಪ್ರತಿನಿಧಾನ_ ಹೀಗೆ ಕೆಲವು ವ್ಯವಸ್ಥಾಪಕ ಸ್ವಭಾವದ ಸಮಸ್ಯೆಗಳಿಗೂ ಕಾರಣವಾಗಬಹುದು.
[ಡೇಟಾ ತಪ್ಪು ಪ್ರತಿನಿಧಾನ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ಎಂದರೆ ನಾವು ಪ್ರಾಮಾಣಿಕವಾಗಿ ವರದಿಯಾದ ಡೇಟಾದಿಂದ ತಿಳಿವಳಿಕೆಗಳನ್ನು ಮೋಸಮಯ ರೀತಿಯಲ್ಲಿ ಸಂವಹನ ಮಾಡುತ್ತಿದೇವೇ ಎಂದು ಕೇಳುವುದು, ಇದರಿಂದ ಇಚ್ಛಿತ ಕಥನವನ್ನು ಬೆಂಬಲಿಸಲಾಗುತ್ತದೆ.
ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನೈತಿಕ ಸವಾಲುಗಳು ನಮ್ಮ ಕ್ರಿಯೆಗಳು ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳಿಗೆ ವಿರೋಧವಾಗಬಹುದು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಗುರುತಿಸಲು, ತಗ್ಗಿಸಲು, ಕಡಿಮೆಗೊಳಿಸಲು ಅಥವಾ ನಿವಾರಣೆಗೆ, ನಾವು ನಮಗೆ ಸಂಬಂಧಿಸಿದ ಕ್ರಿಯೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ ನೈತಿಕ "ಹೌದು/ಇಲ್ಲ" ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬೇಕು ಮತ್ತು ಅಗತ್ಯ ವಿದ್ದರೆ ಸರಿಪಡಿಸುವ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಕೆಲವು ನೈತಿಕ ಸವಾಲುಗಳು ಮತ್ತು ಅವು ಮೂಡಿಸುವ ನೈತಿಕ ಪ್ರಶ್ನೆಗಳು ಇಲ್ಲಿ ಟಿಕೆಟ್ ಆಗಿವೆ:
ಇಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ಅಪೂರ್ಣ ಅಥವಾ ಅಸತ್ಯ ಡೇಟಾವನ್ನು ವರದಿ ಮಾಡುತ್ತಿದ್ದೇವೇ?
* ನಾವು ಡೇಟಾವನ್ನು ತಪ್ಪು ನಿರ್ಣಯಗಳಿಗೆ ದಾರಿ ಮಾಡಿಕೊಡುವ ರೀತಿಯಲ್ಲಿ ದೃಶ್ಯೀಕರಿಸುತ್ತಿದ್ದೇವೇ?
* ನಾವು ಫಲಿತಾಂಶಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಆಯ್ಕೆಮಾಡಿದ ಸಾಂಖ್ಯಿಕ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದೇವೇ?
* ವಿಭಿನ್ನ ನಿರ್ಣಯವನ್ನು ನೀಡಬಹುದಾದ ಪರ್ಯಾಯ ವಿವರಣೆಗಳಿವೆಯೇ?
#### 2.1 ಡೇಟಾ ಹೊಂದಿಕೆಯಲ್ಲಿ ಹಕ್ಕುಗಳು
ಡೇಟಾ ಸಂಗ್ರಹಣೆ ತಲೆಕೆಳಗೆ ವೈಯುಕ್ತಿಕ ಡೇಟಾ ಸೃಷ್ಟಿಯಾಗಬಹುದು ಮತ್ತು ಡೇಟಾದ ವಿಷಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. [ಡೇಟಾ ಹೊಂದಿಕೆಯ](https://permission.io/blog/data-ownership) ಅರ್ಥವು ಡೇಟಾ ಸೃಷ್ಟಿ, ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಪ್ರಸಾರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ _ನಿಯಂತ್ರಣ_ ಮತ್ತು [_ಬಳಕೆದಾರ ಹಕ್ಕುಗಳು_](https://permission.io/blog/data-ownership).
ಮತ್ತು ನಾವು ಕೇಳಬೇಕಾದ ನೈತಿಕ ಪ್ರಶ್ನೆಗಳು:
* ಡೇಟಾ ಯಾರ ಹಕ್ಕಿಗೆ ಸೇರಿದೆ? (ಬಳಕೆದಾರ ಅಥವಾ ಸಂಸ್ಥೆ)
* ಡೇಟಾ ವಿಷಯಗಳಿಗೆ ಯಾವ ಹಕ್ಕುಗಳಿವೆ? (ಉದಾ: ಪ್ರವೇಶ, ಅಳಿಕೆ, ವರ್ಗಾವಣೆ)
* ಸಂಸ್ಥೆಗಳ ಹಕ್ಕುಗಳು ಯಾವುವು? (ಉದಾ: ಕೆಟ್ಟ ಉದ್ದೇಶದ ಬಳಕೆದಾರ ವಿಮರ್ಶೆಗಳನ್ನು ಸರಿಪಡಿಸುವುದು)
#### 2.2 ಸೂಚನಾರ್ಹ ಒಪ್ಪಿಗೆ
[ಸೂಚನಾರ್ಹ ಒಪ್ಪಿಗೆ](https://legaldictionary.net/informed-consent/) ಎಂದರೆ ಬಳಕೆದಾರರು (ಜೀವಂತ ವ್ಯಕ್ತಿಗಳು) ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಹಾಗು ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಪ್ರাসಂಗಿಕ ಕಾರ್ಯಕ್ರಮಗಳು, ಸಾಧ್ಯ ತೊಂದರೆಗಳು ಮತ್ತು ಪರ್ಯಾಯಗಳನ್ನು _ಪೂರ್ಣ ಅರ್ಥಮಾಡಿಕೊಂಡು_ ಒಪ್ಪಿಗೆಯನ್ನು ನೀಡುವ ಕ್ರಿಯೆ.
ಇಲ್ಲಿ ವಿಚಾರಿಸಲು:
* ಬಳಕೆದಾರಳು ಡೇಟಾ ಬಂಧನ ಮತ್ತು ಬಳಕೆಗೆ ಅನುಮತಿ ನೀಡಿದೀರಾ?
* ಆ ಡೇಟಾ ಬಂಧನದ ಉದ್ದೇಶವನ್ನು ಬಳಕೆದಾರರು ಅರ್ಥಮಾಡಿಕೊಂಡಾರಾ?
* ಭಾಗವಹಿಸುವಿಕೆಯಿಂದ ಆಗಬಹುದಾದ ಅಪಾಯಗಳನ್ನು ವಿವರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಾರಾ?
#### 2.3 ಬೌದ್ಧಿಕ ಸಂಪತ್ತು
[ಬೌದ್ಧಿಕ ಸಂಪತ್ತು](https://en.wikipedia.org/wiki/Intellectual_property) ಎಂದರೆ ಮಾನವ ಆವಿಷ್ಕಾರದ ಪರಿಣಾಮವಾಗಿ ಸಂಭವಿಸಿರುವ, ಅಸ್ಪಷ್ಟ, ಆರ್ಥಿಕ ಮೌಲ್ಯವುಳ್ಳ ರಚನೆಗಳು.
ಇಲ್ಲಿ ಪ್ರಶ್ನೆಗಳು:
* ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾಕ್ಕೆ ಬಳಕೆದಾರ ಅಥವಾ ವಾಣಿಜ್ಯಕ್ಕೆ ಆರ್ಥಿಕ ಮೌಲ್ಯವಿದೆಯೇ?
* **ಬಳಕೆದಾರನ** ಬೌದ್ಧಿಕ ಸಂಪತ್ತು ಇದರಲ್ಲಿ ಇದೆಯೇ?
* **ಸಂಸ್ಥೆಯ** ಬೌದ್ಧಿಕ ಸಂಪತ್ತು ಇದರಲ್ಲಿ ಇದೆಯೇ?
* ಹಕ್ಕುಗಳಿವೆಂದರೆ ನಾವು ಅವನ್ನು ಹೇಗೆ ರಕ್ಷಿಸುತ್ತಿದ್ದೇವೆ?
#### 2.4 ಡೇಟಾ ಗೌಪ್ಯತೆ
[ಡೇಟಾ ಗೌಪ್ಯತೆ](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ಅಥವಾ ಮಾಹಿತಿ ಗೌಪ್ಯತೆ ಎಂದರೆ ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಲಾಗಬಹುದಾದ ವಿಷಯದ ಪರಿಗಣನೆ ಮತ್ತು ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆ ಮತ್ತು ಗುರುತಿನ ರಕ್ಷಣೆ.
ಚರ್ಚಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ಬಳಸುವವರ (ವೈಯಕ್ತಿಕ) ಡೇಟಾ ಹ್ಯಾಕ್ ಮತ್ತು ಜೋಪಾನಗಳ ವಿರುದ್ಧ ಸುರಕ್ಷಿತವಾಗಿದೆ?
* ಬಳಕೆದಾರರ ಡೇಟಾ ಸಾಂಪ್ರದಾಯಿಕ ವೀಕ್ಷಣೆಯಲ್ಲಿ ಮಾತ್ರ ಲಭ್ಯವಿದ್ದೇ?
* ಹೊರಗೆ ಹಂಚಿದಾಗ ಬಳಕೆದಾರರ ಅನಾಮಿಕತೆ ಕಾಯ್ದುಕೊಳ್ಳಲಾಗಿದೆ?
* ಅನಾಮಿಕರಣಗೊಂಡ ಡೇಟಾ ಸೆಟ್‌ಗಳಿಂದ ಬಳಕೆದಾರರನ್ನು ಗುರುತಿಸಬಹುದೇ?
#### 2.5 ಮರೆತುಹೋಗುವ ಹಕ್ಕು
[ಮರೆತುಹೋಗುವ ಹಕ್ಕು](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ಅಥವಾ [ಅಳಿಸುವ ಹಕ್ಕು](https://www.gdpreu.org/right-to-be-forgotten/) ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾ ರಕ್ಷಣೆಯ ಹೆಚ್ಚುವರಿ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ವಿಶೇಷವಾಗಿ, ಇಂಟರ್‌ನೆಟ್ ಶೋಧನೆಗಳು ಮತ್ತು ಇತರ ಸ್ಥಳಗಳಲ್ಲಿ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಳಿಸುವಿಕೆ ಅಥವಾ ತೆಗೆದುಹಾಕಲು ವಿನಂತಿ ಮಾಡುವ ಹಕ್ಕು ನೀಡುತ್ತದೆ, _ನಿಶ್ಚಿತ ಸಂದರ್ಭಗಳಲ್ಲಿ_ - ಹೀಗೆ ಬಳಕೆದಾರರು ತಮ್ಮ ಹಳೆಯ ಕ್ರಮಗಳಿಂದ ಮುಕ್ತವಾಗಿ ಹೊಸ ಪ್ರಾರಂಭ ಮಾಡಬಹುದು.
ವಿಚಾರಿಸುವ ಪ್ರಶ್ನೆಗಳು:
* ವ್ಯವಸ್ಥೆ ಡೇಟಾ ವಿಷಯಗಳಿಗೆ ಅಳಿಸುವಿಕೆ ವಿನಂತಿ ಮಾಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ?
* ಬಳಕೆದಾರರ ಒಪ್ಪಿಗೆಯನ್ನು ಹಿಂಪಡೆಯುವಾಗ ಸ್ವಯಂಚಾಲಿತ ಅಳಿಸುವಿಕೆ ಪ್ರಾರಂಭವಾಗಬೇಕೇ?
* ಒಪ್ಪಿಗೆಯಿಲ್ಲದೆ ಅಥವಾ ಅಕ್ರಮ ಆದಾಯದಿಂದ ಡೇಟಾ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ?
* ನಾವು ಸರ್ಕಾರದ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾನುಗುಣತೆಯಿಂದ ಅನುಗುಣರಿದ್ದೇವೇ?
#### 2.6 ಡೇಟಾಸೆಟ್ ಪಕ್ಷಪಾತ
ಡೇಟಾಸೆಟ್ ಅಥವಾ [ಸಂಗ್ರಹ ಪಕ್ಷಪಾತ](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) ಅಲ್ಗೋರಿದಮ್ ಅಭಿವೃದ್ಧಿಗಾಗಿ _ಪ್ರಾತಿನಿಧ್ಯವಿಲ್ಲದ_ ಡೇಟಾ ಉಪಸಮೂಹವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು, ಇದು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆಯ ಗುಂಪುಗಳಿಗೆ ಅನ್ಯಾಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. ಪಕ್ಷಪಾತದ ವಿಧಗಳು ಆಯ್ಕೆ ಅಥವಾ ಮಾದರಿ ಪಕ್ಷಪಾತ, ಸ್ವಯಂಸೇವಕ ಪಕ್ಷಪಾತ ಮತ್ತು ಸಾಧನ ಪಕ್ಷಪಾತ.
ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ಪ್ರಾತಿನಿಧ್ಯವಿರಲು ಡೇಟಾ ವಿಷಯಗಳನ್ನು ನೇಮಕಮಾಡಿದ್ದಿವೆಯೇ?
* ನಮ್ಮ ಸಂಗ್ರಹಿಸಿದ ಅಥವಾ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾಸೆಟ್ ವಿಭಿನ್ನ ಪಕ್ಷಪಾತಗಳಿಗೆ ಪರೀಕ್ಷಿಸಲಾಗಿದೆವೇ?
* ಕಂಡುಹಿಡಿದ ಪಕ್ಷಪಾತಗಳನ್ನು ನಾವು ತಗ್ಗಿಸಬಲ್ಲವೆಯೇ ಅಥವಾ ದೂರ ಮಾಡಬಲ್ಲವೆಯೇ?
#### 2.7 ಡೇಟಾ ಗುಣಮಟ್ಟ
[ಡೇಟಾ ಗುಣಮಟ್ಟ](https://lakefs.io/data-quality-testing/) ನಮ್ಮ ಅಲ್ಗೋರಿದಮ್‌ಗಳ ಅಭಿವೃದ್ಧಿಗಾಗಿ ಉಪಯೋಗಿಸುವ ಡೇಟಾಸೆಟ್‌ನ ಮಾನ್ಯತೆ, ಸರಳತೆ ಮತ್ತು ಪ್ರಾಮಾಣಿಕತೆ ಪರೀಕ್ಷಿಸುವುದಾಗಿದೆ.
ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ನಮ್ಮ ಬಳಕೆಗೆ ಮಾನ್ಯವಾದ _ಲಕ್ಷಣಗಳನ್ನು_ ಹಿಡಿದಿದ್ದಿವೆಯೇ?
* ಬಿವಿಧ ಡೇಟಾ ಮೂಲಗಳಲ್ಲಿ ಡೇಟಾ _ಸ್ಥಿರವಾಗಿ_ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ?
* ಡೇಟಾಸೆಟ್ ಬಿವಿಧ ಪರಿಸ್ಥಿತಿಗಳಿಂದ ಸಂಪೂರ್ಣವೇಕೆ?
* ವಾಸ್ತವದ ಸ್ವರೂಪವನ್ನು ನಿಖರವಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆವೇ?
#### 2.8 ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣೆ
[ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣೆ](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ಆಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸವು ನಿರ್ದಿಷ್ಟ ಉಪಸಮೂಹಗಳ ವಿರುದ್ಧ ಕ್ರಮಬದ್ಧವಾಗಿ ಭೇದಭಾವವನ್ನು ಮಾಡುತ್ತಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಅದು _ವಿಭಾಗಾವಣೆ_ (ಅಲ್ಲಿ ಆ ಗುಂಪಿನಿಂದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರಾಕರಿಸಲಾಗುವುದು ಅಥವಾ ಇರಿಸಿಡಲಾಗುವುದು) ಮತ್ತು _ಸೇವಾ ಗುಣಮಟ್ಟ_ (ಅಲ್ಲಿ ಏಐ ಕೆಲವು ಉಪಸಮೂಹಗಳಿಗೆ ಇತರರಂತೆ ನಿಖರವಾಗಿರುವುದಿಲ್ಲ) ನಲ್ಲಿ ಸಂಭವನೀಯ ಹಾನಿಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.
ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ವೈವಿಧ್ಯಮಯ ಉಪಸಮೂಹ ಮತ್ತು ಸ್ಥಿತಿಗಳಿಗಾಗಿ ಮಾದರಿ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿಸಿದ್ದೇವೆನಾ?
* ನಾವು ಸಿಸ್ಟಂ ಅನ್ನು ಸಂಭವನೀಯ ಹಾನಿಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇವಾ (ಉದಾ. სტಿರಿಯೋಟ್ೈಪಿಂಗ್)?
* ಪತ್ತೆಯಾದ ಹಾನಿಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲೆಂದು ಡೇಟಾಗೆ ಪರಿಷ್ಕರಣೆ ಮಾಡಿ ಅಥವಾ ಮಾದರಿಗಳನ್ನು ಮರುಪ್ರಶಿಕ್ಷಿತ ಮಾಡುವ ಸಾಧ್ಯತೆಗಳಿವೆಯೇ?
ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಲು [AI ನ್ಯಾಯತೀಕ್ಷಣೆಯ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ಮೊದಲಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
#### 2.9 ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ
[ಡೇಟಾ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ಎಂದರೆ ನಾವು ಸತ್ಯವಾಗಿ ವರದಿಯಾದ ಡೇಟೆಯಿಂದ洞察ಗಳನ್ನು ಮೋಸಪೂರಿತ ರೀತಿಯಲ್ಲಿ ಸಂವಹನ ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ಕೇಳುವುದು, ಒಂದು ಬಯಸಿದ ಕಥನವನ್ನು ಬೆಂಬಲಿಸಲು.
ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ನಾವು ಅಪೂರ್ಣ ಅಥವಾ ತಪ್ಪು ಡೇಟಾಗೆ ವರದಿ ಮಾಡುತ್ತಿದೇವಾ?
* ನಾವು ಡೇಟಾವನ್ನು ತಪ್ಪು ನಿರ್ಣಯಗಳಿಗೆ ದಾರಿತీసುವ ರೀತಿಯಲ್ಲಿ ದೃಶ್ಯೀಕರಿಸುತ್ತಿದೇವಾ?
* ನಾವು ಫಲಿತಾಂಶಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಆಯ್ಕೆಮಾಡಿದ ಸಾಂಕೇತಿಕ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದೇವಾ?
* ವಿಭಿನ್ನ ನಿರ್ಣಯ ನೀಡಬಹುದಾದ ಪರ್ಯಾಯ ವಿವರಣೆಗಳಿವೆಯೇ?
#### 2.10 ಸ್ವತಂತ್ರ ಆಯ್ಕೆ
[ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಭ್ರಮೆ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ಆಗುತ್ತದೆ, যখন ವ್ಯವಸ್ಥೆಯ "ಆಯ್ಕೆ ವಾಸ್ತುಶಿಲ್ಪಗಳು" ನಿರ್ಧಾರಮಾಡುವ ಅಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜನರನ್ನು ಇಚ್ಛಿತ ಫಲಿತಾಂಶವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಪ್ರೇರೇಪಿಸುತ್ತವೆ, ಆದರೆ ಅವರಿಗೆ ಆಯ್ಕೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಣವಿದೆ ಎಂದು ತೋರುತ್ತದೆ. ಈ [ಕತ್ತಲೆಯ ಮಾದರಿಗಳು](https://www.darkpatterns.org/) ಬಳಕೆದಾರರಿಗೆ ಸಾಮಾಜಿಕ ಮತ್ತು ಆರ್ಥಿಕ ಹಾನಿ ಉಂಟುಮಾಡಬಹುದು. ಬಳಕೆದಾರರ ನಿರ್ಧಾರಗಳು ವರ್ತನೆ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಪ್ರಭಾವಿಸುವುದರಿಂದ, ಈ ಕ್ರಿಯೆಗಳು ಭವಿಷ್ಯದ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸಬಹುದು ಮತ್ತು ಹಾನಿಯ ಪರಿಣಾಮವನ್ನು ವಿಸ್ತರಿಸಬಹುದು.
[ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಮೋಹನ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ಸಂಭವಿಸುತ್ತದೆಂದು ತಿಳಿದುಕೊಳ್ಳಿ, ಅಂದರೆ ಸಿಸ್ಟಂ "ಆಯ್ಕೆ ನಿರ್ಮಾಣಗಳು" ನಿರ್ಧಾರ ಮುಖಾಂತರ ಆಲ್ಗೋರಿದಮ್ಗಳನ್ನು ಬಳಸಿ ಜನರನ್ನು ಇಚ್ಛಿತ ಫಲಿತಾಂಶದ ಕಡೆ "ಹಿಗ್ಗಿಸುವುದಾಗಿ" ನೋಡಿಸಿ ಅವರಿಗೆ ಆಯ್ಕೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಣ ಇರಿಸುವಂತೆ ಕಾಣಿಸುತ್ತದೆ. ಈ [ಕತ್ತಲೆ ಮಾದರಿಗಳು](https://www.darkpatterns.org/) ಬಳಕೆದಾರರಿಗೆ ಸಾಮಾಜಿಕ ಮತ್ತು ಆರ್ಥಿಕ ಹಾನಿ ಉಂಟುಮಾಡಬಹುದು. ಬಳಕೆದಾರರ ನಿರ್ಧಾರಗಳು ವರ್ತನೆ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಪ್ರಭಾವಿಸುವುದರಿಂದ, ಇವು ಭವಿಷ್ಯದ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತವೆ ಮತ್ತು ಹಾನಿ ವ್ಯಾಪ್ತಿಯನ್ನು ವೃದ್ಧಿಸುವ ಸಾಧ್ಯತೆಗಳಿವೆ.
ಇಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ಆ ಆಯ್ಕೆ ಮಾಡುವ ಪರಿಣಾಮಗಳನ್ನು ಬಳಕೆದಾರನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದಾನೆಯೇ?
* ಬಳಕೆದಾರನು (ಪರ್ಯಾಯ) ಆಯ್ಕೆಗಳನ್ನು ಮತ್ತು ಪ್ರತಿಯೊಂದರ ಲಾಭ-ನಷ್ಟಗಳನ್ನು ತಿಳಿದಿದ್ದಾನೆಯೇ?
* ಬಳಕೆದಾರನು ನಂತರ ಸ್ವಯಂಚಾಲಿತ ಅಥವಾ ಪ್ರಭಾವಿತ ಆಯ್ಕೆಯನ್ನು ಹಿಂಪಡೆಯಬಹುದೇ?
ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
* ಬಳಕೆದಾರನು ಆ ಆಯ್ಕೆಯನ್ನು ಮಾಡಿದ್ದಾಗ ಅದರ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದಾನಾ?
* ಬಳಕೆದಾರನು (ಪರ್ಯಾಯ) ಆಯ್ಕೆಗಳನ್ನು ಮತ್ತು ಪ್ರತಿ ಆಯ್ಕೆಯ ಪ್ರೋತ್ಸಾಹಗಳು ಮತ್ತು ನೂಕಚ್ಚುಗಳನ್ನು ತಿಳಿದಿದ್ದಾನಾ?
* ಬಳಕೆದಾರನು ಸ್ವಯಂಚಾಲಿತ ಅಥವಾ ಪ್ರಭಾವಿತ ಆಯ್ಕೆಗಳನ್ನು ನಂತರ ಹಿಂದಕ್ಕೆ ತಿರುಗಿಸಬಹುದೇ?
### 3. ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು
ಈ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ನೈಜ ಜಗತ್ತಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ನೋಡಲು, ಇಂತಹ ನೈತಿಕ ಉಲ್ಲಂಘನೆಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದಾಗ ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಸಮಾಜಕ್ಕೆ ಸಂಭವಿಸಬಹುದಾದ ಹಾನಿ ಮತ್ತು ಪರಿಣಾಮಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ನೋಡುವುದು ಸಹಾಯಕ.
ಈ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ನೈಜ ಬಾಳಿನಲ್ಲಿ ಹೇಗೆ ಕಾಣಬಹುದು ಎಂದು ತಿಳಿಯಲು, ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಸಮಾಜಕ್ಕೆ ಸಂಭವನೀಯ ಹಾನಿಗಳ ಮತ್ತು ಪರಿಣಾಮಗಳ ಮೇಲೆ ಬೆಳಕು ಬೀರುವ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ನೋಡುವುದು ಸಹಾಯಕ.
ಕೆಲವು ಉದಾಹರಣೆಗಳು:
ಕೆಲವು ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:
| ನೈತಿಕ ಸವಾಲು | ಪ್ರಕರಣ ಅಧ್ಯಯನ |
|--- |--- |
| **ಜಾಗೃತ ಅನುಮತಿ** | 1972 - [ಟಸ್ಕೀಗಿ ಸಿಫಿಲಿಸ್ ಅಧ್ಯಯನ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಿದ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ ಪುರುಷರಿಗೆ ಉಚಿತ ವೈದ್ಯಕೀಯ ಸೇವೆ ನೀಡಲಾಗುವುದು ಎಂದು ಭರವಸೆ ನೀಡಲಾಯಿತು _ಆದರೆ ಸಂಶೋಧಕರು ಅವರ ರೋಗನಿರ್ಣಯ ಅಥವಾ ಚಿಕಿತ್ಸೆ ಲಭ್ಯತೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿ ನೀಡದೆ ಮೋಸ ಮಾಡಿದರು_. ಅನೇಕ ವಿಷಯಗಳು ಸತ್ತವು ಮತ್ತು ಅವರ ಸಂಗಾತಿಗಳು ಅಥವಾ ಮಕ್ಕಳು ಪ್ರಭಾವಿತರಾದರು; ಅಧ್ಯಯನ 40 ವರ್ಷಗಳ ಕಾಲ ನಡೆಯಿತು. |
| **ಡೇಟಾ ಗೌಪ್ಯತೆ** | 2007 - [ನೆಟ್ಫ್ಲಿಕ್ಸ್ ಡೇಟಾ ಬಹುಮಾನ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ಸಂಶೋಧಕರಿಗೆ _50,000 ಗ್ರಾಹಕರಿಂದ 10 ಮಿಲಿಯನ್ ಅನಾಮಧೇಯ ಚಲನಚಿತ್ರ ರ್ಯಾಂಕಿಂಗ್‌ಗಳು_ ನೀಡಲಾಯಿತು, ಶಿಫಾರಸು ಅಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಸುಧಾರಿಸಲು. ಆದರೆ ಸಂಶೋಧಕರು ಅನಾಮಧೇಯ ಡೇಟಾವನ್ನು ವೈಯಕ್ತಿಕ ಗುರುತಿನ ಡೇಟಾದೊಂದಿಗೆ _ಬಾಹ್ಯ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ_ (ಉದಾ: IMDb ಕಾಮೆಂಟ್ಸ್) ಹೊಂದಿಸಿ ಕೆಲವು ನೆಟ್ಫ್ಲಿಕ್ಸ್ ಗ್ರಾಹಕರನ್ನು "ಅನಾಮಧೇಯತೆ ಮುರಿದ"ರು.|
| **ಸಂಗ್ರಹಣ ಪಕ್ಷಪಾತ** | 2013 - ಬೋಸ್ಟನ್ ನಗರ [ಸ್ಟ್ರೀಟ್ ಬಂಪ್](https://www.boston.gov/transportation/street-bump) ಎಂಬ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು, ಇದು ನಾಗರಿಕರಿಗೆ ರಸ್ತೆ ಬಿರುಕುಗಳನ್ನು ವರದಿ ಮಾಡಲು ಅವಕಾಶ ನೀಡಿತು, ನಗರಕ್ಕೆ ಉತ್ತಮ ರಸ್ತೆ ಡೇಟಾ ಸಿಗಲು ಸಹಾಯ ಮಾಡಿತು. ಆದರೆ [ಕಡಿಮೆ ಆದಾಯ ಗುಂಪಿನ ಜನರಿಗೆ ಕಾರುಗಳು ಮತ್ತು ಫೋನ್‌ಗಳಿಗೆ ಕಡಿಮೆ ಪ್ರವೇಶವಿತ್ತು](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ಇದರಿಂದ ಅವರ ರಸ್ತೆ ಸಮಸ್ಯೆಗಳು ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಕಾಣಿಸದಿದ್ದವು. ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ನ್ಯಾಯತಂತ್ರಕ್ಕಾಗಿ ಸಮಾನ ಪ್ರವೇಶ ಮತ್ತು ಡಿಜಿಟಲ್ ವಿಭಜನೆಗಳ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅಕಾಡೆಮಿಕ್ಸ್ ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡಿದರು. |
| **ಅಲ್ಗೋರಿದ್ಮಿಕ ನ್ಯಾಯತಂತ್ರ** | 2018 - MIT [ಜೆಂಡರ್ ಶೇಡ್ಸ್ ಅಧ್ಯಯನ](http://gendershades.org/overview.html) ಲಿಂಗ ವರ್ಗೀಕರಣ AI ಉತ್ಪನ್ನಗಳ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿತು, ಮಹಿಳೆಯರು ಮತ್ತು ಬಣ್ಣದ ವ್ಯಕ್ತಿಗಳಿಗಾಗಿ ನಿಖರತೆಯಲ್ಲಿ ಗ್ಯಾಪ್‌ಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿತು. [2019 ಆಪಲ್ ಕಾರ್ಡ್](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ಮಹಿಳೆಯರಿಗೆ ಪುರುಷರಿಗಿಂತ ಕಡಿಮೆ ಕ್ರೆಡಿಟ್ ನೀಡಿದಂತೆ ತೋರುತ್ತಿತ್ತು. ಎರಡೂ ಅಲ್ಗೋರಿದ್ಮಿಕ ಪಕ್ಷಪಾತದ ಸಮಸ್ಯೆಗಳನ್ನು ಮತ್ತು ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ಹಾನಿಗಳನ್ನು ತೋರಿಸಿತು.|
| **ಡೇಟಾ ತಪ್ಪು ಪ್ರತಿನಿಧಾನ** | 2020 - [ಜಾರ್ಜಿಯಾ ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಇಲಾಖೆ COVID-19 ಚಾರ್ಟ್‌ಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ಇದು ದೃಶ್ಯೀಕರಣದ ತಂತ್ರಗಳಿಂದ ತಪ್ಪು ನಿರ್ಣಯಗಳಿಗೆ ದಾರಿ ಮಾಡಿಕೊಟ್ಟಂತೆ ತೋರುತ್ತಿತ್ತು, ಖಚಿತ ಪ್ರಕರಣಗಳ ಪ್ರವೃತ್ತಿಗಳನ್ನು ತಪ್ಪಾಗಿ ತೋರಿಸುವಂತೆ x-ಅಕ್ಷದಲ್ಲಿ ಕಾಲಕ್ರಮವಿಲ್ಲದ ಕ್ರಮದಲ್ಲಿ. |
| **ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಭ್ರಮೆ** | 2020 - ಲರ್ನಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್ [ABCmouse $10 ಮಿಲಿಯನ್ FTC ದೂರು ಪರಿಹರಿಸಲು ಪಾವತಿಸಿತು](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), ಇಲ್ಲಿ ಪೋಷಕರು ರದ್ದುಮಾಡಲಾಗದ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್‌ಗಳಿಗೆ ಹಣ ಪಾವತಿಸಲು ಬಿದ್ದಿದ್ದರು. ಇದು ಆಯ್ಕೆ ವಾಸ್ತುಶಿಲ್ಪಗಳಲ್ಲಿ ಕತ್ತಲೆಯ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಬಳಕೆದಾರರನ್ನು ಹಾನಿಕರ ಆಯ್ಕೆಗಳಿಗೆ ಪ್ರೇರೇಪಿಸುವುದು. |
| **ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಬಳಕೆದಾರ ಹಕ್ಕುಗಳು** | 2021 - ಫೇಸ್ಬುಕ್ [ಡೇಟಾ ಲೋಪ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 ಮಿಲಿಯನ್ ಬಳಕೆದಾರರ ಡೇಟಾವನ್ನು ಬಹಿರಂಗಪಡಿಸಿತು, ಇದರಿಂದ FTC ಗೆ $5 ಬಿಲಿಯನ್ ಪರಿಹಾರ ನೀಡಲಾಯಿತು. ಆದರೆ ಬಳಕೆದಾರರಿಗೆ ಈ ಲೋಪದ ಬಗ್ಗೆ ತಿಳಿಸುವುದನ್ನು ನಿರಾಕರಿಸಿತು, ಇದು ಡೇಟಾ ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಪ್ರವೇಶದ ಹಕ್ಕುಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿತು. |
| **ಮಾಹಿತಿ ಕೊಡುವ ಅನುಮತಿ** | 1972 - [ಟಸ್ಕೆಗಿ ಸಿಫಿಲಿಸ್ ಅಧ್ಯಯನ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಿದ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ ಪುರುಷರಿಗೆ ಉಚಿತ ವೈದ್ಯಕೀಯ ಸೇವೆಯನ್ನು ಭರವಸೆ ನೀಡಲಾಯಿತು, ಆದರೆ ಅವರ ರೋಗನಿರ್ಣಯ ಅಥವಾ ಚಿಕಿತ್ಸೆ ಲಭ್ಯತೆಯ ಬಗ್ಗೆ ತಿಳಿಯದಿರಿಸಲು ಸಂಶೋಧಕರು ಮೋಸ ಮಾಡಿದರು. ಅನೇಕರು ಮೃತಪಟ್ಟರು ಮತ್ತು ಅವರ ಸಂಗಾತಿಗಳು ಅಥವಾ ಮಕ್ಕಳೂ ಪ್ರಭಾವಿತರಾದರು; ಅಧ್ಯಯನವು 40 ವರ್ಷಗಳ ಕಾಲ ಮುಂದುವರಿದಿತು.|
| **ಡೇಟಾ ಗೌಪ್ಯತೆ** | 2007 - [ನೆಟ್‌ಫ್ಲಿಕ್ಸ್ ಡೇಟಾ ಬಹುಮಾನ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ಸಂಶೋಧಕರಿಗೆ _50,000 ಗ್ರಾಹಕರಿಂದ 10 ಮಿಲಿಯನ್ ಅನಾಮಿಕ ಚಿತ್ರ ರ್ಯಾಂಕಿಂಗ್ಸ್_ ನೀಡಿದವು, ಶಿಫಾರಸು ಆಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಸುಧಾರಿಸುವುದಕ್ಕೆ. ಆದರೆ ಸಂಶೋಧಕರು ಅನಾಮಿಕ ಡೇಟಾವನ್ನು ವ್ಯಕ್ತಿತ್ವದೊಂದಿಗೆ ಹೊಂದಿಕೆ ಮಾಡಿ _ಬಾಹ್ಯ ಡೇಟಾಸೆಟ್‌ಗಳ_ (ಉದಾ. IMDb ಕಾಮೆಂಟ್‌ಗಳು) ಸಹಾಯದಿಂದ ಕೆಲವು ನೆಟ್‌ಫ್ಲಿಕ್ಸ್ ಸದಸ್ಯರನ್ನು "ಅನಾಮಿಕತೆಯನ್ನು ತೆಗೆಯುವ" ಕಾರ್ಯ ಮಾಡಬಲ್ಲರು.|
| **ಸಂಗ್ರಹ ಭೇದಭಾವ** | 2013 - ಬೊಸ್ಟ್‍ನ್ ನಗರ [ಸ್ಟ್ರೀಟ್ ಬಂಪ್ ಅ್ಯಪ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು](https://www.boston.gov/transportation/street-bump), ಅದು ನಾಗರಿಕರನ್ನು ರಸ್ತೆ上的 ಬಿರುಕುಗಳನ್ನು ವರದಿ ಮಾಡಲು ಅವಕಾಶ ನೀಡಿತು, ಈ ಮೂಲಕ ನಗರಕ್ಕೆ ಉತ್ತಮ ರಸ್ತೆ ಡೇಟಾ ಸಿಗಲಾಯಿತು. ಆದರೆ [ತಗ್ಗು ಆದಾಯ ವర్గದ ಜನರು ಕಾರು ಮತ್ತು ಫೋನ್ಗಳಿಗೆ ಕಡಿಮೆ ಪ್ರವೇಶ ಹೊಂದಿದ್ದರು](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ಅದರಲ್ಲಿ ಅವರನ್ನು ಮಾತ್ರ ರೋಡಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಅಪ್ರತ്യക്ഷವಾಗಿರಿಸಿಕೊಂಡಿತು. ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಅಕಾಡೆಮಿಕ್‌ಗಳೊಂದಿಗೆ ಸಮಾನ ಪ್ರವೇಶ ಮತ್ತು ಡಿಜಿಟಲ್ ಬೇಧಭಾವ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡಿದರು.|
| **ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣಾ** | 2018 - MIT [ಲಿಂಗ ಛಾಯಾಚಿತ್ರ ಅಧ್ಯಯನ](http://gendershades.org/overview.html) AI ಲಿಂಗ ವರ್ಗೀಕರಣ ಉತ್ಪನ್ನಗಳ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಹೆಣ್ಮಕ್ಕಳು ಮತ್ತು ಬಣ್ಣದವರುಮೇಲೆ ನಿಖರತೆಯಲ್ಲಿ ಖಾಲಿ ಇರುವುದನ್ನು ಬಹಿರಂಗಪಡಿಸಿದವು. [2019 ಆಪಲ್ ಕಾರ್ಡ್](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ಮಹಿಳೆಯರಿಗೆ ಗಂಡಸಿಗಿಂತ ಕಡಿಮೆ ಕ್ರೆಡಿಟ್ ಕೊಡುತ್ತದೆ ಎಂದು ಕಂಡುಬಂದಿತು. ಇವು ಇಬ್ಬವೂ ಆಲ್ಗೋರಿದಮ್ ಭೇದಭಾವದಿಂದ ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ಹಾನಿಗಳನ್ನು ತೋರಿಸುತ್ತವೆ.|
| **ಡೇಟಾ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ** | 2020 - [ಜಾರ್ಜಿಯಾದ ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಇಲಾಖೆ COVID-19 ಚಾರ್ಟ್‌ಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ಅದು ಖಚಿತ ಪ್ರಕರಣಗಳ ನಿರೀಕ್ಷಣೆಯ ಬಗ್ಗೆ ಸಾರ್ವಜನಿಕರನ್ನು ತಪ್ಪು ಮಾರ್ಗದರ್ಶನ ಮಾಡಿತು, x-ಅಕ್ಷದಲ್ಲಿ ಕಾಲಕ್ರಮವಿಲ್ಲದ ಕ್ರಮದ ಮೂಲಕ. ಇದು ದೃಶ್ಯೀಕರಣದ ಮೂಲಕ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.|
| **ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಮೋಹನ** | 2020 - [ABCmouse ಕಲಿಕಾ ಅ್ಯಪ್ 10 ಮಿಲಿಯನ್ ಡಾಲರ್ FTC ದೂರು ಮರುಪಾವತಿ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ನಿರ್ದಿಷ್ಟ ಪೋಷಕರು ತಮ್ಮ ಚಂದಾದಾರಿಕೆಯನ್ನು ರದ್ದುಪಡಿಸಲು ಸಾಧ್ಯವಾಗದೆ ಪಾವತಿ ಮಾಡಲು ಬಿರುಸಾದರು. ಇದು ಆಯ್ಕೆ ನಿರ್ಮಾಣಗಳಲ್ಲಿ ಕತ್ತಲೆ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಬಳಕೆದಾರರನ್ನು ಹಾನಿಕರ ಆಯ್ಕೆಗಳಿಗೆ ಹಿಗ್ಗಿಸಲಾಗುತ್ತದೆ.|
| **ಡೇಟಾ ಗೌಪ್ಯತೆ & ಬಳಕೆದಾರ ಹಕ್ಕುಗಳು** | 2021 - ಫೇಸ್ಬುಕ್ [ಡೇಟಾ ಲಂಘನೆ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 ಮಿಲಿಯನ್ ಬಳಕೆದಾರರ ಡೇಟಾಗೆ ಹಾನಿ ಮಾಡಿತು, ಮತ್ತು $5 ಬಿಲಿಯನ್ FTC ನೊಂದಣಿಗೆ ನೀಡಬೇಕಾಯಿತು. ಆದಾಗ್ಯೂ ಅವರು ಬಳಕೆದಾರರಿಗೆ ಈ ಲಂಘನೆ ಬಗ್ಗೆ ತಿಳಿಸುವುದನ್ನು ತಿರಸ್ಕರಿಸಿದರು, ಇದರಿಂದ ಡೇಟಾ ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಪ್ರವೇಶ ಹಕ್ಕುಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿದರು.|
ಹೆಚ್ಚು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಇಚ್ಛಿಸುವಿರಾ? ಈ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಿ:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ವಿಭಿನ್ನ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ ನೈತಿಕ ಸಂಕಟಗಳು.
* [ಡೇಟಾ ಸೈನ್ಸ್ ನೈತಿಕತೆ ಕೋರ್ಸ್](https://www.coursera.org/learn/data-science-ethics#syllabus) - ಪ್ರಮುಖ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಅನ್ವೇಷಿಸಲಾಗಿದೆ.
* [ಎಲ್ಲಿ ತಪ್ಪಾಗಿದೆ](https://deon.drivendata.org/examples/) - ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಡಿಯೋನ್ ಪರಿಶೀಲನಾ ಪಟ್ಟಿಗಳು
ಹೆಚ್ಚು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಈ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಿ:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿನ ನೈತಿಕ ದ್ವಂದ್ವಗಳು.
* [ಡೇಟಾ ವಿಜ್ಞಾನ ನೈತಿಕತೆ ಕೋರ್ಸ್](https://www.coursera.org/learn/data-science-ethics#syllabus) - ಪ್ರಮುಖ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು.
* [ಚೆನ್ನಾಗಿ ತಪ್ಪಿರುವ ಸ್ಥಳಗಳು](https://deon.drivendata.org/examples/) - ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಡಿಯಾನ್ ತಪಾಸಣಾ ಪಟ್ಟಿ
> 🚨 ನೀವು ನೋಡಿದ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಯೋಚಿಸಿ - ನೀವು ನಿಮ್ಮ ಜೀವನದಲ್ಲಿ ಇಂತಹ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಅನುಭವಿಸಿದ್ದೀರಾ ಅಥವಾ ಪ್ರಭಾವಿತರಾಗಿದ್ದೀರಾ? ನಾವು ಈ ವಿಭಾಗದಲ್ಲಿ ಚರ್ಚಿಸಿದ ನೈತಿಕ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದನ್ನು ತೋರಿಸುವ ಇನ್ನೊಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ನೀವು ಯೋಚಿಸಬಹುದೇ?
> 🚨 ನೀವು ಕಂಡಿದ್ದ ಘಟನೆಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ - ನಿಮ್ಮ ಜೀವನದಲ್ಲಿ ಇಂತಹ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸಿದ್ದೀರಾ? ನಾವು ಈ ವಿಭಾಗದಲ್ಲಿ ಚರ್ಚಿಸಿದ್ದ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಮತ್ತೊಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ನೀವು ಗೊತ್ತುಮಾಡಲು ಸಾಧ್ಯವೇ?
## ಅನ್ವಯಿತ ನೈತಿಕತೆ
## ಅನ್ವಯಿಸಿದ ನೈತಿಕತೆ
ನಾವು ನೈತಿಕತೆಯ ಸಂಪ್ರದಾಯಗಳು, ಸವಾಲುಗಳು ಮತ್ತು ನೈಜ ಜಗತ್ತಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ. ಆದರೆ ನಮ್ಮ ಯೋಜನೆಗಳಲ್ಲಿ ನೈತಿಕ ತತ್ವಗಳು ಮತ್ತು ಅಭ್ಯಾಸಗಳನ್ನು _ಅನ್ವಯಿಸುವುದು_ ಹೇಗೆ ಪ್ರಾರಂಭಿಸಬಹುದು? ಮತ್ತು ಉತ್ತಮ ಆಡಳಿತಕ್ಕಾಗಿ ಈ ಅಭ್ಯಾಸಗಳನ್ನು _ಕಾರ್ಯಗತಗೊಳಿಸುವುದು_ ಹೇಗೆ? ಕೆಲವು ನೈಜ ಜಗತ್ತಿನ ಪರಿಹಾರಗಳನ್ನು ಅನ್ವೇಷಿಸೋಣ:
ನಾವು ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳು, ಸವಾಲುಗಳು ಮತ್ತು ವಾಸ್ತವಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ. ಆದರೆ ನಾವು ನಮ್ಮ ಯೋಜನೆಗಳಲ್ಲಿ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು _ಅಳವಡಿಸುವುದು_ ಹೇಗೆ ಆರಂಭಿಸಬೇಕೆನು? ಹಾಗೂ ಉತ್ತಮ ಆಡಳಿತಕ್ಕಾಗಿ ಈ ಅಭ್ಯಾಸಗಳನ್ನು _ಕಾರ್ಯಗತಗೊಳಿಸುವುದು_ ಹೇಗೆ? ಕೆಲವು ವಾಸ್ತವಿಕ ಪರಿಹಾರಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳೋಣ:
### 1. ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು
ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಸಂಸ್ಥೆಗಳಿಗೆ ಸದಸ್ಯರನ್ನು ಅವರ ನೈತಿಕ ತತ್ವಗಳು ಮತ್ತು ಮಿಷನ್ ಹೇಳಿಕೆಯನ್ನು ಬೆಂಬಲಿಸಲು "ಪ್ರೇರೇಪಿಸುವ" ಒಂದು ಆಯ್ಕೆಯನ್ನು ನೀಡುತ್ತವೆ. ಸಂಹಿತೆಗಳು ವೃತ್ತಿಪರ ವರ್ತನೆಗಾಗಿ _ನೈತಿಕ ಮಾರ್ಗದರ್ಶಿಗಳು_, ಉದ್ಯೋಗಿಗಳು ಅಥವಾ ಸದಸ್ಯರು ಸಂಸ್ಥೆಯ ತತ್ವಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಅವು ಸದಸ್ಯರಿಂದ ಸ್ವಯಂಸೇವಕ ಅನುಸರಣೆ ಮಾತ್ರವಷ್ಟೇ ಉತ್ತಮವಾಗಿರುತ್ತವೆ; ಆದಾಗ್ಯೂ, ಅನೇಕ ಸಂಸ್ಥೆಗಳು ಸದಸ್ಯರಿಂದ ಅನುಸರಣೆಗಾಗಿ ಹೆಚ್ಚುವರಿ ಬಹುಮಾನಗಳು ಮತ್ತು ದಂಡಗಳನ್ನು ನೀಡುತ್ತವೆ.
ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಸದಸ್ಯರನ್ನು ಅವರ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು ಮತ್ತು ಗುರಿಕಿಐನೆಟನ್ನು ಬೆಂಬಲಿಸುವಂತೆ _ಪ್ರೋತ್ಸಾಹಿಸಲು_ ಒಪ್ಪಿಗೆಯೊಂದು. ಸಂಹಿತೆಗಳು ವೃತ್ತಿಪರ ವರ್ತನೆಯ _ನೈತಿಕ ಮಾರ್ಗದರ್ಶಿಗಳು_, ಯೋಜನೆ ಅಥವಾ ಸದಸ್ಯರಿಗೆ ತನ್ನ ಸಂಸ್ಥೆಯ ಸಿದ್ದಾಂತಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಅವು ಸದಸ್ಯರಿಂದ ಸ್ವಯಮ್ಪೂರ್ಣ ಅನುಸರಣೆ ಸೇರಿದಂತೆ ಇರುತ್ತವೆ; ಬಹುನೊಂದು ಸಂಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ಪ್ರೋತ್ಸಾಹಗಳು ಮತ್ತು ಶಿಕ್ಷೆಗಳ ಮೂಲಕ ಅನುಸರಣೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತವೆ.
ಉದಾಹರಣೆಗಳು:
* [ಆಕ್ಸ್ಫರ್ಡ್ ಮುನಿಚ್](http://www.code-of-ethics.org/code-of-conduct/) ನೈತಿಕ ಸಂಹಿತೆ
* [ಡೇಟಾ ಸೈನ್ಸ್ ಅಸೋಸಿಯೇಷನ್](http://datascienceassn.org/code-of-conduct.html) ವರ್ತನೆ ಸಂಹಿತೆ (2013 ರಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ)
* [ACM ನೈತಿಕತೆ ಮತ್ತು ವೃತ್ತಿಪರ ವರ್ತನೆ ಸಂಹಿತೆ](https://www.acm.org/code-of-ethics) (1993 ರಿಂದ)
* [ಡೇಟಾ ವಿಜ್ಞಾನ ಸಂಸ್ಥಾನ](http://datascienceassn.org/code-of-conduct.html) ವರ್ತನ ಚಟುವಟಿಕೆ ಸಂಹಿತೆ (2013 ರಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ)
* [ACM ನೈತಿಕತೆ ಮತ್ತು ವೃತ್ತಿಪರ ಸಂಹಿತೆ](https://www.acm.org/code-of-ethics) (1993 ರಿಂದ)
> 🚨 ನೀವು ವೃತ್ತಿಪರ ಎಂಜಿನಿಯರಿಂಗ್ ಅಥವಾ ಡೇಟಾ ಸೈನ್ಸ್ ಸಂಸ್ಥೆಗೆ ಸೇರಿದವರಾ? ಅವರ ತಾಣವನ್ನು ಪರಿಶೀಲಿಸಿ ಅವರು ವೃತ್ತಿಪರ ನೈತಿಕ ಸಂಹಿತೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆಯೇ ಎಂದು ನೋಡಿ. ಅವರ ನೈತಿಕ ತತ್ವಗಳ ಬಗ್ಗೆ ಇದು ಏನು ಹೇಳುತ್ತದೆ? ಸದಸ್ಯರನ್ನು ಸಂಹಿತೆಯನ್ನು ಅನುಸರಿಸಲು ಅವರು ಹೇಗೆ "ಪ್ರೇರೇಪಿಸುತ್ತಿದ್ದಾರೆ"?
> 🚨 ನೀವು ವೃತ್ತಿಪರ ಎಂಜಿನಿಯರಿಂಗ್ ಅಥವಾ ಡೇಟಾ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಗೆ ಸೇರಿದವರಾ? ಅವರ ವೆಬ್ಸೈಟ್ ನೋಡಿ ಅವರು ವೃತ್ತಿಪರ ನೈತಿಕ ಸಂಹಿತೆಯನ್ನು ವರ್ಣಿಸುತ್ತಿದೆಯೇ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಿ. ಅವರ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳ ಬಗ್ಗೆ ಏನು ಹೇಳುತ್ತದೆ? ಅವರು ಸದಸ್ಯರನ್ನು ಈ ಸಂಹಿತೆ ಪಾಲಿಸಲು ಹೇಗೆ _ಪ್ರೋತ್ಸಾಹಿಸುತ್ತಿದ್ದಾರೆ_?
### 2. ನೈತಿಕ ಪರಿಶೀಲನಾ ಪಟ್ಟಿಗಳು
### 2. ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿಗಳು
ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಅಭ್ಯಾಸಗಾರರಿಂದ ಅಗತ್ಯವಿರುವ _ನೈತಿಕ ವರ್ತನೆಯನ್ನು_ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ, ಆದರೆ ಅವು [ನಿರ್ವಹಣೆಯಲ್ಲಿ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ವಿಶೇಷವಾಗಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಯೋಜನೆಗಳಲ್ಲಿ [ಹೆಚ್ಚು ಮಿತಿಗಳನ್ನು ಹೊಂದಿವೆ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). ಬದಲಾಗಿ, ಅನೇಕ ಡೇಟಾ ಸೈನ್ಸ್ ತಜ್ಞರು [ಪರಿಶೀಲನಾ ಪಟ್ಟಿಗಳನ್ನು](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ಬೆಂಬಲಿಸುತ್ತಾರೆ, ಅವು **ತತ್ವಗಳನ್ನು ಅಭ್ಯಾಸಗಳಿಗೆ** ಹೆಚ್ಚು ನಿರ್ಧಾರಾತ್ಮಕ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ರೀತಿಯಲ್ಲಿ ಸಂಪರ್ಕಿಸುತ್ತವೆ.
ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಪ್ರಾಯೋಗಿಕರಿಂದ ಅವಶ್ಯಕ _ನೈತಿಕ ವರ್ತನೆಯನ್ನು_ ವ್ಯಾಖ್ಯಾನಿಸುವಾಗ, ಅವುಗಳ ಏರ್ಪಡಿಕೆ ದೊಡ್ಡ ಯೋಜನೆಗಳಲ್ಲಿ [ದೋಷಪೂರಿತವಾಗಿದೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). ಅದಕ್ಕೆ ಬದಲಾಗಿ, ಹಲವು ಡೇಟಾ ವಿಜ್ಞಾನ ತಜ್ಞರು [ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿಗಳನ್ನು](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ಪರಿಗಣಿಸುತ್ತಾರೆ, ಅದು **ಸಿದ್ಧಾಂತಗಳನ್ನು ಅಭ್ಯಾಸಗಳಿಗೆ** ನಿರ್ವಚಿತ ಮತ್ತು ಕಾರ್ಯತ್ಮಕ ರೀತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ.
ಪರಿಶೀಲನಾ ಪಟ್ಟಿಗಳು ಪ್ರಶ್ನೆಗಳನ್ನು "ಹೌದು/ಇಲ್ಲ" ಕಾರ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತವೆ, ಅವುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು ಮತ್ತು ಮಾನಕ ಉತ್ಪನ್ನ ಬಿಡುಗಡೆ ಕಾರ್ಯಪ್ರವಾಹಗಳ ಭಾಗವಾಗಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಬಹುದು.
ತಪಾಸಣಾ ಪಟ್ಟಿಗಳು ಪ್ರಶ್ನೆಗಳನ್ನು "ಹೌದು/ಇಲ್ಲ" ಕಾರ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತವೆ, ಅವುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯ ಉತ್ಪನ್ನ ಬಿಡುಗಡೆ ಕಾರ್ಯವಾಹಕಗಳ ಭಾಗವಾಗಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಬಹುದು.
ಉದಾಹರಣೆಗಳು:
* [ಡಿಯೋನ್](https://deon.drivendata.org/) - [ಉದ್ಯಮ ಶಿಫಾರಸುಗಳಿಂದ](https://deon.drivendata.org/#checklist-citations) ರಚಿಸಲಾದ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಡೇಟಾ ನೈತಿಕತೆ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ, ಸುಲಭ ಏಕೀಕರಣಕ್ಕಾಗಿ ಕಮಾಂಡ್-ಲೈನ್ ಉಪಕರಣದೊಂದಿಗೆ.
* [ಗೌಪ್ಯತೆ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ಕಾನೂನು ಮತ್ತು ಸಾಮಾಜಿಕ ಅನಾವರಣ ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಮಾಹಿತಿ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳಿಗೆ ಸಾಮಾನ್ಯ ಮಾರ್ಗದರ್ಶನ.
* [AI ನ್ಯಾಯತಂತ್ರ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ಅಭಿವೃದ್ದಿ ಚಕ್ರಗಳಲ್ಲಿ ನ್ಯಾಯತಂತ್ರ ಪರಿಶೀಲನೆಗಳನ್ನು ಅಳವಡಿಸಲು AI ಅಭ್ಯಾಸಗಾರರಿಂದ ರಚಿಸಲಾಗಿದೆ.
* [ಡೇಟಾ ಮತ್ತು AI ನೈತಿಕತೆಯ 22 ಪ್ರಶ್ನೆಗಳು](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ವಿನ್ಯಾಸ, ಅನುಷ್ಠಾನ ಮತ್ತು ಸಂಸ್ಥೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ನೈತಿಕ ಸಮಸ್ಯೆಗಳ ಪ್ರಾಥಮಿಕ ಅನ್ವೇಷಣೆಗೆ ರಚಿಸಲಾದ ಹೆಚ್ಚು ತೆರೆಯಾದ ಚಟುವಟಿಕೆ.
* [Deon](https://deon.drivendata.org/) - ಸಾಮಾನ್ಯ ಉದ್ದೇಶ ಡೇಟಾ ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿ, [ಉದ್ಯಮ ಶಿಫಾರಸುಗಳಿಂದ](https://deon.drivendata.org/#checklist-citations) ರಚಿಸಲಾಗಿದೆ, ಸುಲಭ ಏಕೀಕರಣಕ್ಕಾಗಿ ಕಮಾಂಡ್-ಲೈನ್ ಉಪಕರಣವಿದೆ.
* [ಗೌಪ್ಯತೆ ಪರಿಶೀಲನಾ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ಕಾನೂನು ಮತ್ತು ಸಾಮಾಜಿಕ ತೆರೆದಿಕೆ ದೃಷ್ಟಿಯಿಂದ ಮಾಹಿತಿ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳಿಗೆ ಸಾಮಾನ್ಯ ಮಾರ್ಗದರ್ಶಿ.
* [AI ನ್ಯಾಯತೀಕ್ಷಣೆ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ಅಭಿವೃದ್ಧಿ ಚಕ್ರಗಳಲ್ಲಿ ನ್ಯಾಯತೀಕ್ಷಣೆ ಪರಿಶೀಲನೆಗಳನ್ನು ಸ್ವೀಕರಿಸಲು AI ತಜ್ಞರಿಂದ ರಚಿಸಲಾಗಿದೆ.
* [ಡೇಟಾ ಮತ್ತು AI ನೈತಿಕತೆಗೆ 22 ಪ್ರಶ್ನೆಗಳು](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ಹೆಚ್ಚು ತೆರೆಯಾದ ಧೋರಣೆ; ವಿನ್ಯಾಸ, ಅನುಷ್ಠಾನ ಮತ್ತು ಸಂಸ್ಥೆಗಳ ಸಂದರ್ಭಗಳಲ್ಲಿ ನೈತಿಕ ಎಸೆಲೆಗಳ ಮೊದಲ ಅಧ್ಯಯನಕ್ಕೆ ಸಂರಚಿಸಲಾಗಿದೆ.
### 3. ನೈತಿಕ ನಿಯಮಗಳು
### 3. ನೈತಿಕ ನಿಯಮಾವಳಿ
ನೈತಿಕತೆ ಎಂದರೆ ಹಂಚಿಕೊಂಡ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸರಿಯಾದ ಕೆಲಸವನ್ನು _ಸ್ವಯಂಸೇವಕವಾಗಿ_ ಮಾಡುವುದು. **ಅನುಸರಣೆ** ಎಂದರೆ ಕಾನೂನನ್ನು _ಅನುಸರಿಸುವುದು_ ಆಗಿದ್ದು, ಅದು ವ್ಯಾಖ್ಯಾನಿಸಲ್ಪಟ್ಟಿದ್ದಲ್ಲಿ. **ಆಡಳಿತ** ಎಂದರೆ ಸಂಸ್ಥೆಗಳು ನೈತಿಕ ತತ್ವಗಳನ್ನು ಜಾರಿಗೆ ತರುವ ಮತ್ತು ಸ್ಥಾಪಿತ ಕಾನೂನುಗಳನ್ನು ಅನುಸರಿಸುವ ಎಲ್ಲಾ ವಿಧಾನಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಒಳಗೊಂಡಿದೆ.
ನೈತಿಕತೆ ಹ зачемಾಗ್ರಹಿತ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸರಿಯಾದುದನ್ನು _ಸ್ವಯಂಚಾಲಿತವಾಗಿ_ ಮಾಡುವುದಾಗಿದೆ. **ಅನುಕ್ರಮಣ** ಎಂದರೆ ನಿಯಮಿತವಾಗಿದ್ದಲ್ಲಿ ಕಾನೂನನ್ನು _ಅನುಸರಿಸುವುದು_. **ಆಡಳಿತ** ಸಂಸ್ಥೆಗಳು ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು ಪ್ರಾಯೋಗಿಕಗೊಳಿಸುವ ಎಲ್ಲಾ ಮಾರ್ಗಗಳನ್ನು ಮತ್ತು ಕಾನೂನಿಗೆ ಅನುಕ್ರಮಣ ಮಾಡುವ ಎಲ್ಲ ವಿಧಾನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.
ಇಂದು, ಸಂಸ್ಥೆಗಳೊಳಗಿನ ಆಡಳಿತ ಎರಡು ರೂಪಗಳನ್ನು ಹೊಂದಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಅದು **ನೈತಿಕ AI** ತತ್ವಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸಂಸ್ಥೆಯ ಎಲ್ಲಾ AI ಸಂಬಂಧಿತ ಯೋಜನೆಗಳಲ್ಲಿ ಅಳವಡಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಅಭ್ಯಾಸಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದಾಗಿದೆ. ಎರಡನೆಯದಾಗಿ, ಅದು ಸಂಸ್ಥೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಪ್ರದೇಶಗಳ ಎಲ್ಲಾ ಸರ್ಕಾರ-ನಿರ್ದೇಶಿತ **ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿಗಳನ್ನು** ಅನುಸರಿಸುವುದಾಗಿದೆ.
ಇప్పుడు, ಸಂಸ್ಥೆಗಳೊಳಗಿರುವ ಆಡಳಿತ ಎರಡು ರೂಪಗಳಲ್ಲಿ ಇರುತ್ತದೆ. ಮೊದಲು, ಅದು **ನೈತಿಕ AI** ಸಿದ್ಧಾಂತಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸಂಸ್ಥೆಯ ಎಲ್ಲಾ AI ಸಂಬಂಧಿತ ಯೋಜನೆಗಳಲ್ಲಿ ಅಳವಡಿಕೆ ಮಾಡೋದಕ್ಕೆ ಅಭ್ಯಾಸಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು. ಎರಡನೇದು, ಅದು ಸಂಸ್ಥೆಯ ಕಾರ್ಯಾಚರಣೆ ಇರುವ ಪ್ರದೇಶಗಳ ಎಲ್ಲಾ ಸರ್ಕಾರ ಮಾನ್ಯಕರಿಸಿದ **ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿಗಳನ್ನು** ಅನುಸರಿಸುವುದಾಗಿದೆ.
ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆ ನಿಯಮಾವಳಿಗಳ ಉದಾಹರಣೆಗಳು:
ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆ ನಿಯಮಾವಳಿ ಉದಾಹರಣೆಗಳು:
* `1974`, [US ಗೌಪ್ಯತೆ ಕಾಯ್ದೆ](https://www.justice.gov/opcl/privacy-act-1974) - _ಫೆಡರಲ್ ಸರ್ಕಾರದ_ ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆ, ಬಳಕೆ ಮತ್ತು ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ.
* `1996`, [US ಆರೋಗ್ಯ ವಿಮಾ ಪೋರ್ಟಬಿಲಿಟಿ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಕಾಯ್ದೆ (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ವೈಯಕ್ತಿಕ ಆರೋಗ್ಯ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
* `1998`, [US ಮಕ್ಕಳ ಆನ್ಲೈನ್ ಗೌಪ್ಯತೆ ರಕ್ಷಣೆ ಕಾಯ್ದೆ (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಮಕ್ಕಳ ಡೇಟಾ ಗೌಪ್ಯತೆಯನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
* `2018`, [ಸಾಮಾನ್ಯ ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿ (GDPR)](https://gdpr-info.eu/) - ಬಳಕೆದಾರರ ಹಕ್ಕುಗಳು, ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
* `2018`, [ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ಗ್ರಾಹಕ ಗೌಪ್ಯತೆ ಕಾಯ್ದೆ (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ಗ್ರಾಹಕರಿಗೆ ಅವರ (ವೈಯಕ್ತಿಕ) ಡೇಟಾದ ಮೇಲೆ ಹೆಚ್ಚು _ಹಕ್ಕುಗಳನ್ನು_ ನೀಡುತ್ತದೆ.
* `2021`, ಚೀನಾದ [ವೈಯಕ್ತಿಕ ಮಾಹಿತಿ ರಕ್ಷಣೆ ಕಾಯ್ದೆ](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ಇತ್ತೀಚೆಗೆ ಅಂಗೀಕರಿಸಲ್ಪಟ್ಟಿದ್ದು, ಜಾಗತಿಕವಾಗಿ ಅತ್ಯಂತ ಬಲವಾದ ಆನ್ಲೈನ್ ಡೇಟಾ ಗೌಪ್ಯತೆ ನಿಯಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.
* `1974`, [US ಗೌಪ್ಯತಾ ವಿಧಿ](https://www.justice.gov/opcl/privacy-act-1974) - _ಸಂಘ ಸರ್ಕಾರದ_ ವ್ಯಕ್ತಿಗತ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆ, ಬಳಕೆ ಮತ್ತು ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ.
* `1996`, [US ಆರೋಗ್ಯ ಜಾತಿ ಪರಿಶೀಲನಾ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಕಾಯ್ದಾ (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ವೈಯಕ್ತಿಕ ಆರೋಗ್ಯ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
* `1998`, [US ಮಕ್ಕಳ ಆನ್‌ಲೈನ್ ಗೌಪ್ಯತಾ ರಕ್ಷಣೆ ಕಾಯ್ದೆ (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 ವರುಷಕ್ಕಿಂತ ಕಡಿಮೆ ಮಕ್ಕಳ ಡೇಟಾ ಗೌಪ್ಯತೆಯನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
* `2018`, [ಸಾಮಾನ್ಯ ಡೇಟಾ ಸಂರಕ್ಷಣೆ ನಿಯಮಾವಳಿ (GDPR)](https://gdpr-info.eu/) - ಬಳಕೆದಾರರ ಹಕ್ಕುಗಳು, ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
* `2018`, [ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ಒಳ್ಳೆಯ ಬಳಕೆದಾರರ ಗೌಪ್ಯತಾ ಕಾಯ್ದೆ (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ಬಳಕೆದಾರರಿಗೆ ಅವರ (ವ್ಯಕ್ತಿಗತ) ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚು _ಹಕ್ಕುಗಳನ್ನು_ ನೀಡುತ್ತದೆ.
* `2021`, ಚೀನಾ [ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯ ರಕ್ಷಣಾ ಕಾಯ್ದೆ](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ಹೊಸದಾಗಿ ಜಾರಿಗೊಂಡವು, ಇದು ಜಾಗತಿಕವಾಗಿ ಅತ್ಯಂತ ಬಲವಾದ ಆನ್ಲೈನ್ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾವಳಿಗಳನ್ನು ನಿರ್ಮಿಸಿದೆ.
> 🚨 ಯುರೋಪಿಯನ್ ಯೂನಿಯನ್ ವ್ಯಾಖ್ಯಾನಿಸಿದ GDPR (ಸಾಮಾನ್ಯ ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿ) ಇಂದಿಗೂ ಅತ್ಯಂತ ಪ್ರಭಾವಶಾಲಿ ಡೇಟಾ ಗೌಪ್ಯತೆ ನಿಯಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ನೀವು ತಿಳಿದಿದ್ದೀರಾ, ಇದು ನಾಗರಿಕರ ಡಿಜಿಟಲ್ ಗೌಪ್ಯತೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಲು [8 ಬಳಕೆದಾರ ಹಕ್ಕುಗಳನ್ನು](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ಕೂಡ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ? ಅವು ಏನೆಂದು ಮತ್ತು ಅವು ಏಕೆ ಮಹತ್ವದವೋ ತಿಳಿದುಕೊಳ್ಳಿ.
> 🚨 ಯುರೋಪಿಯನ್ ಯೂನಿಯನ್ ವ್ಯಾಖ್ಯಾನಿಸಿದ GDPR (ಸಾಮಾನ್ಯ ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿ) ಇಂದಿಗೂ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾವಳಿಗಳಲ್ಲಿ ಒಂದು. ಇದು [8 ಬಳಕೆದಾರ ಹಕ್ಕುಗಳನ್ನು](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ಸಿಟಿಜನ್‌ಗಳ ಡಿಜಿಟಲ್ ಗೌಪ್ಯತೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಲು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ. ಇವು ಏನ್ನುಂದು ತಿಳಿದುಕೊಳ್ಳಿ ಮತ್ತು ಏಕೆ ಮಹತ್ವವಾಗಿದೆ ಎಂದು ತಿಳಿಯಿರಿ.
### 4. ನೈತಿಕ ಸಂಸ್ಕೃತಿ
_ಅನುಸರಣೆ_ (ಕಾನೂನಿನ "ಅಕ್ಷರ" ಅನ್ನು ಪೂರೈಸುವಷ್ಟು ಮಾಡುವಿಕೆ) ಮತ್ತು [ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಗಳನ್ನು](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ಉದಾ: ಸ್ಥಿರತೆ, ಮಾಹಿತಿ ಅಸಮತೋಲನ, ವಿತರಣಾತ್ಮಕ ಅನ್ಯಾಯ) ಪರಿಹರಿಸುವುದರ ನಡುವೆ ಅಸ್ಪಷ್ಟವಾದ ಗ್ಯಾಪ್ ಇರುತ್ತದೆ, ಇದು AI ಯನ್ನು ಶಸ್ತ್ರಾಸ್ತ್ರಗೊಳಿಸುವಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.
ಮತ್ತೆ ಗಮನಿಸಬೇಕು, _ಅನುಕ್ರಮಣ_ (ಕಾನೂನಿನ "ಅಕ್ಷರ" ಅನುಸರಿಸುವುದು) ಮತ್ತು [ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಗಳು](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ಒಗ್ಗಟ್ಟಿನ ವ್ಯತ್ಯಾಸ, ಮಾಹಿತಿ ಅಸಮಾನತೆ, ವಿತರಣೆ ನ್ಯಾಯತೀವ್ರತೆಯಂತಹವು) ನಡುವೆ ಪರೋಕ್ಷ ವ್ಯತ್ಯಾಸ ಇರುತ್ತದೆ, ಇದು AI ಯ ಶಸ್ತ್ರೀಯೀಕರಣವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ.
ಇದಕ್ಕಾಗಿ [ನೈತಿಕ ಸಂಸ್ಕೃತಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಹಕಾರಾತ್ಮಕ ವಿಧಾನಗಳು](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ಅಗತ್ಯವಿದೆ, ಅವು ಭಾವನಾತ್ಮಕ ಸಂಪರ್ಕಗಳನ್ನು ಮತ್ತು ಕೈಗಾರಿಕೆಯಲ್ಲಿ _ಸಂಸ್ಥೆಗಳ ನಡುವೆ_ ಸತತ ಹಂಚಿಕೊಂಡ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಇದಕ್ಕಾಗಿ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಹೆಚ್ಚು [ಆಧಿಕೃತ ಡೇಟಾ ನೈತಿಕ ಸಂಸ್ಕೃತಿಗಳನ್ನು](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ರೂಪಿಸುವ ಅಗತ್ಯವಿದೆ - ಇದರಿಂದ _ಯಾರಾದರೂ_ [ಅಂಡನ್ ಕೇಬಲ್](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (ನೈತಿಕ ಚಿಂತೆಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಯ ಆರಂಭದಲ್ಲಿ ಎತ್ತಲು) ಅನ್ನು ಎಳೆಯಬಹುದು ಮತ್ತು _ನೈತಿಕ ಮೌಲ್ಯಮಾಪನಗಳು_ (ಉದಾ: ನೇಮಕಾತಿಯಲ್ಲಿ) AI ಯೋಜನೆಗಳಲ್ಲಿ ತಂಡ ರಚನೆಯ ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿರುತ್ತವೆ.
ಇದಕ್ಕಾಗಿ [ನೈತಿಕ ಸಂಸ್ಕೃತಿಗಳನ್ನು ಹೊಂದಿಸುವ ಸಹಯೋಗಾತ್ಮಕ ವಿಧಾನಗಳು](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ಅಗತ್ಯವಾಗಿವೆ, ಅವು ಉದ್ಯಮದ ಸಂಸ್ಥೆಗಳ ನಡುವೆ ಭಾವನಾತ್ಮಕ ಸಂಪರ್ಕಗಳನ್ನು ಮತ್ತು ಸಾಂಕೇತಿಕ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಇದಕ್ಕಾಗಿ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಹೆಚ್ಚು [ನೈತಿಕ ಡೇಟಾ ಸಂಸ್ಕೃತಿ ರೂಪಿಸುವಿಕೆ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ಮೂರ್ತಿಯಾಗಬೇಕು - _ಯಾರಿಗೂ_ [ ಅಂಡನ್ ಕಂಬವನ್ನು ](https://en.wikipedia.org/wiki/Andon_(manufacturing)) ಎಳೆದೊಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ (ನೈತಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ತಡವಾಗಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಉದ್ಭವಿಸುವುದರಿಂದ ತಪ್ಪಿಸಲು), ಮತ್ತು _ನೈತಿಕ ಮೌಲ್ಯಮಾಪನಗಳು_ (ಉದಾ. ನೇಮಕಾತಿಯಲ್ಲಿ) AI ಯೋಜನೆಗಳಲ್ಲಿ ತಂಡ ರಚನೆಗೆ ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿರುತ್ತದೆ.
---
## [ಪಾಠೋತ್ತರ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## [ಪೋಷಟ್‌-ಲೆಕ್ಚರ್ ಕುಯಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
ಕೋರ್ಸ್‌ಗಳು ಮತ್ತು ಪುಸ್ತಕಗಳು ಮೂಲ ನೈತಿಕತೆಯ ಸಂಪ್ರದಾಯಗಳು ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಮತ್ತು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಉಪಕರಣಗಳು ನೈಜ ಜಗತ್ತಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅನ್ವಯಿತ ನೈತಿಕ ಅಭ್ಯಾಸಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಪ್ರಾರಂಭಿಸಲು ಕೆಲವು ಸಂಪನ್ಮೂಲಗಳು ಇಲ್ಲಿವೆ.
* [ಆರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಅಧ್ಯಯನ](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನಿಂದ ನ್ಯಾಯತೆಯ ಪಾಠ.
* [ಜವಾಬ್ದಾರಿಯುತ AI ನ ತತ್ವಗಳು](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್‌ನಿಂದ ಉಚಿತ ಅಧ್ಯಯನ ಮಾರ್ಗ.
* [ನೈತಿಕತೆ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನ](https://resources.oreilly.com/examples/0636920203964) - ಓ'ರೈಲಿ ಇಬುಕ್ (ಎಂ. ಲೂಕಿಡ್ಸ್, ಎಚ್. ಮೇಸನ್ ಇತ್ಯಾದಿ)
ನೈತಿಕ ತತ್ತ್ವಗಳು ಮತ್ತು ಸವಾಲುಗಳ ಅರ್ಥೈಸಿಕೆಗೆ ಕೋರ್ಸ್‌ಗಳು ಮತ್ತು ಪುಸ್ತಕಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಹಾಗೆಯೇ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಸಾಧನಗಳು ನೈತಿಕತೆ ಅಭ್ಯಾಸಗಳನ್ನು ನೈಜ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಪ್ರಾರಂಭಿಸಲು ಕೆಲವು ಸಂಪನ್ಮೂಲಗಳು ಇಲ್ಲಿವೆ.
* [ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft ನಿಂದ ನ್ಯಾಯತೀಕ್ಷಣೆ ಬೋಧನೆ.
* [ಜವಾಬ್ದಾರಿಯಾದ AI ತತ್ವಗಳು](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್‌ನಿಂದ ಉಚಿತ ಕಲಿಕೆಯ ಮಾರ್ಗ.
* [ನೈತಿಕತೆ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನ](https://resources.oreilly.com/examples/0636920203964) - ಒ'ರೈಲಿ ಇಬುಕ್ (M. ಲೂಕಿಡಿಸ್, H. ಮೆಸನ್ ಇತರೆ)
* [ಡೇಟಾ ವಿಜ್ಞಾನ ನೈತಿಕತೆ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ಮಿಚಿಗನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಆನ್‌ಲೈನ್ ಕೋರ್ಸ್.
* [ನೈತಿಕತೆ ಅನ್ವಿತ](https://ethicsunwrapped.utexas.edu/case-studies) - ಟೆಕ್ಸಾಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು.
* [ನೈತಿಕತೆ ಅನ್ವಯಿಸಿದ್ದು](https://ethicsunwrapped.utexas.edu/case-studies) - ಟೆಕ್ಸಾಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಕೇಸ್ ಅಧ್ಯಯನಗಳು.
# ನಿಯೋಜನೆ
[ಡೇಟಾ ನೈತಿಕತೆ ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ಬರೆಯಿರಿ](assignment.md)
[ಡೇಟಾ ನೈತಿಕತೆ ಕೇಸ್ ಅಧ್ಯಯನ ಬರೆಯಿರಿ](assignment.md)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

10
translations/ml/.co-op-translator.json
Unescape View File

@ -7,7 +7,7 @@
},
"1-Introduction/01-defining-data-science/assignment.md": {
"original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
"translation_date": "2025-12-19T13:41:01+00:00",
"translation_date": "2026-07-02T11:06:16+00:00",
"source_file": "1-Introduction/01-defining-data-science/assignment.md",
"language_code": "ml"
},
@ -19,7 +19,7 @@
},
"1-Introduction/01-defining-data-science/solution/assignment.md": {
"original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
"translation_date": "2025-12-19T14:34:45+00:00",
"translation_date": "2026-07-02T11:13:44+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
"language_code": "ml"
},
@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-12-19T14:10:15+00:00",
"translation_date": "2026-07-02T11:09:02+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "ml"
},
@ -295,7 +295,7 @@
},
"5-Data-Science-In-Cloud/17-Introduction/README.md": {
"original_hash": "5f8e7cdefa096664ae86f795be571580",
"translation_date": "2025-12-19T15:10:58+00:00",
"translation_date": "2026-07-02T11:14:43+00:00",
"source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
"language_code": "ml"
},
@ -337,7 +337,7 @@
},
"6-Data-Science-In-Wild/20-Real-World-Examples/README.md": {
"original_hash": "0f67a4139454816631526779a456b734",
"translation_date": "2025-12-19T16:51:57+00:00",
"translation_date": "2026-07-02T11:25:22+00:00",
"source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
"language_code": "ml"
},

37
translations/ml/1-Introduction/01-defining-data-science/assignment.md
Unescape View File

@ -1,8 +1,39 @@
Translation for chunk 1 of 'assignment.md' skipped due to timeout.
# അസൈൻമെന്റ്: ഡാറ്റ സയൻസ് സാന്റാരിയോകൾ
ഈ ആദ്യ അസൈൻമെന്റിൽ, വ്യത്യസ്ത പ്രശ്‌ന മേഖലകളിൽ യഥാർത്ഥ ജീവിത പ്രക്രിയ അല്ലെങ്കിൽ പ്രശ്‌നം മനസിലാക്കാൻ നിങ്ങളോട് ആവശ്യപ്പെടുന്നു, അത് ഡാറ്റ സയൻസ് പ്രക്രിയ ഉപയോഗിച്ച് എങ്ങനെ മെച്ചപ്പെടുത്താമെന്ന്. താഴെ പറയുന്ന കാര്യങ്ങളെ കുറിച്ച് ആലോചിക്കൂ:
1. ഏത് ഡാറ്റ നിങ്ങൾ ശേഖരിക്കാനാകും?
1. അതെങ്ങനെ ശേഖരിക്കാമ്?
1. ഡാറ്റ എങ്ങനെ സംഭരിക്കണം? ഡാറ്റ എത്ര വലുതാകാൻ സാധ്യതയുണ്ട്?
1. ഈ ഡാറ്റയിൽ നിന്നും നിങ്ങൾക്ക് എളുപ്പത്തിൽ കണ്ടെത്താനാകുന്ന洞ഗ്ഗാനങ്ങൾ എന്തൊക്കെയാണ്? ഈ ഡാറ്റ അടിസ്ഥാനമാക്കി എങ്ങനെ തീരുമാനങ്ങൾ എടുക്കാനാകും?
മൂന്ന് വ്യത്യസ്ത പ്രശ്‌നങ്ങൾ/പ്രക്രിയകൾക്കായി ഓരോ പ്രശ്‌ന മേഖലയുടെയും പരാമർശിച്ച പോയിന്റുകൾ വിശദീകരിക്കുന്നതിന് ശ്രമിക്കൂ.
ഇവിടെ നിങ്ങൾക്ക് ആലോചനം തുടങ്ങാൻ സഹായിക്കുന്ന ചില പ്രശ്‌ന മേഖലകളും പ്രശ്‌നങ്ങളും നൽകിയിരിക്കുന്നു:
1. കുട്ടികൾക്ക് സ്കൂളിലെ വിദ്യാഭ്യാസ പ്രക്രിയ മെച്ചപ്പെടുത്താൻ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കാം?
1. പാൻഡമിക് കാലത്ത് വാക്സിനേഷൻ നിയന്ത്രിക്കാൻ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കാം?
1. ജോലി സ്ഥലത്ത് നിങ്ങൾ ഉത്പാദകശേഷിയായിരിക്കണമെന്ന് ഉറപ്പുവരുത്താൻ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കാം?
## നിർദ്ദേശങ്ങൾ
താഴെ കൊടുത്ത പട്ടിക പൂരിപ്പിക്കുക (ആവശ്യമായാൽ നിർദ്ദേശിച്ച പ്രശ്‌നമേഖലകൾക്ക് പകരം നിങ്ങളുടെ സ്വന്തം വിഷയങ്ങൾ ഉപയോഗിക്കാം):
| പ്രശ്‌നമേഖല | പ്രശ്നം | ശേഖരിക്കേണ്ട ഡാറ്റ | ഡാറ്റ എങ്ങനെ സംഭരിക്കണം | എന്തെന്ത്洞്ഗ്ഗാനങ്ങൾ/തീരുമാനങ്ങൾ എടുക്കാം |
|----------------|---------|-----------------------|-----------------------|--------------------------------------|
| വിദ്യാഭ്യാസം | | | | |
| വാക്സിനേഷൻ | | | | |
| ഉത്പാദകശേഷി | | | | |
## റൂബ്രിക്
ഉദാഹരണീയമായ | യോജിച്ച | മെച്ചപ്പിന് ആവശ്യമാണ്
--- | --- | -- |
എല്ലാ പ്രശ്‌ന മേഖലകളിലും യുക്തമായ ഡാറ്റ ഉറവിടങ്ങൾ കണ്ടെത്താനും, ഡാറ്റ സംഭരണ രീതികൾ പരിഗണിക്കാനും, സാധ്യതയുള്ള洞്ഗ്ഗാനങ്ങൾ/തീരുമാനങ്ങൾ നിർദ്ദേശിക്കാനുമാണ് സാധിച്ചത് | പരിഹാരത്തിന്റെ ചില ഭാഗങ്ങൾ വിശദമായി ഇല്ല, ഡാറ്റ സംഭരണം ചര്‍ച്ച ചെയ്യപ്പെട്ടിട്ടില്ല, കുറഞ്ഞപക്ഷം രണ്ട് പ്രശ്‌ന മേഖലകൾക്ക് മാത്രമാണ് ശ്രദ്ധിടെക്കുക | ഡാറ്റ പരിഹാരത്തിന്റെ ചില ഭാഗങ്ങൾ മാത്രം വിവരിക്കപ്പെട്ടുല്ല, ഒരു മാത്രമാണ് പ്രശ്‌ന മേഖല പരിഗണിച്ചത് |
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അറിയിപ്പ്**:
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

39
translations/ml/1-Introduction/01-defining-data-science/solution/assignment.md
Unescape View File

@ -1,8 +1,41 @@
Translation for chunk 1 of 'assignment.md' skipped due to timeout.
# അസൈൻമെന്റ്: ഡാറ്റാ സയൻസ് സിനാറിയോസ്
ഈ ആദ്യ അസൈൻമെന്റിൽ, വിവിധ പ്രശ്‌ന മേഖലകളിൽ യഥാർത്ഥ ജീവിത പ്രക്രിയയെയോ പ്രശ്‌നങ്ങളെയോ കുറിച്ച് ചിന്തിച്ചു, ഡാറ്റാ സയൻസ് പ്രക്രിയ ഉപയോഗിച്ച് അതിനെ എങ്ങനെ മെച്ചപ്പെടുത്താൻ കഴിയും എന്ന് പരിശോധിക്കാൻ ഞങ്ങൾ നിങ്ങളോട് അപേക്ഷിക്കുന്നു. താഴെ പറയുന്ന വിഷയങ്ങളെ കുറിച്ച് ചിന്തിക്കുക:
1. ഏത് ഡാറ്റ നിങ്ങൾ ശേഖരിക്കാം?
1. അത് എങ്ങനെ ശേഖരിക്കുമെന്ന്?
1. ഡാറ്റ എങ്ങനെയാണ് സൂക്ഷിക്കേണ്ടത്? ഡാറ്റ എത്ര വലുതായിരിക്കും?
1. ഈ ഡാറ്റയിൽ നിന്നു നിങ്ങൾക്ക് ലഭിക്കാവുന്ന洞നങ്ങൾ ഏതാണ്? ഡാറ്റ പാടസ് അടിസ്ഥാനമാക്കി എങ്ങനെയാണ് തീരുമാനങ്ങൾ എടുക്കുക?
മൂന്ന് വ്യത്യസ്ത പ്രശ്‌നങ്ങൾ/പ്രക്രിയകളെ കുറിച്ച് ചിന്തിച്ച് ഓരോ പ്രശ്‌ന മേഖലയുടെയും മേൽപ്പറഞ്ഞ എല്ലാ ഘടകങ്ങളും വിശദീകരിക്കാൻ ശ്രമിക്കുക.
തുടക്കം നൽകാൻ ചില പ്രശ്‌ന മേഖലകളും പ്രശ്‌നങ്ങളും ഇവിടെയുണ്ട്:
1. സ്‌കൂളുകളിൽ കുട്ടികൾക്ക് വേണ്ടി വിദ്യാഭ്യാസ പ്രക്രിയ എങ്ങനെ ഡാറ്റ ഉപയോഗിച്ച് മെച്ചപ്പെടുത്താം?
1. പാൻഡെമിക് സമയത്ത് വാക്സിനേഷൻ നിയന്ത്രിക്കാൻ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കാം?
1. ജോലിയിൽ നിങ്ങൾ ഉൽപാദനക്ഷമരാണെന്ന് ഉറപ്പാക്കാൻ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കാം?
## നിർദ്ദേശങ്ങൾ
താഴെ കൊടുത്ത പട്ടിക പൂരിപ്പിക്കുക (ആവശ്യമായ പക്ഷം നിങ്ങൾക്കു വേണ്ടി നിർദ്ദേശിച്ച പ്രശ്‌ന മേഖലകൾ പകരം ഉപയോഗിക്കാം):
| പ്രശ്‌ന മേഖല | പ്രശ്നം | ശേഖരിക്കേണ്ട ഡാറ്റ | ഡാറ്റ സൂക്ഷിക്കുന്ന വിധം | ലഭിക്കുന്ന洞നങ്ങൾ/തിരഞ്ഞെടുക്കാവുന്ന തീരുമാനങ്ങൾ |
|----------------|---------|-----------------------|-----------------------|--------------------------------------|
| Education | സർവകലാശാലയിൽ, പൊതുവായി ലെക്ചറുകളിൽ ഹാജർ കുറവാണ്, ഹാജർ ആയ വിദ്യാർത്ഥികൾ ശരാശരി പരീക്ഷയിൽ മെച്ചപ്പെടുമെന്ന് ഞങ്ങൾ കരുതുന്നു. ഹാജർ പ്രോത്സാഹിപ്പിക്കുകയും ഈ ധാരണ പരിശോധന നടത്തുകയും ചെയ്യണം. | സെക്യൂരിറ്റി കാമറയിൽ ക്ലാസിൽ എടുത്ത പടങ്ങൾ വഴി ഹാജർ ട്രാക്ക് ചെയ്യാം, അല്ലെങ്കിൽ വിദ്യാർത്ഥികളുടേതായ മൊബൈൽ ഫോണുകളുടെ ബ്ലൂടൂത്ത്/വൈഫൈ അഡ്‌ഡ്‌റസുകൾ ഉപയോഗിച്ച്. പരീക്ഷാ ഡാറ്റ പോലെയാണ് സർവകലാശാല ഡാറ്റാബേസ് വഴി ലഭ്യത്തെ. | സെക്യൂരിറ്റി കാമറ ചിത്രം ട്രാക്ക് ചെയ്താൽ, ക്ലാസിനു സമയത്ത് ചില പടങ്ങൾ (5-10) (അസംഘടിത ഡാറ്റ) സൂക്ഷിക്കുക, ശേഷം AI ഉപയോഗിച്ച് വിദ്യാർത്ഥികളുടെ മുഖങ്ങൾ തിരിച്ചറിയുക (ഡാറ്റ ഘടനാപരമായി മാറ്റുക). | ഓരോ വിദ്യാർത്ഥിയുടേയും ശരാശരി ഹാജർ ഡാറ്റ കണക്കാക്കി, പരീക്ഷാ ഗ്രേഡുകളുമായി ഏതെങ്കിലും ബന്ധമുള്ളോ എന്ന് പരിശോധിക്കാം. [സంభാവ്യതയും എണ്ണശാസ്ത്രവും](../../04-stats-and-probability/README.md) വിഭാഗത്തിൽ ബന്ധത്തെ കുറിച്ച് കൂടുതൽ സംസാരിക്കും. വിദ്യാർത്ഥികളുടെ ഹാജർ പ്രോത്സാഹിപ്പിക്കാൻ ആഴ്ചവാർ അറ്റൻഡൻസ് റേറ്റിംഗ് സ്കൂൾ പോർട്ടലിൽ പ്രസിദ്ധീകരിച്ച്, ഏറ്റവും കൂടുതൽ ഹാജർ ഉണ്ടായവരിൽ സമ്മാനങ്ങൾ തെർപ്പെടുത്താം. |
| Vaccination | | | | |
| Productivity | | | | |
> *ഈ അസൈൻമെന്റിൽ പ്രതീക്ഷിക്കുന്നതെന്താണെന്ന് നിങ്ങൾക്ക് മനസിലാക്കാൻ ഒരു ഉദാഹരണമായുള്ള ഒരു ഉത്തരം മാത്രം നൽകുന്നു.*
## റൂബ്രിക്
ഉദാഹരണരീതിയിലുള്ള | മതിയായ | മെച്ചപ്പെടുത്തേണ്ടത്
--- | --- | --- |
എല്ലാ പ്രശ്‌ന മേഖലകളിലും യുക്തിസഹമായ ഡാറ്റാ ഉറവിടങ്ങൾ, ഡാറ്റാ സൂക്ഷിക്കുന്ന മാർഗ്ഗങ്ങൾ, സാധ്യതയുള്ള洞നങ്ങൾ/തീരുമാനങ്ങൾ തിരിച്ചറിഞ്ഞിട്ടുണ്ട് | പരിഹാരത്തിലെ ചില ഭാഗങ്ങൾ വിശദമല്ല, ഡാറ്റാ സൂക്ഷണം പരാമർശിച്ചില്ല, കുറഞ്ഞത് 2 പ്രശ്‌ന മേഖലകൾ മാത്രമേ പലചരിയിച്ചിട്ടുള്ളൂ | ഡാറ്റാ പരിഹാരത്തിലെ ചില ഭാഗങ്ങൾ മാത്രമാണ് വിശദീകരിച്ചിട്ടുള്ളത്, ഒരു പ്രശ്‌നമേഖലയേ മാത്രം പരിഗണിച്ചുള്ളത്.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാപത്രം**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, യന്ത്രം ചെയ്ത വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അറിയിപ്പ്**:
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

283
translations/ml/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,127 +1,268 @@
Translation for chunk 1 of 'README.md' skipped due to timeout.
* വിവരങ്ങൾ യാഥാർത്ഥ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നതിൽ _സത്യസന്ധമായി_ പിടിച്ചെടുത്തിട്ടുണ്ടോ?
# ഡേറ്റാ എതിക്‌സിലേക്ക് പരിചയം
#### 2.8 ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം
|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:|
| ഡേറ്റാ സയൻസ് എതിക്‌സ് - _സ്കെറ്റ്‌നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
[ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) പരിശോധിക്കുന്നത് ആൽഗോരിതം രൂപകൽപ്പന പ്രത്യേക ഡാറ്റാ സബ്ഗ്രൂപ്പുകളെ വ്യത്യസ്തമായി വേർതിരിക്കുന്നുണ്ടോ എന്ന് കാണാനാണ്, ഇത് _വിഭജനം_ (ആ ഗ്രൂപ്പിൽ നിന്നുള്ള വിഭവങ്ങൾ നിഷേധിക്കപ്പെടുകയോ തടയപ്പെടുകയോ ചെയ്യുന്നത്) കൂടാതെ _സേവന ഗുണമേന്മ_ (കുറഞ്ഞ ചില സബ്ഗ്രൂപ്പുകൾക്ക് AI മറ്റുള്ളവരെക്കാൾ കൃത്യമായില്ല) എന്നിവയിൽ [സാധ്യമായ ഹാനികൾ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ഉണ്ടാക്കുന്നു.
---
നാം എല്ലാം ഒരു ഡേറ്റാഫൈഡ് ലോകത്ത് ജീവിക്കുന്ന ഡേറ്റാ പൗരന്മാരാണ്.
മാർക്കറ്റ് ട്രെൻഡുകൾ പറയുന്നത് 2022 നകം, വലിയ സംഘടനകളിൽ ഒരു മൂന്നിലൊന്ന് ഓൺലൈൻ [മാർക്കറ്റ്പ്ലേസുകളും എക്സ്ചേഞ്ചുകളും](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) വഴി അവരുടെ ഡേറ്റാ വാങ്ങി വിൽക്കും. **ആപ്പ് ഡെവലപ്പർമാരായി**, നാം ഡേറ്റാ നിർമ്മിത洞ങ്ങള്‍യും ആൽഗോരിതം അടിസ്ഥാനമായ ഓട്ടോമേഷൻ ഉപയോക്തൃ അനുഭവങ്ങളിൽ ഉൾപ്പെടുത്തുന്നത് എളുപ്പവും വിലകുറവും ആയിരിക്കുന്നുവെന്ന് കാണും. എങ്കിലും AI വ്യാപകമാകുമ്പോൾ, ഇവയെ [അസായോപകരണമായി](https://www.youtube.com/watch?v=TQHs8SA1qpk) ഉപയോഗപ്പെടുത്തുന്നതിലൂടെ ഉണ്ടാകാവുന്ന πιθανമായ നഷ്ടങ്ങൾ മനസ്സിലാക്കേണ്ടതും അത്രമേൽ പ്രധാനമാണ്.
ടെൻഡുകൾ സൂചിപ്പിക്കുന്നത് 2025 നകം, നാം [180 സെറ്റാബൈറ്റുകൾക്ക് മുകളിൽ](https://www.statista.com/statistics/871513/worldwide-data-created/) ഡേറ്റാ ഉൽപാദിപ്പിക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യും. **ഡേറ്റാ സയന്റിസ്റ്റുകൾക്ക്**, ഈ വിവരവിഷ്ഫോടനം വ്യക്തിഗതവും പെരുമാറ്റവുമായ ഡേറ്റയിലേക്ക് മുന്‍വിധി എടുക്കാൻ സാദ്ധ്യത നൽകുന്നു. അതോടെ, വിശദമായ ഉപയോക്തൃ പ്രൊഫൈലുകൾ സൃഷ്ടിച്ച് തീരുമാനമെടുക്കൽ സ്വാതന്ത്ര്യത്തിന്റെ [മയക്ക് സൃഷ്ടിക്കുന്ന ദൃശ്യവത്കരണം](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) സൃഷ്ടിക്കാനുള്ള ശക്തിയും വശീകരണവും ഉണ്ടായിരിക്കും. ഈ പ്രക്രിയ ഉപയോഗിച്ച് ഉപയോക്താക്കളെ ഇഷ്ടപ്പെട്ട ഫലങ്ങളിലേക്ക് ദിശാബോധിപ്പിക്കാമെങ്കിലും, ഡേറ്റാ പ്രൈവസി, സ്വയംഭരണവും ആൽഗോരിതം സ്വാധീനത്തിന്റെ നൈതിന്യമായ പരിധികൾ സംബന്ധിച്ച സുപ്രധാന ചോദ്യങ്ങളും ഉയരുന്നു.
ഡേറ്റാ എതിക്‌സ് ഡേറ്റാ സയൻസ്, എഞ്ചിനീയറിംഗിന് ഇനി _അവശ്യമായ ഗാർഡ്‌റെയിലുകളായി_ മാറി, ഡേറ്റാപ്രധാനം പ്രവർത്തനങ്ങളിൽ നിന്നുണ്ടാകാവുന്ന നഷ്ടങ്ങളും അപ്രതീക്ഷിത ഫലങ്ങളും കുറയ്ക്കാൻ സഹായിക്കുന്നു. [ഗാർട്ട്‌ണർ ഹൈപ്പ് സൈക്കിള്‍
](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ഡിജിറ്റൽ എതിക്‌സ്, ഉത്തരവാദിത്വമുള്ള AI, AI ഗവർണൻസ് തുടങ്ങിയതിനുള്ള പ്രധാനം ട്രെൻഡുകളെ തിരിച്ചറിയുന്നു, കൂടാതെ AI-യുടെ _ജനപ്രിയവൽക്കരണവും_ _കച്ചവടമേഖലാ വികസനവും_ വളർത്തുന്ന വലിയ ട്രെൻഡുകളുടെ സഹായകങ്ങളായി ആണ് ഇത്.
![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
ഈ പാഠത്തിൽ, നാം ഡേറ്റാ എതിക്‌സിന്റെ രസകരമായ മേഖലയെ പരിശോധിക്കും - അടിസ്ഥാന ആശയങ്ങളും ചലഞ്ചുകളും, കേസ്സുവായ പഠനങ്ങളും ഗവർണൻസ് പോലുള്ള പ്രയോഗിച്ച AI ആശയങ്ങളും ഉൾപ്പെടെ - ഡേറ്റയും AI-യും ഉപയോഗിക്കുന്ന ടീങ്ങളും സംഘടനകളും തമ്മിൽ എതിക്‌സ് സാംസ്‌കാരികം സ്ഥാപിക്കുന്നതിന് സഹായിക്കുന്നവ.
## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## അടിസ്ഥാന നിർവചനങ്ങൾ
അടിസ്ഥാന പര്യാപ്തതകൾ മനസിലാക്കാനാണ് തുടക്കം.
"എതിക്‌സ്" എന്ന പദം [ഗ്രേക്ക് പദമായ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (അത് മുതൽ "ethos") എന്നതിൽ നിന്നുള്ളതാണ്, അർത്ഥം _സ്വഭാവമോ നൈതിക സ്വഭാവമോ_.
**എതിക്‌സ്** means സമൂഹത്തിൽ നമ്മുടെ പെരുമാറ്റങ്ങൾ നിയന്ത്രിക്കുന്ന പങ്കിട്ട മൂല്യങ്ങളും നൈതിക സിദ്ധാന്തങ്ങളുമാണ്. നിയമങ്ങളിൽ അടിസ്ഥാനമാക്കിയുള്ളതല്ല, സാധാരണ അംഗീകരിക്കപ്പെട്ട "സരി-തെറ്റ്" നിബന്ധനകളിലാണ് ഇത്. എങ്കിലും, നൈതിക ബിന്ദുക്കൾ കോർപ്പറേറ്റ് ഗവർണൻസ് ചട്ടങ്ങളും സർക്കാർ നിയന്ത്രണങ്ങളും രൂപപ്പെടാൻ സ്വാധീനിക്കാം, ഇത് അനുകൂലനത്തിന് കൂടുതൽ പ്രേരണകൾ സൃഷ്ടിക്കുന്നു.
**ഡേറ്റാ എതിക്‌സ്** എന്നത് [എതിക്‌സിന്റെ ഒരു പുതുമുഖ ശാഖ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ആണ്, അത് "ഡേറ്റാ, ആൽഗോരിതങ്ങൾ, അനുബന്ധ പ്രക്രിയകളുമായി ബന്ധപ്പെട്ട നൈതിക പ്രശ്നങ്ങളെ പഠിക്കുകയും വിലയിരുത്തുകയും ചെയ്യുന്നു". ഇവിടെ, **"ഡേറ്റാ"** ഉൽപാദനവും രേഖപ്പെടുത്തലും സുർക്ഷിക്കുകയും പ്രാസംഗികത വിവരിക്കുകയും ഉപയോഗവും ഉൾപ്പെടുന്ന പ്രവർത്തനങ്ങളിലേക്കു വലിപ്പം കാണിക്കുന്നു, **"ആൽഗോരിതങ്ങൾ"** AI, ഏജന്റുകൾ, മെഷീൻ ലേണിംഗ്, റോബോട്ടുകൾ എന്നിവയിലേക്കെന്ന് ശ്രദ്ധിക്കുന്നു, **"പ്ര്യതിചരണങ്ങൾ"** ഉത്തരവാദിത്വം ഉള്ള നവീകരണം, പ്രോഗ്രാമിംഗ്, ഹാക്കിംഗ്, എതിക്‌സ് കോഡുകൾ തുടങ്ങിയ വിഷയങ്ങളാണ്.
**പ്രയോഗിച്ച എതിക്‌സ്** എന്നത് [നൈതിക വിഷയങ്ങളുടെ പ്രായോഗിക പ്രയോഗം](https://en.wikipedia.org/wiki/Applied_ethics) ആണ്. ഇത് _യഥാർത്ഥ പ്രവർത്തനങ്ങളുടെയും ഉൽപ്പന്നങ്ങളുടെയും പ്രക്രിയകളുടെയും_ സാഹചര്യത്തിൽ നൈതിക പ്രശ്നങ്ങളെ സജീവമായി അന്വേഷിച്ച് തിരുത്തൽ സ്വീകരിക്കുന്ന പ്രക്രിയയാണ്, ഇത് നിശ്ചിത നൈതിക മൂല്യങ്ങളോട് പൊരുത്തപ്പെടുന്നതിനുള്ളതാണ്.
**എതിക്‌സ് സംസ്കൃതി** [_പ്രയോഗിച്ച എതിക്‌സ് പ്രയോഗിക്കുന്നത്_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ആണ്, ഒരു ഒറ്റസംഘടനയിലുടനീളം എതിരാളിത്തത്വജ്ഞങ്ങളെ ഒരേ തരത്തിൽ കേവലം പാലിക്കുകയും വ്യാപിപ്പിക്കുകയും ചെയ്യുന്നതിനുള്ള ഉറപ്പു വരുത്തുക. ഒരു വിജയകരമായ എതിക്‌സ് സംസ്കൃതി സംഘടനാ തലത്തിലുള്ള നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിക്കുകയും അനുകരണം പ്രേരിപ്പിക്കുന്ന ഫലപ്രദമായ പ്രേരണകൾ നൽകുകയും ഏവരുടേയും ആവശ്യാനുസരണത്തിൽ പുതിയ പെരുമാറ്റങ്ങളെ പ്രോത്സാഹിപ്പിക്കുകയും ശക്തിപ്പെടുത്തുകയും ചെയ്യും.
## എതിക്‌സ് ആശയങ്ങൾ
ഈ ഭാഗത്തിൽ, നാം ഡേറ്റാ എതിക്‌സിന്റെ **പങ്കിട്ട മൂല്യങ്ങൾ** (സിദ്ധാന്തങ്ങൾ), **എതിക്‌സ് വെല്ലുവിളികൾ** (പ്രശ്നങ്ങൾ) എന്നിവയെപ്പറ്റിയും ഇവയെ മനസ്സിലാക്കാൻ സഹായിക്കുന്ന **കേസ്സ്റ്റഡികൾ** പഠിക്കുമെന്നും.
### 1. എതിക്‌സ് സിദ്ധാന്തങ്ങൾ
ഓരോ ഡേറ്റാ എതിക്‌സ് തന്ത്രവും നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിക്കുന്നത് കൊണ്ട് ആരംഭിക്കുന്നു - പ്രമാണായ പെരുമാറ്റങ്ങളെ നിർവചിക്കുന്ന "പങ്കിട്ട മൂല്യങ്ങൾ", ഡേറ്റാ & AI പദ്ധതികളിൽ അനുകരണപ്രാപ്തിയായ പ്രവർത്തനങ്ങളെ മാർഗ്ഗനിർദ്ദേശം നൽകുന്നു. ഇത് വ്യക്തിഗതമായി അല്ലെങ്കിൽ ടീം തലത്തിൽ നിർവചിക്കാം. എങ്കിലും ബഹുജന ഓർഗനൈസേഷനുകളിൽ ഇത് കോർപ്പറേറ്റ് തലത്തിൽ നിർവചിക്കപ്പെട്ട ഒരു _നൈതിക AI_ ദൗത്യം അല്ലെങ്കിൽ ഫ്രെയിംവർക്ക് ആകുന്നു, എല്ലാം ടീമുകളിൽ ഒരുപോലെ കാപുരം പാലിക്കുന്നതും.
**ഉദാഹരണം:** മൈക്രോസോഫ്റ്റ് [ഉത്തരവാദിത്വമുള്ള AI](https://www.microsoft.com/en-us/ai/responsible-ai) ദൗത്യം പറയുന്നു: _"ആളുകളെ മുൻനിർത്തിയുള്ള നൈതിക സിദ്ധാന്തങ്ങൾ കൊണ്ടു AI പുരോഗമനം നാം പ്രതിജ്ഞാബദ്ധരാണ്"_ - താഴെയുള്ള ഫ്രെയിംവർക്കിൽ 6 നൈതിക സിദ്ധാന്തങ്ങൾ കാണിക്കുന്നു:
![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
ഇപ്പോൾ ഈ സിദ്ധാന്തങ്ങൾ ചുരുക്കത്തിൽ പഠിക്കാം. _തെളിവാദ്ധ്യായതയും_ (_Transparency_) _ഉത്തരവാദിത്തവും_ (_Accountability_) മറ്റു സിദ്ധാന്തങ്ങൾക്ക് അടിസ്ഥാനമായ മൂല്യങ്ങളാണ് - അതുകൊണ്ട് അവയിൽ നിന്ന് തുടങ്ങാം:
* [**ഉത്തരവാദിത്തം**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) പ്രയോക്താക്കളെ അവരുടെ ഡേറ്റാ & AI പ്രവർത്തനങ്ങൾക്ക്, ഈ നൈതിക സിദ്ധാന്തങ്ങൾക്ക് അനുസൂയിച്ചിരിക്കാനുള്ള ഉത്തരവാദിത്തത്തിലേക്ക് കൊണ്ടുവരുന്നു.
* [**തെളിവാദ്ധ്യായത**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ഡേറ്റാ, AI പ്രവർത്തനങ്ങൾ ഉപയോക്താക്കൾക്ക് _അർത്ഥമാക്കാവുന്ന_ (വ്യാഖ്യാനിക്കാവുന്ന)തായിരിക്കണമെന്ന് ഉറപ്പുവരുത്തുന്നു, തീരുമാനങ്ങൾക്ക് പിന്നിലെ എന്തും എന്തുകൊണ്ടും വിശദീകരിക്കുന്നു.
* [**സമത്വം**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) AI എല്ലാവരോടും _നീതിക്കുള്ള്മക്തമായ്_ പെരുമാറുക ഉറപ്പാക്കുന്നു, ഡേറ്റaio സിസ്റ്റങ്ങളിലെ അധിഗമനാത്മകമായ സാമൂഹ്യ സാങ്കേതിക പാഴ്‌സ്പരത്വങ്ങൾ പരിഹരിക്കുന്നു.
* [**നിരന്തരം വിശ്വാസ്യതയും സുരക്ഷയും**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) AI നിർവചിച്ച മൂല്യങ്ങളോട് _ഏകസമയത്തിലും_ പെരുമാറുന്നത് ഉറപ്പാക്കുന്നു, സാധ്യതയുള്ള ഹാനികളും അപ്രതീക്ഷിത ഫലങ്ങളും കുറയ്ക്കുന്നു.
* [**സ്വകാര്യതയും സുരക്ഷവും**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ഡേറ്റാ പദവി മനസ്സിലാക്കുകയും ഉപയോക്താക്കൾക്ക് _ഡേറ്റാ സ്വകാര്യതയും അനുബന്ധ സംരക്ഷണവും_ നൽകുകയും ചെയ്യുകയാണ്.
* [**ഇൻക്ലൂസിവ്‌നെസ്സ് (സമഗ്രത)**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) AI പരിഹാരങ്ങൾ ഉദ്ദേശപൂർവ്വം രൂപകൽപ്പന ചെയ്യുന്നുവെന്നും വിവിധ മനുഷ്യാവശ്യങ്ങൾക്കും കഴിവുകൾക്കും ഒത്തുപോകുന്ന രീതിയിലും മാറിക്കൊള്ളുന്നതുമാണ്.
> 🚨 നിങ്ങളുടെ ഡേറ്റാ എതിക്‌സ് ദൗത്യം എന്തായിരിക്കുമെന്നു ചിന്തിക്കൂ. മറ്റ് സംഘടനകളുടെ നൈതിക AI ഫ്രെയിംവർക്കുകൾ പരിശോധിക്കൂ - [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ഉദാഹരണങ്ങൾ. അവയെന്തെന്ത് പങ്കിട്ട മൂല്യങ്ങൾ കാണിക്കുന്നു? ഈ സിദ്ധാന്തങ്ങൾ അവരുടെ AI ഉൽപ്പന്നത്തിെനും വ്യവസായത്തിന്റെയും ബന്ധം എങ്ങനെയാണ്?
### 2. എതിക്‌സ് വെല്ലുവിളികൾ
നാം നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിച്ച് കഴിഞ്ഞാൽ, പിന്നെ നമ്മുടെ ഡേറ്റാ AI പ്രവർത്തനങ്ങൾ ഇവിടെയുള്ള പങ്കിട്ട മൂല്യങ്ങൾപോലെ ഉണ്ടോ എന്ന് വിലയിരുത്തണം. നിങ്ങളുടെ പ്രവർത്തനങ്ങൾ രണ്ടുഭാഗങ്ങളായി പിരിച്ചാൽ: _ഡേറ്റാ ശേഖരണം_ എന്നും _ആൽഗോരിതം രൂപകൽപ്പന_ എന്നും.
ഡേറ്റാ ശേഖരണത്തിൽ, **വ്യക്തിഗത ഡേറ്റാ** അല്ലെങ്കിൽ വ്യക്തിഗതമായി തിരിച്ചറിയാവുന്ന വിവരങ്ങൾ ഉൾപ്പെടും. ഇത് [വിവിധവക ആരോഗ്യരഹിത ഡേറ്റാ ഇനങ്ങൾ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) അടങ്ങിയിരിക്കും, കൂടെവെച്ച് വ്യക്തിയെ തിരിച്ചറിയാൻ സഹായിക്കും. എതിക്‌സ് വെല്ലുവിളികൾ ഡേറ്റാ സ്വകാര്യത, ഡേറ്റാ ഉടമസ്ഥത, നയതന്ത്ര സമ്മതമികയ്ക്കൽ, ബൗദ്ധിക ഉടമസ്ഥത എന്നീ വിഷയങ്ങളിൽ ഉണ്ടാകാം.
ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
* വ്യത്യസ്ത സബ്ഗ്രൂപ്പുകൾക്കും സാഹചര്യങ്ങൾക്കും മോഡൽ കൃത്യത ഞങ്ങൾ വിലയിരുത്തിയോ?
* സിസ്റ്റത്തിൽ സാധ്യതയുള്ള ഹാനികൾ (ഉദാ: സ്റ്റീരിയോടൈപ്പിംഗ്) പരിശോധിച്ചോ?
* തിരിച്ചറിയപ്പെട്ട ഹാനികൾ കുറയ്ക്കാൻ ഡാറ്റ തിരുത്തുകയോ മോഡലുകൾ പുനരുപയോഗം ചെയ്യുകയോ ചെയ്യാമോ?
ആൽഗോരിതം രൂപകൽപ്പനയിൽ, **ഡേറ്റാ സെറ്റുകൾ** ശേഖരിക്കുകയും തിരഞ്ഞെടുത്തു പരിഗണിക്കുകയും ചെയ്യും, തുടർന്ന് അവ ഉപയോഗിച്ച് പ്രവചനങ്ങൾ നടത്താൻ അല്ലെങ്കിൽ യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ തീരുമാനങ്ങൾ ഓട്ടോമേഷൻ ചെയ്യാൻ ഉള്ള **ഡേറ്റാ മോഡലുകൾ** പരിശീലിപ്പിക്കും. എതിക്‌സ് വെല്ലുവിളികൾ ഡേറ്റാസെറ്റ് പക്ഷപാതം, ഡേറ്റാ ഗുണമേന്മാ പ്രശ്നങ്ങൾ, നീതിയില്ലായ്മകള്‍, തെറ്റിദ്ധാരണ തുടങ്ങിയവയിൽ ഉണ്ടാകും - ചിലത് സിസ്റ്റമാറ്റിക് സ്വഭാവമുള്ളതും ആകാം.
കൂടുതൽ അറിയാൻ [AI നീതിമാന്മാർഗ്ഗ ചെക്ക്ലിസ്റ്റുകൾ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) പോലുള്ള വിഭവങ്ങൾ പരിശോധിക്കുക.
രണ്ടിനും, എതിക്‌സ് വെല്ലുവിളികൾ നമ്മുടെ പങ്കിട്ട മൂല്യങ്ങളോടുള്ള സംഘർഷം വരുത്തുന്ന വിഷയങ്ങളെ വ്യക്തമാക്കുന്നു. അവ കണ്ടെത്താനായി, കുറയ്ക്കാനായി, ഇല്ലാതാക്കി വിരാമപ്പെടുത്താനായി, നാം നൈതിക "അതെ/ഇല്ല" ചോദ്യങ്ങൾ ചോദിച്ച് അവർക്ക് അനുയോജ്യമായ തിരുത്തൽ നടപടികൾ സ്വീകരിക്കണം. ചില വെല്ലുവിളികളും അവ സൃഷ്ടിക്കുന്ന ചോദ്യങ്ങളും നോക്കാം:
#### 2.1 ഡേറ്റാ ഉടമസ്ഥത
ഡേറ്റാ ശേഖരണം വ്യക്തികളെ തിരിച്ചറിയാൻ കഴിയുന്ന വ്യക്തിഗത ഡേറ്റയുടെ കേന്ദ്രീകൃതമാണ്. [ഡേറ്റാ ഉടമസ്ഥത](https://permission.io/blog/data-ownership) എന്നാൽ ഡേറ്റാ സൃഷ്ടി, പ്രോസസ്സിംഗ് വിതരണവുമായി ബന്ധപ്പെട്ട് _നിയന്ത്രണ_വും [_ഉപയോക്താവ് അവകാശങ്ങളുടെയും_](https://permission.io/blog/data-ownership) കാര്യവും ആണ്.
ചോദ്യങ്ങൾ:
* ഡേറ്റയുടെ ഉടമ ആരാണ്? (ഉപയോക്താവ് അല്ലെങ്കിൽ സംഘടന)
* ഡേറ്റാ വിഷയം ഉള്ള വ്യക്തികൾക്ക് എന്ത് അവകാശങ്ങൾ ഉണ്ട്? (ഉദാ: ആക്‌സസ്, ഇല്ലാതാക്കൽ, പോർട്ടബിILITY)
* സംഘടനയ്ക്ക് എന്ത് അവകാശങ്ങൾ ഉണ്ട്? (ഉദാഹരണം: ദുർവിനീത ഉപയോക്തൃ അവലോകനങ്ങൾ പരിഹരിക്കൽ)
#### 2.2 അറിയിക്കപ്പെട്ട സമ്മതം
[അറിയിച്ച സമ്മതം](https://legaldictionary.net/informed-consent/) എന്നത് ഉപയോക്താക്കൾ ഒരു പ്രവർത്തനത്തിന് (ഉദാ: ഡേറ്റാ ശേഖരണം) പൂർണ്ണമായും ബന്ധപ്പെട്ട കാര്യങ്ങൾ, ലക്ഷ്യങ്ങൾ, സാധ്യതാ അപകടങ്ങൾ, മറ്റ് വഴികൾ എന്നിവ മനസിലാക്കിയ ശേഷമേ സമ്മതം നൽകൂ എന്നതാണ്.
ചോദ്യങ്ങൾ:
* ഉപയോക്താവ് (ഡേറ്റാ വിഷയം) ഡേറ്റാ ശേഖരണത്തിനും ഉപയോഗത്തിനും അനുവാദം നൽകിയോ?
* ഉപയോക്താവ് ആ ഡേറ്റാ ശേഖരണത്തിന്റെ ഉദ്ദേശ്യം മനസ്സിലാക്കിയോ?
* ഉപയോക്താവ് അവരുടെ പങ്കാളിത്തത്തിൽ നിന്നുണ്ടാകാവുന്ന അപകടങ്ങൾ മനസ്സിലാക്കിയോ?
#### 2.3 ബൗദ്ധിക സ്വത്ത്വാവകാശം
[ബൗദ്ധിക സ്വത്ത്വാവകാശം](https://en.wikipedia.org/wiki/Intellectual_property) മനുഷ്യനെയാണ് സൃഷ്ടിച്ച മുങ്ങിപ്പോകാനാകാത്ത സൃഷ്ടികൾക്ക് ചൊല്ലുന്നതും വ്യക്തികൾക്കും ബിസിനസുകൾക്കും _വാണിജ്യ മൂല്യമുള്ളതായ_ അവയ്ക്കും ചേടങ്ങുള്ളതാണ്.
ചോദ്യങ്ങൾ:
* ശേഖരിച്ച ഡേറ്റാ ഉപയോക്താവിനോ ബിസിനസ്സിനോ വാണിജ്യ മൂല്യമുണ്ടായിരുന്നോ?
* **ഉപയോക്താവിന്** ഇവിടെ ബൗദ്ധിക സ്വത്തവകാശമുണ്ടോ?
* **സംഘടനയ്ക്ക്** ഇവിടെ ബൗദ്ധിക സ്വത്തവകാശമുണ്ടോ?
* ഈ അവകാശങ്ങൾ ഉണ്ടെങ്കിൽ, ഞങ്ങൾ അവ സുരക്ഷിതമാക്കിയിരിക്കുന്നത് എങ്ങനെ?
#### 2.4 ഡേറ്റാ സ്വകാര്യത
[ഡേറ്റാ സ്വകാര്യത](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) അല്ലെങ്കിൽ വിവര സ്വകാര്യത വ്യക്തിഗത തിരിച്ചറിയാവുന്ന വിവരങ്ങളുമായി ബന്ധപ്പെട്ട് ഉപയോക്തൃ സ്വകാര്യതയും അവരുടേത് കാത്തുസൂക്ഷിക്കലും ആണ്.
ചോദ്യങ്ങൾ:
* ഉപയോക്താക്കളുടെ (വ്യക്തിഗത) ഡേറ്റാ ഹാക്കിംഗിൽ നിന്നും ചോർച്ചകളിൽ നിന്നും സുരക്ഷിതമാണോ?
* ഡേറ്റ ഇതുവരെ അധികാരമുള്ള ഉപയോക്താക്കളിൽ മാത്രമാണ് കൈവശം വെക്കുന്നത്?
* ഡേറ്റ പങ്കുവച്ചു പടർന്നപ്പോൾ ഉപയോക്തൃ അനോണിമിറ്റി സംരക്ഷിക്കപ്പെട്ടിട്ടുണ്ടോ?
* ഉപയോക്താവിനെ അനോണിമാകൃത ഡേറ്റാസെറ്റുകളിൽ നിന്ന് തിരിച്ചറിയാനാകുമോ?
#### 2.5 മറക്കാനുള്ള അവകാശം
[മറക്കാനുള്ള അവകാശം](https://en.wikipedia.org/wiki/Right_to_be_forgotten) അല്ലെങ്കിൽ [ഇറുപാട് അവകാശം](https://www.gdpreu.org/right-to-be-forgotten/) ഉപയോക്താക്കൾക്ക് അധിക സുരക്ഷ നൽകുന്നു. പ്രത്യേക സാഹചര്യങ്ങളിൽ, ഉപയോക്താക്കൾക്ക് അവരുടെ വ്യക്തിഗത ഡേറ്റായുള്ള ഇന്റർനെറ്റ് തിരച്ചിലും മറ്റ് ഇടങ്ങളിലുള്ള ഡേറ്റ ഒഴിവാക്കുന്നതിനും ഇല്ലാതാക്കുന്നതിനും ആവശ്യപ്പെടാനുള്ള അവകാശം നൽകുന്നു - മുമ്പത്തെ പ്രവർത്തനങ്ങൾ കാരണം മോശം അനുഭവം കൂടാതെ പുതിയ തുടക്കത്തിന് അവസരം നൽകുന്നു.
ചോദ്യങ്ങൾ:
* സിസ്റ്റത്തിൽ ഡേറ്റാ വിഷയങ്ങൾക്ക് ഇറിവാക്കലിനായുള്ള അപേക്ഷിപ്പിക്കാൻ കഴിയുമോ?
* ഉപയോക്തൃ സമ്മതം പിന്മറ്റു പോയാൽ ഓട്ടോമേറ്റഡ് പോലെ ഡേറ്റ നീക്കം ചെയ്യണോ?
* ഡേറ്റ സമ്മതവിഹീനമായി അല്ലെങ്കിൽ നിയമ വിരുദ്ധ മാർഗങ്ങളിലൂടെ ശേഖരിച്ചതാണ്?
* നാം സർക്കാർ ഡേറ്റാ സ്വകാര്യത ചട്ടങ്ങൾ പാലിക്കുന്നുണ്ടോ?
#### 2.6 ഡേറ്റാസെറ്റ് പക്ഷപാതം
ഡേറ്റാസെറ്റ് അല്ലെങ്കിൽ [സംഗ്രഹ പക്ഷപാതം](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) എന്നത് ആൽഗോരിതം വികസനത്തിനായി _പ്രതിനിധിയല്ലാത്ത_ ഡേറ്റാ സെറ്റ് തിരഞ്ഞെടുക്കുന്നതാണ്, ഇതു മൂലം വിവിധ ഗ്രൂപ്പുകളുടെ ഫലം അനീതിപൂർവ്വമായാകാൻ ഇടയുണ്ടാകും. പക്ഷപാത തരം തിരഞ്ഞെടുപ്പ്/സാമ്പിൾ എടുത്തൽ പക്ഷപാതം, സന്നദ്ധ പങ്കാളിത്ത പക്ഷപാതം, ഉപകരണം നഷ്ടം എന്നിവയുമാണ്.
ചോദ്യങ്ങൾ:
* നാം പ്രതിനിധീകരണമുള്ള ഡേറ്റാ വിഷയങ്ങളെ തെരഞ്ഞെടുക്കുകയുണ്ടായോ?
* നാം ശേഖരിച്ച ഡേറ്റാ സെറ്റ് വിവിധ തരത്തിലുള്ള പക്ഷപാതങ്ങൾക്കായി പരീക്ഷിച്ചോ?
* കണ്ടെത്തിയ ഏതുവിധത്തേയും പക്ഷപാതങ്ങൾ കുറയ്ക്കാനോ നീക്കം ചെയ്യാനോ കഴിയുമോ?
#### 2.7 ഡേറ്റാ ഗുണമേന്മ
[ഡേറ്റാ ഗുണമേന്മ](https://lakefs.io/data-quality-testing/) ആൽഗോരിതങ്ങൾ വികസിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഡേറ്റാ സെറ്റിന്റെ സാധുത പരിശോധിക്കുന്നു, നമ്മുടെ AI ഉദ്ദേശ്യത്തിനായി ആവശ്യമായ കൃത്യതയും സാന്ദ്രതയും പൂർണ്ണമെന്നുറപ്പാക്കുന്നു.
ചോദ്യങ്ങൾ:
* ഞങ്ങൾ ഉപയോഗിക്കുവാൻ സാധുവായ _ഫീച്ചറുകൾ_ ശേഖരിച്ചോ?
* വ്യത്യസ്ത ഡേറ്റാ ഉറവിടങ്ങളിൽ _സാധാരണയായി_ ഡേറ്റ ശേഖരിച്ചോ?
* വ്യത്യസ്ത സാഹചര്യങ്ങളിലെയും അനുഭവങ്ങളിലെയും ഡേറ്റാസെറ്റ് _പരിപൂർണ്ണമാണോ_?
* യാഥാർത്ഥ്യം പ്രതിഫലിപ്പിക്കുന്നതിൽ വിവരങ്ങൾ _കൃത്യമായി_ ശേഖരിച്ചിട്ടുണ്ടോ?
#### 2.8Algorithm Fairness
[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) പിൻവലിക്കൽ (അവസാനിക്കുന്നത്) ചില ഡാറ്റാ സബ്‌ഗ്രൂപ്പുകളെ എതിര്‍വത്തൊക്കുന്നയാക്കിയാല്‍ ഉത്തരവാദിത്വം കാണിക്കുന്നു എന്നു പരിശോധിക്കുന്നു, ഇത് _ഓർത്ത് വിനിയോഗം_ (അതായത് ആ ഗ്രൂപ്പിൽ നിന്നുള്ള സ്രോതസ്സുകൾ നിഷേധിക്കപ്പെടുകയോ, തടയപ്പെടുകയോ ചെയ്യപ്പെടുന്നത്) ഉം _സേവന ഗുണമേന്മ_ (AI ചില സബ്‌ഗ്രൂപ്പുകൾക്ക് മറ്റുള്ളവർക്കുള്ളതിനേക്കാൾ ശരിയായി പ്രവർത്തിക്കത്തക്കതല്ല) ഉം ഉള്ള [സാധ്യതയുള്ള ദോഷങ്ങൾ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ഉണ്ടാക്കുന്നു.
ഇവിടെയുള്ള പരിശോദന ചോദ്യങ്ങൾ:
* വ്യത്യസ്ത സബ്‌ഗ്രൂപ്പുകൾക്കും സാഹചര്യങ്ങൾക്കും മോഡൽ കൃത്യത വിലയിരുത്തിയോ?
* സിസ്റ്റത്തിൽ സാധ്യതയുള്ള ദോഷങ്ങൾ (ഉദാ: സ്റ്റീരിയോ ടൈപ്പിങ്) ചോദ്യം ചെയ്തോ?
* കണ്ടെത്തിയ ദോഷങ്ങൾ കുറയ്ക്കാൻ ഡാറ്റ തിരുത്തുകയോ മോഡലുകൾ പുനർപരിശീലിക്കുകയോ ചെയ്യാമോ?
കൂടുതൽ പഠിക്കാൻ [AI ന്യായപരിശോധന ലിസ്റ്റുകൾ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) പരിശോധിക്കുക.
#### 2.9 തെറ്റായ പ്രതിനിധാനം
[ഡാറ്റ തെറ്റായ പ്രതിനിധാനം](https://www.sciencedirect.com/topics/computer-science/misrepresentation) എന്നത് നമുക്ക് സത്യസന്ധമായി റിപ്പോർട്ട് ചെയ്ത ഡാറ്റയിൽ നിന്നുള്ള洞察ങ്ങൾ വഞ്ചനാപരമായി പ്രദർശിപ്പിച്ച് ഒരു ആഗ്രഹിച്ച നാരേറ്റീവ് പിന്തുണയ്ക്കുന്നുണ്ടോ എന്ന് ചോദിക്കുന്നതാണ്.
[ഡാറ്റ തെറ്റായ പ്രതിനിധാനം](https://www.sciencedirect.com/topics/computer-science/misrepresentation) നമ്മുടെ മനസ്സിലുള്ള കൃത്യമായ ഡാറ്റയിൽ നിന്ന് ലഭിച്ച അർത്ഥങ്ങൾ വഞ്ചനാപരമായി പ്രചരിപ്പിക്കുന്നുണ്ടോ എന്ന് ചിന്തിക്കുന്നു, ഒരു ഉദ്ദേശിച്ച കഥാവസ്തുവിനെ പിന്തുണയ്ക്കാൻ.
ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
* നാം അപൂർണ്ണമോ തെറ്റായോ ഡാറ്റ റിപ്പോർട്ട് ചെയ്യുകയാണോ?
* തെറ്റിദ്ധരിപ്പിക്കുന്ന നിഗമനങ്ങൾ സൃഷ്ടിക്കുന്ന രീതിയിൽ ഡാറ്റ ദൃശ്യവൽക്കരിക്കുകയാണോ?
* ഫലങ്ങൾ നിയന്ത്രിക്കാൻ തിരഞ്ഞെടുക്കപ്പെട്ട സാംഖ്യിക സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുകയാണോ?
* വ്യത്യസ്ത നിഗമനങ്ങൾ നൽകുന്ന മറ്റ് വ്യാഖ്യാനങ്ങൾ ഉണ്ടോ?
ഇവിടെയുള്ള ചോദ്യങ്ങൾ:
* നാം അപൂർണ്ണമോ തെറ്റായ ഡാറ്റ റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ?
* നാം തെറ്റിദ്ധാരണയുണ്ടാക്കുന്ന രീതിയിലുള്ള ഡാറ്റാ ദൃശ്യീകരണം നടത്തുകയോ?
* ഫലം മാനിപ്പുലേറ്റ് ചെയ്യുന്നതിനായി തെരഞ്ഞെടുക്കപ്പെട്ട സ്റ്റാറ്റിസ്റ്റിക്കൽ എന്ന രീതികൾ ഉപയോഗിച്ചിട്ടുണ്ടോ?
* വ്യത്യസ്തമായ മറ്റൊരു വ്യാഖ്യാനം ഉണ്ടാവാമോ?
#### 2.10 സ്വതന്ത്ര തിരഞ്ഞെടുപ്പ്
[സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) സംഭവിക്കുന്നത് സിസ്റ്റം "തിരഞ്ഞെടുപ്പ് ഘടനകൾ" തീരുമാനമെടുക്കൽ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ആളുകളെ ഒരു ഇഷ്ടപ്പെട്ട ഫലത്തിലേക്ക് നയിക്കുമ്പോൾ അവർക്ക് ഓപ്ഷനുകളും നിയന്ത്രണവും നൽകുന്ന പോലെ തോന്നിക്കുന്നതാണ്. ഈ [ഡാർക്ക് പാറ്റേണുകൾ](https://www.darkpatterns.org/) ഉപയോക്താക്കൾക്ക് സാമൂഹിക-ആര്ത്ഥിക ഹാനി ഉണ്ടാക്കാം. ഉപയോക്തൃ തീരുമാനങ്ങൾ പെരുമാറ്റ പ്രൊഫൈലുകളെ ബാധിക്കുന്നതിനാൽ, ഈ പ്രവർത്തനങ്ങൾ ഭാവിയിലെ തിരഞ്ഞെടുപ്പുകൾക്ക് പ്രേരകമാകുകയും ഹാനികൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യാം.
ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
* ആ തിരഞ്ഞെടുപ്പ് ചെയ്യുന്നതിന്റെ ഫലങ്ങൾ ഉപയോക്താവ് മനസ്സിലാക്കിയിരുന്നോ?
* ഉപയോക്താവ് (മറ്റു) തിരഞ്ഞെടുപ്പുകളും അവയുടെ ഗുണദോഷങ്ങളും അറിയാമോ?
* ഉപയോക്താവ് പിന്നീട് സ്വയംമാറ്റം ചെയ്യാനോ സ്വയം നിയന്ത്രിക്കാനോ കഴിയുമോ?
[സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) സംഭവിക്കുന്നത് സിസ്റ്റം "തിരഞ്ഞെടുപ്പ് ഘടനകൾ" തീരുമാനമെടുക്കൽ ആൽഗോറിതങ്ങൾ ഉപയോഗിച്ച് ആളുകളെ ഒരു ഇഷ്ടാനുസൃത ഫലത്തിനെ സമീപിപ്പിക്കുന്ന രീതിയിലാണ്, അവർക്ക് തിരഞ്ഞെടുപ്പുകളും നിയന്ത്രണവും നൽകിയതുപോലെ തോന്നിപ്പോകുന്നു. ഈ [ഡാർക്ക് പാറ്റേണുകൾ](https://www.darkpatterns.org/) ഉപയോക്താക്കൾക്ക് സാമൂഹ്യ-ആർഥിക ദോഷങ്ങൾ സൃഷ്ടിക്കാം. ഉപയോക്തൃ തീരുമാനങ്ങൾ പെരുമാറ്റ പ്രൊഫൈലുകളിൽ സ്വാധീനിക്കുന്നതിനാൽ, ഈ പ്രവൃത്തികൾ ഭാവിയിലെ തിരഞ്ഞെടുപ്പുകളെ ബാധിക്കുകയും ഇത്തരം ദോഷങ്ങൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യും.
ഇവിടെയുള്ള ചോദ്യം:
* തിരഞ്ഞെടുപ്പ് ചെയ്യുന്നതിന്റെ ആവശ്യകത ഉപയോക്താവ് മനസ്സിലാക്കിയോ?
* ഉപയോക്താവ് (മറുകുറ്റി) തിരഞ്ഞെടുപ്പുകളും ഓരോതിന്റെയും ഗുണദോഷങ്ങളും അറിഞ്ഞിട്ടുണ്ടോ?
* ഉപയോക്താവ് പിന്നീട് സ്വയം ഓട്ടോമേറ്റഡ് അല്ലെങ്കിൽ സ്വാധീനിക്കപ്പെട്ട തിരഞ്ഞെടുപ്പ് തിരുത്താൻ കഴിയുമോ?
### 3. കേസ്സ് സ്റ്റഡികൾ
### 3. കേസ് സ്റ്റഡികൾ
ഈ നൈതിക വെല്ലുവിളികൾ യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിൽ എങ്ങനെ പ്രതിഫലിക്കുന്നു എന്ന് കാണാൻ, വ്യക്തികൾക്കും സമൂഹത്തിനും സംഭവിക്കുന്ന ഹാനികളും ഫലങ്ങളും വ്യക്തമാക്കുന്ന കേസ്സ് സ്റ്റഡികൾ സഹായിക്കുന്നു.
ഈ തത്ത്വചിന്തനപരമായ വെല്ലുവിളികൾ യാഥാർത്ഥ്യ ജീവിത സാഹചര്യങ്ങളിൽ എങ്ങനെ കാണപ്പെടുന്നു എന്നത് മനസ്സിലാക്കാൻ, വ്യക്തികളുടെയും സമൂഹത്തിന്റെയും പാതിവഴികളിലും ആഘാതങ്ങളിലും ശ്രദ്ധ പറച്ചിലുകൾ നടത്തുക ഉപകരിക്കുന്നു.
ചില ഉദാഹരണങ്ങൾ:
ചുരുക്കപ്പെട്ട ഉദാഹരണങ്ങൾ:
| നൈതിക വെല്ലുവിളി | കേസ്സ് സ്റ്റഡി |
| നൈതിക വെല്ലുവിളി | കേസ് സ്റ്റഡി |
|--- |--- |
| **അറിയിപ്പോടെ സമ്മതം** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - പഠനത്തിൽ പങ്കെടുത്ത ആഫ്രിക്കൻ അമേരിക്കൻ പുരുഷന്മാർക്ക് സൗജന്യ മെഡിക്കൽ പരിചരണം വാഗ്ദാനം ചെയ്തിരുന്നെങ്കിലും, രോഗനിർണയം അല്ലെങ്കിൽ ചികിത്സ ലഭ്യതയെക്കുറിച്ച് അറിയിക്കാതെ ഗവേഷകർ വഞ്ചിച്ചു. പലർ മരിച്ചു, പങ്കാളികൾക്കും കുട്ടികൾക്കും ബാധിച്ചു; പഠനം 40 വർഷം നീണ്ടു. |
| **ഡാറ്റാ സ്വകാര്യത** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) 50,000 ഉപഭോക്താക്കളിൽ നിന്നുള്ള _10M അനോണിമൈസ്ഡ് മൂവി റാങ്കിംഗുകൾ_ ഗവേഷകർക്ക് നൽകി ശുപാർശ ആൽഗോരിതങ്ങൾ മെച്ചപ്പെടുത്താൻ സഹായിച്ചു. എന്നാൽ, ഗവേഷകർ അനോണിമൈസ്ഡ് ഡാറ്റയെ വ്യക്തിഗതമായി തിരിച്ചറിയാവുന്ന ഡാറ്റയുമായി (ഉദാ: IMDb കമന്റുകൾ) ബന്ധിപ്പിച്ച് ചില Netflix ഉപഭോക്താക്കളെ "ഡീ-അനോണിമൈസ്" ചെയ്തു.|
| **സംഗ്രഹണ പാകം** | 2013 - ബോസ്റ്റൺ നഗരം [Street Bump](https://www.boston.gov/transportation/street-bump) എന്ന ആപ്പ് വികസിപ്പിച്ചു, പാതയിലെ പാളങ്ങൾ റിപ്പോർട്ട് ചെയ്യാൻ പൗരന്മാർക്ക് അനുവദിച്ചു, നഗരത്തിന് റോഡുകളുടെ മെച്ചപ്പെടുത്തലിന് മികച്ച ഡാറ്റ ലഭിച്ചു. എന്നാൽ, [കുറഞ്ഞ വരുമാനമുള്ളവർക്ക് കാറുകളും ഫോണുകളും കുറവായിരുന്നു](https://hbr.org/2013/04/the-hidden-biases-in-big-data), അവരുടെ റോഡ് പ്രശ്നങ്ങൾ ആ ആപ്പിൽ കാണാനാകാതെ പോയി. വികസിപ്പിച്ചവർ അക്കാദമികരുമായി ചേർന്ന് _സമതുല്യ ആക്‌സസ്_ പ്രശ്നങ്ങളും ഡിജിറ്റൽ വിഭജനം പരിഹരിക്കാൻ പ്രവർത്തിച്ചു. |
| **ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ലിംഗ തിരിച്ചറിയൽ AI ഉൽപ്പന്നങ്ങളുടെ കൃത്യത വിലയിരുത്തി, സ്ത്രീകൾക്കും വർണ്ണജാതി വ്യക്തികൾക്കും കൃത്യതയിൽ വ്യത്യാസങ്ങൾ കണ്ടെത്തി. 2019-ലെ [Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) സ്ത്രീകൾക്ക് പുരുഷന്മാരേക്കാൾ കുറവ് ക്രെഡിറ്റ് നൽകുന്നതായി തോന്നി. ഇരുവരും ആൽഗോരിതം പാകം മൂലം സാമൂഹ്യ-ആര്ത്ഥിക ഹാനികൾ ഉണ്ടാകുന്നതിന്റെ ഉദാഹരണങ്ങൾ.|
| **ഡാറ്റ തെറ്റായ പ്രതിനിധാനം** | 2020 - [ജോർജിയ പബ്ലിക് ഹെൽത്ത് വകുപ്പ് COVID-19 ചാർട്ടുകൾ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) പുറത്തിറക്കി, സ്ഥിരീകരിച്ച കേസുകളുടെ പ്രവണതയെക്കുറിച്ച് പൗരന്മാരെ തെറ്റിദ്ധരിപ്പിക്കുന്നതായി തോന്നി, x-അക്ഷത്തിൽ ക്രമരഹിതമായ ഓർഡറിംഗ് ഉപയോഗിച്ചു. ഇത് ദൃശ്യവൽക്കരണ തന്ത്രങ്ങളിലൂടെ തെറ്റായ പ്രതിനിധാനത്തിന്റെ ഉദാഹരണമാണ്. |
| **സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം** | 2020 - പഠന ആപ്പ് [ABCmouse FTC പരാതിയിൽ $10M തീർപ്പു](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) നൽകി, രക്ഷിതാക്കൾക്ക് റദ്ദാക്കാനാകാത്ത സബ്സ്ക്രിപ്ഷനുകൾക്ക് പണം നൽകേണ്ടി വന്നു. ഇത് തിരഞ്ഞെടുപ്പ് ഘടനകളിലെ ഡാർക്ക് പാറ്റേണുകളുടെ ഉദാഹരണമാണ്, ഉപയോക്താക്കളെ ഹാനികരമായ തിരഞ്ഞെടുപ്പുകളിലേക്ക് നയിക്കുന്നു. |
| **ഡാറ്റാ സ്വകാര്യത & ഉപയോക്തൃ അവകാശങ്ങൾ** | 2021 - Facebook [ഡാറ്റാ ലംഘനം](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530M ഉപയോക്താക്കളുടെ ഡാറ്റ പുറത്തുവിട്ടു, FTC-യുമായി $5B തീർപ്പ് ഉണ്ടായി. എന്നാൽ, ലംഘനത്തെക്കുറിച്ച് ഉപയോക്താക്കളെ അറിയിക്കാൻ Facebook തള്ളിപ്പറഞ്ഞു, ഡാറ്റാ പരദർശിത്വവും ആക്‌സസും സംബന്ധിച്ച ഉപയോക്തൃ അവകാശങ്ങൾ ലംഘിച്ചു. |
| **ജ്ഞാനപരമായ സമ്മതമോ** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - അവസരത്തിൽ పాల్గൊണ്ട ആഫ്രിക്കൻ അമേരിക്കൻ പുരുഷന്മാരെ സൗജന്യ മെഡിക്കൽ പരിചരണ വാഗ്ദാനം നൽകിയിട്ടുണ്ടെങ്കിലും, ഗവേഷകരുടെ വിചാരത്തിൽ കൃത്യമായി രോഗനിർണയം സംബന്ധിച്ച് അറിയിക്കാതെയും ചികിത്സ ലഭ്യമാണെന്നു വിവരിക്കാതെയും വഞ്ചനം. പലരെ മരണപ്പെട്ടു, അവരുടെ പങ്കാളികളെയും കുട്ടികളെയും ബാധിച്ചു; 40 വർഷമായി നീണ്ട പഠനം. |
| **ഡാറ്റാ സ്വകാര്യത** | 2007 - [Netflix ഡാറ്റാ പ്രൈസ്](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ഗവേഷകർക്ക് _10M അനാമികമായ മൂവി റാങ്കിംഗുകൾ 50K ഉപഭോക്താക്കളിൽ നിന്ന്_ നൽകിയത് ശുപാർശ ആൽഗോറിതങ്ങൾ മെച്ചപ്പെടുത്താൻ. പക്ഷേ, ഗവേഷകർ അനാമിക ഡാറ്റ പുറത്തെ ഡാറ്റാ സെറ്റുകളുമായി (ഉദാ: IMDb കമന്റുകൾ) ബന്ധിപ്പിച്ച് ചില Netflix ഉപഭോക്താക്കളെ "ഡീ-അനോമൈമൈസുചെയ്‌തു".|
| **സംഗ്രഹത്തിൽ പക്ഷപാതം** | 2013 - ബോസ്റ്റൺ നഗരം [Street Bump](https://www.boston.gov/transportation/street-bump) ആപ്പ് വികസിപ്പിച്ചു, പാതയിലെ ഖഡ്ഡുകൾ റിപ്പോർട്ട് ചെയ്യാൻ; നഗരത്തിന് റോഡിനിലുള്ള പ്രശ്നങ്ങൾ കണ്ടെത്താനും പരിഹരിക്കാനും സഹായം. ಆದರೂ, [കൃപയുള്ള വരുമാന വിഭാഗത്തിലെ ആളുകൾക്ക് കാറിംഗും ഫോണുകളും കുറവ് ഉണ്ടായിരുന്നു](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ഈ ആപ്പിൽ അവരുടെ റോഡിലെ പ്രശ്നങ്ങൾ കാണാനായില്ല. ഡെവലപ്പർമാർ അക്കാദമികരുമായി ചേർന്ന് _സമതുല്യ ആക്സസ്, ഡിജിറ്റൽ വിഴുങ്ങലുകൾ_ പരിഹരിക്കാൻ ജോലി ചെയ്തു. |
| **ആൽഗോറിതം നിഷ്പക്ഷത** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ലിംഗ വർഗ്ഗീകരണ AI ഉൽപ്പന്നങ്ങളുടെ കൃത്യത പരിശോധിച്ചു, സ്ത്രീകൾക്കും വർണ്ണക്കാർക്കും കൃത്യത കുറവുള്ളതായി കണ്ടെത്തി. 2019-ലെ [ആപ്പിൾ കാർഡ്](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) സ്ത്രീകളെ കുറച്ച് ക്രെഡിറ്റ് നൽകി. രണ്ട് കേസുകളും ആൾഗോരിധം വ്യത്യാസങ്ങൾ സോഷ്യോ-ആർത്ഥിക ദോഷങ്ങൾ ഉളവാക്കുന്നതായി കാണിച്ചു.|
| **ഡാറ്റാ തെറ്റായ പ്രതിനിധാനം** | 2020 - [ജോർജിയാ പൊതു ആരോഗ്യ വകുപ്പിൽ COVID-19 ചാർട്ടുകൾ പുറത്തിറങ്ങി](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), സ്ഥിരീകരിച്ച കേസുകളിൽ ട്രെൻഡുകളിൽ തെറ്റായ ധാരണ ഉണ്ടാക്കിയത് X-അക്സിസിൽ ക്രമരഹിത ക്രമീകരണങ്ങൾ കാരണം. ഇത് ദൃശ്യീകരണ തന്ത്രങ്ങളെ 통한 മിഥ്യ പ്രതിനിധാനത്തിന്റെ ഉദാഹരണമാണ്. |
| **സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം** | 2020 - പഠന ആപ്പ് [ABCmouse $10M FTC പരാതി തീർക്കാൻ നൽകിയിട്ടുണ്ട്](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) മാതാപിതാക്കൾക്ക് പിർവ്വതി റദ്ദാക്കാനാകാത്ത സബ്സ്ക്രിപ്ഷനുകൾക്ക് അടവായത്. ഉപയോക്താക്കളെ ഹാനികരമായ തിരഞ്ഞെടുപ്പുകളിലേക്കു നയിക്കുന്ന ഡാർക് പാറ്റേണുകളുടെ ഉദാഹരണം. |
| **ഡാറ്റാ സ്വകാര്യത & ഉപയോക്തൃ അവകാശങ്ങൾ** | 2021 - Facebook[ ഡാറ്റാ ലംഘനം](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 മില്യൺ ഉപയോക്താക്കളിൽ നിന്നുള്ള ഡാറ്റാ പുറത്തു വിട്ടു, FTC-ക്ക് $5B സ്ഥിരീകരണം. എന്നാൽ, ഉപയോക്താക്കളെ ഇതിനെ കുറിച്ച് അറിയിക്കാത്തത്, ഉപയോക്തൃ അവകാശങ്ങൾ ലംഘിച്ചുവെന്ന് ആയി. |
കൂടുതൽ കേസ്സ് സ്റ്റഡികൾ അന്വേഷിക്കണോ? ഈ വിഭവങ്ങൾ പരിശോധിക്കുക:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - വ്യത്യസ്ത വ്യവസായങ്ങളിലെ നൈതിക പ്രശ്നങ്ങൾ.
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - പ്രധാനപ്പെട്ട കേസ്സ് സ്റ്റഡികൾ.
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon ചെക്ക്ലിസ്റ്റ് ഉദാഹരണങ്ങളോടെ.
കൂടുതൽ കേസ് സ്റ്റഡികളറിയാൻ:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - വ്യത്യസ്ത വ്യവസായങ്ങളിൽ നൈതിക തെറ്റുകൾ.
* [ഡാറ്റാ സയൻസ് നൈതിക പഠന കോഴ്‌സ്](https://www.coursera.org/learn/data-science-ethics#syllabus) - ലാൻഡ് മാർക് കേസ് സ്റ്റഡികൾ.
* [എവിടെയാണ് കാര്യങ്ങൾ തെറ്റിയ地点](https://deon.drivendata.org/examples/) - deon ചെക്ക്ലിസ്റ്റുമായി ഉദാഹരണങ്ങൾ.
> 🚨 നിങ്ങൾ കണ്ട കേസ്സ് സ്റ്റഡികൾക്കുറിച്ച് ചിന്തിക്കുക - നിങ്ങൾ ജീവിതത്തിൽ സമാനമായ നൈതിക വെല്ലുവിളി അനുഭവിച്ചിട്ടുണ്ടോ? ഈ വിഭാഗത്തിൽ ചർച്ച ചെയ്ത നൈതിക വെല്ലുവിളികളിൽ ഒന്നിനെ പ്രതിപാദിക്കുന്ന മറ്റൊരു കേസ്സ് സ്റ്റഡി നിങ്ങൾക്ക് ഓർക്കാമോ?
> 🚨 നിങ്ങൾ കണ്ട കേസ് സ്റ്റഡികളായുള്ളത് പരിഗണിക്കുക - നിങ്ങളുടെ ജീവിതത്തിൽ സമാനമായ നൈതിക വെല്ലുവിളികൾ അനുഭവപ്പെട്ടിട്ടുണ്ടോ? ഈ വിഭാഗത്തിൽ ചര്‍ച്ചചെയ്‌ത നൈതിക വെല്ലുവിളികളിൽ ഒന്നിനെ പ്രതിനിധാനം ചെയ്യുന്ന മറ്റ് ഒരു കേസ് സ്റ്റഡി എങ്കിൽ ഓർക്കാമോ?
## പ്രയോഗാത്മക നൈതികത
## പ്രയോഗിക്കപ്പെട്ട നൈതികത
നാം നൈതിക ആശയങ്ങൾ, വെല്ലുവിളികൾ, യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ കേസ്സ് സ്റ്റഡികൾ ചർച്ച ചെയ്തു. എന്നാൽ നമുക്ക് എങ്ങനെ നൈതിക സിദ്ധാന്തങ്ങളും പ്രയോഗങ്ങളും നമ്മുടെ പ്രോജക്ടുകളിൽ _പ്രയോഗിക്കാം_? മികച്ച ഭരണത്തിനായി ഈ പ്രയോഗങ്ങൾ എങ്ങനെ _പ്രവർത്തനക്ഷമമാക്കാം_? യാഥാർത്ഥ്യ പരിഹാരങ്ങൾ പരിശോധിക്കാം:
നാം തത്ത്വചിന്തനങ്ങളുടെ ആശയങ്ങൾ, വെല്ലുവിളികൾ, കേസ് സ്റ്റഡികളുമായി യാഥാർഥ്യ ജീവിത സാഹചര്യങ്ങളിൽ ചർച്ച ചെയ്തു. എന്നാൽ നാം എങ്ങനെ പ്രോജക്റ്റുകളിൽ നൈതിക സിദ്ധാന്തങ്ങൾ പ്രയോഗിക്കുകയും, ഈ രീതികളെ മെച്ചപ്പെട്ട ഭരണത്തിനായി എങ്ങനെ പ്രവർത്തനഘടനയാക്കുകയും ചെയ്യാം? ചില യാഥാർത്ഥ്യപരമായ പരിഹാരങ്ങൾ അന്വേഷിക്കാം:
### 1. പ്രൊഫഷണൽ കോഡുകൾ
പ്രൊഫഷണൽ കോഡുകൾ സംഘടനകൾക്ക് അംഗങ്ങളെ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളും ദൗത്യം പ്രസ്താവനയും പിന്തുണയ്ക്കാൻ "പ്രേരിപ്പിക്കാൻ" ഒരു മാർഗമാണ്. കോഡുകൾ പ്രൊഫഷണൽ പെരുമാറ്റത്തിനുള്ള _നൈതിക മാർഗ്ഗനിർദ്ദേശങ്ങളാണ്_, ജീവനക്കാർക്ക് അല്ലെങ്കിൽ അംഗങ്ങൾക്ക് അവരുടെ സംഘടനയുടെ സിദ്ധാന്തങ്ങളുമായി പൊരുത്തപ്പെടുന്ന തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു. അംഗങ്ങളുടെ സ്വമേധയാ അനുസരണമാണ് ഇവയുടെ ഗുണമേന്മ; എന്നാൽ, പല സംഘടനകളും അംഗങ്ങളെ പ്രേരിപ്പിക്കാൻ അധിക ബഹുമതികളും ശിക്ഷകളും നൽകുന്നു.
പ്രൊഫഷണൽ കോഡുകൾ സംഘടനകൾക്ക് അംഗങ്ങളെ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളും ദൗത്യം പ്രസ്താവനയും പിന്തുണയ്ക്കാൻ "പ്രേരിപ്പിക്കുന്ന" ഒരു മാർഗം നൽകുന്നു. കോഡുകൾ പ്രൊഫഷനൽ പെരുമാറ്റത്തിന് ഒരു _മൗലിക മാർഗനിർദ്ദേശങ്ങളാണ്_, ജീവനക്കാർക്ക് അല്ലെങ്കിൽ അംഗങ്ങൾക്ക് അവരുടെ സംഘടനയുടെ സിദ്ധാന്തങ്ങൾ അനുസരിച്ച് തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നത്. അംഗങ്ങളുടെ സന്നിധാനോദ്ഗ്രഹണത്തിന്റെ അടിസ്ഥാനത്തിലാണ് ഇത് ഭാവുകത്തരം; പക്ഷേ, പല സംഘടനകളും അംഗങ്ങൾ കൂട്ടിച്ചേർന്ന് പാലിക്കാനുള്ള പ്രേരണകൾക്കും ശിക്ഷകൾക്കും അനുയായമാണ് നൽകുന്നത്.
ഉദാഹരണങ്ങൾ:
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) നൈതിക കോഡ്
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) പെരുമാറ്റ കോഡ് (2013-ൽ സൃഷ്ടിച്ചത്)
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) പെരുമാറ്റ കോഡ് (2013-ൽ രൂപകൽപന)
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 മുതൽ)
> 🚨 നിങ്ങൾ പ്രൊഫഷണൽ എഞ്ചിനീയറിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ സയൻസ് സംഘടനയുടെ അംഗമാണോ? അവരുടെ സൈറ്റ് പരിശോധിച്ച് അവർ പ്രൊഫഷണൽ നൈതിക കോഡ് നിർവചിച്ചിട്ടുണ്ടോ എന്ന് നോക്കൂ. അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളെക്കുറിച്ച് ഇത് എന്ത് പറയുന്നു? അംഗങ്ങളെ കോഡ് പാലിക്കാൻ അവർ എങ്ങനെ "പ്രേരിപ്പിക്കുന്നു"?
> 🚨 നിങ്ങൾ പ്രൊഫഷണൽ എഞ്ചിനീയറിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ സയൻസ് സംഘടനയിലൊന്നിന്റേതാണോ? അവയുടെ സൈറ്റ് പരിശോധിച്ച് അവർ പ്രൊഫഷണൽ നൈതിക കോഡ് നിർവ്വചിക്കുമോ എന്ന് കാണുക. അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളെ കുറിച്ച് എന്താണ് പറയുന്നത്? അംഗങ്ങളെ കോഡ് പാലിക്കാൻ എങ്ങനെ "പ്രേരിപ്പിക്കുന്നു"?
### 2. നൈതിക ചെക്ക്ലിസ്റ്റുകൾ
പ്രൊഫഷണൽ കോഡുകൾ പ്രയോഗകരിൽ നിന്നുള്ള ആവശ്യമായ _നൈതിക പെരുമാറ്റം_ നിർവചിക്കുന്നുവെങ്കിലും, വലിയ പ്രോജക്ടുകളിൽ [അവയ്ക്ക് പരിധികൾ അറിയപ്പെടുന്നു](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). പകരം, പല ഡാറ്റാ സയൻസ് വിദഗ്ധരും [ചെക്ക്ലിസ്റ്റുകൾ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) പ്രോത്സാഹിപ്പിക്കുന്നു, അവ **സിദ്ധാന്തങ്ങളെ പ്രയോഗങ്ങളുമായി ബന്ധിപ്പിക്കുന്നു** കൂടുതൽ നിർണായകവും പ്രായോഗികവുമായ രീതിയിൽ.
പ്രൊഫഷണൽ കോഡുകൾ പ്രാവർത്തകർ നിന്നിലെ ആവശ്യമായ _നൈതിക പെരുമാറ്റം_ നിർവ്വചിക്കുന്നുണ്ടെങ്കിലും, അവയിൽ [പ്രവർത്തനപരമായി ചില പരിമിതികൾ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ഉണ്ടെന്ന് തിരിച്ചറിഞ്ഞിരിക്കുന്നു, പ്രത്യേകിച്ച് വലിയ പ്രോജക്റ്റുകളിൽ. പകരം, പല ഡാറ്റാ സയൻസ് വിദഗ്ധരും [ചെക്ക്ലിസ്റ്റുകൾക്ക് പിന്തുണ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) നൽകുന്നു, ഇത് സിദ്ധാന്തങ്ങൾ പ്രായോഗികമായി ബന്ധിപ്പിക്കാൻ സഹകരിക്കുന്ന, നിർണായകവും പ്രവർത്തനക്ഷമവുമായ മാർഗ്ഗം.
ചെക്ക്ലിസ്റ്റുകൾ ചോദ്യങ്ങളെ "അതെ/ഇല്ല" പ്രവർത്തനങ്ങളായി മാറ്റുന്നു, ഇത് സാധാരണ ഉൽപ്പന്ന റിലീസ് പ്രവൃത്തികളിൽ ട്രാക്ക് ചെയ്യാൻ കഴിയും.
ചെക്ക്ലിസ്റ്റുകൾ ചോദ്യങ്ങളെ "അതോ/ഇല്ല" പ്രവർത്തികളും പുറത്തിറക്കുന്നു, അവ പ്രോഡക്ട് റിലീസ് വർക്ക്‌ഫ്ലോകളുടെ ഭാഗമായി ട്രാക്ക് ചെയ്യാനാകും.
ഉദാഹരണങ്ങൾ:
* [Deon](https://deon.drivendata.org/) - വ്യവസായ ശുപാർശകളിൽ നിന്നുള്ള [സാമാന്യ ഡാറ്റാ നൈതിക ചെക്ക്ലിസ്റ്റ്](https://deon.drivendata.org/#checklist-citations) സൃഷ്ടിച്ച കമാൻഡ്-ലൈൻ ടൂൾ.
* [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - നിയമപരവും സാമൂഹ്യപരവുമായ വിവര കൈകാര്യം മാർഗ്ഗനിർദ്ദേശങ്ങൾ.
* [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI വികസന ചക്രങ്ങളിൽ നീതിമാന്മാർഗ്ഗ പരിശോധനകൾ ഉൾപ്പെടുത്താൻ AI പ്രയോഗകർ സൃഷ്ടിച്ചത്.
* [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - കൂടുതൽ തുറന്ന ഘടന, രൂപകൽപ്പന, നടപ്പാക്കൽ, സംഘടനാ സാഹചര്യങ്ങളിൽ നൈതിക പ്രശ്നങ്ങൾ ആദ്യമായി പരിശോധിക്കാൻ.
* [Deon](https://deon.drivendata.org/) - വ്യവസായ ശുപാർശകളിൽ നിന്നുള്ള [ഇന്ത്യാലുടെ നിര്‍ദ്ദേശങ്ങളുടെ](https://deon.drivendata.org/#checklist-citations) അടിസ്ഥാനത്തിലുണ്ടാക്കപ്പെട്ട ഒരു പൊതുവായി ഉപയോഗിക്കാവുന്ന ഡാറ്റാ നൈതിക ചെക്ക്ലിസ്റ്റ്, command-line ടൂൾ കൂടിയുള്ള എളുപ്പമായ ඒകീകരണത്തിന്.
* [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - നിയമപരവും സാമൂഹികാവകാശപരവുമായ വിവര സംസ്ക്കരണ രീതികളിൽ പൊതുവായ മാർഗ്ഗ നിർദ്ദേശങ്ങൾ നൽകുന്നു.
* [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI വികസന ചക്രങ്ങളിലേക്കുള്ള ന്യായപരിശോധനയുടെ സ്വീകരണത്തിനും സംയോജിപ്പിക്കുന്നതിനും AI പ്രാവർത്തകർ ഒരുക്കിയതാണ്.
* [ഡാറ്റയും AI-യും സംബന്ധിച്ച 22 നൈതിക ചോദ്യങ്ങൾ](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - കൂടുതല്‍ തുറന്ന രൂപത്തിലുള്ള ഫ്രെയിംവർക്ക്, ഡിസൈൻ, നടപ്പാക്കൽ, സംഘടനാ പരിസരങ്ങളിൽ നൈതിക പ്രശ്നങ്ങളുടെ പ്രാഥമിക പരിശോധനയ്ക്ക്
### 3. നൈതിക നിയമങ്ങൾ
### 3. നൈതികനിയമങ്ങൾ
നൈതികത എന്നത് പങ്കുവെക്കുന്ന മൂല്യങ്ങൾ നിർവചിച്ച് ശരിയായത് സ്വമേധയാ ചെയ്യുന്നതാണ്. **അനുസരണം** എന്നാൽ നിയമം പാലിക്കുന്നതും അതിന്റെ പരിധിയിൽ പ്രവർത്തിക്കുന്നതുമാണ്. **ഭരണസംവിധാനം** സംഘടനകൾ നൈതിക സിദ്ധാന്തങ്ങൾ നടപ്പിലാക്കാനും നിയമങ്ങൾ പാലിക്കാനും ഉപയോഗിക്കുന്ന എല്ലാ മാർഗ്ഗങ്ങളും ഉൾക്കൊള്ളുന്നു.
നൈതികത ആഭ്യന്തര മൂല്യങ്ങൾ നിർവചിച്ച് ശരിയായ കാര്യങ്ങൾ സ്വമേധയാ ചെയ്യൽ സംബന്ധിച്ചുവെങ്കിലും, **അനുകൂലനം** നിർദ്ദിഷ്ട നിയമം പാലിക്കുകയാണ്. **ഭരണകൂടം** എന്നത് സ്ഥാപനങ്ങൾ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങൾ പ്രാബല്യത്തിലാക്കാനുള്ള എല്ലാ മാർഗങ്ങളും, അവർ പാലിക്കേണ്ട നിയമങ്ങൾക്കും അനുസൃതമായി പ്രവർത്തിക്കുന്നതുമാണ്.
ഇന്ന്, ഭരണസംവിധാനം രണ്ട് രൂപത്തിലാണ്. ഒന്നാമത്, സംഘടനയിലെ എല്ലാ AI-സംബന്ധപ്പെട്ട പ്രോജക്ടുകളിലും **നൈതിക AI** സിദ്ധാന്തങ്ങൾ നിർവചിച്ച് അവ സ്വീകരിക്കാൻ പ്രയോഗങ്ങൾ സ്ഥാപിക്കുന്നതും. രണ്ടാമത്, പ്രവർത്തിക്കുന്ന പ്രദേശങ്ങളിലെ എല്ലാ സർക്കാർ നിർദ്ദേശിച്ച **ഡാറ്റാ സംരക്ഷണ നിയമങ്ങൾ** പാലിക്കുന്നതും.
ഇന്ന്, ഭരണകൂടം രണ്ട് രൂപങ്ങളിൽ സ്ഥാപനങ്ങളിൽ ആണ്. ഒന്നാമതായാണ് **നീതിമാനായ AI** സിദ്ധാന്തങ്ങൾ നിർവ്വചിച്ച് എല്ലാ AI പ്രൊജക്റ്റുകളിലും സ്വീകാര്യത പ്രാബല്യമാക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങളുണ്ടാകുന്നത്. രണ്ടാമതായി, അവരുടെ പ്രവർത്തന മേഖലകളിലുള്ള സർക്കാരിന്റെ പിൻവലിച്ച **ഡാറ്റാ സംരക്ഷണനിയമങ്ങൾ** പാലിക്കേണ്ടതായിരിക്കുന്നു.
ഡാറ്റാ സംരക്ഷണവും സ്വകാര്യതയും സംബന്ധിച്ച നിയമങ്ങളുടെ ഉദാഹരണങ്ങൾ:
ഡാറ്റ സംരക്ഷണ, സ്വകാര്യതാ നിയമങ്ങളുടെ ഉദാഹരണങ്ങൾ:
* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - ഫെഡറൽ സർക്കാർ വ്യക്തിഗത വിവരങ്ങൾ ശേഖരിക്കൽ, ഉപയോഗം, വെളിപ്പെടുത്തൽ നിയന്ത്രിക്കുന്നു.
* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ഫെഡറൽ സർക്കാർ_ വ്യക്തിഗത വിവരങ്ങളുടെ ശേഖരണം, ഉപയോഗം, വെളിപ്പെടുത്തൽ നിയന്ത്രിക്കുന്നു.
* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - വ്യക്തിഗത ആരോഗ്യ ഡാറ്റ സംരക്ഷിക്കുന്നു.
* `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 വയസ്സിന് താഴെയുള്ള കുട്ടികളുടെ ഡാറ്റാ സ്വകാര്യത സംരക്ഷിക്കുന്നു.
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ഉപയോക്തൃ അവകാശങ്ങൾ, ഡാറ്റ സംരക്ഷണം, സ്വകാര്യത നൽകുന്നു.
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ഉപഭോക്താക്കൾക്ക് അവരുടെ (വ്യക്തിഗത) ഡാറ്റയിൽ കൂടുതൽ _അവകാശങ്ങൾ_ നൽകുന്നു.
* `2021`, ചൈനയുടെ [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ഏറ്റവും ശക്തമായ ഓൺലൈൻ ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിൽ ഒന്നായി.
* `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 വയസിന് താഴെയുള്ള കുട്ടികളുടെ ഡാറ്റാ സ്വകാര്യത സംരക്ഷിക്കുന്നു.
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ഉപയോക്തൃ അവകാശങ്ങൾ, ഡാറ്റ സംരക്ഷണം, സ്വകാര്യത ഡി ആണ്.
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ഉപഭോക്താക്കൾക്ക് അവരുടെ (വ്യക്തിഗത) ഡാറ്റയിൽ കൂടുതൽ _അവകാശം_ നൽകുന്നു.
* `2021`, ചൈനയുടെ [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) പുതിയത് അനുവദിച്ചാണ്ട്, ലോകത്ത് ഏറ്റവും കഠിനമായ ഓൺലൈൻ ഡാറ്റാ സ്വകാര്യതാ നിയമങ്ങളിലൊന്നാണ്.
> 🚨 യൂറോപ്യൻ യൂണിയൻ നിർവചിച്ച GDPR (General Data Protection Regulation) ഇന്നും ഏറ്റവും സ്വാധീനമുള്ള ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിലൊന്നാണ്. ഇത് [8 ഉപയോക്തൃ അവകാശങ്ങളും](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) നിർവചിക്കുന്നു എന്ന് നിങ്ങൾ അറിയാമോ? ഇവ എന്തൊക്കെയാണ്, എന്തുകൊണ്ട് അവ പ്രധാനമാണെന്ന് പഠിക്കൂ.
> 🚨 യൂറോപ്യൻ യൂണിയൻ നിർവ്വചിച്ച GDPR (General Data Protection Regulation) ഇന്നുമെല്ലാം ഏറ്റവും സ്വാധീനമുള്ള ഡാറ്റാ സ്വകാര്യതാ നിയമങ്ങളിലൊന്നാണ്. ഇതിൽ [8 ഉപയോക്തൃ അവകാശങ്ങൾ](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) നും ഉൾപ്പെടുന്നു; ഇവ ഡിജിറ്റൽ സ്വകാര്യതയും വ്യക്തിഗത ഡാറ്റ സംരക്ഷണവും ഉറപ്പാക്കാൻ ആയതാണ്. ഇവയെക്കുറിച്ച് പഠിക്കൂ, എന്തിനാണിഷ് പ്രകാരമുള്ളതെന്നും.
### 4. നൈതിക സംസ്കാരം
### 4. നൈതികരംഗം
_അനുസരണം_ (നിയമത്തിന്റെ "അക്ഷരം" പാലിക്കുന്നത്) 与 [സിസ്റ്റമാറ്റിക് പ്രശ്നങ്ങൾ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ഉദാ: ഒസ്സിഫിക്കേഷൻ, വിവര അസമത്വം, വിതരണ നീതിമാന്മാർഗ്ഗം) ഇടയിൽ അദൃശ്യമായ ഒരു ഇടവേള ഇപ്പോഴും നിലനിൽക്കുന്നു, ഇത് AI ആയുധമാക്കൽ വേഗത്തിലാക്കാം.
നാം ശ്രദ്ധിക്കുന്നത് _അനുകൂലനം_ (നിയമത്തിന്റെ കത്ത് പാലിക്കൽ) എന്നിവയ്ക്കിടയിലുളള അദൃശ്യമായ വ്യത്യാസമാണ്, കാരണം [സിസ്റ്റമാറ്റിക് പ്രശ്നങ്ങൾ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (സംബന്ധമായ കനിഞ്ഞുപോകൽ, വിവര അസമത്വം, തുല്യതയുടെ ലംഘനം തുടങ്ങിയവ) AI യുടെ ആയുധമാകുവാനുള്ള പ്രക്രിയ വേഗം കൂട്ടുന്നു.
അവസാനത്തെ പരിഹരിക്കാൻ [നൈതിക സംസ്കാരങ്ങൾ നിർവചിക്കുന്ന സഹകരണ സമീപനങ്ങൾ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ആവശ്യമാണ്, ഇത് വ്യവസായത്തിലെ _സംഘടനകളിലുടനീളം_ മാനസിക ബന്ധങ്ങളും സ്ഥിരതയുള്ള പങ്കുവെച്ച മൂല്യങ്ങളും സൃഷ്ടിക്കുന്നു. ഇത് സംഘടനകളിൽ കൂടുതൽ [ഫോർമലൈസ്ഡ് ഡാറ്റാ നൈതിക സംസ്കാരങ്ങൾ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ആവശ്യപ്പെടുന്നു - _ഏതെങ്കിലും_ ആളുകൾക്ക് [അണ്ടോൺ കോർഡ് പുള്‍ ചെയ്യാൻ](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (പ്രക്രിയയിൽ നൈതിക പ്രശ്നങ്ങൾ നേരത്തെ ഉയർത്താൻ) അനുവദിക്കുകയും, AI പ്രോജക്ടുകളിൽ _നൈതിക വിലയിരുത്തലുകൾ_ (ഉദാ: നിയമനം) ഒരു പ്രധാന മാനദണ്ഡമാക്കുകയും ചെയ്യുന്നു.
പിന്നീട്, [സഹകരണ രീതികളെ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) പ്രയോജനംചെയ്ത്, വ്യവസായത്തിലെ വിവിധ സംഘടനകളിൽ ഒരേ പോലെ പങ്കിടുന്ന മൂല്യങ്ങളും സ്വദേശം പാടിയുള്ള ബന്ധങ്ങളും നിർമ്മിക്കുകയും ചെയ്യേണ്ടത് അനിവാര്യമാണ്. ഇതിന് കൂടുതൽ [ആധികാരിക ഡാറ്റാ നൈതിക സംസ്കാരങ്ങൾ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ആവശ്യമാണ് – ഏതു വ്യക്തിക്കും പ്രോജക്റ്റ് പ്രവർത്തനങ്ങളിൽ പെട്ടെന്നു നൈതിക ആശങ്ക ഉയർത്താൻ ([Andon കോർഡ്](https://en.wikipedia.org/wiki/Andon_(manufacturing)) പോലെ) അവകാശം നൽകുക, അടുത്തിടയിൽ ശരിയായ തെറ്റായ വിലയിരുത്തലുകളെ (ഉദാ: ഹയർ ചെയ്യുന്ന സമയത്ത്) സവിശേഷ കണിശതാ മാനദണ്ഡമാക്കുക.
---
## [പോസ്റ്റ്-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## അവലോകനം & സ്വയം പഠനം
## [പഠനാനന്തര ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## അവലോകനവും സ്വയമ്പഠനവും
നാം അഭിമുഖീകരിച്ച നൈതിക സിദ്ധാന്തങ്ങൾ, വെല്ലുവിളികൾ മനസ്സിലാക്കാൻ കോഴ്‌സുകളും പുസ്തകങ്ങളും സഹായിക്കുന്നു, جبکہ യാഥാർത്ഥ്യ ജീവിത പ്രവർത്തനങ്ങളിൽ പ്രയോഗിക്കാനുള്ള നൈതിക മേൽപ്പണികൾക്ക് കേസ് സ്റ്റഡികളും ഉപകരണങ്ങളും സഹായിക്കുന്നു. ആരംഭിക്കാൻ ചില വിഭവങ്ങൾ:
കോഴ്സുകളും പുസ്തകങ്ങളും അടിസ്ഥാന നൈതിക ആശയങ്ങളും വെല്ലുവിളികളും മനസ്സിലാക്കാൻ സഹായിക്കുന്നു, കേസ്സ് സ്റ്റഡികളും ഉപകരണങ്ങളും യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ പ്രയോഗാത്മക നൈതികതയിൽ സഹായിക്കുന്നു. തുടങ്ങാൻ ചില വിഭവങ്ങൾ ഇവിടെ.
* [ആരംഭക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ്](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - മൈക്രോസോഫ്റ്റിൽ നിന്നുള്ള ഫെയർനെസ്സ് പാഠം.
* [ഉത്തരവാദിത്വമുള്ള AI ന്റെ സിദ്ധാന്തങ്ങൾ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - മൈക്രോസോഫ്റ്റ് ലേണിൽ നിന്നുള്ള സൗജന്യ പഠന പാത.
* [നൈതികതയും ഡാറ്റാ സയൻസും](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ഇബുക്ക് (എം. ലൂക്കിഡസ്, എച്ച്. മേസൺ എന്നിവരാൽ)
* [ഡാറ്റാ സയൻസ് നൈതികത](https://www.coursera.org/learn/data-science-ethics#syllabus) - മിഷിഗൺ സർവകലാശാലയിൽ നിന്നുള്ള ഓൺലൈൻ കോഴ്സ്.
* [എതിക്സ് അൺവ്രാപ്പഡ്](https://ethicsunwrapped.utexas.edu/case-studies) - ടെക്സാസ് സർവകലാശാലയിൽ നിന്നുള്ള കേസ് സ്റ്റഡികൾ.
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - മാന്ത്രികത സംബന്ധിച്ച പാഠം, Microsoft-ൽ നിന്നുള്ളതാണ്.
* [സംബന്ധപ്പെട്ട AI ന്റെ തത്വങ്ങൾ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn ന്റെ സൗജന്യ പഠന പാത.
* [നീതിശാസ്ത്രവും ഡാറ്റാ സയൻസും](https://resources.oreilly.com/examples/0636920203964) - O'Reilly eBook (M. Loukides, H. Mason et. al)
* [ഡാറ്റാ സയൻസ് നीतിശാസ്ത്രം](https://www.coursera.org/learn/data-science-ethics#syllabus) - മിഷിഗൺ സർവകലാശാലയിൽ നിന്ന് ഓൺലൈൻ കോഴ്‌സ്.
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ടെക്സാസ് സർവകലാശാലയുടെ കേസ് സ്റ്റഡികൾ.
# അസൈൻമെന്റ്
[ഡാറ്റാ എതിക്സ് കേസ് സ്റ്റഡി എഴുതുക](assignment.md)
[ഡാറ്റാ നയതന്ത്ര കേസ് സ്റ്റഡി രചിക്കുക](assignment.md)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അറിയിപ്പ്**:
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

104
translations/ml/5-Data-Science-In-Cloud/17-Introduction/README.md
Unescape View File

@ -1,8 +1,106 @@
Translation for chunk 1 of 'README.md' skipped due to timeout.
# ക്ലൗഡിലെ ഡാറ്റാ സയൻസിലേക്ക് പരിചയം
|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
|:---:|
| ക്ലൗഡിലെ ഡാറ്റാ സയൻസ്: പരിചയം - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
ഈ പാഠത്തിൽ, നിങ്ങൾ ക്ലൗഡിന്റെ അടിസ്ഥാന സിദ്ധാന്തങ്ങൾ പഠിക്കും, പിന്നെ ഡാറ്റാ സയൻസ് പ്രോജക്റ്റുകൾ നടക്കാൻ ക്ലൗഡ് സേവനങ്ങൾ ഉപയോഗിക്കുന്നത് എങ്ങനെ നിങ്ങൾക്കു പ്രയോജനപ്പെടും എന്ന് കാണും, കൂടാതെ ക്ലൗഡിൽ പ്രവർത്തിക്കുന്ന ഡാറ്റാ സയൻസ് പ്രോജക്റ്റുകളുടെ ചില ഉദാഹരണങ്ങൾ നാം വീക്ഷിക്കും.
## [പ്രീ-ലക്‌ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/32)
## ക്ലൗഡ് എന്താണ്?
ക്ലൗഡ്, അല്ലെങ്കിൽ ക്ലൗഡ് കംപ്യൂട്ടിംഗ്, ഇന്റർനെറ്റിലൂടെ ഹോസ്റ്റുചെയ്ത ഒരു ഇൻഫ്രാസ്ട്രക്ച്ചറിലൂടെ പേയ്-ആസ്-യു-ഗോ (ഉപയോഗമുള്ളതുപോലെ പണം നൽകുന്ന) കംപ്യൂട്ടിംഗ് സേവനങ്ങളുടെ വൻകൈമായ വിതരണം അഭിബോധിപ്പിക്കുന്നു. സേവനങ്ങളിൽ സ്റ്റോറേജ്, ഡാറ്റാബേസുകൾ, നെറ്റ്‌വർക്കിംഗ്, സോഫ്റ്റ്വെയർ, അനലിറ്റിക്സ്, ബുദ്ധിശക്തിയുള്ള സേവനങ്ങൾ എന്നിവ ഉൾപ്പെടുന്നു.
നാം പൊതുജന ക്ലൗഡ്, സ്വകാര്യ ക്ലൗഡ്, ഹൈബ്രിഡ് ക്ലൗഡ് എന്നിങ്ങനെ വേർതിരിക്കുന്നു:
* പൊതു ക്ലൗഡ്: ഒരു മൂന്നാംപക്ഷ ക്ലൗഡ് സേവന ദാതാവ് ഉടമയായും ഓപ്പറേറ്റു ചെയ്യുന്ന, ആ രാജ്യത്തിന് (പൊതുജനങ്ങൾക്കായി) കംപ്യൂട്ടിംഗ് സൗകര്യങ്ങൾ ഇന്റർനെറ്റിലൂടെ നൽകുന്ന ഒരു ക്ലൗഡ്.
* സ്വകാര്യ ക്ലൗഡ്: ഒരു ഏക ബിസിനസ്സ് അല്ലെങ്കിൽ സംഘടനയുടെ മാത്രം ഉപയോഗിക്കുന്ന ക്ലൗഡ് കംപ്യൂട്ടിംഗ് സൗകര്യങ്ങളെ വാഗ്ദാനം ചെയ്യുന്നു, സേവനങ്ങളും ഇൻഫ്രാസ്ട്രക്ച്ചറും സ്വകാര്യ നെറ്റ്‌വർക്കിൽ നിലനിൽക്കുന്നു.
* ഹൈബ്രിഡ് ക്ലൗഡ്: പൊതു ക്ലൗഡും സ്വകാര്യ ക്ലൗഡും സംയോജിപ്പിച്ച ഒരു സിസ്റ്റം. ഉപയോക്താക്കൾ ഓൺ-പ്രേമൈസിസ് ഡാറ്റ സെന്റർ തിരഞ്ഞെടുക്കുകയും, അതേസമയം ഒരു അല്ലെങ്കിൽ കൂടുതൽ പൊതു ക്ലൗഡുകളിൽ ഡാറ്റയും ആപ്ലിക്കേഷൻസും പ്രവർത്തിപ്പിക്കാനുമാകും.
ക്ലൗഡ് കംപ്യൂട്ടിംഗ് സേവനങ്ങൾ, സാധാരണയായി, മൂന്ന് വിഭാഗങ്ങളിലായി പിരിയുന്നു: ഇൻഫ്രാസ്ട്രക്ചർ ഏസ് എ സർവീസ് (IaaS), പ്ലാറ്റ്ഫോം ഏസ് എ സർവീസ് (PaaS) ആൻഡ് സോഫ്റ്റ്വെയർ ഏസ് എ സർവീസ് (SaaS).
* ഇൻഫ്രാസ്ട്രക്ചർ ഏസ് എ സർവീസ് (IaaS): ഉപയോക്താക്കൾക്ക് സർവറുകൾ, വെർച്വൽ മെഷീനുകൾ (VMs), സ്റ്റോറേജ്, നെറ്റ്‌വർക്ക്, ഓപ്പറേറ്റിംഗ് സിസ്റ്റം എന്നിവ പോലുള്ള ഒരു IT ഇൻഫ്രാസ്ട്രക്ച്ചർ വാടകയ്ക്ക് നൽകുന്നു
* പ്ലാറ്റ്ഫോം ഏസ് എ സർവീസ് (PaaS): ഉപയോക്താക്കൾക്ക് സോഫ്റ്റ്വെയർ ആപ്ലിക്കേഷൻ നിർമ്മാണം, പരിശോധന, വിതരണം, പരിചരണം എന്നിവയ്ക്ക് അനുയോജ്യമായ അന്തരീക്ഷം വാടകയ്ക്ക് നൽകുന്നു. സർവറുകൾ, സ്റ്റോറേജ്, നെറ്റ്‌വർക്ക്, ഡാറ്റാബേസുകൾ എന്നിവയുടെ അടിസ്ഥാന ഇൻഫ്രാസ്ട്രക്ച്ചർ ഇൻ‌സ്റ്റാൾ ചെയ്യാനും പരിപാലിക്കാനുമുള്ള ആശങ്ക അവർക്ക് ഇല്ല.
* സോഫ്റ്റ്വെയർ ഏസ് എ സർവീസ് (SaaS): ഉപയോക്താക്കൾക്ക് ഇന്റർനെറ്റിൽ നിന്ന്, ആവശ്യമായപ്പോൾ, സാധാരണമാണ് സബ്സ്ക്രിപ്ഷൻ അധിഷ്ഠിതമായി സോഫ്റ്റ്വെയർ ആപ്ലിക്കേഷനുകൾക്ക് പ്രവേശനം ലഭിക്കുന്നു. ഹോസ്റ്റിങ്ങും പരിപാലനവും, സോഫ്റ്റ്വെയർ അപ്ഗ്രേഡുകളും സുരക്ഷാ പാച്ചിംഗ് എന്നിവയിലും അവർക്ക് കരുതൽ വേണ്ട.
മികച്ച ക്ലൗഡ് സേവന ദാതാക്കളിൽ ചിലത് ആമസോൺ വെബ് സേവനങ്ങൾ, ഗൂഗിൾ ക്ലൗഡ് പ്ലാറ്റ്ഫോം, മൈക്രോസോഫ്റ്റ് അസ്പ്രു ആണ്.
## ഡാറ്റാ സയൻസിനായി ക്ലൗഡ് തിരഞ്ഞെടുക്കേണ്ടത് എന്തുകൊണ്ടാണ്?
ഡവലപ്പർമാരും ഐടി പ്രൊഫഷണലുകളും നിരവധി കാരണങ്ങൾ മൂലം ക്ലൗഡുമായി ജോലി ചെയ്യാൻ തിരഞ്ഞെടുക്കുന്നു:
* നവോത്ഥാനം: ക്ലൗഡ് ദാതാക്കളുടെ നവീകരണ സേവനങ്ങൾ നേരിട്ട് നിങ്ങളുടെ ആപ്പുകളിൽ ഉൾപ്പെടുത്തിയതിലൂടെ നിങ്ങളുടെ ആപ്ലിക്കേഷനുകൾ ശക്തിപ്പെടുത്താം.
* ലവച്‌ത്വം: നിങ്ങള്ക്കു വേണ്ട സേവനങ്ങൾക്ക് മാത്രമേ പണം നൽകാനാകൂ, വ്യത്യസ്ത സേവനങ്ങളിൽ നിന്ന് തിരഞ്ഞെടുക്കാവുന്നതാണ്. സാധാരണയായി ഉപയോഗമനുസരിച്ചു പണം നൽകുന്നു, ആവശ്യാനുസരണം സേവനങ്ങൾ കൂട്ടിയോ കുറച്ചോ ചെയ്യാം.
* ബജറ്റ്: ഹാർഡ്‌വെയറും സോഫ്റ്റ്വെയറും വാങ്ങാൻ ആദ്യ നിക്ഷേപം ചെയ്യേണ്ട ആവശ്യമില്ല, ഓൺ-സൈറ്റ് ഡാറ്റാ സെന്ററുകൾ സ്ഥാപിക്കാനും നടത്താനും ആവശ്യമായ ചെലവും ഒഴിവാകും, ഉപയോഗാനുസരിച്ച് പണം കൊടുക്കുന്നതും സാധിക്കും.
* സ്കേലബിലിറ്റി: നിങ്ങളുടെ സർവീസുകൾ നിങ്ങളുടെ പ്രോജക്റ്റിന്റെ ആവശ്യങ്ങൾ പ്രകാരം സ്കേൽ ചെയ്യാൻ കഴിയും, ആ അർത്ഥത്തിൽ നിങ്ങളുടെ ആപ്പുകൾ കുറവോ കൂടുതലോ കംപ്യൂട്ടിംഗ് ശേഷി, സ്റ്റോറേജ്, ബാന്ഡ്വിഡ്ത്ത് ഉപയോഗിക്കാനും കഴിയും, ഇത് ഏതുതവണയായാലും പുറത്തുള്ള ഘടകങ്ങൾ അനുസരിച്ച് ആപേക്ഷികമാകുന്നു.
* ഉൽപ്പാദനക്ഷമത: ഡാറ്റാ സെന്ററുകൾ പ്രഭന്ദനം പോലെയുള്ള ജോലി അകത്തേക്ക് വിട്ട്, നിങ്ങളുടെ ബിസിനസ്സ് ശ്രദ്ധിക്കാനാകും.
* വിശ്വസനീയത: ക്ലൗഡ് കംപ്യൂട്ടിംഗ് വിവിധ വഴികളിലൂടെ നിങ്ങളുടെ ഡാറ്റ സ്ഥിരമായി ബാക്കപ്പ് എടുക്കാനും, ആഘാതങ്ങൾക്കിടെ ബിസിനസ്സും സേവനങ്ങളും തുടർക്കോടായി കൂട്ട് നിലനിർത്താനുമുള്ള ദുരന്തം വീണ്ടെടുക്കൽ പദ്ധതികൾ സജ്ജമാക്കാനും സഹായിക്കുന്നു.
* സുരക്ഷ: നിങ്ങളുടെ പ്രോജക്റ്റിന്റെ സുരക്ഷ ശക്തിപ്പെടുത്തുന്ന നയങ്ങൾ, സാങ്കേതികവിദ്യകൾ, നിയന്ത്രണങ്ങൾ മുതലായ അനുകൂലനങ്ങൾ നിങ്ങൾക്ക് ലഭിക്കും.
ഇവയാണ് പലരും ക്ലൗഡ് സേവനങ്ങൾ ഉപയോഗിക്കുന്നത് പ്രധാനമായും തിരഞ്ഞെടുക്കുന്ന കാരണങ്ങൾ. ഇപ്പോൾ ക്ലൗഡിന്റെ അടിസ്ഥാനവും പ്രധാന ലാഭങ്ങളും മനസ്സിലാക്കി, ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കും ഡാറ്റ കൈകാര്യം ചെയ്യുന്ന ഡവലപ്പർമാർക്കും ക്ലൗഡ് എങ്ങനെ സഹായകമാണെന്ന്, അവരുടെ അഭിമുഖീകരിക്കുന്ന ചില വെല്ലുവിളികളോടും നമുക്ക് കൂടുതൽ ദൃശ്യമായി നോക്കാം:
* വലിയ ഡാറ്റയിലേക്കുള്ള സംഗ്രഹം: വലുതും ബുദ്ധിമുട്ടുള്ള സർവറുകൾ വാങ്ങാനോ പരിപാലിക്കാനോ ആവശ്യപ്പെടുന്നതിനുപകരം, നിങ്ങളുടെ ഡാറ്റ നേരിട്ട് ക്ലൗഡിൽ സൂക്ഷിക്കാം, ഉദാഹരണത്തിന് Azure Cosmos DB, Azure SQL Database, Azure Data Lake Storage പോലുള്ള പരിഹാരങ്ങൾ.
* ഡാറ്റ സംയോജനം നടത്തുക: ഡാറ്റാ ശാസ്ത്രത്തിലെ അനിവാര്യ ഘടകമാണ് ഡാറ്റ സംയോജനം, ഡാറ്റ ശേഖരണത്തിൽ നിന്നുള്ള പ്രവർത്തനങ്ങളിലേക്ക് മാറ്റം ചെയ്യാൻ ഇത് സഹായിക്കുന്നു. ക്ലൗഡ്-നൽകുന്ന ഡാറ്റ ഫാക്ടറി പോലുള്ള ഡാറ്റ സംയോജന സേവനങ്ങളാൽ വിവിധ ഉറവിടങ്ങളിൽനിന്നും ഡാറ്റ ശേഖരിക്കുകയും പരിവർത്തനം ചെയ്യുകയും ഒറ്റ ഡാറ്റാ വെയർഹൗസ് ആയി സംയോജിപ്പിക്കാനും കഴിയും.
* ഡാറ്റ പ്രോസസ്സ് ചെയ്യൽ: വൻതോതിലുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യാൻ ഒട്ടും ശക്തമായ കംപ്യൂട്ടിംഗ് ശേഷി ആവശ്യമുണ്ട്, ഇതിന് മിതമായ പവർ ഉള്ള യന്ത്രങ്ങൾ എല്ലാവർക്കും ലഭ്യമല്ല, അതുകൊണ്ട് പലരും അവരുടെ പരിഹാരങ്ങൾ പ്രവർത്തിപ്പിക്കാൻ ക്ലൗഡിന്റെ വലിയ കംപ്യൂട്ടിംഗ് ശേഷി നേരിട്ട് ഉപയോഗിക്കാൻ തിരുപ്പ് ചെയ്യുന്നു.
* ഡാറ്റ അനലിറ്റിക്സ് സേവനങ്ങൾ ഉപയോഗിക്കുക: Azure Synapse Analytics, Azure Stream Analytics, Azure Databricks പോലുള്ള ക്ലൗഡ് സേവനങ്ങൾ നിങ്ങളുടെ ഡാറ്റ ഉപകാരപ്രദമായ അറിവുകളായി മാറ്റാൻ സഹായിക്കുന്നു.
* മെഷീൻ ലേണിംഗ്, ഡാറ്റ ബുദ്ധിമതികൾ സേവനങ്ങൾ ഉപയോഗിക്കുക: നിങ്ങളുടെ സ്വന്തം മെഷീൻ ലേണിംഗ് അല്ഗോരിദങ്ങൾ തുടങ്ങാതെ, ക്ലൗഡ് ദാതാക്കൾ നൽകിയ മെഷീൻ ലേണിംഗ് സർവീസുകൾ ഉപയോഗിക്കാം, ഉദാഹരണത്തിന് AzureML. സ്പീച്ച്-ടു-ടെക്സ്റ്റ്, ടെക്സ്റ്റ് ടു സ്പീച്ച്, കമ്പ്യൂട്ടർ വിഷൻ പോലുള്ള കോഗ്നിറ്റീവ് സേവനങ്ങൾ പ്രയോജനപ്പെടുത്താം.
## ക്ലൗഡിലെ ഡാറ്റാ സയൻസിന്റെ ഉദാഹരണങ്ങൾ
കുറെ സാന്ദർഭിക ദൃശ്യങ്ങൾ കാണാം.
### യഥാർത്ഥ സമയ സോഷ്യൽ മീഡിയ സ്നേഹം വിശകലനം
മെഷീൻ ലേണിംഗ് പഠനം ആരംഭിക്കുന്നവർ സാധാരണ പഠിക്കുന്ന ഒരു സംജ്ഞാക്രമണം ആണ്: യഥാർത്ഥ സമയത്തിലുണ്ടാകുന്ന സോഷ്യൽ മീഡിയ സ്നേഹം വിശകലനം.
നിങ്ങൾ ഒരു വാർത്താ മീഡിയ വെബ്‌സൈറ്റ് പ്രവർത്തിപ്പിക്കുന്നുവെന്ന് ചിന്തിക്കൂ, നിങ്ങളുടെ പാഠകർക്ക് ഇഷ്ടപ്പെടാവുന്ന ഉള്ളടക്കം എന്ന് തിരിച്ചറിയാൻ ലൈവ് ഡാറ്റ ഉപയോഗിച്ച് സഹായം വേണ്ടുന്നുണ്ട്. അതിനായി, നിങ്ങളുടെ വായനക്കാരുടെ പ്രസക്തമായ വിഷയങ്ങളിൽ നിന്നുള്ള ട്വിറ്റർ പ്രസിദ്ധീകരണങ്ങളുടെ യഥാർത്ഥ സമയ സ്നേഹം വിശകലനം ചെയ്യുന്നതിന് ഒരു പ്രോഗ്രാം നിർമ്മിക്കാം.
പ്രധാന സൂചകങ്ങൾ ആയിരിക്കും ഒരു പ്രത്യേക വിഷയത്തെ (ഹാഷ് ടാഗ്) കുറിച്ച് ട്വിറ്റുകളുടെ വോള്യം (അളവ്) എന്നും സ്നേഹം (Sentiment) എന്നും, സ്നേഹം വിശകലനം ചെയ്യുന്ന അനലിറ്റിക്സ് ഉപകരണങ്ങൾ ഉപയോഗിച്ച് രൂപകൽപ്പന ചെയ്‌തത്.
ഈ പ്രോജക്റ്റ് സൃഷ്ടിക്കാൻ ആവശ്യമായ ഘട്ടങ്ങൾ:
* ട്വിറ്ററിൽ നിന്നുള്ള ഡാറ്റ ശേഖരിക്കാൻ ഒരു ഇവന്റ് ഹബ് സൃഷ്ടിക്കുക
* ട്വിറ്റർ സ്റ്റ്രീമിംഗ് API-കള്‍ വിളിക്കുന്ന ഒരു ട്വിറ്റർ ക്ലയന്റ് ആപ്ലിക്കേഷൻ ക്രമീകരിച്ച് ആരംഭിക്കുക
* ഒരു Stream Analytics ജോബ് സൃഷ്ടിക്കുക
* ജോബ് ഇൻപുട്ടും ക്വറിയും വ്യക്തമാക്കുക
* ഔട്ട്പുട്ട് സിങ്ക് സൃഷ്ടിച്ച് ജോബ് ഔട്ട്പുട്ട് വ്യക്തമാക്കുക
* ജോബ് ആരംഭിക്കുക
പൂർണ്ണ പ്രക്രിയ കാണാൻ, [ഡോക്യുമെന്റേഷൻ](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) പരിശോധിക്കുക.
### ശാസ്ത്രീയ പത്രപ്രധാനങ്ങൾ വിശകലനം
ഈ കാർയമായ പാഠ്യപദ്ധതിയുടെ ഒരെണ്ണമായ [Dmitry Soshnikov](http://soshnikov.com) സൃഷ്ടിച്ച പ്രോജക്ടിന്റെ മറ്റൊരു ഉദാഹരണം നോക്കാം.
Dmitry COVID പത്രങ്ങൾ വിശകലനം ചെയ്യുന്ന ഒരു ഉപകരണം സൃഷ്ടിച്ചു. ഈ പ്രോജക്ട് പരിശോധിച്ചതോടെ, ശാസ്ത്രീയ ലേഖനങ്ങളിൽ നിന്ന് അറിവ് നേടാനും,洞ന്വേഷണങ്ങൾ അടയാളപ്പെടുത്താനും, വലിയ പത്രസംരംഭങ്ങൾ ഫലപ്രദമായി ഞെക്കിക്കൂടാൻ സഹായിക്കുന്ന ഉപകരണം നിങ്ങൾ നിർമിക്കാൻ സാധിക്കും എന്ന് കാണാം.
ഇതിനുള്ള വിവിധ ഘട്ടങ്ങൾ:
* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ഉപയോഗിച്ച് വിവരങ്ങൾ എക്സ്‌ട്രാക്റ്റ് ചെയ്ത് പ്രൊസസ്സ് ചെയ്യൽ
* [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ഉപയോഗിച്ച് പ്രോസസ്സിംഗ് പാരലലൈസ് ചെയ്യൽ
* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ഉപയോഗിച്ച് വിവരങ്ങൾ സംഭരിക്കുകയും ക്വറി ചെയ്ത് ഉപയോഗപ്പെടുത്തുകയും ചെയ്യുക
* Power BI ഉപയോഗിച്ച് ഡാറ്റാ എക്‌സ്‌പ്ലോറേഷൻ, ദൃശ്യവൽക്കരണം നടത്താനുള്ള ഇന്ററാക്ടീവ് ഡാഷ്ബോർഡ് സൃഷ്ടിക്കുക
പൂർണ്ണ പ്രക്രിയ കാണാൻ [Dmitry’s ബ്ലോഗ്](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) സന്ദർശിക്കുക.
അന്വേഷിച്ച പോലെ, ഡാറ്റാ സയൻസ് നടത്താൻ ക്ലൗഡ് സേവനങ്ങൾ നാം വിവിധ രീതികളിൽ പ്രയോജനപ്പെടുത്താം.
## ഫുട്നോട്ട്
ഉറവിടങ്ങൾ:
* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109
* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109
* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/
## പോസ്റ്റ്-ലക്‌ചർ ക്വിസ്
## [പോസ്റ്റ്-ലക്‌ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/33)
## അസൈൻമെന്റ്
[Market Research](assignment.md)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അറിയിപ്പ്**:
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

150
translations/ml/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
Unescape View File

@ -1,110 +1,146 @@
# യഥാർത്ഥ ലോകത്തിലെ ഡാറ്റാ സയൻസ്
# യഥാർഥ ലോകത്തിലെ ഡേറ്റാ സയൻസ്
| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
| :--------------------------------------------------------------------------------------------------------------: |
| യഥാർത്ഥ ലോകത്തിലെ ഡാറ്റാ സയൻസ് - _സ്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
| യഥാർഥ ലോകത്തിലെ ഡേറ്റാ സയൻസ് - _സ്ക്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
നാം ഈ പഠനയാത്രയുടെ അവസാനത്തോട് അടുത്തിരിക്കുന്നു!
നാം ഈ പഠനയാത്രയുടെ അവസാനത്തോടെയാണ് എത്തിയിരിക്കുന്നത്!
ഡാറ്റാ സയൻസിന്റെയും നൈതികതയുടെയും നിർവചനങ്ങളോടെ ആരംഭിച്ച്, ഡാറ്റാ വിശകലനത്തിനും ദൃശ്യവത്കരണത്തിനും വിവിധ ഉപകരണങ്ങളും സാങ്കേതിക വിദ്യകളും പരിശോധിച്ചു, ഡാറ്റാ സയൻസ് ലൈഫ്‌സൈക്കിൾ അവലോകനം ചെയ്തു, ക്ലൗഡ് കംപ്യൂട്ടിംഗ് സേവനങ്ങളിലൂടെ ഡാറ്റാ സയൻസ് പ്രവൃത്തികൾ സ്കെയിൽ ചെയ്യുകയും ഓട്ടോമേറ്റ് ചെയ്യുകയും ചെയ്യുന്നതിനെക്കുറിച്ച് നോക്കി. അതിനാൽ, നിങ്ങൾക്ക് സംശയമുണ്ടാകാം: _"ഈ പഠനങ്ങളെ യഥാർത്ഥ ലോക സാഹചര്യങ്ങളുമായി എങ്ങനെ കൃത്യമായി ബന്ധിപ്പിക്കാം?"_
നാം ഡേറ്റാ സയൻസിന്റെയും എഥിക്സിന്റെയും നിർവചനങ്ങളിൽനിന്ന് തുടങ്ങുകയും, ഡേറ്റാ വിശകലനത്തിനും ദൃശ്യവത്ക്കരണത്തിനും വേണ്ടിയുള്ള വിവിധ ഉപകരണങ്ങളും സാങ്കേതിക വിദ്യകളും പരിശോധിക്കുകയും, ഡേറ്റാ സയൻസ് ലൈഫ്സൈക്കിൾ അവലോകനം ചെയ്യുകയും, ക്ലൗഡ് കംപ്യൂട്ടിംഗ് സേവനങ്ങളിലൂടെ ഡേറ്റാ സയൻസ് പ്രവർത്തികൾ സ്കെയിൽ ചെയ്യുകയും ഓട്ടോമേറ്റുചെയ്യുകയും ചെയ്തു. അതിനാൽ, നിങ്ങൾക്ക് തോന്നുന്നുണ്ടോ: _"ഈ പഠനങ്ങളെ യഥാർത്ഥ ലോക സന്നിവേശങ്ങളിലേക്ക് എങ്ങനെ കൃത്യമായി നമാക്കാം?"_
ഈ പാഠത്തിൽ, വ്യവസായം മുഴുവൻ ഡാറ്റാ സയൻസിന്റെ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ പരിശോധിക്കുകയും ഗവേഷണം, ഡിജിറ്റൽ ഹ്യൂമാനിറ്റീസ്, സുസ്ഥിരത എന്നീ പ്രത്യേക സാഹചര്യങ്ങളിലെ ഉദാഹരണങ്ങളിൽ ആഴത്തിൽ നോക്കുകയും ചെയ്യും. വിദ്യാർത്ഥി പ്രോജക്ട് അവസരങ്ങൾ പരിശോധിച്ച്, നിങ്ങളുടെ പഠനയാത്ര തുടരുമെന്ന് സഹായിക്കുന്ന ഉപകാരപ്രദമായ വിഭവങ്ങൾക്കൊപ്പം സമാപിപ്പിക്കും!
ഈ പാഠത്തിൽ, വ്യവസായത്തിലെ യഥാർത്ഥ ലോക അസംഖ്യമായ ഡേറ്റാ സയൻസ് പ്രയോഗങ്ങളെ പരിസരിക്കാം, ഗവേഷണം, ഡിജിറ്റൽ മനുഷ്യശാസ്ത്രം, സ്ഥിരതാ സാങ്കേതികവിദ്യ എന്നിവയിലുള്ള പ്രത്യേക ഉദാഹരണങ്ങളിൽ പ്പോയർണ്ണും. വിദ്യാർത്ഥി പ്രൊജക്റ്റ് അവസരങ്ങൾ നോക്കുകയും നിങ്ങളുടെ പഠന യാത്ര തുടർന്നും സഹായിക്കുന്ന അനുയോജ്യമായ വൃത്താന്തങ്ങൾ നൽകി സമാപിപ്പിക്കുകയും ചെയ്യും!
## ഫോർ-പാഠം ക്വിസ്
## പ്രീ-ലെക്ചർ ക്വിസ്
## [ഫോർ-പാഠം ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/38)
## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/38)
## ഡേറ്റാ സയൻസ് + വ്യവസായം
## ഡാറ്റാ സയൻസ് + വ്യവസായം
AI-യുടെ ജനാധിപത്യവൽക്കരണത്തിന് നന്ദിയോടെ, ഡെവലപ്പർമാർ ഇപ്പോൾ AI-എഴുതിയ നിർണയമെടുക്കലും ഡേറ്റാ-പ്രേരിത洞റിവുകളും ഉപയോക്തൃ അനുഭവങ്ങളിലും വികസന പ്രവൃത്തികളിലും സുഖകരമായി ചേർക്കാൻ കഴിവർന്നു. വ്യവസായ വ്യാപ്തിയിലുള്ള യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾക്ക് ഡേറ്റാ സയൻസ് എങ്ങനെ "പ്രയോഗിക്കുന്നു" എന്ന് ചില ഉദാഹരണങ്ങൾ:
AI-യുടെ ജനാധിപത്യവൽക്കരണത്തിന് നന്ദി, ഡെവലപ്പർമാർക്ക് ഇപ്പോൾ AI-നിർഭരമായ തീരുമാനമെടുക്കലും ഡാറ്റാ-നിർഭരമായ洞察ങ്ങളും ഉപയോക്തൃ അനുഭവങ്ങളിലും വികസന പ്രവൃത്തികളിലും രൂപകൽപ്പന ചെയ്യാനും സംയോജിപ്പിക്കാനും എളുപ്പമാണ്. വ്യവസായം മുഴുവൻ ഡാറ്റാ സയൻസ് യഥാർത്ഥ ലോക പ്രയോഗങ്ങളിൽ "പ്രയോഗിക്കപ്പെടുന്ന" ചില ഉദാഹരണങ്ങൾ ഇവയാണ്:
* [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ഡേറ്റാംശം ഉപയോഗിച്ച് സന്ധാന താൾവാക്കുകൾക്കും ഫ്ലു പ്രവണതകൾക്കും ഇടയിലുള്ള ബന്ധം കണ്ടെത്താൻ ഡേറ്റാ സയൻസ് ഉപയോഗിച്ചിരുന്നു. സമീപനം പിഴവുകളുണ്ടെങ്കിലും, ഡേറ്റാ-പ്രേരിത ആരോഗ്യപരിപാലന പ്രവചനങ്ങളുടെ സാധ്യതകളും വെല്ലുവിളികളും പ്രചരിപ്പിച്ചു.
* [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ഡാറ്റാ സയൻസ് ഉപയോഗിച്ച് തിരയൽ പദങ്ങൾ ഫ്ലൂ ട്രെൻഡുകളുമായി ബന്ധിപ്പിച്ചു. സമീപനം പിഴവുകൾ ഉണ്ടായിരുന്നെങ്കിലും, ഡാറ്റാ-നിർഭരമായ ആരോഗ്യപരിചരണ പ്രവചനങ്ങളുടെ സാധ്യതകളും (ചില വെല്ലുവിളികളും) ബോധവൽക്കരിച്ചു.
* [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - എങ്ങനെ UPS ഡേറ്റാ സയൻസ്, മെഷീൻ ലേണിംഗ് എന്നിവ നൽകുന്ന കാലാവസ്ഥ സാഹചര്യം, ഗതാഗത പാറ്റേണുകൾ, താഴെയെത്താനുള്ള സമയപരിധി എന്നിവ പരിഗണിച്ച് ഡെലിവറി ഏറ്റവും മികച്ച മാർഗ്ഗങ്ങൾ പ്രവചിക്കുന്നു എന്ന് വിശദീകരിക്കുന്നു.
* [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS എങ്ങനെ ഡാറ്റാ സയൻസ്, മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് കാലാവസ്ഥാ സാഹചര്യങ്ങൾ, ഗതാഗത മാതൃകകൾ, ഡെലിവറി സമയപരിധികൾ എന്നിവ പരിഗണിച്ച് ഡെലിവറിയ്ക്ക് ഏറ്റവും അനുയോജ്യമായ മാർഗങ്ങൾ പ്രവചിക്കുന്നു എന്ന് വിശദീകരിക്കുന്നു.
* [NYC Taxi Route Visualization](http://chriswhong.github.io/nyctaxi/) - [Freedom Of Information Laws](https://chriswhong.com/open-data/foil_nyc_taxi/) ഉപയോഗിച്ച് ശേഖരിച്ച ഡേറ്റാ NYC ടാക്സികളുടെ ഒരു ദിന ജീവിതം കാണിച്ചു, അവർ നഗരത്തിൽ എങ്ങനെ സഞ്ചരിക്കുന്നു, അവർ ഉണ്ടാക്കിയ വരുമാനം, 24 മണിക്കൂറിൽ യാത്രയുടെ ദൈർഘ്യം എന്നിവ മനസ്സിലാക്കാൻ സഹായിച്ചു.
* [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - [Freedom Of Information Laws](https://chriswhong.com/open-data/foil_nyc_taxi/) ഉപയോഗിച്ച് ശേഖരിച്ച ഡാറ്റ NYC ടാക്സികളുടെ ഒരു ദിവസത്തെ ജീവിതം ദൃശ്യവത്കരിച്ചു, അവ എങ്ങനെ തിരക്കുള്ള നഗരത്തിൽ സഞ്ചരിക്കുന്നു, അവർ സമ്പാദിക്കുന്ന പണം, ഓരോ 24 മണിക്കൂറിനുള്ള യാത്രകളുടെ ദൈർഘ്യം എന്നിവ മനസ്സിലാക്കാൻ സഹായിച്ചു.
* [Uber Data Science Workbench](https://eng.uber.com/dsw/) - *പ്ര ദിനം* മില്യനുകളായ ഉബർ യാത്രകളിൽ നിന്നുള്ള ഡേറ്റ (പിക്കപ്പ് & ഡ്രോപ്പ്ഓഫ് ലൊക്കേഷനുകൾ, യാത്ര ദൈർഘ്യം, മുന്‍തൂക്കമിട്ട മാർഗ്ഗങ്ങൾ) ഉപയോഗിച്ച് വില നിർണ്ണയം, സുരക്ഷ, തട്ടിപ്പ് കണ്ടെത്തൽ, നാവിഗേഷൻ തീരുമാനങ്ങൾ എന്നിവ സഹായിക്കുന്ന ഡേറ്റാ അനലിറ്റിക്സ് ടൂൾ നിർമ്മിക്കുന്നു.
* [Uber Data Science Workbench](https://eng.uber.com/dsw/) - Uber യാത്രകളിൽ നിന്നുള്ള (പിക്കപ്പ് & ഡ്രോപ്പ് ഓഫ് ലൊക്കേഷനുകൾ, യാത്രാ ദൈർഘ്യം, ഇഷ്ടപ്പെട്ട മാർഗങ്ങൾ തുടങ്ങിയ) ഡാറ്റ ഉപയോഗിച്ച് *ദൈനംദിനം* ഡാറ്റാ അനലിറ്റിക്സ് ഉപകരണം നിർമ്മിച്ച് വിലനിർണ്ണയം, സുരക്ഷ, തട്ടിപ്പ് കണ്ടെത്തൽ, നാവിഗേഷൻ തീരുമാനങ്ങൾ എന്നിവയ്ക്ക് സഹായിക്കുന്നു.
* [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _പ്രവചനാത്മക അനലിറ്റിക്സ്_ (ടീം, കളിക്കാരൻ വിശകലനം - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) പോലെ - പ്രേമികർ മാനേജ്‌മെന്റ്) ഉം _ഡേറ്റാ ദൃശ്യവത്ക്കരണം_ (ടീം & പ്രേമികർ ഡാഷ്ബോർഡുകൾ, മത്സരങ്ങൾ തുടങ്ങിയവ) എന്നിവയെയും പരിശീലിക്കാൻ, സ്പോർട്സ് ബെറ്റിങ്ങും ഇൻവെന്ററി/വേദി മാനേജ്‌മെന്റും ഉൾപ്പെടുന്ന പ്രയോഗങ്ങൾ.
* [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _പ്രവചനാത്മക വിശകലനം_ (ടീം, കളിക്കാരൻ വിശകലനം - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) പോലെ - ഫാൻ മാനേജ്മെന്റ്)യും _ഡാറ്റാ ദൃശ്യവത്കരണം_ (ടീം & ഫാൻ ഡാഷ്ബോർഡുകൾ, ഗെയിമുകൾ തുടങ്ങിയവ)യും ടാലന്റ് സ്കൗട്ടിംഗ്, സ്പോർട്സ് ഗാംബ്ലിംഗ്, ഇൻവെന്ററി/വേദി മാനേജ്മെന്റ് പോലുള്ള പ്രയോഗങ്ങളുമായി കേന്ദ്രീകരിക്കുന്നു.
* [ബാങ്കിംഗ് രംഗത്ത് ഡേറ്റാ സയൻസ്](https://data-flair.training/blogs/data-science-in-banking/) - ഫെഞ്ചർ രംഗത്ത് പ്രയോഗങ്ങൾ ബാക്കി അപകടനിരൂപണം, തട്ടിപ്പ് കണ്ടെത്തൽ മുതൽ ഉപഭോക്തൃ വിഭാഗീകരണം, യഥാർത്ഥ സമയ പ്രവചനങ്ങൾ, ശുപാർശ സിസ്റ്റങ്ങൾ വരെ ഉൾപ്പെടുന്നു. പ്രവചനാത്മക അനലിറ്റിക്സ് [ക്രെഡിറ്റ് സ്കോറുകൾ](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) പോലുള്ള നിർണായക മാനദണ്ഡങ്ങൾ പ്രേരിപ്പിക്കുന്നു.
* [Data Science in Banking](https://data-flair.training/blogs/data-science-in-banking/) - ധനകാര്യ വ്യവസായത്തിൽ ഡാറ്റാ സയൻസിന്റെ മൂല്യം ഹൈലൈറ്റ് ചെയ്യുന്നു, റിസ്‌ക് മോഡലിംഗ്, തട്ടിപ്പ് കണ്ടെത്തൽ, ഉപഭോക്തൃ വിഭാഗീകരണം, റിയൽ-ടൈം പ്രവചനവും ശുപാർശാ സംവിധാനങ്ങളും ഉൾപ്പെടെ. പ്രവചനാത്മക വിശകലനം [ക്രെഡിറ്റ് സ്കോറുകൾ](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) പോലുള്ള നിർണായക നടപടികൾക്ക് പ്രേരകമാണ്.
* [ആരോഗ്യ മേഖലയിലെ ഡേറ്റാ സയൻസ്](https://data-flair.training/blogs/data-science-in-healthcare/) - മെഡിക്കൽ ഇമേജിംഗ് (MRI, X-Ray, CT-സ്കാൻ), ജനോമിക്സ് (DNA അനുക്രമണം), മരുന്ന് വികസനം (അപായ വിലയിരുത്തൽ, വിജയ പ്രവചനം), പ്രവചനാത്മക അനലിറ്റിക്സ് (രോഗി പരിചരണം & പൊതുവിതരണ ലൊജിസ്റ്റിക്‌സ്), രോഗം നിരീക്ഷണം & പ്രതിരോധം മുതലായ പ്രയോഗങ്ങൾ.
* [Data Science in Healthcare](https://data-flair.training/blogs/data-science-in-healthcare/) - മെഡിക്കൽ ഇമേജിംഗ് (MRI, X-Ray, CT-സ്കാൻ), ജീനോമിക്സ് (DNA സീക്വൻസിംഗ്), മരുന്ന് വികസനം (റിസ്‌ക് വിലയിരുത്തൽ, വിജയ പ്രവചന), പ്രവചനാത്മക വിശകലനം (രോഗി പരിചരണം & വിതരണ ലജിസ്റ്റിക്സ്), രോഗം ട്രാക്കിംഗ് & പ്രതിരോധം തുടങ്ങിയ പ്രയോഗങ്ങൾ ഹൈലൈറ്റ് ചെയ്യുന്നു.
![Data Science Applications in The Real World](../../../../translated_images/ml/data-science-applications.4e5019cd8790ebac.webp) Image Credit: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
![Data Science Applications in The Real World](../../../../translated_images/ml/data-science-applications.4e5019cd8790ebac.webp) ചിത്രം ക്രെഡിറ്റ്: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
ഈ ചിത്രം ഡേറ്റാ സയൻസ് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് മറ്റ് മേഖലകളും ഉദാഹരണങ്ങളും കാണിക്കുകയും ചെയ്യുന്നു. മറ്റ് പ്രയോഗങ്ങൾ അന്വേഷിക്കാനുണ്ടോ? താഴെയുള്ള [പരിശോധന & സ്വയം പഠനം](?id=review-amp-self-study) വിഭാഗം നോക്കൂ.
ചിത്രം ഡാറ്റാ സയൻസ് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കാവുന്ന മറ്റ് മേഖലകളും ഉദാഹരണങ്ങളും കാണിക്കുന്നു. മറ്റ് പ്രയോഗങ്ങൾ അന്വേഷിക്കണോ? താഴെയുള്ള [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) വിഭാഗം പരിശോധിക്കുക.
## ഡാറ്റാ സയൻസ് + ഗവേഷണം
## ഡേറ്റാ സയൻസ് + ഗവേഷണം
| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
| :---------------------------------------------------------------------------------------------------------------: |
| ഡാറ്റാ സയൻസ് & ഗവേഷണം - _സ്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
| ഡേറ്റാ സയൻസ് & ഗവേഷണം - _സ്ക്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ സാധാരണയായി വ്യവസായ ഉപയോഗ കേസുകളിൽ സ്കെയിലിൽ കേന്ദ്രീകരിക്കുന്നുവെങ്കിലും, _ഗവേഷണ_ പ്രയോഗങ്ങളും പ്രോജക്ടുകളും രണ്ട് കാഴ്ചപ്പാടുകളിൽ ഉപകാരപ്രദമാണ്:
യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ സാധാരണയായി വ്യവസായ പരിധിയിൽ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുമ്പോൾ, _ഗവേഷണ_ പ്രയോഗങ്ങൾ രണ്ട് കാഴ്ചപ്പാടുകളിൽ ഉൽപ്പാദകമാകാവുന്നുണ്ട്:
* _നവീകരണ അവസരങ്ങൾ_ - ആധുനിക ആശയങ്ങളുടെ വേഗത്തിലുള്ള പ്രോട്ടോടൈപ്പിംഗ്, അടുത്ത തലമുറ പ്രയോഗങ്ങൾക്കുള്ള ഉപയോക്തൃ അനുഭവങ്ങളുടെ പരിശോധന.
* _പ്രയോഗ വെല്ലുവിളികൾ_ - യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ ഡാറ്റാ സയൻസ് സാങ്കേതിക വിദ്യകളുടെ സാധ്യതയുള്ള ഹാനികൾ അല്ലെങ്കിൽ ഉദ്ദേശിക്കാത്ത ഫലങ്ങൾ അന്വേഷിക്കുക.
* _നൂതനത ആവശ്യമുള്ള അവസരങ്ങൾ_ - ആധുനിക ആശയങ്ങളുടെ വേഗത്തിലുള്ള പ്രോട്ടോടൈപ്പിംഗ് പരീക്ഷണങ്ങളും അടുത്ത തലമുറ പ്രയോഗങ്ങൾക്ക് ഉപയോക്തൃ അനുഭവങ്ങൾ പരിശോധിക്കുകയും ചെയ്യുക.
* _പ്രയോഗപ്രവേശന വെല്ലുവിളികൾ_ - ഡേറ്റാ സയൻസ് സാങ്കേതിക വിദ്യകൾ യഥാർത്ഥ ലോക ആശയസാഹിത്യത്തിൽ ഉണ്ടാക്കുന് സാധ്യതയുള്ള ഉപദ്രവങ്ങൾ അല്ലെങ്കിൽ അനീച്ഛിത പ്രത്യാഘാതങ്ങൾ അന്വേഷിക്കുക.
വിദ്യാർത്ഥികൾക്ക്, ഈ ഗവേഷണ പ്രോജക്ടുകൾ വിഷയത്തെക്കുറിച്ചുള്ള നിങ്ങളുടെ മനസ്സിലാക്കലും ബന്ധപ്പെട്ട ആളുകളുമായോ ടീമുകളുമായോ സഹകരിക്കുകയും വർദ്ധിപ്പിക്കുന്ന പഠനവും അവസരങ്ങൾ നൽകുന്നു. അതിനാൽ ഗവേഷണ പ്രോജക്ടുകൾ എങ്ങനെയാണ് കാണപ്പെടുന്നത്, അവ എങ്ങനെ സ്വാധീനം ചെലുത്തുന്നു?
വിദ്യാർത്ഥികൾക്ക്, ഗവേഷണ പദ്ധതികൾ വിഷയത്തെക്കുറിച്ചുള്ള ബോധവും മനസ്സിലാക്കലും കൂടുതൽ മെച്ചപ്പെടുത്താനും, ആ മേഖലകളിൽ പ്രവർത്തിക്കുന്ന അനുയോജ്യരായ വ്യക്തികളും സംഘങ്ങളുമായുള്ള ഇടപെടലുകളും വികസിപ്പിക്കാനും സഹായകരമാണ്. ആകെയുള്ള ഗവേഷണ പദ്ധതികൾ എങ്ങനെ രൂപപ്പെടുന്നുവെന്നും അവ എങ്ങനെ സ്വാധീനം ചെലുത്തുന്നു എന്നും നോക്കുക.
ഒരു ഉദാഹരണം നോക്കാം - Joy Buolamwini (MIT മീഡിയ ലാബ്സ്) യുടെ [MIT Gender Shades Study](http://gendershades.org/overview.html) ഒരു [പ്രധാന ഗവേഷണ പേപ്പർ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) Timnit Gebru (അന്ന് Microsoft Research-ൽ) സഹരചയിതാവായുള്ളത്, ഇതിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചത്:
ഒരു ഉദാഹരണമായി നോക്കുക - Joy Buolamwini (MIT മീഡിയ ലാബ്) രചിച്ച [MIT Gender Shades Study](http://gendershades.org/overview.html), [പ്രധാന ഗവേഷണം പേപ്പർ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) Timnit Gebru (മൈക്രോസോഫ്റ്റ് റിസർച്ചിൽ അന്നത്തെ) സഹ-രചിച്ച് നടത്തിയതു:
* **എന്ത്:** ലിംഗവും ത്വക്കിന്റെ തരം അടിസ്ഥാനമാക്കി സ്വയം പ്രവർത്തിക്കുന്ന മുഖ വിശകലന ആൽഗോരിതങ്ങളും ഡാറ്റാസെറ്റുകളും ഉള്ള പൂർവ്വാഗ്രഹം വിലയിരുത്തുക എന്നതാണ് ഗവേഷണ പ്രോജക്ടിന്റെ ലക്ഷ്യം.
* **എന്തുകൊണ്ട്:** മുഖ വിശകലനം നിയമ നടപ്പാക്കൽ, വിമാനത്താവള സുരക്ഷ, നിയമനം തുടങ്ങിയ മേഖലകളിൽ ഉപയോഗിക്കുന്നു - തെറ്റായ വർഗ്ഗീകരണങ്ങൾ (ഉദാ: പൂർവ്വാഗ്രഹം മൂലം) ബാധിച്ച വ്യക്തികൾക്ക് സാമ്പത്തികവും സാമൂഹികവും ഹാനികൾ ഉണ്ടാക്കാം. പൂർവ്വാഗ്രഹങ്ങൾ മനസ്സിലാക്കുകയും (നീക്കം ചെയ്യുകയോ കുറയ്ക്കുകയോ) നീതിക്ക് നിർണായകമാണ്.
* **എങ്ങനെ:** ഗവേഷകർ നിലവിലുള്ള ബെഞ്ച്മാർക്കുകൾ പ്രധാനമായും വെളുത്ത ത്വക്കുള്ള വിഷയങ്ങൾ ഉപയോഗിക്കുന്നതായി തിരിച്ചറിഞ്ഞു, ലിംഗവും ത്വക്കിന്റെ തരം കൂടി _സമതുല്യമായ_ പുതിയ ഡാറ്റാസെറ്റ് (1000+ ചിത്രങ്ങൾ) ഒരുക്കി. ഈ ഡാറ്റാസെറ്റ് Microsoft, IBM & Face++ എന്നിവയുടെ മൂന്ന് ലിംഗ വർഗ്ഗീകരണ ഉൽപ്പന്നങ്ങളുടെ കൃത്യത വിലയിരുത്താൻ ഉപയോഗിച്ചു.
* **എന്ത്:** ഗവേഷണ ലക്ഷ്യം _ലൈംഗികതയും ചുണ്ടു വർണവും അടിസ്ഥാനമാക്കി ഓട്ടോമേറ്റഡ് മുഖവിശകലന ആൾഗോരിഥങ്ങളെ വിലയിരുത്തൽ_ ചെയ്യുക എന്നത്.
* **എന്തിന്:** മുഖവിശകലനം പോലുള്ള മേഖലകൾ (നിയമനിർവഹണം, വിമാനത്താവളം സുരക്ഷ, നിയമന സംവിധാനങ്ങൾ എന്നിവ) അശുദ്ധമായ വർഗ്ഗീകരണം (ഉദാ., മുന്‍കൂട്ടിയുള്ള പക്ഷപാതം) ബാധിത വ്യക്തികൾക്കും കൂട്ടായ്മകൾക്കും സാമ്പത്തിക-സാമൂഹിക ഹാനികൾ സൃഷ്ടിക്കാമെന്നതിനാൽ, പാരിതോഷികത ഉറപ്പാക്കാൻ പൂർണ്ണമായ അറിവും പരിഹാരവും ആവശ്യമാണ്.
* **എങ്ങനെ:** ഗവേഷകർ കണ്ടുപിടിച്ചതായി നിലവിലുള്ള നിലവാര ചില്ലറവകുപ്പുകൾ എളുപ്പത്തിലുള്ള ത്വക്ക് വ്യക്തികൾ കൂടുതലായിരുന്നു; അതിനാൽ പുതിയ, _സന്തുലിതമായ_ ലിംഗവും ത്വക് തരം അടിസ്ഥാനമാക്കി ഡാറ്റാസെറ്റ് (1000+ ചിത്രങ്ങൾ) രൂപകൽപ്പന ചെയ്ത് മൂന്ന് ലിംഗം വർഗ്ഗീകരണ ഉൽപ്പന്നങ്ങളുടെ കൃത്യത (Microsoft, IBM & Face++) വിലയിരുത്തി.
ഫലങ്ങൾ കാണിച്ചു, മൊത്തത്തിലുള്ള വർഗ്ഗീകരണ കൃത്യത നല്ലതായിരുന്നെങ്കിലും വിവിധ ഉപഗ്രൂപ്പുകൾക്കിടയിൽ പിഴവ് നിരക്കുകളിൽ ശ്രദ്ധേയമായ വ്യത്യാസം ഉണ്ടായിരുന്നു - **മിസ്ജെൻഡറിംഗ്** സ്ത്രീകൾക്കും ഇരുണ്ട ത്വക്കുള്ള വ്യക്തികൾക്കും കൂടുതലായിരുന്നു, ഇത് പൂർവ്വാഗ്രഹത്തിന്റെ സൂചനയാണ്.
ഫലങ്ങൾ കാണിക്കുന്നത്, മൊത്തം കൃത്യത നല്ലതായിരുന്നുവെങ്കിലും വിവിധ ഉപഗ്രൂപ്പുകളിലെ പിഴവ് നിരക്കുകളിൽ പരസ്യ വ്യത്യാസങ്ങൾ ഉണ്ടായിരുന്നു — **സ്ത്രീകൾക്കും ഇരുണ്ട ത്വക് കൈക്കാരായവർക്കും മിസ്‌ജെൻഡറിങ്ങ്** കൂടുതലായിരുന്നത്.
**പ്രധാന ഫലങ്ങൾ:** ഡാറ്റാ സയൻസിന് കൂടുതൽ _പ്രതിനിധി ഡാറ്റാസെറ്റുകൾ_ (സമതുല്യ ഉപഗ്രൂപ്പുകൾ) കൂടാതെ കൂടുതൽ _സമഗ്ര ടീമുകൾ_ (വിവിധ പശ്ചാത്തലങ്ങൾ) ആവശ്യമാണ്, AI പരിഹാരങ്ങളിൽ ഇത്തരം പൂർവ്വാഗ്രഹങ്ങൾ നേരത്തെ തിരിച്ചറിയാനും നീക്കം ചെയ്യാനും. ഈ ഗവേഷണ ശ്രമങ്ങൾ പല സംഘടനകളിലും _ഉത്തരവാദിത്വമുള്ള AI_-ക്കുള്ള സിദ്ധാന്തങ്ങളും പ്രാക്ടീസുകളും നിർവചിക്കുന്നതിൽ സഹായിക്കുന്നു, അവരുടെ AI ഉൽപ്പന്നങ്ങളിലും പ്രക്രിയകളിലും നീതി മെച്ചപ്പെടുത്താൻ.
**പ്രധാന ഫലങ്ങൾ:** ഡേറ്റാ സയൻസിന് കൂടുതൽ _പ്രാതിനിധ്യ ഡാറ്റാസെറ്റുകളും_ (സന്തുലിത ഉപഗ്രൂപ്പുകൾ) കൂടാതെ കൂടുതൽ _സമാഗമ സംഘങ്ങൾ_ (വിവിധ പശ്ചാത്തലങ്ങൾ) ആവശ്യമാണ്, ഇത്തരം പക്ഷപാതങ്ങൾ പഹയിലും പരിഹരിക്കലും ചെയ്യാൻ സാധിക്കണം എന്ന ബോധ്യവൽക്കരണം ഉയര്‍ത്തി. പരമാധികാരമുള്ള AI ഉല്‍പ്പന്നങ്ങളും പ്രക്രിയകളും കൂടുതൽ ന്യായവത്തോടും ചുമതലപൂര്‍ണമായവയാക്കുന്നതിന് ഇത്തരത്തിലുള്ള ഗവേഷണ ശ്രമങ്ങൾ അനിവാര്യമാണ്.
**Microsoft-ൽ ബന്ധപ്പെട്ട ഗവേഷണ ശ്രമങ്ങളെക്കുറിച്ച് അറിയാൻ ആഗ്രഹമുണ്ടോ?**
**മൈക്രോസോഫ്റ്റിൽ ബന്ധപ്പെട്ട ഗവേഷണ ശ്രമങ്ങളെക്കുറിച്ച് അറിയാൻ ആഗ്രഹിക്കുന്നുവോ?**
* [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) Artificial Intelligence-ൽ പരിശോധിക്കുക.
* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) ൽ നിന്നുള്ള വിദ്യാർത്ഥി പ്രോജക്ടുകൾ അന്വേഷിക്കുക.
* [Fairlearn](https://fairlearn.org/) പ്രോജക്ടും [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) സംരംഭങ്ങളും പരിശോധിക്കുക.
* [Artificial Intelligence-ലെ Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) പരിശോധിക്കുക.
* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) കഴിഞ്ഞ വിദ്യാർത്ഥി പ്രൊജക്റ്റുകൾ പരിശോധിക്കുക.
* [Fairlearn](https://fairlearn.org/) പ്രോജക്റ്റും [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) പൊതുരംഗ സംരംഭങ്ങളും പരിശോധിക്കുക.
## ഡാറ്റാ സയൻസ് + ഹ്യൂമാനിറ്റീസ്
## ഡേറ്റാ സയൻസ് + മനുഷ്യശാസ്ത്രം
| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
| :---------------------------------------------------------------------------------------------------------------: |
| ഡാറ്റാ സയൻസ് & ഡിജിറ്റൽ ഹ്യൂമാനിറ്റീസ് - _സ്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
| ഡേറ്റാ സയൻസ് & ഡിജിറ്റൽ മനുഷ്യശാസ്ത്രം - _സ്ക്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
ഡിജിറ്റൽ ഹ്യൂമാനിറ്റീസ് [ഇങ്ങനെ നിർവചിച്ചിട്ടുണ്ട്](https://digitalhumanities.stanford.edu/about-dh-stanford) - "കമ്പ്യൂട്ടേഷണൽ രീതികളും മാനവിക അന്വേഷണവും സംയോജിപ്പിക്കുന്ന പ്രാക്ടീസുകളും സമീപനങ്ങളും". [സ്റ്റാൻഫോർഡ് പ്രോജക്ടുകൾ](https://digitalhumanities.stanford.edu/projects) പോലുള്ള _"റീബൂട്ടിംഗ് ഹിസ്റ്ററി"_ , _"പോയറ്റിക് തിങ്കിംഗ്"_ എന്നിവ [ഡിജിറ്റൽ ഹ്യൂമാനിറ്റീസ് & ഡാറ്റാ സയൻസ്](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) തമ്മിലുള്ള ബന്ധം കാണിക്കുന്നു - നെറ്റ്‌വർക്ക് വിശകലനം, വിവര ദൃശ്യവത്കരണം, സ്ഥലം-ടെക്സ്റ്റ് വിശകലനം പോലുള്ള സാങ്കേതിക വിദ്യകൾ ചരിത്രപരവും സാഹിത്യപരവുമായ ഡാറ്റാസെറ്റുകൾ വീണ്ടും പരിശോധിച്ച് പുതിയ洞察ങ്ങളും കാഴ്ചപ്പാടുകളും കണ്ടെത്താൻ സഹായിക്കുന്നു.
ഡിജിറ്റൽ മനുഷ്യശാസ്ത്രം [എന്ന് നിർവചിക്കപ്പെട്ടിരിക്കുന്നത്](https://digitalhumanities.stanford.edu/about-dh-stanford) "കമ്പ്യൂട്ടേഷണൽ മാർഗങ്ങളും മനുഷ്യൻവഴികളായ അന്വേഷണങ്ങളും സംയോജിപ്പിക്കുന്ന പ്രായോഗികവും സമീപനങ്ങളുടെ സമാഹാരം" എന്നതായിരുന്നു. സ്റ്റാൻഫോർഡ് പ്രൊജക്റ്റുകൾ [_rebooting history_ എന്നതും _poetic thinking_ എന്നതും](https://digitalhumanities.stanford.edu/projects) [ഡിജിറ്റൽ മനുഷ്യശാസ്ത്രവും ഡേറ്റാ സയൻസും](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) തമ്മിലുള്ള ബന്ധം കാണിക്കുന്നു - നെറ്റ്‌വർക്ക് വിശകലനം, വിവര ദൃശ്യവത്ക്കരണം, സ്ഥലം, വാചക വിശകലനം തുടങ്ങിയ സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് ചരിത്ര, സാഹിത്യ ഡാറ്റാസെറ്റുകൾ പഴയ(round) ഉദ്ദേശങ് പുതിയ അറിവുകളും കാഴ്ചപ്പാടുകളും ലഭിക്കുന്നു.
*ഈ മേഖലയിലെ ഒരു പ്രോജക്ട് അന്വേഷിച്ച് വികസിപ്പിക്കണോ?*
*ഈ മേഖലയിൽ ഒരു പദ്ധതി ആഴത്തിൽ പരീക്ഷിക്കുകയും വികസിപ്പിക്കുകയോ ആഗ്രഹിക്കുന്നോ?*
["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - [Jen Looper](https://twitter.com/jenlooper) യുടെ ഒരു മികച്ച ഉദാഹരണം, ഡാറ്റാ സയൻസ് ഉപയോഗിച്ച് പരിചിതമായ കവിതകൾ വീണ്ടും പരിശോധിച്ച് അതിന്റെ അർത്ഥവും രചയിതാവിന്റെ സംഭാവനകളും പുതിയ സാഹചര്യങ്ങളിൽ പുനഃമൂല്യനിർണയം ചെയ്യാൻ എങ്ങനെ കഴിയും എന്ന് ചോദിക്കുന്നു. ഉദാഹരണത്തിന്, _ഒരു കവിത എഴുതപ്പെട്ട കാലാവസ്ഥാ കാലം അതിന്റെ ടോൺ അല്ലെങ്കിൽ സന്റിമെന്റ് വിശകലനം ചെയ്ത് പ്രവചിക്കാമോ_ - ഇത് രചയിതാവിന്റെ മനോഭാവത്തെക്കുറിച്ച് എന്ത് പറയുന്നു?
[എമിലി ഡിക്കിൻസൺ - മെടർ ഓഫ് മൂഡ്](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) — [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) നൽകിയ ഒരു മികച്ച ഉദാഹരണം. _കവിതയുടെ ടോൺ അല്ലെങ്കിൽ സംവേദനം വിശകലനം ചെയ്താൽ, ആ കവിത എഴുതപ്പെട്ട കാലം പ്രവചിക്കാമോ?_എന്ന ചോദ്യമാണ് ഈ പദ്ധതി ഉണ്ട്. അങ്ങനെ, കവിയുടെ മനോഭാവം ആ കാലയളവിൽ എങ്ങനെയായി എന്നും അർത്ഥമാക്കാം.
ആ ചോദ്യം ഉത്തരം നൽകാൻ, നാം ഡാറ്റാ സയൻസ് ലൈഫ്‌സൈക്കിൾ ഘട്ടങ്ങൾ പിന്തുടരുന്നു:
* [`Data Acquisition`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - വിശകലനത്തിന് അനുയോജ്യമായ ഡാറ്റാസെറ്റ് ശേഖരിക്കാൻ. API (ഉദാ: [Poetry DB API](https://poetrydb.org/index.html)) ഉപയോഗിക്കൽ അല്ലെങ്കിൽ വെബ് പേജുകൾ സ്ക്രാപ്പ് ചെയ്യൽ (ഉദാ: [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) [Scrapy](https://scrapy.org/) പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച്.
* [`Data Cleaning`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - ടെക്സ്റ്റ് എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാം, ശുദ്ധമാക്കാം, ലളിതമാക്കാം എന്ന് Visual Studio Code, Microsoft Excel പോലുള്ള അടിസ്ഥാന ഉപകരണങ്ങൾ ഉപയോഗിച്ച് വിശദീകരിക്കുന്നു.
* [`Data Analysis`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - ഡാറ്റാസെറ്റ് "നോട്ട്ബുക്കുകളിൽ" ഇറക്കുമതി ചെയ്ത് Python പാക്കേജുകൾ (pandas, numpy, matplotlib) ഉപയോഗിച്ച് ഡാറ്റ ക്രമീകരിക്കുകയും ദൃശ്യവത്കരിക്കുകയും ചെയ്യുന്നത് വിശദീകരിക്കുന്നു.
* [`Sentiment Analysis`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - Text Analytics പോലുള്ള ക്ലൗഡ് സേവനങ്ങൾ, [Power Automate](https://flow.microsoft.com/en-us/) പോലുള്ള ലോ-കോഡ് ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഓട്ടോമേറ്റഡ് ഡാറ്റാ പ്രോസസ്സിംഗ് പ്രവൃത്തികൾ എങ്ങനെ സംയോജിപ്പിക്കാമെന്ന് വിശദീകരിക്കുന്നു.
ആ ചോദ്യത്തിന് ഉത്തരം കണ്ടെത്താൻ, ഡേറ്റാ സയൻസ് ലൈഫ്സൈക്കിൾ ഘട്ടങ്ങൾ പാലിക്കുന്നു:
* [`ഡേറ്റാ സമാഹരണം`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - വിശകലനത്തിന് അനുയോജ്യമായ ഡാറ്റ സെറ്റ് ശേഖരിക്കൽ; API (ഉദാ., [Poetry DB API](https://poetrydb.org/index.html)) ഉപയോഗിക്കൽ അല്ലെങ്കിൽ വെബ്‌സൈറ്റുകൾ സ്ക്രാപ്പിംഗ് (ഉദാ., [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) [Scrapy](https://scrapy.org/) പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച്.
* [`ഡേറ്റാ ശുചീകരണം`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - ടെക്സ്റ്റ് വേണ്ടി പൊരുത്തപ്പെടുത്തൽ, ശുദ്ധീകരണം സർവോപരി ഉപകരണങ്ങളായ Visual Studio Code, Microsoft Excel എന്നിവ ഉപയോഗിച്ച്.
* [`ഡാറ്റാ അനലിസീസ്`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - പാന്താസ്, നമ്പൈ, മാട്ട്‌പ്ലോട്ട്‌ലിബ് പോലുള്ള പൈതൺ പാക്കേജുകൾ ഉപയോഗിച്ച് ഡാറ്റാ നോറ്റ്ബുക്കിൽ ഇറക്കുമതി ചെയ്ത് ഒരുക്കലും ദൃശ്യവത്ക്കരണവും.
* [`സംവേദന വിശകലനം`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - Text Analytics പോലുള്ള ക്ലൗഡ് സേവനങ്ങൾ ഉൾപ്പെടുത്തൽ, [Power Automate](https://flow.microsoft.com/en-us/) പോലുള്ള ലോ-കോഡ് ടൂളുകൾ ഉപയോഗിച്ച് ഓട്ടോമേറ്റഡ് ഡാറ്റാ പ്രോസസ്സിംഗ് പ്രവൃത്തിശ്രേണികൾ.
ഈ പ്രവൃത്തിപദ്ധതി ഉപയോഗിച്ച് കവിതകളുടെ സീസണൽ സ്വാധീനങ്ങൾ(sentiment) പരിശോധിച്ച് രചയിതാവിനെക്കുറിച്ചുള്ള നമ്മുടെ കാഴ്ചപ്പാടുകൾ രൂപപ്പെടുത്താൻ സഹായിക്കും. നിങ്ങൾ തന്നെ പരീക്ഷിച്ച് നോക്കൂ - പിന്നെ നോട്ട്ബുക്ക് വികസിപ്പിച്ച് മറ്റ് ചോദ്യങ്ങൾ ചോദിക്കുകയോ ഡാറ്റ പുതിയ രീതിയിൽ ദൃശ്യവത്കരിക്കുകയോ ചെയ്യൂ!
ഈ പ്രവൃത്തി ശ്രേണി ഉപയോഗിച്ച്, കവിതകളുടെ സംവേദനത്തിൽ കാലാവധി സ്വാധീനം വിശകലനം ചെയ്യാൻ കഴിയും, കവിയുടെ വിദൂര അവലോകനങ്ങൾ രൂപം നൽകാനും സഹായിക്കും. നിങ്ങൾ തന്നെ ശ്രമിക്കൂ — തുടർന്ന് നോറ്റ്ബുക്ക് വികസിപ്പിച്ച് മറ്റേതെങ്കിലും ചോദ്യങ്ങൾ ചോദിക്കുക അല്ലെങ്കിൽ പുതിയ രീതികളിൽ ഡാറ്റ കാണിക്കുക!
> [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) ൽ ചില ഉപകരണങ്ങൾ ഈ അന്വേഷണ മാർഗങ്ങൾ പിന്തുടരാൻ ഉപയോഗിക്കാം
> [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) ഉൾപ്പെടെയുള്ള ചില ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഇതു സംബന്ധിച്ച അന്വേഷണങ്ങൾ നടത്താം.
## ഡാറ്റാ സയൻസ് + സുസ്ഥിരത
## ഡേറ്റാ സയൻസ് + സ്ഥിരതാ
| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
| :---------------------------------------------------------------------------------------------------------------: |
| ഡാറ്റാ സയൻസ് & സുസ്ഥിരത - _സ്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
| ഡേറ്റാ സയൻസ് & സ്ഥിരതാ - _സ്ക്കെച്ച്നോട്ട് by [@nitya](https://twitter.com/nitya)_ |
[2030 ദീർഘകാല വികസന ഏജൻഡ](https://sdgs.un.org/2030agenda) - 2015-ൽ ഐക്യരാഷ്ട്രങ്ങങ്ങളുടെ എല്ലാ അംഗങ്ങളും സ്വീകരിച്ചത് - 17 ലക്ഷ്യങ്ങളെ ഉൾക്കൊള്ളുന്നു, അതിൽ **ഗ്രഹത്തെ സംരക്ഷിക്കൽ** കാലാവസ്ഥ വ്യതിയാനത്തിൻറെ ആഘാതത്തിൽ അടങ്ങിയിരിക്കുന്നു. [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) സംരംഭം ഈ ലക്ഷ്യങ്ങളെ പിന്തുണയ്ക്കുന്നു, സാങ്കേതിക പരിഹാരങ്ങൾ ഉപയോഗിച്ച് കൂടുതൽ സ്ഥിരതയുള്ള ഭവിഷ്യങ്ങൾ നിർമ്മിക്കുന്നതിൽ സഹായിക്കുന്നതിന് [4 ലക്ഷ്യങ്ങളിൽ ശ്രദ്ധ](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - 2030-ലേക്ക് കാർബണ്‍ നെഗറ്റീവ്, വാട്ടര്‍ പോസിറ്റീവ്, സീറോ വെയസ്റ്റ്, ബയോ-വിവിധത്വം.
ഈ വെല്ലുവിളികളെ സ്കെയിലബിള്‍ അദ്ധ്വാനത്തിലും സമയോചിതമായും നേരിടാൻ ക്ലൗഡ് സ്കെയിൽ ചിന്തയും വലിയ ഡേറ്റയും ആവശ്യമാണ്. [Planetary Computer](https://planetarycomputer.microsoft.com/) സംരംഭം ഡാറ്റാ സയന്റിസ്റ്റുകളും ഡെവലപ്പർമാരും സഹായിക്കാൻ 4 ഘടകങ്ങൾ നൽകുന്നു:
* [ഡാറ്റാ കാറ്റലോഗ്](https://planetarycomputer.microsoft.com/catalog) - പേടാബൈറ്റുകളുടെ ഭൂമിയിലെ സിസ്റ്റം ഡേറ്റ (സൗജന്യവും ആസ്യൂറിലെങ്കിലും).
* [പ്ലാനറ്ററി API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - ഉപയോക്താക്കൾക്ക് സാന്ദ്രവും സമയം കൊണ്ട് ബന്ധപ്പെട്ട ഡേറ്റകൾ തിരയാൻ.
* [ഹബ്](https://planetarycomputer.microsoft.com/docs/overview/environment/) - ദ്രുതഗതിയിലുള്ള ഭൂമിശാസ്ത്ര ഡാറ്റാസെറ്റുകൾ പ്രോസസ്സുചെയ്യുന്ന ശാസ്ത്രജ്ഞർക്ക് മാനേജുചെയ്ത പരിസ്ഥിതി.
* [ആപ്ലിക്കേഷനുകൾ](https://planetarycomputer.microsoft.com/applications) - സ്ഥിരതാവാനുള്ള洞റിവുകൾ സഹിതം ഉപയോഗകേസുകളും ടൂളുകളും പ്രദർശിപ്പിക്കുന്നു.
**ദി പ്ലാനറ്ററി കമ്പ്യൂട്ടർ പ്രോജക്ട് നിലവിൽ പ്രിവ്യൂ ഘട്ടത്തിലാണ് (സെപ് 2021 മുതൽ)** - ഡാറ്റ സയൻസ് ഉപയോഗിച്ച് സുസ്ഥിരതാ പരിഹാരങ്ങളിൽ സംഭാവന നൽകാൻ നിങ്ങൾ തുടങ്ങാൻ കഴിയും.
* [Request access](https://planetarycomputer.microsoft.com/account/request) വഴി അന്വേഷനം ആരംഭിക്കുകയും സഖാക്കളുമായി ബന്ധപ്പെടുകയും ചെയ്യൂ.
* [Explore documentation](https://planetarycomputer.microsoft.com/docs/overview/about) വഴി പിന്തുടരുന്ന ഡാറ്റാസെറ്റുകളും APIs-ഉം മനസ്സിലാക്കൂ.
* [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) പോലുള്ള അപേക്ഷകൾ പ്രചോദനത്തിന് അന്വേഷിക്കൂ.
കാലാവസ്ഥ മാറ്റം, വനനശീകരണം പോലുള്ള മേഖലകളിലെ പ്രസക്തമായ洞കൾ പ്രദർശിപ്പിക്കാൻ അല്ലെങ്കിൽ ഊർജ്ജിതമാക്കാൻ ഡാറ്റ വീക്ഷണം എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ചിന്തിക്കൂ. അല്ലെങ്കിൽ, കൂടുതൽ സുസ്ഥിരമായ ജീവിതത്തിനു വേണ്ടി പൊതു പെരുമാറ്റ മാറ്റങ്ങൾക്ക് പ്രചോദനമാകുന്ന പുതിയ ഉപയോക്തൃ അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ洞കൾ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ആലോചിക്കൂ.
## ഡാറ്റ സയൻസ് + വിദ്യാർത്ഥികൾ
നാം വ്യവസായത്തിലും ഗവേഷണത്തിലും യഥാർത്ഥ ലോക് അപ്ലിക്കേഷനുകൾ ചർച്ച ചെയ്തു, ഡിജിറ്റൽ ഹ്യൂമാനിറ്റീസ്, സുസ്ഥിരത എന്നിവയിലുള്ള ഡാറ്റ സയൻസ് അപ്ലിക്കേഷൻ ഉദാഹരണങ്ങൾ പരിശോധിച്ചു. ആകെ, ഡാറ്റ സയൻസ് ആരംഭക്കാർ ആയി നിങ്ങളുടെ കഴിവുകൾ എങ്ങനെ വർദ്ധിപ്പിച്ച് വിദഗ്ധത പങ്കുവെക്കാമെന്ന്?
ഡാറ്റ സയൻസ് വിദ്യാർത്ഥികളുടെ ചില പ്രോജക്ടുകൾ നിങ്ങളെ പ്രചോദിപ്പിക്കും.
* [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) ഗിറ്റ്ഹബ് [projects](https://github.com/msr-ds3) - ഇവിടെ ഉള്ള വിഷയങ്ങൾ പരിശോധിക്കുന്നു:
- [Racial Bias in Police Use of Force](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
- [Reliability of NYC Subway System](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
* [Digitizing Material Culture: Exploring socio-economic distributions in Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) ഒരുക്കിയ ടീം ക്ലെയർമൗണ്ടിൽ, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ഉപയോഗിച്ച്.
## 🚀 ചലഞ്ച്
വഴികാട്ടി ഡാറ്റ സയൻസ് പ്രോജക്ടുകൾ ശുപാർശ ചെയ്യുന്ന ലേഖനങ്ങൾ തിരയൂ - ഉദാഹരണത്തിന് [50 വിഷയങ്ങൾ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) അല്ലെങ്കിൽ [21 പ്രോജക്ട് ഐഡിയകൾ](https://www.intellspot.com/data-science-project-ideas) അല്ലെങ്കിൽ [16 പ്രോജക്ടുകൾ സോഴ്‌സ് കോഡ് സഹിതം](https://data-flair.training/blogs/data-science-project-ideas/) - ഇവ നീക്കം ചെയ്ത് പുനസംസ്കരിക്കാം. നിങ്ങളുടെ പഠന യാത്രകൾ കുറിച്ച് ബ്ലോഗ് ചെയ്യാനും洞കൾ പങ്കുവെക്കാനും മറക്കരുത്.
## പോസ്റ്റ്-ലെക്ചർ ക്വിസ്
## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/39)
[2030 സുസ്ഥിര വികസന അജണ്ട](https://sdgs.un.org/2030agenda) - 2015-ൽ എല്ലാ ഐക്യരാഷ്ട്രസഭ അംഗങ്ങളും അംഗീകരിച്ചത് - 17 ലക്ഷ്യങ്ങൾ തിരിച്ചറിഞ്ഞു, അവയിൽ ചിലത് **ഗ്രഹത്തെ സംരക്ഷിക്കൽ** എന്നതും കാലാവസ്ഥാ മാറ്റത്തിന്റെ ബാധകൾ കുറയ്ക്കലും ഉൾക്കൊള്ളുന്നു. [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) സംരംഭം ഈ ലക്ഷ്യങ്ങളെ പിന്തുണയ്ക്കുന്നു, 2030-ഓടെ കാർബൺ നെഗറ്റീവ്, വെള്ളം പോസിറ്റീവ്, പൂജ്യം മാലിന്യം, ബയോ-വൈവിധ്യമാർന്നതായ 4 ലക്ഷ്യങ്ങളിൽ [കേന്ദ്രീകരിച്ച്](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) സാങ്കേതിക പരിഹാരങ്ങൾ കണ്ടെത്താനും കൂടുതൽ സുസ്ഥിര ഭാവികൾ നിർമ്മിക്കാനും.
## അവലോകനവും സ്വയം പഠനവും
ഈ വെല്ലുവിളികൾ സ്കെയിലിലും സമയബന്ധിതവുമാകാൻ ക്ലൗഡ്-സ്കെയിൽ ചിന്തനവും വലിയ ഡാറ്റയും ആവശ്യമാണ്. [Planetary Computer](https://planetarycomputer.microsoft.com/) സംരംഭം ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കും ഡെവലപ്പർമാർക്കും സഹായിക്കുന്ന 4 ഘടകങ്ങൾ നൽകുന്നു:
കൂടുതൽ ഉപയോഗശേഷികൾ പരിശോധിക്കാൻ ആഗ്രഹിക്കുന്നുവോ? ചില പ്രസക്തമായ ലേഖനങ്ങൾ:
* [17 Data Science Applications and Examples](https://builtin.com/data-science/data-science-applications-examples) - ജൂലൈ 2021
* [11 Breathtaking Data Science Applications in Real World](https://myblindbird.com/data-science-applications-real-world/) - മേയ് 2021
* [Data Science In The Real World](https://towardsdatascience.com/data-science-in-the-real-world/home) - ലേഖന ശേഖരം
* [12 Real-World Data Science Applications with Examples](https://www.scaler.com/blog/data-science-applications/) - മേയ് 2024
* Data Science: [Education](https://data-flair.training/blogs/data-science-in-education/), [Agriculture](https://data-flair.training/blogs/data-science-in-agriculture/),[Finance](https://data-flair.training/blogs/data-science-in-finance/), [Movies](https://data-flair.training/blogs/data-science-at-movies/), [Health Care](https://onlinedegrees.sandiego.edu/data-science-health-care/) എന്നിവയിൽ & മറ്റും.
## അസൈൻമെന്റ്
* [Data Catalog](https://planetarycomputer.microsoft.com/catalog) - പെടാബൈറ്റുകൾ അളവിലുള്ള ഭൂമിശാസ്ത്ര ഡാറ്റ (സൗജന്യവും Azure-ൽ ഹോസ്റ്റ് ചെയ്തതും).
* [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - ഉപയോക്താക്കൾക്ക് സ്ഥലം, സമയം എന്നിവയിൽ അനുയോജ്യമായ ഡാറ്റ തിരയാൻ സഹായിക്കുന്നു.
* [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - ശാസ്ത്രജ്ഞർക്ക് വൻഭൂമിശാസ്ത്ര ഡാറ്റാസെറ്റുകൾ പ്രോസസ്സ് ചെയ്യാൻ മാനേജുചെയ്യുന്ന പരിസ്ഥിതി.
Translation for chunk 2 of 'README.md' skipped due to timeout.
[Explore A Planetary Computer Dataset](assignment.md)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അറിയിപ്പ്**:
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
Write Preview
Loading…
Cancel
Save