update-translations
localizeflow[bot]
1 week ago
parent
dcb21b0d5f
commit
3fd822008f
@ -1,173 +1,263 @@
|
||||
# डेटा नैतिकता का परिचय
|
||||
# डेटा एथिक्स का परिचय
|
||||
|
||||
| द्वारा ](../../sketchnotes/02-Ethics.png)|
|
||||
| ](../../sketchnotes/02-Ethics.png)|
|
||||
|:---:|
|
||||
| डेटा साइंस नैतिकता - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
|
||||
| डेटा साइंस एथिक्स - _स्केचनोट द्वारा [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
---
|
||||
|
||||
हम सभी डेटा नागरिक हैं जो एक डेटा-प्रधान दुनिया में रह रहे हैं।
|
||||
हम सभी डेटा की दुनिया में रहने वाले डेटा नागरिक हैं।
|
||||
|
||||
बाजार के रुझान बताते हैं कि 2022 तक, 1-में-3 बड़ी कंपनियां अपना डेटा ऑनलाइन [मार्केटप्लेस और एक्सचेंज](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) के माध्यम से खरीदेंगी और बेचेंगी। **ऐप डेवलपर्स** के रूप में, हमारे लिए डेटा-आधारित अंतर्दृष्टि और एल्गोरिदम-आधारित स्वचालन को दैनिक उपयोगकर्ता अनुभवों में शामिल करना आसान और सस्ता हो जाएगा। लेकिन जैसे-जैसे एआई व्यापक होता जाएगा, हमें यह भी समझना होगा कि बड़े पैमाने पर ऐसे एल्गोरिदम के [हथियारकरण](https://www.youtube.com/watch?v=TQHs8SA1qpk) से संभावित नुकसान हो सकते हैं।
|
||||
मार्केट ट्रेंड बताते हैं कि 2022 तक, 3 में से 1 बड़े संगठन अपनी डेटा को ऑनलाइन [मार्केटप्लेस और एक्सचेंजेज](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) के माध्यम से खरीद और बेचेंगे। एक **ऐप डेवलपर** के रूप में, हमें डेटा-संचालित अंतर्दृष्टि और एल्गोरिदम-चालित स्वचालन को दैनिक उपयोगकर्ता अनुभवों में एकीकृत करना आसान और सस्ता लगेगा। लेकिन जैसे-जैसे एआई व्यापक रूप से फैलेगा, हमें ऐसे एल्गोरिदम के पैमाने पर [हथियारबंद](https://www.youtube.com/watch?v=TQHs8SA1qpk) होने से होने वाले संभावित हानियों को भी समझने की आवश्यकता होगी।
|
||||
|
||||
रुझान बताते हैं कि 2025 तक, हम [180 ज़ेटाबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) से अधिक डेटा उत्पन्न और उपभोग करेंगे। **डेटा वैज्ञानिकों** के लिए, इस जानकारी की बाढ़ व्यक्तिगत और व्यवहारिक डेटा तक अभूतपूर्व पहुंच प्रदान करती है। इसके साथ ही, उपयोगकर्ता प्रोफाइल बनाने और निर्णय लेने को सूक्ष्म रूप से प्रभावित करने की शक्ति आती है—अक्सर ऐसे तरीकों से जो [मुक्त विकल्प का भ्रम](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) पैदा करते हैं। जबकि इसका उपयोग उपयोगकर्ताओं को पसंदीदा परिणामों की ओर प्रेरित करने के लिए किया जा सकता है, यह डेटा गोपनीयता, स्वायत्तता, और एल्गोरिदम प्रभाव की नैतिक सीमाओं के बारे में महत्वपूर्ण सवाल भी उठाता है।
|
||||
ट्रेंड सुझाते हैं कि 2025 तक हम [180 ज़ेटाबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) से अधिक डेटा उत्पन्न और उपभोग करेंगे। हमारे लिए **डेटा साइंटिस्ट्स**, इस सूचना विस्फोट से व्यक्तिगत और व्यवहारिक डेटा तक अभूतपूर्व पहुंच मिलेगी। इसके साथ आता है विस्तृत उपयोगकर्ता प्रोफाइल बनाना और सूक्ष्म रूप से निर्णय-निर्माण को प्रभावित करने की शक्ति—अक्सर ऐसे तरीके से जो एक [मुक्त विकल्प का भ्रम](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) पैदा करता है। जबकि इसका उपयोग उपयोगकर्ताओं को पसंदीदा परिणामों की ओर प्रेरित करने के लिए किया जा सकता है, यह डेटा गोपनीयता, स्वायत्तता, और एल्गोरिदमिक प्रभाव के नैतिक सीमाओं के बारे में गंभीर प्रश्न भी उठाता है।
|
||||
|
||||
डेटा नैतिकता अब डेटा विज्ञान और इंजीनियरिंग के लिए _आवश्यक सुरक्षा उपाय_ बन गई है, जो हमारे डेटा-आधारित कार्यों से संभावित नुकसान और अनपेक्षित परिणामों को कम करने में मदद करती है। [गार्टनर हाइप साइकिल फॉर एआई](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल नैतिकता, जिम्मेदार एआई, और एआई गवर्नेंस में प्रासंगिक रुझानों की पहचान करता है, जो एआई के _लोकतंत्रीकरण_ और _औद्योगिकीकरण_ के बड़े मेगाट्रेंड को आगे बढ़ाने वाले प्रमुख चालक हैं।
|
||||
डेटा एथिक्स अब डेटा साइंस और इंजीनियरिंग के लिए _अनिवार्य गार्डरेल_ हैं, जो हमारी डेटा-आधारित क्रियाओं से संभावित हानियों और आकस्मिक परिणामों को कम करने में मदद करते हैं। [गार्टनर हाइप साइकिल फॉर AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल एथिक्स, जिम्मेदार एआई, और एआई गवर्नेंस से संबंधित ट्रेंड्स को महत्वपूर्ण ड्राइवर के रूप में पहचानता है जो एआई के _लोकतंत्रीकरण_ और _औद्योगिकीकरण_ के बड़े मेगाट्रेंड्स को प्रभावित करते हैं।
|
||||
|
||||
|
||||
|
||||
|
||||
इस पाठ में, हम डेटा नैतिकता के आकर्षक क्षेत्र का अन्वेषण करेंगे - मुख्य अवधारणाओं और चुनौतियों से लेकर केस स्टडी और लागू एआई अवधारणाओं जैसे गवर्नेंस तक - जो डेटा और एआई के साथ काम करने वाली टीमों और संगठनों में नैतिकता संस्कृति स्थापित करने में मदद करती हैं।
|
||||
इस पाठ में, हम डेटा एथिक्स के मनोहर क्षेत्र का अन्वेषण करेंगे - मूल अवधारणाओं और चुनौतियों से लेकर केस स्टडीज और लागू AI अवधारणाओं जैसे गवर्नेंस तक - जो टीमों और संगठनों में डेटा और AI के साथ काम करने वाली एक एथिक्स संस्कृति स्थापित करने में मदद करते हैं।
|
||||
|
||||
## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
||||
|
||||
## बुनियादी परिभाषाएँ
|
||||
## [पूर्व-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
||||
|
||||
आइए बुनियादी शब्दावली को समझने से शुरू करें।
|
||||
## मूल परिभाषाएं
|
||||
|
||||
"नैतिकता" शब्द [ग्रीक शब्द "एथिकोस"](https://en.wikipedia.org/wiki/Ethics) (और इसकी जड़ "एथोस") से आया है, जिसका अर्थ है _चरित्र या नैतिक प्रकृति_।
|
||||
आइए मूल शब्दावली को समझ कर शुरू करते हैं।
|
||||
|
||||
**नैतिकता** समाज में हमारे व्यवहार को नियंत्रित करने वाले साझा मूल्यों और नैतिक सिद्धांतों के बारे में है। नैतिकता कानूनों पर आधारित नहीं है बल्कि "सही बनाम गलत" के बारे में व्यापक रूप से स्वीकार किए गए मानदंडों पर आधारित है। हालांकि, नैतिक विचार कॉर्पोरेट गवर्नेंस पहलों और सरकारी नियमों को प्रभावित कर सकते हैं जो अनुपालन के लिए अधिक प्रोत्साहन पैदा करते हैं।
|
||||
"एथिक्स" शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) से आया है (और इसका मूल "ethos") जिसका अर्थ है _चरित्र या नैतिक स्वभाव_।
|
||||
|
||||
**डेटा नैतिकता** नैतिकता की एक [नई शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) है जो "_डेटा, एल्गोरिदम और संबंधित प्रथाओं_" से संबंधित नैतिक समस्याओं का अध्ययन और मूल्यांकन करती है। यहां, **"डेटा"** डेटा उत्पन्न करने, रिकॉर्ड करने, क्यूरेट करने, संसाधित करने, प्रसारित करने, साझा करने और उपयोग करने से संबंधित क्रियाओं पर केंद्रित है, **"एल्गोरिदम"** एआई, एजेंट, मशीन लर्निंग और रोबोट पर केंद्रित है, और **"प्रथाएं"** जिम्मेदार नवाचार, प्रोग्रामिंग, हैकिंग और नैतिकता कोड जैसे विषयों पर केंद्रित हैं।
|
||||
**एथिक्स** हमारे व्यवहार को समाज में शासित करने वाले साझा मूल्य और नैतिक सिद्धांतों के बारे में है। एथिक्स कानूनों पर आधारित नहीं बल्कि व्यापक रूप से स्वीकार किए गए "सही बनाम गलत" के नियमों पर आधारित है। हालांकि, नैतिक विचारधारा कॉर्पोरेट गवर्नेंस पहलों और सरकारी नियमों को प्रभावित कर सकती है जो अनुपालन के लिए अधिक प्रोत्साहन बनाते हैं।
|
||||
|
||||
**लागू नैतिकता** नैतिक विचारों का [व्यावहारिक अनुप्रयोग](https://en.wikipedia.org/wiki/Applied_ethics) है। यह _वास्तविक दुनिया की क्रियाओं, उत्पादों और प्रक्रियाओं_ के संदर्भ में नैतिक मुद्दों की सक्रिय रूप से जांच करने और सुधारात्मक उपाय करने की प्रक्रिया है ताकि ये हमारे परिभाषित नैतिक मूल्यों के साथ संरेखित रहें।
|
||||
**डेटा एथिक्स** एथिक्स की [नई शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) है जो "_डेटा, एल्गोरिदम और संबंधित प्रथाओं_" से जुड़े नैतिक दुष्करताओं का अध्ययन और मूल्यांकन करती है। यहाँ, **"डेटा"** की फोकस उस क्रिया पर है जो डेटा उत्पन्न करने, रिकॉर्डिंग, संरक्षण, प्रसंस्करण, प्रचार, साझाकरण, और उपयोग से सम्बंधित है। **"एल्गोरिदम"** में AI, एजेंट्स, मशीन लर्निंग और रोबोट्स शामिल हैं। और **"प्रथाएँ"** में जिम्मेदार नवाचार, प्रोग्रामिंग, हैकिंग, और एथिक्स कोड जैसे विषय शामिल हैं।
|
||||
|
||||
**नैतिकता संस्कृति** [_लागू नैतिकता_ को लागू करने](https://hbr.org/2019/05/how-to-design-an-ethical-organization) के बारे में है ताकि यह सुनिश्चित किया जा सके कि हमारे नैतिक सिद्धांत और प्रथाएं पूरे संगठन में लगातार और स्केलेबल तरीके से अपनाई जाएं। सफल नैतिकता संस्कृतियां संगठन-व्यापी नैतिक सिद्धांतों को परिभाषित करती हैं, अनुपालन के लिए सार्थक प्रोत्साहन प्रदान करती हैं, और हर स्तर पर वांछित व्यवहार को प्रोत्साहित और बढ़ावा देकर नैतिकता मानदंडों को सुदृढ़ करती हैं।
|
||||
**लागू एथिक्स** नैतिक विचारों का [व्यावहारिक अनुप्रयोग](https://en.wikipedia.org/wiki/Applied_ethics) है। यह वास्तविक दुनिया के कर्मों, उत्पादों और प्रक्रियाओं के संदर्भ में नैतिक मुद्दों की सक्रिय रूप से जांच करने और सुनिश्चित करने की प्रक्रिया है कि वे हमारे परिभाषित नैतिक मानकों के अनुरूप बने रहें।
|
||||
|
||||
## नैतिकता की अवधारणाएँ
|
||||
**एथिक्स संस्कृति** बारे में है [_लागू नैतिकता को ऑपरेशनल बनाना_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ताकि हमारी नैतिक सिद्धांतों और प्रथाओं को पूरे संगठन में सुसंगत और मापनीय तरीके से अपनाया जाए। सफल एथिक्स संस्कृतियाँ संगठनव्यापी नैतिक सिद्धांतों को परिभाषित करती हैं, अनुपालन के लिए सार्थक प्रोत्साहन प्रदान करती हैं, और हर स्तर पर वांछित व्यवहारों को प्रोत्साहित और बढ़ावा देकर एथिक्स मानदंडों को सुदृढ़ करती हैं।
|
||||
|
||||
इस खंड में, हम **साझा मूल्य** (सिद्धांत) और **नैतिक चुनौतियों** (समस्याएं) जैसे डेटा नैतिकता के लिए अवधारणाओं पर चर्चा करेंगे - और **केस स्टडी** का अन्वेषण करेंगे जो आपको वास्तविक दुनिया के संदर्भों में इन अवधारणाओं को समझने में मदद करती हैं।
|
||||
|
||||
### 1. नैतिकता सिद्धांत
|
||||
## एथिक्स अवधारणाएं
|
||||
|
||||
हर डेटा नैतिकता रणनीति _नैतिक सिद्धांतों_ को परिभाषित करके शुरू होती है - "साझा मूल्य" जो स्वीकार्य व्यवहारों का वर्णन करते हैं और हमारे डेटा और एआई परियोजनाओं में अनुपालन क्रियाओं का मार्गदर्शन करते हैं। आप इन्हें व्यक्तिगत या टीम स्तर पर परिभाषित कर सकते हैं। हालांकि, अधिकांश बड़े संगठन इन्हें एक _नैतिक एआई_ मिशन स्टेटमेंट या फ्रेमवर्क में परिभाषित करते हैं जो कॉर्पोरेट स्तरों पर परिभाषित होता है और सभी टीमों में लगातार लागू किया जाता है।
|
||||
इस खंड में, हम **साझा मूल्य** (सिद्धांत) और **नैतिक चुनौतियाँ** (समस्याएँ) जैसी अवधारणाओं पर चर्चा करेंगे - और **केस स्टडीज** का पता लगाएंगे जो आपको इन अवधारणाओं को वास्तविक दुनिया की परिस्थितियों में समझने में मदद करेंगी।
|
||||
|
||||
**उदाहरण:** माइक्रोसॉफ्ट का [जिम्मेदार एआई](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन स्टेटमेंट कहता है: _"हम एआई के विकास के लिए प्रतिबद्ध हैं जो नैतिक सिद्धांतों द्वारा संचालित है जो लोगों को प्राथमिकता देता है"_ - नीचे दिए गए फ्रेमवर्क में 6 नैतिक सिद्धांतों की पहचान करता है:
|
||||
### 1. एथिक्स सिद्धांत
|
||||
|
||||
|
||||
हर डेटा एथिक्स रणनीति की शुरुआत _नैतिक सिद्धांतों_ को परिभाषित करने से होती है - "साझा मूल्य" जो स्वीकार्य व्यवहारों का वर्णन करते हैं, और हमारे डेटा और AI परियोजनाओं में अनुपालन योग्य क्रियाओं का मार्गदर्शन करते हैं। आप इन्हें व्यक्तिगत या टीम स्तर पर परिभाषित कर सकते हैं। हालांकि, अधिकांश बड़े संगठन इन्हें कॉर्पोरेट स्तर पर परिभाषित किए गए _नैतिक AI_ मिशन स्टेटमेंट या फ्रेमवर्क में शामिल करते हैं, जिसे सभी टीमों में सुसंगत रूप से लागू किया जाता है।
|
||||
|
||||
आइए इन सिद्धांतों का संक्षेप में अन्वेषण करें। _पारदर्शिता_ और _जवाबदेही_ वे मूलभूत मूल्य हैं जिन पर अन्य सिद्धांत आधारित हैं - तो आइए वहीं से शुरू करें:
|
||||
**उदाहरण:** Microsoft का [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन स्टेटमेंट कहता है: _"हम ऐसी नैतिक सिद्धांतों से प्रेरित AI की उन्नति के लिए प्रतिबद्ध हैं जो पहले लोगों को रखता है"_ - और इसमें नीचे दिए गए फ्रेमवर्क में 6 नैतिक सिद्धांत पहचानता है:
|
||||
|
||||
* [**जवाबदेही**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) डेटा और एआई संचालन के लिए चिकित्सकों को _जिम्मेदार_ बनाती है, और इन नैतिक सिद्धांतों के अनुपालन के लिए।
|
||||
* [**पारदर्शिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) सुनिश्चित करती है कि डेटा और एआई क्रियाएं उपयोगकर्ताओं के लिए _समझने योग्य_ (व्याख्यात्मक) हों, निर्णयों के पीछे क्या और क्यों को समझाते हुए।
|
||||
* [**निष्पक्षता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - सुनिश्चित करती है कि एआई सभी लोगों के साथ _निष्पक्षता_ से व्यवहार करे, डेटा और सिस्टम में किसी भी प्रणालीगत या निहित सामाजिक-तकनीकी पूर्वाग्रहों को संबोधित करते हुए।
|
||||
* [**विश्वसनीयता और सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - सुनिश्चित करती है कि एआई परिभाषित मूल्यों के साथ _संगतता_ से व्यवहार करे, संभावित नुकसान या अनपेक्षित परिणामों को कम करते हुए।
|
||||
* [**गोपनीयता और सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डेटा की उत्पत्ति को समझने और उपयोगकर्ताओं को _डेटा गोपनीयता और संबंधित सुरक्षा_ प्रदान करने के बारे में है।
|
||||
* [**समावेशिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - एआई समाधानों को उद्देश्यपूर्ण तरीके से डिजाइन करने के बारे में है, उन्हें _व्यापक मानव आवश्यकताओं_ और क्षमताओं को पूरा करने के लिए अनुकूलित करते हुए।
|
||||
|
||||
|
||||
> 🚨 सोचें कि आपका डेटा नैतिकता मिशन स्टेटमेंट क्या हो सकता है। अन्य संगठनों के नैतिक एआई फ्रेमवर्क का अन्वेषण करें - यहां [आईबीएम](https://www.ibm.com/cloud/learn/ai-ethics), [गूगल](https://ai.google/principles), और [फेसबुक](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) के उदाहरण हैं। उनके साझा मूल्यों में क्या समानता है? ये सिद्धांत उस एआई उत्पाद या उद्योग से कैसे संबंधित हैं जिसमें वे काम करते हैं?
|
||||
आइए संक्षेप में इन सिद्धांतों को देखें। _पारदर्शिता_ और _जवाबदेही_ मूलभूत मूल्य हैं जिन पर अन्य सिद्धांत आधारित हैं - तो हमें वहीं से प्रारंभ करना चाहिए:
|
||||
|
||||
### 2. नैतिकता चुनौतियाँ
|
||||
* [**जवाबदेही**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) कर्मियों को उनके डेटा और AI संचालन के लिए _जिम्मेदार_ बनाता है, और इन नैतिक सिद्धांतों के अनुपालन के लिए।
|
||||
* [**पारदर्शिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) सुनिश्चित करती है कि डेटा और AI क्रियाएँ उपयोगकर्ताओं के लिए _समझने योग्य_ (विवेचित) हों, जिसमें निर्णयों के क्या और क्यों को समझाया जाता है।
|
||||
* [**न्यायप्रियता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) यह सुनिश्चित करने पर ध्यान देता है कि AI _सभी लोगों_ के साथ निष्पक्ष व्यवहार करे, और डेटा तथा प्रणालियों में कोई भी प्रणालीगत या गुप्त सामाजिक-तकनीकी पक्षपात न हो।
|
||||
* [**विश्वसनीयता और सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) यह सुनिश्चित करता है कि AI परिभाषित मूल्यों के साथ _लगातार_ व्यवहार करे, संभावित हानियों या आकस्मिक परिणामों को न्यूनतम करता है।
|
||||
* [**गोपनीयता और सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) डेटा की मूलता को समझने और उपयोगकर्ताओं को _डेटा गोपनीयता और संबंधित सुरक्षा_ प्रदान करने के बारे में है।
|
||||
* [**समावेशन**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) AI समाधानों को इरादतन डिजाइन करने के बारे में है, उन्हें मानव की _विविध आवश्यकताओं_ और क्षमताओं को पूरा करने के लिए अनुकूलित करना।
|
||||
|
||||
एक बार जब हम नैतिक सिद्धांतों को परिभाषित कर लेते हैं, तो अगला कदम हमारे डेटा और एआई क्रियाओं का मूल्यांकन करना है ताकि यह देखा जा सके कि वे उन साझा मूल्यों के साथ संरेखित हैं या नहीं। अपने कार्यों को दो श्रेणियों में सोचें: _डेटा संग्रह_ और _एल्गोरिदम डिज़ाइन_।
|
||||
> 🚨 सोचिए कि आपका डेटा एथिक्स मिशन स्टेटमेंट क्या हो सकता है। अन्य संगठनों के नैतिक AI फ्रेमवर्क का अन्वेषण करें - यहाँ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), और [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) के उदाहरण हैं। उनके साझा मूल्य क्या सामान्य हैं? ये सिद्धांत उनके AI उत्पाद या उद्योग से कैसे संबंधित हैं जिसमें वे काम करते हैं?
|
||||
|
||||
डेटा संग्रह के साथ, क्रियाएं संभवतः **व्यक्तिगत डेटा** या व्यक्तिगत रूप से पहचान योग्य जानकारी (PII) से संबंधित होंगी जो जीवित व्यक्तियों की पहचान करती है। इसमें [गैर-व्यक्तिगत डेटा की विविध वस्तुएं](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) शामिल हैं जो _सामूहिक रूप से_ किसी व्यक्ति की पहचान करती हैं। नैतिक चुनौतियाँ _डेटा गोपनीयता_, _डेटा स्वामित्व_, और संबंधित विषयों जैसे _सूचित सहमति_ और उपयोगकर्ताओं के लिए _बौद्धिक संपत्ति अधिकारों_ से संबंधित हो सकती हैं।
|
||||
### 2. एथिक्स चुनौतियाँ
|
||||
|
||||
एल्गोरिदम डिज़ाइन के साथ, क्रियाएं **डेटासेट** एकत्रित और क्यूरेट करने, फिर उन्हें **डेटा मॉडल** को प्रशिक्षित और तैनात करने के लिए उपयोग करने से संबंधित होंगी जो वास्तविक दुनिया के संदर्भों में परिणामों की भविष्यवाणी करते हैं या निर्णयों को स्वचालित करते हैं। नैतिक चुनौतियाँ _डेटासेट पूर्वाग्रह_, _डेटा गुणवत्ता_ मुद्दों, _असमानता_, और एल्गोरिदम में _गलत प्रस्तुति_ से उत्पन्न हो सकती हैं - जिनमें से कुछ मुद्दे प्रणालीगत प्रकृति के हो सकते हैं।
|
||||
एक बार जब हमारे पास नैतिक सिद्धांत निर्धारित हो जाते हैं, अगला कदम हमारी डेटा और AI क्रियाओं का मूल्यांकन करना है कि क्या वे उन साझा मूल्यों के अनुरूप हैं। अपनी क्रियाओं को दो श्रेणियों में सोचें: _डेटा संग्रह_ और _एल्गोरिदम डिजाइन_।
|
||||
|
||||
डेटा संग्रह के साथ, क्रियाओं में संभवत: व्यक्तिगत डेटा या पहचाने जा सकने वाले जीवित व्यक्तियों की व्यक्तिगत पहचान योग्य जानकारी (PII) शामिल होगी। इसमें [बहुविध गैर-व्यक्तिगत डेटा आइटम](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) शामिल हैं जो _संयुक्त रूप से_ किसी व्यक्ति की पहचान करते हैं। नैतिक चुनौतियाँ _डेटा गोपनीयता_, _डेटा स्वामित्व_, और उपयोगकर्ताओं के लिए _सूचित सहमति_ तथा _बौद्धिक संपदा अधिकारों_ जैसे संबंधित विषयों से जुड़ी हो सकती हैं।
|
||||
|
||||
एल्गोरिदम डिजाइन में, क्रियाओं में **डेटासेट** का संग्रह और संरक्षण शामिल होगा, फिर उनका उपयोग करके **डेटा मॉडल** को प्रशिक्षित और तैनात करना होगा जो वास्तविक दुनिया की परिस्थितियों में परिणामों की भविष्यवाणी करते हैं या निर्णयों को स्वचालित करते हैं। नैतिक चुनौतियाँ _डेटासेट पक्षपात_, _डेटा गुणवत्ता_ समस्याओं, _अन्याय_ और _गलत प्रतिनिधित्व_ जैसी समस्याओं से उत्पन्न हो सकती हैं - जिनमें से कुछ समस्या प्रणालीगत होती हैं।
|
||||
|
||||
दोनों ही मामलों में, नैतिक चुनौतियाँ ऐसे क्षेत्रों को उजागर करती हैं जहाँ हमारी क्रियाएँ हमारे साझा मूल्यों के साथ संघर्ष कर सकती हैं। इन चिंताओं का पता लगाने, कम करने, न्यूनतम करने या समाप्त करने के लिए - हमें अपने कार्यों से संबंधित "हाँ/ना" वाले नैतिक प्रश्न पूछने होंगे, फिर आवश्यकतानुसार सुधारात्मक कदम उठाने होंगे। आइए कुछ नैतिक चुनौतियों और उनसे उठने वाले नैतिक प्रश्नों पर एक नजर डालें:
|
||||
|
||||
दोनों मामलों में, नैतिकता चुनौतियाँ उन क्षेत्रों को उजागर करती हैं जहां हमारे कार्य हमारे साझा मूल्यों के साथ संघर्ष कर सकते हैं। इन चिंताओं का पता लगाने, कम करने, न्यूनतम करने, या समाप्त करने के लिए - हमें अपने कार्यों से संबंधित नैतिक "हां/नहीं" प्रश्न पूछने की आवश्यकता है, फिर आवश्यकतानुसार सुधारात्मक कार्रवाई करें। आइए कुछ नैतिक चुनौतियों और उनके द्वारा उठाए गए नैतिक प्रश्नों पर एक नज़र डालें:
|
||||
|
||||
#### 2.1 डेटा स्वामित्व
|
||||
|
||||
डेटा संग्रह अक्सर व्यक्तिगत डेटा से संबंधित होता है जो डेटा विषयों की पहचान कर सकता है। [डेटा स्वाम
|
||||
* क्या जानकारी वास्तविकता को सही ढंग से दर्शाने में _सटीक_ रूप से दर्ज की गई है?
|
||||
डेटा संग्रह में अक्सर व्यक्तिगत डेटा शामिल होता है जो डेटा विषयों की पहचान कर सकता है। [डेटा स्वामित्व](https://permission.io/blog/data-ownership) वह _नियंत्रण_ और [_उपयोगकर्ता अधिकार_](https://permission.io/blog/data-ownership) से संबंधित है जो डेटा के निर्माण, प्रसंस्करण, और प्रचार से जुड़े होते हैं।
|
||||
|
||||
हमें पूछने वाले नैतिक प्रश्न हैं:
|
||||
* डेटा किसका है? (उपयोगकर्ता या संगठन)
|
||||
* डेटा विषयों के क्या अधिकार हैं? (जैसे: पहुँच, मिटाना, पोर्टेबिलिटी)
|
||||
* संगठनों के क्या अधिकार हैं? (जैसे: दुर्भावनापूर्ण उपयोगकर्ता समीक्षाओं को सुधारना)
|
||||
|
||||
#### 2.2 सूचित सहमति
|
||||
|
||||
[सूचित सहमति](https://legaldictionary.net/informed-consent/) उस क्रिया को परिभाषित करती है जिसमें उपयोगकर्ता (जैसे डेटा संग्रह के लिए) संबंधित तथ्यों का _पूर्ण समझ_ रखते हुए सहमत होते हैं जिसमें उद्देश्य, संभावित जोखिम, और विकल्प शामिल हैं।
|
||||
|
||||
यहाँ कुछ प्रश्न हैं:
|
||||
* क्या उपयोगकर्ता (डेटा विषय) ने डेटा संग्रह और उपयोग के लिए अनुमति दी?
|
||||
* क्या उपयोगकर्ता ने समझा कि उस डेटा को किस उद्देश्य से एकत्रित किया गया?
|
||||
* क्या उपयोगकर्ता ने अपनी भागीदारी से संभावित जोखिमों को समझा?
|
||||
|
||||
#### 2.3 बौद्धिक संपदा
|
||||
|
||||
[बौद्धिक संपदा](https://en.wikipedia.org/wiki/Intellectual_property) मानव पहल से उत्पन्न अमूर्त रचनाएँ हैं, जिनका व्यक्तियों या व्यवसायों के लिए _आर्थिक मूल्य_ हो सकता है।
|
||||
|
||||
यहाँ पूछने वाले प्रश्न हैं:
|
||||
* क्या एकत्रित डेटा का उपयोगकर्ता या व्यवसाय के लिए आर्थिक मूल्य था?
|
||||
* क्या **उपयोगकर्ता** के पास यहाँ बौद्धिक संपदा अधिकार हैं?
|
||||
* क्या **संगठन** के पास यहाँ बौद्धिक संपदा अधिकार हैं?
|
||||
* यदि ये अधिकार मौजूद हैं, तो हम उन्हें कैसे सुरक्षा देते हैं?
|
||||
|
||||
#### 2.4 डेटा गोपनीयता
|
||||
|
||||
[डेटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) या सूचना गोपनीयता, उपयोगकर्ता की गोपनीयता और व्यक्तिगत पहचान योग्य जानकारी के संदर्भ में उपयोगकर्ता की पहचान की सुरक्षा से संबंधित है।
|
||||
|
||||
यहाँ के प्रश्न हैं:
|
||||
* क्या उपयोगकर्ताओं के (व्यक्तिगत) डेटा को हैक और लीक से सुरक्षित रखा गया है?
|
||||
* क्या उपयोगकर्ताओं का डेटा केवल अधिकृत उपयोगकर्ताओं और संदर्भों के लिए उपलब्ध है?
|
||||
* जब डेटा साझा या प्रचारित किया जाता है, क्या उपयोगकर्ता की अनामिकता को संरक्षित किया जाता है?
|
||||
* क्या किसी उपयोगकर्ता को अनामिक डेटा सेट से पहचान से मुक्त किया जा सकता है?
|
||||
|
||||
#### 2.5 भूले जाने का अधिकार
|
||||
|
||||
[भूले जाने का अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) या [मिटाने का अधिकार](https://www.gdpreu.org/right-to-be-forgotten/) उपयोगकर्ताओं को अतिरिक्त व्यक्तिगत डेटा सुरक्षा प्रदान करता है। विशेष रूप से, यह उपयोगकर्ताओं को इंटरनेट खोजों और अन्य स्थानों से व्यक्तिगत डेटा को _किसी विशेष परिस्थिति में_ हटाने का अनुरोध करने का अधिकार देता है - जिससे उन्हें ऑनलाइन एक नई शुरुआत मिलती है बिना पुरानी क्रियाओं को उनके खिलाफ रखा जाए।
|
||||
|
||||
यहाँ कुछ प्रश्न हैं:
|
||||
* क्या सिस्टम डेटा विषयों को मिटाने का अनुरोध करने की अनुमति देता है?
|
||||
* क्या उपयोगकर्ता की सहमति वापस लेने पर स्वचालित मिटाना ट्रिगर होना चाहिए?
|
||||
* क्या डेटा बिना सहमति या अवैध तरीकों से एकत्र किया गया था?
|
||||
* क्या हम डेटा गोपनीयता के लिए सरकारी नियमों का पालन कर रहे हैं?
|
||||
|
||||
#### 2.8 एल्गोरिदम निष्पक्षता
|
||||
#### 2.6 डेटासेट पक्षपात
|
||||
|
||||
[एल्गोरिदम निष्पक्षता](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) यह जांचती है कि क्या एल्गोरिदम डिज़ाइन किसी विशेष डेटा समूह के खिलाफ व्यवस्थित रूप से भेदभाव करता है, जिससे _संसाधन आवंटन_ (जहां संसाधन उस समूह से इनकार या रोके जाते हैं) और _सेवा की गुणवत्ता_ (जहां AI कुछ समूहों के लिए उतना सटीक नहीं है जितना कि अन्य के लिए) में [संभावित नुकसान](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) हो सकता है।
|
||||
डेटासेट या [संग्रह पक्षपात](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) उस डेटा के _प्रतिनिधि न होने_ वाले उपसमूह के चयन के बारे में है जो एल्गोरिदम विकास के लिए उपयोग किया जाता है, जिससे विभिन्न समूहों के लिए परिणामों में संभावित अन्याय उत्पन्न होता है। पक्षपात के प्रकारों में चयन या सैंपलिंग पक्षपात, स्वयंसेवक पक्षपात, और उपकरण पक्षपात शामिल हैं।
|
||||
|
||||
यहां विचार करने वाले प्रश्न हैं:
|
||||
* क्या हमने विविध समूहों और परिस्थितियों के लिए मॉडल की सटीकता का मूल्यांकन किया?
|
||||
* क्या हमने प्रणाली को संभावित नुकसान (जैसे, रूढ़िवादिता) के लिए जांचा?
|
||||
* क्या हम डेटा को संशोधित या मॉडल को पुनः प्रशिक्षित कर सकते हैं ताकि पहचाने गए नुकसान को कम किया जा सके?
|
||||
यहाँ प्रश्न हैं:
|
||||
* क्या हमने डेटा विषयों का प्रतिनिधि सेट चुना?
|
||||
* क्या हमने विभिन्न पक्षपातों के लिए अपने संग्रहित या संरक्षित डेटासेट का परीक्षण किया?
|
||||
* क्या हम किसी भी पाए गए पक्षपात को कम या दूर कर सकते हैं?
|
||||
|
||||
[AI निष्पक्षता चेकलिस्ट](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) जैसे संसाधनों का पता लगाएं।
|
||||
#### 2.7 डेटा गुणवत्ता
|
||||
|
||||
[डेटा गुणवत्ता](https://lakefs.io/data-quality-testing/) हमारे एल्गोरिदम के विकास के लिए संरक्षित डेटासेट की मान्यता को देखती है, यह जांचती है कि फीचर्स और रिकॉर्ड हमारी AI जरूरतों के लिए आवश्यक सटीकता और सुसंगतता की आवश्यकताओं को पूरा करते हैं या नहीं।
|
||||
|
||||
यहाँ कुछ प्रश्न हैं:
|
||||
* क्या हमने अपने उपयोग केस के लिए मान्य _फीचर्स_ कैप्चर किए?
|
||||
* क्या डेटा विविध स्रोतों में _सुसंगत_ रूप से कैप्चर किया गया?
|
||||
* क्या डेटासेट विभिन्न स्थितियों या परिदृश्यों के लिए _पूर्ण_ है?
|
||||
* क्या जानकारी सच्चाई को _सटीक_ रूप से प्रतिबिंबित करती है?
|
||||
#### 2.8 एल्गोरिथ्म निष्पक्षता
|
||||
|
||||
[एल्गोरिथ्म निष्पक्षता](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) यह जांचती है कि क्या एल्गोरिथ्म डिज़ाइन विशेष डेटा समूहों के खिलाफ व्यवस्थित भेदभाव करता है, जिससे _आवंटन_ में [संभावित नुकसान](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) होते हैं (जहां संसाधन उस समूह से मना या रोके जाते हैं) और _सेवा की गुणवत्ता_ में (जहां कुछ उपसमूहों के लिए AI उतना सटीक नहीं होता जितना दूसरों के लिए होता है)।
|
||||
|
||||
यहां तलाशने के लिए प्रश्न हैं:
|
||||
* क्या हमने विविध उपसमूहों और स्थितियों के लिए मॉडल सटीकता का मूल्यांकन किया?
|
||||
* क्या हमने संभावित नुकसान (जैसे, स्टेरियोटाइपिंग) के लिए सिस्टम की जांच की?
|
||||
* क्या हम पहचाने गए नुकसान को कम करने के लिए डेटा संशोधित या मॉडल पुनः प्रशिक्षण कर सकते हैं?
|
||||
|
||||
अधिक जानकारी के लिए [AI निष्पक्षता चेकलिस्ट](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) जैसे संसाधनों का अन्वेषण करें।
|
||||
|
||||
#### 2.9 गलत प्रस्तुति
|
||||
|
||||
[डेटा गलत प्रस्तुति](https://www.sciencedirect.com/topics/computer-science/misrepresentation) यह पूछने के बारे में है कि क्या हम ईमानदारी से रिपोर्ट किए गए डेटा से अंतर्दृष्टि को एक वांछित कथा का समर्थन करने के लिए धोखाधड़ी तरीके से प्रस्तुत कर रहे हैं।
|
||||
[डेटा गलत प्रस्तुति](https://www.sciencedirect.com/topics/computer-science/misrepresentation) इस बारे में है कि क्या हम ईमानदारी से रिपोर्ट किए गए डेटा से अंतर्दृष्टि को एक धोखाधड़ीपूर्ण तरीके से संप्रेषित कर रहे हैं ताकि वांछित कथा का समर्थन किया जा सके।
|
||||
|
||||
यहां विचार करने वाले प्रश्न हैं:
|
||||
* क्या हम अधूरी या गलत डेटा रिपोर्ट कर रहे हैं?
|
||||
* क्या हम डेटा को इस तरह से विज़ुअलाइज़ कर रहे हैं जो भ्रामक निष्कर्षों को प्रेरित करता है?
|
||||
* क्या हम परिणामों को हेरफेर करने के लिए चयनात्मक सांख्यिकीय तकनीकों का उपयोग कर रहे हैं?
|
||||
* क्या वैकल्पिक व्याख्याएं हैं जो एक अलग निष्कर्ष प्रदान कर सकती हैं?
|
||||
यहां तलाशने के लिए प्रश्न हैं:
|
||||
* क्या हम अपूर्ण या गलत डेटा रिपोर्ट कर रहे हैं?
|
||||
* क्या हम डेटा को इस तरह प्रदर्शित कर रहे हैं जिससे भ्रामक निष्कर्ष निकलते हों?
|
||||
* क्या हम परिणामों को नियंत्रित करने के लिए चयनात्मक सांख्यिकीय तकनीकों का उपयोग कर रहे हैं?
|
||||
* क्या वैकल्पिक व्याख्याएं हैं जो अलग निष्कर्ष प्रदान कर सकती हैं?
|
||||
|
||||
#### 2.10 स्वतंत्र विकल्प
|
||||
[स्वतंत्र विकल्प का भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तब होता है जब सिस्टम "चॉइस आर्किटेक्चर" निर्णय लेने वाले एल्गोरिदम का उपयोग करके लोगों को एक पसंदीदा परिणाम लेने के लिए प्रेरित करता है, जबकि उन्हें विकल्प और नियंत्रण देने का दिखावा करता है। ये [डार्क पैटर्न](https://www.darkpatterns.org/) उपयोगकर्ताओं को सामाजिक और आर्थिक नुकसान पहुंचा सकते हैं। क्योंकि उपयोगकर्ता के निर्णय व्यवहार प्रोफाइल को प्रभावित करते हैं, ये क्रियाएं संभावित रूप से भविष्य के विकल्पों को चला सकती हैं जो इन नुकसानों के प्रभाव को बढ़ा या विस्तारित कर सकती हैं।
|
||||
[स्वतंत्र विकल्प का भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तब होता है जब सिस्टम के "विकल्प वास्तुकला" निर्णय लेने वाले एल्गोरिदम का उपयोग करके लोगों को पसंदीदा परिणाम की ओर उकसाते हैं, जबकि ऐसा दिखाते हैं कि उनके पास विकल्प और नियंत्रण है। ये [डार्क पैटर्न](https://www.darkpatterns.org/) उपयोगकर्ताओं को सामाजिक और आर्थिक नुकसान पहुंचा सकते हैं। क्योंकि उपयोगकर्ता के निर्णय व्यवहार प्रोफाइल को प्रभावित करते हैं, ये क्रियाएं संभावित रूप से भविष्य के विकल्पों को प्रेरित कर सकती हैं जो इन नुकसानों के प्रभाव को बढ़ा या विस्तारित कर सकती हैं।
|
||||
|
||||
यहां विचार करने वाले प्रश्न हैं:
|
||||
* क्या उपयोगकर्ता ने उस विकल्प को बनाने के निहितार्थ को समझा?
|
||||
* क्या उपयोगकर्ता (वैकल्पिक) विकल्पों और प्रत्येक के फायदे और नुकसान से अवगत था?
|
||||
* क्या उपयोगकर्ता स्वचालित या प्रभावित विकल्प को बाद में उलट सकता है?
|
||||
यहां तलाशने के लिए प्रश्न हैं:
|
||||
* क्या उपयोगकर्ता को उस विकल्प के प्रभावों की समझ थी?
|
||||
* क्या उपयोगकर्ता (वैकल्पिक) विकल्पों और उनके लाभ एवं हानि के बारे में जागरूक था?
|
||||
* क्या उपयोगकर्ता बाद में स्वचालित या प्रभावित विकल्प को वापस ले सकता है?
|
||||
|
||||
### 3. केस स्टडीज
|
||||
|
||||
इन नैतिक चुनौतियों को वास्तविक दुनिया के संदर्भों में रखने के लिए, यह देखना मददगार होता है कि जब इन नैतिक उल्लंघनों को नजरअंदाज किया जाता है तो व्यक्तियों और समाज पर संभावित नुकसान और परिणाम क्या हो सकते हैं।
|
||||
इन नैतिक चुनौतियों को वास्तविक दुनिया के संदर्भों में समझने के लिए, कुछ केस स्टडीज देखना मददगार होता है जो दिखाती हैं कि व्यक्तियों और समाज को संभावित नुकसान और परिणाम क्या हो सकते हैं जब ऐसी नैतिक उल्लंघन नजरअंदाज किए जाते हैं।
|
||||
|
||||
यहां कुछ उदाहरण दिए गए हैं:
|
||||
यहां कुछ उदाहरण हैं:
|
||||
|
||||
| नैतिक चुनौती | केस स्टडी |
|
||||
| नैतिक चुनौती | केस स्टडी |
|
||||
|--- |--- |
|
||||
| **सूचित सहमति** | 1972 - [टस्केगी सिफलिस अध्ययन](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अफ्रीकी अमेरिकी पुरुषों को जो अध्ययन में भाग लेते थे, मुफ्त चिकित्सा देखभाल का वादा किया गया था _लेकिन शोधकर्ताओं द्वारा धोखा दिया गया_ जिन्होंने विषयों को उनके निदान या उपचार की उपलब्धता के बारे में सूचित करने में विफल रहे। कई विषयों की मृत्यु हो गई और उनके साथी या बच्चे प्रभावित हुए; अध्ययन 40 वर्षों तक चला। |
|
||||
| **डेटा गोपनीयता** | 2007 - [नेटफ्लिक्स डेटा पुरस्कार](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ने शोधकर्ताओं को _50K ग्राहकों से 10M गुमनाम मूवी रैंकिंग_ प्रदान की ताकि सिफारिश एल्गोरिदम में सुधार किया जा सके। हालांकि, शोधकर्ता गुमनाम डेटा को _बाहरी डेटासेट_ (जैसे, IMDb टिप्पणियां) में व्यक्तिगत पहचान योग्य डेटा के साथ सहसंबंधित करने में सक्षम थे - प्रभावी रूप से कुछ नेटफ्लिक्स ग्राहकों को "डी-गुमनाम" कर दिया।|
|
||||
| **संग्रह पूर्वाग्रह** | 2013 - बोस्टन शहर ने [स्ट्रीट बंप](https://www.boston.gov/transportation/street-bump) विकसित किया, एक ऐप जिसने नागरिकों को गड्ढों की रिपोर्ट करने दी, जिससे शहर को बेहतर सड़क डेटा प्राप्त हुआ। हालांकि, [कम आय वाले समूहों के लोगों के पास कारों और फोन तक कम पहुंच थी](https://hbr.org/2013/04/the-hidden-biases-in-big-data), जिससे उनके सड़क मुद्दे इस ऐप में अदृश्य हो गए। डेवलपर्स ने निष्पक्षता के लिए _समान पहुंच और डिजिटल विभाजन_ मुद्दों पर काम किया। |
|
||||
| **एल्गोरिदम निष्पक्षता** | 2018 - MIT [जेंडर शेड्स अध्ययन](http://gendershades.org/overview.html) ने लिंग वर्गीकरण AI उत्पादों की सटीकता का मूल्यांकन किया, महिलाओं और रंग के व्यक्तियों के लिए सटीकता में अंतर को उजागर किया। एक [2019 Apple कार्ड](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ने पुरुषों की तुलना में महिलाओं को कम क्रेडिट की पेशकश की। दोनों ने एल्गोरिदम पूर्वाग्रह में मुद्दों को उजागर किया जिससे सामाजिक-आर्थिक नुकसान हुआ।|
|
||||
| **डेटा गलत प्रस्तुति** | 2020 - [जॉर्जिया डिपार्टमेंट ऑफ पब्लिक हेल्थ ने COVID-19 चार्ट जारी किए](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) जो पुष्टि किए गए मामलों में रुझानों के बारे में नागरिकों को गुमराह करने के लिए x-अक्ष पर गैर-कालानुक्रमिक क्रम का उपयोग करते हुए दिखाई दिए। यह विज़ुअलाइज़ेशन ट्रिक्स के माध्यम से गलत प्रस्तुति को दर्शाता है। |
|
||||
| **स्वतंत्र विकल्प का भ्रम** | 2020 - लर्निंग ऐप [ABCmouse ने FTC शिकायत को निपटाने के लिए $10M का भुगतान किया](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जहां माता-पिता को ऐसी सदस्यताओं के लिए भुगतान करने के लिए फंसाया गया था जिन्हें वे रद्द नहीं कर सकते थे। यह चॉइस आर्किटेक्चर में डार्क पैटर्न को दर्शाता है, जहां उपयोगकर्ताओं को संभावित हानिकारक विकल्पों की ओर प्रेरित किया गया। |
|
||||
| **डेटा गोपनीयता और उपयोगकर्ता अधिकार** | 2021 - फेसबुक [डेटा उल्लंघन](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ने 530M उपयोगकर्ताओं का डेटा उजागर किया, जिसके परिणामस्वरूप FTC को $5B का निपटान हुआ। हालांकि, इसने उपयोगकर्ताओं को उल्लंघन के बारे में सूचित करने से इनकार कर दिया, उपयोगकर्ता अधिकारों का उल्लंघन किया। |
|
||||
| **जानकारी से सहमति** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अफ्रीकी अमेरिकी पुरुषों को अध्ययन में भाग लेने पर मुफ्त चिकित्सा देखभाल का वादा किया गया था _लेकिन शोधकर्ताओं ने विषयों को उनके निदान या इलाज की उपलब्धता के बारे में सूचित नहीं किया_, जिससे कई विषय मरे & उनके साथी या बच्चे प्रभावित हुए; अध्ययन 40 वर्षों तक चला। |
|
||||
| **डेटा गोपनीयता** | 2007 - [Netflix डेटा पुरस्कार](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ने शोधकर्ताओं को _50K ग्राहकों से 10M गुमनाम फ़िल्म रैंकिंग_ प्रदान की ताकि अनुशंसा एल्गोरिदम सुधारे जा सकें। हालांकि, शोधकर्ताओं ने गुमनाम डेटा को बाहरी डेटासेट (जैसे IMDb टिप्पणियाँ) में व्यक्तिगत डेटा के साथ संबद्ध करके कुछ Netflix उपयोगकर्ताओं की पहचान "डि-एनोनिमाइज" कर दी।|
|
||||
| **संग्रह पूर्वाग्रह** | 2013 - बोस्टन शहर ने [Street Bump](https://www.boston.gov/transportation/street-bump) विकसित किया, एक ऐप जिससे नागरिक गड्ढों की रिपोर्ट कर सकते थे और शहर को बेहतर सड़क डेटा मिल सके। हालांकि, [कम आय वर्ग के लोगों के पास कार और फोन की कम पहुंच थी](https://hbr.org/2013/04/the-hidden-biases-in-big-data), जिससे उनके सड़क मुद्दे इस ऐप में अदृश्य रहे। विकासकर्ताओं ने निष्पक्षता के लिए _समान पहुंच और डिजिटल विभाजनों_ के मुद्दों पर अकादमिकों के साथ काम किया। |
|
||||
| **एल्गोरिथ्मिक निष्पक्षता** | 2018 - MIT का [Gender Shades अध्ययन](http://gendershades.org/overview.html) लिंग वर्गीकरण AI उत्पादों की सटीकता का मूल्यांकन करता है, जिसने महिलाओं और रंग के व्यक्तियों के लिए सटीकता के अंतर को उजागर किया। एक [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) महिलाओं को पुरुषों की तुलना में कम क्रेडिट प्रदान करता दिखा। दोनों ने एल्गोरिथ्मिक पूर्वाग्रह के कारण सामाजिक-आर्थिक नुकसान को दर्शाया।|
|
||||
| **डेटा गलत प्रस्तुति** | 2020 - [जॉर्जिया सार्वजनिक स्वास्थ्य विभाग ने COVID-19 चार्ट जारी किए](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) जो नागरिकों को पुष्ट मामलों के रुझानों के बारे में गुमराह करने वाले लगे, क्योंकि x-अक्ष पर गैर-अनुगामी क्रम था। यह दृश्य प्रभावों के माध्यम से गलत प्रस्तुति को दर्शाता है। |
|
||||
| **स्वतंत्र विकल्प का भ्रम** | 2020 - लर्निंग ऐप [ABCmouse ने FTC शिकायत का निपटान करने के लिए $10M का भुगतान किया](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जहां माता-पिता उन सदस्यताओं के लिए फंस गए जिन्हें वे रद्द नहीं कर सकते थे। यह विकल्प वास्तुकला में डार्क पैटर्न को दर्शाता है, जहां उपयोगकर्ताओं को संभावित रूप से हानिकारक विकल्पों की ओर उकसाया गया। |
|
||||
| **डेटा गोपनीयता और उपयोगकर्ता अधिकार** | 2021 - फेसबुक [डेटा उल्लंघन](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) में 530M उपयोगकर्ताओं का डेटा लीक हुआ, जिसके परिणामस्वरूप FTC को $5B सेटलमेंट भुगतान किया गया। हालांकि, इसने उल्लंघन की सूचना उपयोगकर्ताओं को नहीं दी, जिससे डेटा पारदर्शिता और पहुंच के उपयोगकर्ता अधिकारों का उल्लंघन हुआ। |
|
||||
|
||||
अधिक केस स्टडीज का पता लगाना चाहते हैं? इन संसाधनों को देखें:
|
||||
* [एथिक्स अनरैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगों में नैतिक दुविधाएं।
|
||||
* [डेटा साइंस एथिक्स कोर्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - प्रमुख केस स्टडीज का अन्वेषण।
|
||||
* [जहां चीजें गलत हुई हैं](https://deon.drivendata.org/examples/) - डिऑन चेकलिस्ट के साथ उदाहरण।
|
||||
अधिक केस स्टडीज में रुचि है? ये संसाधन देखें:
|
||||
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगों में नैतिक दुविधाएं।
|
||||
* [Data Science Ethics पाठ्यक्रम](https://www.coursera.org/learn/data-science-ethics#syllabus) - महत्वपूर्ण केस स्टडीज की खोज।
|
||||
* [जहां गलतियां हुईं](https://deon.drivendata.org/examples/) - deon चेकलिस्ट के साथ उदाहरण।
|
||||
|
||||
> 🚨 उन केस स्टडीज के बारे में सोचें जिन्हें आपने देखा है - क्या आपने अपने जीवन में इसी तरह की नैतिक चुनौती का अनुभव किया है या इससे प्रभावित हुए हैं? क्या आप इस खंड में चर्चा की गई नैतिक चुनौतियों में से किसी एक को दर्शाने वाली कम से कम एक अन्य केस स्टडी के बारे में सोच सकते हैं?
|
||||
> 🚨 आपने जो केस स्टडीज देखी हैं, उनके बारे में सोचें - क्या आपने अपने जीवन में इसी प्रकार की कोई नैतिक चुनौती का अनुभव किया है या प्रभावित हुए हैं? क्या आप कम से कम एक और केस स्टडी का उदाहरण दे सकते हैं जो हमने इस अनुभाग में चर्चा की गई किसी नैतिक चुनौती को दर्शाता हो?
|
||||
|
||||
## लागू नैतिकता
|
||||
|
||||
हमने नैतिकता की अवधारणाओं, चुनौतियों और वास्तविक दुनिया के संदर्भों में केस स्टडीज के बारे में बात की। लेकिन हम अपने प्रोजेक्ट्स में नैतिक सिद्धांतों और प्रथाओं को लागू करना कैसे शुरू करें? और बेहतर शासन के लिए इन प्रथाओं को कैसे _संचालित_ करें? आइए कुछ वास्तविक दुनिया के समाधान तलाशें:
|
||||
हमने नैतिकता के सिद्धांतों, चुनौतियों, और वास्तविक दुनिया के संदर्भ में केस स्टडीज के बारे में बात की है। लेकिन हम अपने प्रोजेक्ट्स में नैतिक सिद्धांतों और प्रथाओं को _कैसे लागू_ करें? और बेहतर शासन के लिए इन प्रथाओं को _कैसे कार्यान्वित_ करें? आइए कुछ वास्तविक दुनिया के समाधान देखें:
|
||||
|
||||
### 1. पेशेवर कोड
|
||||
### 1. पेशेवर संहिता
|
||||
|
||||
पेशेवर कोड संगठनों को अपने नैतिक सिद्धांतों और मिशन स्टेटमेंट का समर्थन करने के लिए सदस्यों को "प्रोत्साहित" करने का एक विकल्प प्रदान करते हैं। कोड पेशेवर व्यवहार के लिए _नैतिक दिशानिर्देश_ हैं, जो कर्मचारियों या सदस्यों को निर्णय लेने में मदद करते हैं जो उनके संगठन के सिद्धांतों के साथ मेल खाते हैं। वे केवल सदस्यों से स्वैच्छिक अनुपालन जितने अच्छे होते हैं; हालांकि, कई संगठन सदस्यों से अनुपालन को प्रेरित करने के लिए अतिरिक्त पुरस्कार और दंड प्रदान करते हैं।
|
||||
पेशेवर संहिता संगठन के सदस्यों को उनके नैतिक सिद्धांतों और मिशन स्टेटमेंट का समर्थन करने के लिए "प्रोत्साहित" करने का एक विकल्प प्रदान करती हैं। कोड पेशेवर व्यवहार के लिए _नैतिक दिशानिर्देश_ होते हैं, जो कर्मचारियों या सदस्यों को अपने संगठन के सिद्धांतों के अनुरूप निर्णय लेने में मदद करते हैं। ये सदस्यों के स्वैच्छिक अनुपालन पर निर्भर होते हैं; हालाँकि, कई संगठन सदस्यों को अनुपालन के लिए अतिरिक्त पुरस्कार और दंड प्रदान करते हैं।
|
||||
|
||||
उदाहरणों में शामिल हैं:
|
||||
|
||||
* [ऑक्सफोर्ड म्यूनिख](http://www.code-of-ethics.org/code-of-conduct/) नैतिकता का कोड
|
||||
* [डेटा साइंस एसोसिएशन](http://datascienceassn.org/code-of-conduct.html) आचार संहिता (2013 में बनाया गया)
|
||||
* [ACM आचार संहिता और पेशेवर आचरण](https://www.acm.org/code-of-ethics) (1993 से)
|
||||
* [ऑक्सफोर्ड म्यूनिख](http://www.code-of-ethics.org/code-of-conduct/) कोड ऑफ एथिक्स
|
||||
* [डेटा साइंस एसोसिएशन](http://datascienceassn.org/code-of-conduct.html) कोड ऑफ कंडक्ट (2013 में बनाया गया)
|
||||
* [ACM कोड ऑफ एथिक्स और प्रोफेशनल कंडक्ट](https://www.acm.org/code-of-ethics) (1993 से)
|
||||
|
||||
> 🚨 क्या आप किसी पेशेवर इंजीनियरिंग या डेटा साइंस संगठन के सदस्य हैं? उनकी साइट का पता लगाएं कि क्या वे पेशेवर नैतिकता का कोड परिभाषित करते हैं। यह उनके नैतिक सिद्धांतों के बारे में क्या कहता है? वे सदस्यों को कोड का पालन करने के लिए कैसे "प्रोत्साहित" कर रहे हैं?
|
||||
> 🚨 क्या आप किसी पेशेवर इंजीनियरिंग या डेटा साइंस संगठन से जुड़े हैं? उनके साइट पर जाकर देखें कि क्या वे पेशेवर नैतिक कोड परिभाषित करते हैं। यह उनके नैतिक सिद्धांतों के बारे में क्या बताता है? वे सदस्यों को कोड का पालन करने के लिए कैसे "प्रोत्साहित" कर रहे हैं?
|
||||
|
||||
### 2. नैतिकता चेकलिस्ट
|
||||
### 2. नैतिक चेकलिस्ट
|
||||
|
||||
जबकि पेशेवर कोड चिकित्सकों से आवश्यक _नैतिक व्यवहार_ को परिभाषित करते हैं, वे [प्रवर्तन में ज्ञात सीमाएं](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) रखते हैं, विशेष रूप से बड़े पैमाने पर प्रोजेक्ट्स में। इसके बजाय, कई डेटा साइंस विशेषज्ञ [चेकलिस्ट की वकालत करते हैं](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), जो **सिद्धांतों को प्रथाओं से जोड़ सकते हैं** अधिक निर्धारक और क्रियाशील तरीकों से।
|
||||
जबकि पेशेवर कोड प्रैक्टिशनर्स से आवश्यक _नैतिक व्यवहार_ को परिभाषित करते हैं, उनकी प्रवर्तन में [ज्ञात सीमाएं](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) होती हैं, विशेष रूप से बड़े पैमाने के प्रोजेक्ट्स में। इसके बजाय, कई डेटा साइंस विशेषज्ञ चेकलिस्ट का समर्थन करते हैं, जो सिद्धांतों को व्यवहारों से **जोड़ने** के लिए अधिक निर्णायक और कार्यान्वयन योग्य तरीके प्रदान करती हैं।
|
||||
|
||||
चेकलिस्ट प्रश्नों को "हां/नहीं" कार्यों में बदल देती हैं जिन्हें संचालित किया जा सकता है, जिससे उन्हें मानक उत्पाद रिलीज़ वर्कफ़्लो के हिस्से के रूप में ट्रैक किया जा सकता है।
|
||||
चेकलिस्ट प्रश्नों को "हाँ/नहीं" कार्यों में बदलती हैं जिन्हें क्रियान्वित किया जा सकता है, जिससे इन्हें मानक उत्पाद रिलीज वर्कफ़्लो का हिस्सा बनाकर ट्रैक किया जा सकता है।
|
||||
|
||||
उदाहरणों में शामिल हैं:
|
||||
* [डिऑन](https://deon.drivendata.org/) - [उद्योग सिफारिशों](https://deon.drivendata.org/#checklist-citations) से बनाया गया एक सामान्य-उद्देश्य डेटा नैतिकता चेकलिस्ट, आसान एकीकरण के लिए कमांड-लाइन टूल के साथ।
|
||||
* [गोपनीयता ऑडिट चेकलिस्ट](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कानूनी और सामाजिक जोखिम दृष्टिकोण से सूचना प्रबंधन प्रथाओं के लिए सामान्य मार्गदर्शन प्रदान करता है।
|
||||
* [AI निष्पक्षता चेकलिस्ट](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास चक्रों में निष्पक्षता जांच को अपनाने और एकीकृत करने का समर्थन करने के लिए AI चिकित्सकों द्वारा बनाया गया।
|
||||
* [डेटा और AI में नैतिकता के लिए 22 प्रश्न](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - अधिक खुले-समाप्त ढांचा, डिजाइन, कार्यान्वयन, और संगठनात्मक संदर्भों में नैतिक मुद्दों की प्रारंभिक खोज के लिए संरचित।
|
||||
उदाहरण हैं:
|
||||
* [Deon](https://deon.drivendata.org/) - एक सामान्य प्रयोजन डेटा एथिक्स चेकलिस्ट जिसे [उद्योग सिफारिशों](https://deon.drivendata.org/#checklist-citations) से बनाया गया है और जिसके पास एक कमांड-लाइन टूल है।
|
||||
* [गोपनीयता ऑडिट चेकलिस्ट](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कानूनी और सामाजिक जोखिम के दृष्टिकोण से सूचना प्रबंधन प्रथाओं के लिए सामान्य मार्गदर्शन।
|
||||
* [AI निष्पक्षता चेकलिस्ट](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास चक्रों में निष्पक्षता जांच को अपनाने और एकीकृत करने के लिए AI प्रैक्टिशनर्स द्वारा निर्मित।
|
||||
* [डेटा और AI में नैतिकता के लिए 22 प्रश्न](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - अधिक खुला ढांचा, डिजाइन, कार्यान्वयन, और संगठनात्मक संदर्भों में नैतिक मुद्दों के आरंभिक अन्वेषण हेतु संरचित।
|
||||
|
||||
### 3. नैतिक नियम
|
||||
|
||||
नैतिकता साझा मूल्यों की परिभाषा और सही काम स्वेच्छा से करने के बारे में है। **अनुपालन** उस कानून का पालन करने के बारे में है जो लागू होता है। **शासन** व्यापक रूप से उन सभी तरीकों को कवर करता है जिनके द्वारा संगठन नैतिक सिद्धांतों को लागू करते हैं और स्थापित कानूनों का पालन करते हैं।
|
||||
|
||||
### 3. नैतिकता नियम
|
||||
आज, संगठनात्मक शासन दो रूपों में होता है। पहला, यह सभी AI-संबंधित परियोजनाओं में अपनाने को क्रियान्वित करने के लिए **नैतिक AI** सिद्धांतों को परिभाषित करने और प्रथाओं को स्थापित करने के बारे में है। दूसरा, यह उन सभी सरकारी-निर्धारित **डेटा सुरक्षा नियमों** का पालन करने के बारे में है जिन क्षेत्रों में यह संचालन करता है।
|
||||
|
||||
डेटा सुरक्षा और गोपनीयता नियमों के उदाहरण:
|
||||
|
||||
* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - संघीय सरकार द्वारा व्यक्तिगत जानकारी के संग्रह, उपयोग और प्रकटीकरण को विनियमित करता है।
|
||||
* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - व्यक्तिगत स्वास्थ्य डेटा की सुरक्षा करता है।
|
||||
* `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 वर्ष से कम उम्र के बच्चों के डेटा गोपनीयता की रक्षा करता है।
|
||||
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - उपयोगकर्ता अधिकार, डेटा संरक्षण, और गोपनीयता प्रदान करता है।
|
||||
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) उपभोक्ताओं को उनके (व्यक्तिगत) डेटा पर और अधिक अधिकार देता है।
|
||||
* `2021`, चीन का [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) हाल ही में पारित हुआ, जो विश्व के सबसे मजबूत ऑनलाइन डेटा गोपनीयता नियमों में से एक बन गया।
|
||||
|
||||
> 🚨 यूरोपीय संघ द्वारा निर्धारित GDPR (सामान्य डेटा संरक्षण विनियमन) आज सबसे प्रभावशाली डेटा गोपनीयता नियमों में से एक है। क्या आप जानते हैं कि यह नागरिकों की डिजिटल गोपनीयता और व्यक्तिगत डेटा की सुरक्षा के लिए [8 उपयोगकर्ता अधिकार](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) भी परिभाषित करता है? जानें कि ये क्या हैं और वे क्यों महत्वपूर्ण हैं।
|
||||
|
||||
### 4. नैतिक संस्कृति
|
||||
|
||||
ध्यान दें कि _अनुपालन_ (कानून के "अक्षर" को पूरा करना) और [प्रणालीगत मुद्दों](https://www.coursera.org/learn/data-science-ethics/home/week/4) (जैसे ठोसता, सूचना असममितता, और वितरणीय अनियमितता) को संबोधित करने के बीच एक अमूर्त अंतर बना रहता है जो AI के हथियारबंद होने की गति को तेज कर सकता है।
|
||||
|
||||
अंतिम के लिए आवश्यक है कि उद्योग में संगठनों के _अंदर_ भावुक संबंध और सुसंगत साझा मूल्य बनाने के लिए [नैतिकता संस्कृतियों को परिभाषित करने के साथ सहयोगी दृष्टिकोण](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) अपनाए जाएं। यह संगठनों में अधिक [औपचारिक डेटा नैतिकता संस्कृतियों](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) की मांग करता है - जिससे कोई भी [अंदन कॉर्ड खींच सके](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (प्रक्रिया में नैतिक मुद्दों को जल्दी उठाने के लिए) और AI प्रोजेक्ट्स में टीम गठन में _नैतिक मूल्यांकन_ (जैसे भर्ती में) एक मुख्य मापदंड बने।
|
||||
|
||||
---
|
||||
## [पाठ-पर-अधिकारिता क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
|
||||
## पुनरावलोकन और आत्म-अध्ययन
|
||||
|
||||
नैतिकता साझा मूल्यों को परिभाषित करने और _स्वेच्छा से_ सही काम करने के बारे में है। **अनुपालन** परिभाषित कानूनों का पालन करने के बारे में है। **शासन** व्यापक रूप से उन सभी तरीकों को कवर करता है जिनमें संगठन नैतिक सिद्धांतों को लागू करने और स्थापित कानूनों का पालन करने के लिए काम करते हैं।
|
||||
पाठ्यक्रम और किताबें मूल नैतिकता की अवधारणाओं और चुनौतियों को समझने में मदद करती हैं, जबकि केस स्टडीज और टूल वास्तविक दुनिया के संदर्भों में लागू नैतिकता प्रथाओं में मदद करते हैं। आरंभ करने के लिए यहाँ कुछ संसाधन हैं।
|
||||
|
||||
आज, संगठनों के भीतर शासन दो रूप लेता है। पहला, यह **नैतिक AI** सिद्धांतों को परिभ
|
||||
* [मशीन लर्निंग फॉर बिगिनर्स](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft द्वारा निष्पक्षता पर पाठ।
|
||||
* [जिम्मेदार AI के सिद्धांत](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn से मुफ्त लर्निंग पथ।
|
||||
* [एथिक्स एंड डेटा साइंस](https://resources.oreilly.com/examples/0636920203964) - ओ'रेली ईबुक (एम. लुकाइड्स, एच. मेसन आदि।)
|
||||
* [डेटा साइंस एथिक्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालय का ऑनलाइन कोर्स।
|
||||
* [एथिक्स अनरैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालय से केस स्टडीज।
|
||||
* [शुरुआती के लिए मशीन लर्निंग](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft से निष्पक्षता पर पाठ।
|
||||
* [जिम्मेदार एआई के सिद्धांत](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn से मुफ्त लर्निंग पाथ।
|
||||
* [एथिक्स और डेटा साइंस](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (एम. लॉकिडेस, एच. मेसन आदि)
|
||||
* [डेटा साइंस एथिक्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालय से ऑनलाइन कोर्स।
|
||||
* [एथिक्स अनवैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालय के केस स्टडीज़।
|
||||
|
||||
# असाइनमेंट
|
||||
# असाइनमेंट
|
||||
|
||||
[डेटा एथिक्स केस स्टडी लिखें](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**अस्वीकरण**:
|
||||
इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -1,151 +1,175 @@
|
||||
# सार्थक डेटा विज़ुअलाइज़ेशन बनाना
|
||||
# सार्थक विज़ुअलाइज़ेशन बनाना
|
||||
|
||||
| द्वारा ](../../sketchnotes/13-MeaningfulViz.png)|
|
||||
| ](../../sketchnotes/13-MeaningfulViz.png)|
|
||||
|:---:|
|
||||
| सार्थक डेटा विज़ुअलाइज़ेशन - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
|
||||
| सार्थक विज़ुअलाइज़ेशन - _स्केचनोट द्वारा [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
> "यदि आप डेटा को लंबे समय तक परेशान करेंगे, तो यह कुछ भी स्वीकार कर लेगा" -- [रॉनाल्ड कोस](https://en.wikiquote.org/wiki/Ronald_Coase)
|
||||
> "अगर आप डेटा को पर्याप्त देर तक सताएंगे, तो यह कुछ भी स्वीकार कर लेगा" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
|
||||
|
||||
डेटा वैज्ञानिक की एक बुनियादी कौशल यह है कि वह एक ऐसा सार्थक डेटा विज़ुअलाइज़ेशन बना सके जो आपके सवालों का जवाब देने में मदद करे। डेटा को विज़ुअलाइज़ करने से पहले, आपको यह सुनिश्चित करना होगा कि आपने इसे साफ और तैयार कर लिया है, जैसा कि आपने पिछले पाठों में किया था। इसके बाद, आप यह तय करना शुरू कर सकते हैं कि डेटा को सबसे अच्छे तरीके से कैसे प्रस्तुत किया जाए।
|
||||
एक डेटा वैज्ञानिक का एक मूल कौशल है सार्थक डेटा विज़ुअलाइज़ेशन बनाना जो आपके प्रश्नों का उत्तर देने में मदद करे। डेटा को विज़ुअलाइज़ करने से पहले, आपको यह सुनिश्चित करना होगा कि इसे पहले की तरह साफ़ और तैयार किया गया हो। उसके बाद, आप निर्णय ले सकते हैं कि डेटा को सबसे अच्छी तरह कैसे प्रस्तुत किया जाए।
|
||||
|
||||
इस पाठ में, आप निम्नलिखित की समीक्षा करेंगे:
|
||||
इस पाठ में, आप समीक्षा करेंगे:
|
||||
|
||||
1. सही चार्ट प्रकार कैसे चुनें
|
||||
2. भ्रामक चार्टिंग से कैसे बचें
|
||||
3. रंगों के साथ कैसे काम करें
|
||||
4. अपने चार्ट को पठनीय बनाने के लिए कैसे स्टाइल करें
|
||||
5. एनिमेटेड या 3D चार्टिंग समाधान कैसे बनाएं
|
||||
6. एक रचनात्मक विज़ुअलाइज़ेशन कैसे बनाएं
|
||||
1. सही चार्ट प्रकार कैसे चुनें
|
||||
2. धोखाधड़ी करने वाले चार्टिंग से कैसे बचें
|
||||
3. रंग का उपयोग कैसे करें
|
||||
4. पठनीयता के लिए अपने चार्ट को कैसे स्टाइल करें
|
||||
5. एनिमेटेड या 3D चार्टिंग समाधान कैसे बनाएं
|
||||
6. रचनात्मक विज़ुअलाइज़ेशन कैसे बनाएं
|
||||
|
||||
## [पाठ-पूर्व क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/24)
|
||||
## [प्राच्याविचार क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/24)
|
||||
|
||||
## सही चार्ट प्रकार चुनें
|
||||
|
||||
पिछले पाठों में, आपने Matplotlib और Seaborn का उपयोग करके विभिन्न प्रकार के डेटा विज़ुअलाइज़ेशन बनाने का अभ्यास किया। सामान्य तौर पर, आप इस तालिका का उपयोग करके [सही प्रकार का चार्ट](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) चुन सकते हैं:
|
||||
पिछले पाठों में, आपने Matplotlib और Seaborn का उपयोग करके सभी प्रकार के रोचक डेटा विज़ुअलाइज़ेशन बनाने का प्रयोग किया था। सामान्यतः, आप पूछे जा रहे प्रश्न के लिए इस तालिका का उपयोग करके सही प्रकार का चार्ट चुन सकते हैं:
|
||||
|
||||
| आपको यह करना है: | आपको यह उपयोग करना चाहिए: |
|
||||
| -------------------------- | ------------------------------- |
|
||||
| समय के साथ डेटा रुझान दिखाएं | लाइन |
|
||||
| श्रेणियों की तुलना करें | बार, पाई |
|
||||
| कुल की तुलना करें | पाई, स्टैक्ड बार |
|
||||
| संबंध दिखाएं | स्कैटर, लाइन, फेसट, डुअल लाइन |
|
||||
| वितरण दिखाएं | स्कैटर, हिस्टोग्राम, बॉक्स |
|
||||
| अनुपात दिखाएं | पाई, डोनट, वाफल |
|
||||
| आपको क्या करना है: | आपको इसका उपयोग करना चाहिए: |
|
||||
| ------------------------- | ------------------------------ |
|
||||
| समय के साथ डेटा प्रवृत्तियों को दिखाना | लाइन |
|
||||
| श्रेणियों की तुलना करना | बार, पाई |
|
||||
| कुलों की तुलना करना | पाई, स्टैक्ड बार |
|
||||
| सम्बन्ध दिखाना | स्कैटर, लाइन, फेसट, ड्यूल लाइन |
|
||||
| वितरण दिखाना | स्कैटर, हिस्टोग्राम, बॉक्स |
|
||||
| अनुपात दिखाना | पाई, डोनट, वाफल |
|
||||
|
||||
> ✅ आपके डेटा की संरचना के आधार पर, आपको इसे टेक्स्ट से संख्यात्मक में बदलने की आवश्यकता हो सकती है ताकि चार्ट इसे समर्थन कर सके।
|
||||
> ✅ अपने डेटा की संरचना के आधार पर, आपको टेक्स्ट को संख्यात्मक में परिवर्तित करना पड़ सकता है ताकि कोई दिया गया चार्ट इसे समर्थित कर सके।
|
||||
|
||||
## भ्रामकता से बचें
|
||||
## धोखा देने से बचें
|
||||
|
||||
भले ही डेटा वैज्ञानिक सही डेटा के लिए सही चार्ट चुनने में सावधानी बरतें, फिर भी डेटा को इस तरह से प्रदर्शित करने के कई तरीके हैं जो किसी बिंदु को साबित करते हैं, अक्सर डेटा की सच्चाई को कमजोर करने की कीमत पर। भ्रामक चार्ट और इन्फोग्राफिक्स के कई उदाहरण हैं!
|
||||
यहां तक कि यदि एक डेटा वैज्ञानिक सही डेटा के लिए सही चार्ट चुनने में सावधान भी हो, तो डेटा को साबित करने के लिए कई तरीके होते हैं जिनमें अक्सर डेटा का ही अपमान होता है। धोखा देने वाले चार्ट और इन्फोग्राफिक्स के कई उदाहरण हैं!
|
||||
|
||||
[](https://www.youtube.com/watch?v=oX74Nge8Wkw "हाउ चार्ट्स लाई")
|
||||
[](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
|
||||
|
||||
> 🎥 भ्रामक चार्ट्स पर एक सम्मेलन वार्ता के लिए ऊपर दी गई छवि पर क्लिक करें
|
||||
> 🎥 धोखा देने वाले चार्ट्स पर एक सम्मेलन बातचीत के लिए ऊपर चित्र पर क्लिक करें
|
||||
|
||||
यह चार्ट X अक्ष को उलट देता है ताकि तारीख के आधार पर सच्चाई के विपरीत दिखाया जा सके:
|
||||
यह चार्ट X अक्ष को उलटा करता है ताकि तारीख के आधार पर सच्चाई के विपरीत दिखा सके:
|
||||
|
||||
|
||||
|
||||
|
||||
[यह चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) और भी भ्रामक है, क्योंकि आंखें दाईं ओर खिंचती हैं और यह निष्कर्ष निकालती हैं कि समय के साथ विभिन्न काउंटियों में COVID मामलों में गिरावट आई है। वास्तव में, यदि आप तारीखों को ध्यान से देखें, तो आप पाएंगे कि उन्हें इस भ्रामक गिरावट प्रवृत्ति को दिखाने के लिए पुनर्व्यवस्थित किया गया है।
|
||||
[यह चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) और भी अधिक धोखाधड़ीपूर्ण है, क्योंकि आंखें दाहिनी तरफ आकर्षित होती हैं और निष्कर्ष निकालती हैं कि समय के साथ, विभिन्न काउंटियों में COVID मामलों में कमी आई है। वास्तव में, यदि आप तिथियों को ध्यान से देखें, तो आप पाएंगे कि उन्हें धोखा देने वाली नीचे की ओर प्रवृत्ति दिखाने के लिए पुन: व्यवस्थित किया गया है।
|
||||
|
||||
|
||||
|
||||
|
||||
यह कुख्यात उदाहरण रंग और एक उलटे Y अक्ष का उपयोग करके धोखा देता है: बंदूक-अनुकूल कानून पारित होने के बाद बंदूक से होने वाली मौतों में वृद्धि के बजाय, आंखें यह सोचने के लिए मूर्ख बनती हैं कि इसके विपरीत सच है:
|
||||
यह कुख्यात उदाहरण रंग और एक उल्टा Y अक्ष का उपयोग करता है धोखा देने के लिए: बंदूक-समर्थक कानून की पारित होने के बाद बंदूक मौतों में वृद्धि के बजाय, आंख को धोखा दिया गया है कि इसके विपरीत सच है:
|
||||
|
||||
|
||||
|
||||
|
||||
यह अजीब चार्ट दिखाता है कि अनुपात को कैसे हास्यास्पद प्रभाव के लिए हेरफेर किया जा सकता है:
|
||||
यह विचित्र चार्ट दिखाता है कि अनुपात को कैसे हँसोड़ प्रभाव के लिए चालाकी से बदला जा सकता है:
|
||||
|
||||
|
||||
|
||||
|
||||
अतुलनीय की तुलना करना एक और संदिग्ध चाल है। 'स्प्यूरियस कोरिलेशन' नामक एक [शानदार वेबसाइट](https://tylervigen.com/spurious-correlations) है, जो 'तथ्यों' को दिखाती है, जैसे कि मेन में तलाक की दर और मार्जरीन की खपत। एक Reddit समूह भी डेटा के [खराब उपयोग](https://www.reddit.com/r/dataisugly/top/?t=all) को एकत्र करता है।
|
||||
अतुलनीय की तुलना करना एक और संदिग्ध चाल है। एक [शानदार वेबसाइट](https://tylervigen.com/spurious-correlations) 'स्प्यूरियस करिलेशन' के बारे में है जो तथ्य दिखाती है जैसे मेन में तलाक की दर और मार्जरीन की खपत। एक Reddit समूह भी डेटा के [बदसूरत प्रयोगों](https://www.reddit.com/r/dataisugly/top/?t=all) को संकलित करता है।
|
||||
|
||||
यह समझना महत्वपूर्ण है कि भ्रामक चार्ट्स द्वारा आंखों को कितनी आसानी से मूर्ख बनाया जा सकता है। भले ही डेटा वैज्ञानिक का इरादा अच्छा हो, खराब प्रकार के चार्ट का चयन, जैसे कि बहुत अधिक श्रेणियों को दिखाने वाला पाई चार्ट, भ्रामक हो सकता है।
|
||||
यह समझना महत्वपूर्ण है कि धोखाधड़ी करने वाले चार्ट से आंख कितनी आसानी से मूर्ख बन सकती है। हालांकि डेटा वैज्ञानिक का इरादा अच्छा हो, खराब प्रकार के चार्ट जैसे कि बहुत सारी श्रेणियाँ दिखाने वाले पाई चार्ट भी धोखा दे सकते हैं।
|
||||
|
||||
## रंग
|
||||
|
||||
आपने ऊपर 'फ्लोरिडा गन वायलेंस' चार्ट में देखा कि रंग चार्ट्स में एक अतिरिक्त परत का अर्थ प्रदान कर सकता है, खासकर उन चार्ट्स में जो Matplotlib और Seaborn जैसी लाइब्रेरीज़ का उपयोग करके डिज़ाइन नहीं किए गए हैं, जो विभिन्न सत्यापित रंग लाइब्रेरीज़ और पैलेट्स के साथ आते हैं। यदि आप मैन्युअल रूप से चार्ट बना रहे हैं, तो [रंग सिद्धांत](https://colormatters.com/color-and-design/basic-color-theory) का थोड़ा अध्ययन करें।
|
||||
आपने ऊपर 'फ्लोरिडा बंदूक हिंसा' के चार्ट में देखा कि रंग कैसे चार्ट्स को अतिरिक्त अर्थ दे सकता है, खासकर उन चार्ट्स में जो Matplotlib और Seaborn जैसी लाइब्रेरीज का उपयोग नहीं करते जिनमें कई अनुमोदित रंग पुस्तकालय और पैलेट्स आते हैं। यदि आप हाथ से एक चार्ट बना रहे हैं, तो [रंग सिद्धांत](https://colormatters.com/color-and-design/basic-color-theory) का थोड़ा अध्ययन करें।
|
||||
|
||||
> ✅ चार्ट डिज़ाइन करते समय, यह ध्यान रखें कि एक्सेसिबिलिटी विज़ुअलाइज़ेशन का एक महत्वपूर्ण पहलू है। आपके कुछ उपयोगकर्ता रंग-अंधे हो सकते हैं - क्या आपका चार्ट दृष्टिबाधित उपयोगकर्ताओं के लिए अच्छी तरह से प्रदर्शित होता है?
|
||||
> ✅ ध्यान रखें, चार्ट डिजाइन करते समय पहुँच योग्यता विज़ुअलाइज़ेशन का एक महत्वपूर्ण पहलू है। आपके कुछ उपयोगकर्ता रंग अंध हो सकते हैं - क्या आपका चार्ट दृष्टिबाधित उपयोगकर्ताओं के लिए अच्छी तरह दिखता है?
|
||||
|
||||
अपने चार्ट के लिए रंग चुनते समय सावधान रहें, क्योंकि रंग ऐसा अर्थ व्यक्त कर सकता है जिसे आप व्यक्त नहीं करना चाहते। ऊपर 'हाइट' चार्ट में 'पिंक लेडीज़' एक विशिष्ट 'स्त्रीलिंग' अर्थ व्यक्त करती हैं, जो चार्ट की विचित्रता को और बढ़ा देती है।
|
||||
अपने चार्ट के लिए रंग चुनते समय सावधानी बरतें, क्योंकि रंग ऐसा अर्थ प्रदान कर सकता है जो आप अभिप्रेत नहीं करते। ऊपर 'ऊंचाई' चार्ट में 'गुलाबी महिलाएं' स्पष्ट रूप से 'मादा' अर्थ प्रदान करती हैं जो चार्ट की विचित्रता में इज़ाफ़ा करती है।
|
||||
|
||||
हालांकि [रंग का अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) दुनिया के विभिन्न हिस्सों में अलग-अलग हो सकता है और उनके शेड के अनुसार बदल सकता है। सामान्य तौर पर, रंग के अर्थ निम्नलिखित होते हैं:
|
||||
हालांकि [रंग का अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) दुनिया के विभिन्न हिस्सों में अलग हो सकता है, और उनकी छाया के अनुसार अर्थ बदल सकता है। सामान्य रूप से, रंगों का अर्थ निम्नलिखित होता है:
|
||||
|
||||
| रंग | अर्थ |
|
||||
| ------ | ------------------- |
|
||||
| रंग | अर्थ |
|
||||
| ------ | -------------------- |
|
||||
| लाल | शक्ति |
|
||||
| नीला | विश्वास, निष्ठा |
|
||||
| पीला | खुशी, सावधानी |
|
||||
| पीला | खुशी, सावधानी |
|
||||
| हरा | पर्यावरण, भाग्य, ईर्ष्या |
|
||||
| बैंगनी | खुशी |
|
||||
| नारंगी | जीवंतता |
|
||||
| नारंगी | जीवंतता |
|
||||
|
||||
यदि आपको कस्टम रंगों के साथ चार्ट बनाने का कार्य सौंपा गया है, तो सुनिश्चित करें कि आपके चार्ट न केवल एक्सेसिबल हैं, बल्कि आपके द्वारा चुने गए रंग उस अर्थ के साथ मेल खाते हैं जिसे आप व्यक्त करना चाहते हैं।
|
||||
यदि आपको कस्टम रंगों के साथ एक चार्ट बनाने का कार्य दिया गया है, तो सुनिश्चित करें कि आपके चार्ट दोनों सुलभ हों और आपके द्वारा चुना गया रंग उस अर्थ के साथ मेल खाता हो जिसे आप संप्रेषित करना चाहते हैं।
|
||||
|
||||
## पठनीयता के लिए अपने चार्ट को स्टाइल करें
|
||||
|
||||
चार्ट तब तक सार्थक नहीं होते जब तक वे पठनीय न हों! अपने चार्ट की चौड़ाई और ऊंचाई को अपने डेटा के साथ अच्छी तरह से स्केल करने के लिए स्टाइल करने पर विचार करें। यदि एक चर (जैसे सभी 50 राज्य) प्रदर्शित करने की आवश्यकता है, तो उन्हें Y अक्ष पर लंबवत दिखाएं ताकि क्षैतिज रूप से स्क्रॉल करने वाले चार्ट से बचा जा सके।
|
||||
यदि चार्ट पठनीय नहीं हैं तो वे सार्थक नहीं होते! अपने चार्ट की चौड़ाई और ऊँचाई को अपने डेटा के साथ अच्छी तरह से स्केल करने के लिए स्टाइलिंग पर एक पल विचार करें। यदि एक चरों (जैसे सभी 50 राज्यों) को दिखाना है, तो उन्हें संभव हो तो Y अक्ष पर लंबवत दिखाएं ताकि क्षैतिज स्क्रॉलिंग वाला चार्ट बनने से बचा जा सके।
|
||||
|
||||
अपने अक्षों को लेबल करें, यदि आवश्यक हो तो एक लेजेंड प्रदान करें, और डेटा की बेहतर समझ के लिए टूलटिप्स ऑफर करें।
|
||||
अपने अक्षों को लेबल करें, यदि आवश्यक हो तो लेजेंड प्रदान करें, और बेहतर समझ के लिए टूलटिप्स दें।
|
||||
|
||||
यदि आपका डेटा X अक्ष पर टेक्स्टुअल और विस्तृत है, तो बेहतर पठनीयता के लिए टेक्स्ट को कोणीय बना सकते हैं। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D प्लॉटिंग प्रदान करता है, यदि आपका डेटा इसका समर्थन करता है। `mpl_toolkits.mplot3d` का उपयोग करके परिष्कृत डेटा विज़ुअलाइज़ेशन बनाए जा सकते हैं।
|
||||
यदि आपका डेटा X अक्ष पर टेक्स्टुअल और बहुत है, तो बेहतर पठनीयता के लिए पाठ को कोणीय बना सकते हैं। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D प्लॉटिंग प्रदान करता है, यदि आपका डेटा इसे सपोर्ट करता है। `mpl_toolkits.mplot3d` का उपयोग कर जटिल डेटा विज़ुअलाइज़ेशन बनाए जा सकते हैं।
|
||||
|
||||
|
||||
|
||||
|
||||
## एनिमेशन और 3D चार्ट डिस्प्ले
|
||||
|
||||
आज के कुछ बेहतरीन डेटा विज़ुअलाइज़ेशन एनिमेटेड हैं। Shirley Wu ने D3 के साथ अद्भुत विज़ुअलाइज़ेशन बनाए हैं, जैसे '[फिल्म फ्लावर्स](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जहां प्रत्येक फूल एक फिल्म का विज़ुअलाइज़ेशन है। एक और उदाहरण 'बस्ट आउट' है, जो एक इंटरैक्टिव अनुभव है जिसमें विज़ुअलाइज़ेशन, Greensock और D3 का उपयोग किया गया है, और NYC के बेघर समस्या को दिखाने के लिए एक स्क्रॉलीटेलिंग लेख प्रारूप का उपयोग किया गया है।
|
||||
आज के कुछ बेहतरीन डेटा विज़ुअलाइज़ेशन एनिमेटेड होते हैं। Shirley Wu के पास D3 के साथ अद्भुत एनिमेटेड विज़ुअलाइज़ेशन हैं, जैसे '[फिल्म फ्लावर्स](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जहां प्रत्येक फूल एक फिल्म का विज़ुअलाइज़ेशन है। गार्डियन के लिए एक उदाहरण 'bussed out' है, जो विज़ुअलाइज़ेशन को Greensock और D3 के साथ मिलाकर एक इंटरैक्टिव अनुभव प्रदान करता है, जिसमें स्क्रोलटेलिंग लेख प्रारूप है जो दिखाता है कि NYC अपने बेघर समस्या को शहर से बाहर बस द्वारा कैसे संभालता है।
|
||||
|
||||
|
||||
|
||||
|
||||
> "बस्ट आउट: अमेरिका अपने बेघर लोगों को कैसे स्थानांतरित करता है" [द गार्जियन](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) से। विज़ुअलाइज़ेशन Nadieh Bremer और Shirley Wu द्वारा।
|
||||
> "Bussed Out: How America Moves its Homeless" from [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study)। विज़ुअलाइज़ेशन Nadieh Bremer & Shirley Wu द्वारा
|
||||
|
||||
हालांकि यह पाठ इन शक्तिशाली विज़ुअलाइज़ेशन लाइब्रेरीज़ को गहराई से सिखाने के लिए पर्याप्त नहीं है, D3 का उपयोग करके Vue.js ऐप में एक विज़ुअलाइज़ेशन बनाने का प्रयास करें।
|
||||
यह पाठ इन शक्तिशाली विज़ुअलाइज़ेशन लाइब्रेरीज को गहराई से सिखाने के लिए अपर्याप्त है, लेकिन D3 का उपयोग Vue.js ऐप में करें जो "Dangerous Liaisons" पुस्तक का एनिमेटेड सोशल नेटवर्क विज़ुअलाइज़ेशन बनाए।
|
||||
|
||||
> "लेस लिआज़ों डेंजरूज़" एक पत्र-रूपक उपन्यास है, जिसे 1782 में चोडर्लोस डी लाक्लोस द्वारा लिखा गया था। यह फ्रांसीसी अभिजात वर्ग के दो नायक, विकॉम्टे डी वालमोंट और मार्क्विस डी मर्टेइल की कहानी बताता है।
|
||||
> "Les Liaisons Dangereuses" एक पत्रिकात्मक उपन्यास है, या ऐसे उपन्यास जो पत्रों की एक श्रृंखला के रूप में प्रस्तुत होता है। इसे 1782 में Choderlos de Laclos ने लिखा था, जो फ्रांसीसी अभिजात वर्ग के दो प्रतिद्वंद्वी पात्रों, विस्कॉन्टे डी वालमोंट और मार्कीज़े डी मर्टुयिल की दुष्ट, नैतिक रूप से भ्रष्ट सामाजिक चालबाज़ियों की कहानी बताता है। वे अंत में नष्ट हो जाते हैं लेकिन बहुत सामाजिक नुकसान पहुंचाते हैं। उपन्यास को उनके सर्कल के विभिन्न लोगों को लिखे गए पत्रों की श्रृंखला के रूप में खुलासा किया जाता है, जो बदला लेने या केवल मुसीबत पैदा करने के लिए योजनाएं बनाते हैं। इन पत्रों का विज़ुअलाइज़ेशन बनाएं ताकि कथा के प्रमुख नायक दृष्टिगत रूप से पता चल सकें।
|
||||
|
||||
आप एक वेब ऐप पूरा करेंगे जो इस सामाजिक नेटवर्क का एनिमेटेड दृश्य प्रदर्शित करेगा।
|
||||
आप एक वेब ऐप पूर्ण करेंगे जो इस सोशल नेटवर्क का एनिमेटेड दृश्य प्रदर्शित करेगा। यह Vue.js और D3 का उपयोग करके [नेटवर्क का दृश्य](https://github.com/emiliorizzo/vue-d3-network) बनाने के लिए बनाई गई एक लाइब्रेरी का उपयोग करता है। जब ऐप चल रहा हो, तो आप स्क्रीन पर नोड्स को खींच सकते हैं ताकि डेटा को फेरबदल कर सकें।
|
||||
|
||||
|
||||
|
||||
|
||||
## प्रोजेक्ट: D3.js का उपयोग करके एक नेटवर्क दिखाने के लिए चार्ट बनाएं
|
||||
## प्रोजेक्ट: D3.js का उपयोग करके नेटवर्क दिखाने वाला चार्ट बनाएँ
|
||||
|
||||
> इस पाठ फ़ोल्डर में एक `solution` फ़ोल्डर शामिल है जहां आप संदर्भ के लिए पूर्ण प्रोजेक्ट पा सकते हैं।
|
||||
> इस पाठ फ़ोल्डर में एक `solution` फ़ोल्डर शामिल है जहाँ आप पूर्ण परियोजना अपने संदर्भ के लिए पा सकते हैं।
|
||||
|
||||
1. README.md फ़ाइल में दिए गए निर्देशों का पालन करें। सुनिश्चित करें कि आपके सिस्टम पर NPM और Node.js चल रहे हैं।
|
||||
2. `starter/src` फ़ोल्डर खोलें।
|
||||
3. `components/Nodes.vue` में कोड पूरा करें।
|
||||
1. स्टार्टर फ़ोल्डर की रूट में README.md फ़ाइल की निर्देशों का पालन करें। सुनिश्चित करें कि आपके कंप्यूटर पर NPM और Node.js चल रहे हों और अपनी परियोजना की निर्भरताएँ इंस्टॉल करने से पहले।
|
||||
|
||||
अपने ऐप को टर्मिनल से चलाएं (npm run serve) और विज़ुअलाइज़ेशन का आनंद लें!
|
||||
2. `starter/src` फ़ोल्डर खोलें। आप एक `assets` फ़ोल्डर पाएंगे जहाँ उपन्यास के सभी पत्रों का एक .json फ़ाइल है, नंबरित, 'to' और 'from' एनोटेशन के साथ।
|
||||
|
||||
3. `components/Nodes.vue` में कोड पूरा करें ताकि विज़ुअलाइज़ेशन सक्षम हो सके। `createLinks()` नामक मेथड खोजें और नीचे दिए गए नेस्टेड लूप को जोड़ें।
|
||||
|
||||
.json ऑब्जेक्ट के माध्यम से लूप करें ताकि पत्रों के 'to' और 'from' डेटा को पकड़ सकें और `links` ऑब्जेक्ट बनाएँ ताकि विज़ुअलाइज़ेशन लाइब्रेरी इसे उपयोग कर सके:
|
||||
|
||||
```javascript
|
||||
//अक्षरों के माध्यम से लूप करें
|
||||
let f = 0;
|
||||
let t = 0;
|
||||
for (var i = 0; i < letters.length; i++) {
|
||||
for (var j = 0; j < characters.length; j++) {
|
||||
|
||||
if (characters[j] == letters[i].from) {
|
||||
f = j;
|
||||
}
|
||||
if (characters[j] == letters[i].to) {
|
||||
t = j;
|
||||
}
|
||||
}
|
||||
this.links.push({ sid: f, tid: t });
|
||||
}
|
||||
```
|
||||
|
||||
अपने टर्मिनल से अपना ऐप चलाएँ (npm run serve) और विज़ुअलाइज़ेशन का आनंद लें!
|
||||
|
||||
## 🚀 चुनौती
|
||||
|
||||
इंटरनेट पर भ्रामक विज़ुअलाइज़ेशन खोजें। लेखक उपयोगकर्ता को कैसे मूर्ख बनाता है, और क्या यह जानबूझकर किया गया है? विज़ुअलाइज़ेशन को सही करने का प्रयास करें ताकि वे सही दिखें।
|
||||
इंटरनेट की सैर करें और धोखा देने वाले विज़ुअलाइज़ेशन खोजें। लेखक उपयोगकर्ता को कैसे मूर्ख बनाता है, और क्या यह जानबूझकर है? उन विज़ुअलाइज़ेशन को सही करने का प्रयास करें कि वे कैसे दिखने चाहिए।
|
||||
|
||||
## [पाठ-उत्तर क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/25)
|
||||
## [पश्चात-व्याख्यान क्विज़](https://ff-quizzes.netlify.app/en/ds/quiz/25)
|
||||
|
||||
## समीक्षा और स्व-अध्ययन
|
||||
|
||||
भ्रामक डेटा विज़ुअलाइज़ेशन पर पढ़ने के लिए यहां कुछ लेख दिए गए हैं:
|
||||
धोखा देने वाले डेटा विज़ुअलाइज़ेशन के बारे में पढ़ने के लिए यहां कुछ लेख हैं:
|
||||
|
||||
https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
|
||||
|
||||
http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
|
||||
|
||||
ऐतिहासिक संपत्तियों और कलाकृतियों के लिए इन दिलचस्प विज़ुअलाइज़ेशन को देखें:
|
||||
ऐतिहासिक संपत्तियों और कलाकृतियों के लिए ये रोचक विज़ुअलाइज़ेशन देखें:
|
||||
|
||||
https://handbook.pubpub.org/
|
||||
|
||||
यह लेख पढ़ें कि एनिमेशन आपके विज़ुअलाइज़ेशन को कैसे बढ़ा सकता है:
|
||||
देखें कि एनिमेशन आपकी विज़ुअलाइज़ेशन को कैसे बढ़ा सकता है:
|
||||
|
||||
https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
|
||||
|
||||
## असाइनमेंट
|
||||
|
||||
[अपना खुद का कस्टम विज़ुअलाइज़ेशन बनाएं](assignment.md)
|
||||
[अपना कस्टम विज़ुअलाइज़ेशन बनाएं](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**अस्वीकरण**:
|
||||
इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in new issue