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, 5 changes)

Browse Source
pull/787/head
localizeflow[bot] 2 months ago
parent dcb21b0d5f
commit 3fd822008f
5 changed files with 436 additions and 304 deletions
Show Stats Download Patch File Download Diff File

4
translations/hi/.co-op-translator.json
Unescape View File

@ -31,7 +31,7 @@
}, },
"1-Introduction/02-ethics/README.md": { "1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851", "original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:15:02+00:00", "translation_date": "2026-07-02T11:03:49+00:00",
"source_file": "1-Introduction/02-ethics/README.md", "source_file": "1-Introduction/02-ethics/README.md",
"language_code": "hi" "language_code": "hi"
}, },
@ -181,7 +181,7 @@
}, },
"3-Data-Visualization/13-meaningful-visualizations/README.md": { "3-Data-Visualization/13-meaningful-visualizations/README.md": {
"original_hash": "cfb068050337a36e348debaa502a24fa", "original_hash": "cfb068050337a36e348debaa502a24fa",
"translation_date": "2025-09-05T15:00:06+00:00", "translation_date": "2026-07-02T11:04:35+00:00",
"source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md", "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
"language_code": "hi" "language_code": "hi"
}, },

280
translations/hi/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,167 +1,255 @@
# डेटा नैतिकता का परिचय # डेटा एथिक्स का परिचय
|![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा ](../../sketchnotes/02-Ethics.png)| |![ स्केचनोट द्वारा [(@sketchthedocs)](https://sketchthedocs.dev) ](../../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।
![गार्टनर का एआई के लिए हाइप साइकिल - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) ![गार्टनर का हाइप साइकिल फॉर AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
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
![माइक्रोसॉफ्ट में जिम्मेदार एआई](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) 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। ![Microsoft पर Responsible AI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
* [**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 #### 2.1 डेटा स्वामित्व
डेटा संग्रह अक्सर व्यक्तिगत डेटा से संबंधित होता है जो डेटा विषयों की पहचान कर सकता है। [डेटा स्वाम 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।
* क्या जानकारी वास्तविकता को सही ढंग से दर्शाने में _सटीक_ रूप से दर्ज की गई है?
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: यहाँ प्रश्न हैं:
* क्या हमने विविध समूहों और परिस्थितियों के लिए मॉडल की सटीकता का मूल्यांकन किया? * क्या हमने डेटा विषयों का प्रतिनिधि सेट चुना?
* क्या हमने प्रणाली को संभावित नुकसान (जैसे, रूढ़िवादिता) के लिए जांचा? * क्या हमने विभिन्न पक्षपातों के लिए अपने संग्रहित या संरक्षित डेटासेट का परीक्षण किया?
* क्या हम डेटा को संशोधित या मॉडल को पुनः प्रशिक्षित कर सकते हैं ताकि पहचाने गए नुकसान को कम किया जा सके? * 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 #### 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: यहां तलाशने के लिए प्रश्न हैं:
* क्या हम अधूरी या गलत डेटा रिपोर्ट कर रहे हैं? * क्या हम अपूर्ण 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 डेटा को इस तरह प्रदर्शित कर रहे हैं जिससे भ्रामक निष्कर्ष निकलते हों?
* क्या हम परिणामों को हेरफेर करने के लिए चयनात्मक सांख्यिकीय तकनीकों का उपयोग कर रहे हैं? * क्या हम परिणामों को नियंत्रित करने के लिए चयनात्मक सांख्यिकीय तकनीकों का उपयोग कर रहे हैं?
* क्या वैकल्पिक व्याख्याएं हैं जो एक अलग निष्कर्ष प्रदान कर सकती हैं? * क्या वैकल्पिक व्याख्याएं हैं जो अलग निष्कर्ष प्रदान कर सकती हैं?
#### 2.10 स्वतंत्र विकल्प #### 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: यहां तलाशने के लिए प्रश्न हैं:
* क्या उपयोगकर्ता ने उस विकल्प को बनाने के निहितार्थ को समझा? * क्या उपयोगकर्ता को उस विकल्प के प्रभावों की समझ थी?
* क्या उपयोगकर्ता (वैकल्पिक) विकल्पों और प्रत्येक के फायदे और नुकसान से अवगत था? * क्या उपयोगकर्ता (वैकल्पिक) विकल्पों और उनके लाभ एवं हानि के बारे में जागरूक था?
* क्या उपयोगकर्ता स्वचालित या प्रभावित विकल्प को बाद में उलट सकता है? * क्या उपयोगकर्ता बाद में स्वचालित या प्रभावित विकल्प को वापस ले सकता है?
### 3. केस स्टडीज ### 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। | | **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 - [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।| | **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 [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। | | **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। |
| **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।| | **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 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। | | **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 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। | | **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) 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। | | **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: अधिक केस स्टडीज में रुचि है? ये संसाधन देखें:
* [एथिक्स अनरैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगों में नैतिक दुविधाएं। * [Ethics Unwrapped](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। * [Data Science Ethics पाठ्यक्रम](https://www.coursera.org/learn/data-science-ethics#syllabus) - महत्वपूर्ण केस स्टडीज की खोज।
* [जहां चीजें गलत हुई हैं](https://deon.drivendata.org/examples/) - डिऑन चेकलिस्ट के साथ उदाहरण। * [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 ## 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: उदाहरणों में शामिल हैं:
* [ऑक्सफोर्ड म्यूनिख](http://www.code-of-ethics.org/code-of-conduct/) नैतिकता का कोड * [ऑक्सफोर्ड म्यूनिख](http://www.code-of-ethics.org/code-of-conduct/) कोड ऑफ एथिक्स
* [डेटा साइंस एसोसिएशन](http://datascienceassn.org/code-of-conduct.html) आचार संहिता (2013 में बनाया गया) * [डेटा साइंस एसोसिएशन](http://datascienceassn.org/code-of-conduct.html) कोड ऑफ कंडक्ट (2013 में बनाया गया)
* [ACM आचार संहिता और पेशेवर आचरण](https://www.acm.org/code-of-ethics) (1993 से) * [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: उदाहरण 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। * [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 दृष्टिकोण से सूचना प्रबंधन प्रथाओं के लिए सामान्य मार्गदर्शन प्रदान करता 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 का समर्थन करने के लिए AI चिकित्सकों द्वारा बनाया गया। * [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 खुले-समाप्त ढांचा, डिजाइन, कार्यान्वयन, और संगठनात्मक संदर्भों में नैतिक मुद्दों की प्रारंभिक खोज के लिए संरचित। * [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 * [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।
* [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 एआई के सिद्धांत](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn से मुफ्त लर्निंग पाथ।
* [जिम्मेदार AI के सिद्धांत](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn से मुफ्त लर्निंग पथ। * [एथिक्स और डेटा साइंस](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (एम. लॉकिडेस, एच. मेसन आदि)
* [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 से ऑनलाइन कोर्स।
* [डेटा साइंस एथिक्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालय का ऑनलाइन कोर्स। * [एथिक्स अनवैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालय के केस स्टडीज़।
* [एथिक्स अनरैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालय से केस स्टडीज।
# असाइनमेंट # असाइनमेंट
@ -169,5 +257,7 @@
--- ---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**: **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। 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 -->

160
translations/hi/3-Data-Visualization/13-meaningful-visualizations/README.md
Unescape View File

@ -1,151 +1,175 @@
# सार्थक डेटा विज़ुअलाइज़ेशन बनाना # सार्थक विज़ुअलाइज़ेशन बनाना
|![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा ](../../sketchnotes/13-MeaningfulViz.png)| |![ स्केचनोट द्वारा [(@sketchthedocs)](https://sketchthedocs.dev) ](../../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 1. सही चार्ट प्रकार कैसे चुनें
2. भ्रामक चार्टिंग से कैसे बचें 2. धोखाधड़ी करने वाले चार्टिंग से कैसे बचें
3. रंगों के साथ कैसे काम करें 3. रंग का उपयोग कैसे करें
4. अपने चार्ट को पठनीय बनाने के लिए कैसे स्टाइल करें 4. पठनीयता के लिए अपने चार्ट को कैसे स्टाइल करें
5. एनिमेटेड या 3D चार्टिंग समाधान कैसे बनाएं 5. एनिमेटेड या 3D चार्टिंग समाधान कैसे बनाएं
6. एक रचनात्मक विज़ुअलाइज़ेशन 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 ## 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: | | आपको क्या करना है: | आपको इसका उपयोग करना चाहिए: |
| -------------------------- | ------------------------------- | | ------------------------- | ------------------------------ |
| समय के साथ डेटा रुझान दिखाएं | लाइन | | समय के साथ डेटा प्रवृत्तियों को दिखाना | लाइन |
| श्रेणियों की तुलना करें | बार, पाई | | श्रेणियों की तुलना करना | बार, पाई |
| कुल की तुलना करें | पाई, स्टैक्ड बार | | कुलों की तुलना करना | पाई, स्टैक्ड बार |
| संबंध दिखाएं | स्कैटर, लाइन, फेसट, डुअल लाइन | | सम्बन्ध दिखाना | स्कैटर, लाइन, फेसट, ड्यूल लाइन |
| वितरण दिखाएं | स्कैटर, हिस्टोग्राम, बॉक्स | | वितरण दिखाना | स्कैटर, हिस्टोग्राम, बॉक्स |
| अनुपात दिखाएं | पाई, डोनट, वाफल | | 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!
[![अल्बर्टो कैरो द्वारा "हाउ चार्ट्स लाई"](../../../../3-Data-Visualization/13-meaningful-visualizations/images/tornado.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "हाउ चार्ट्स लाई") [![How Charts Lie by Alberto Cairo](../../../../translated_images/hi/tornado.9f42168791208f97.webp)](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:
![खराब चार्ट 1](../../../../3-Data-Visualization/13-meaningful-visualizations/images/bad-chart-1.png) ![bad chart 1](../../../../translated_images/hi/bad-chart-1.93130f495b748bed.webp)
[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।
![खराब चार्ट 2](../../../../3-Data-Visualization/13-meaningful-visualizations/images/bad-chart-2.jpg) ![bad chart 2](../../../../translated_images/hi/bad-chart-2.c20e36dd4e6f617c.webp)
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:
![खराब चार्ट 3](../../../../3-Data-Visualization/13-meaningful-visualizations/images/bad-chart-3.jpg) ![bad chart 3](../../../../translated_images/hi/bad-chart-3.6865d0afac4108d7.webp)
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:
![खराब चार्ट 4](../../../../3-Data-Visualization/13-meaningful-visualizations/images/bad-chart-4.jpg) ![bad chart 4](../../../../translated_images/hi/bad-chart-4.68cfdf4011b45447.webp)
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 ## 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 | | लाल | शक्ति |
| नीला | विश्वास, निष्ठा | | नीला | विश्वास, निष्ठा |
| पीला | खुशी, सावधानी | | पीला | खुशी, सावधानी |
| हरा | पर्यावरण, भाग्य, ईर्ष्या | | हरा | पर्यावरण, भाग्य, ईर्ष्या |
| बैंगनी | खुशी | | 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 ## 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।
![3D प्लॉट्स](../../../../3-Data-Visualization/13-meaningful-visualizations/images/3d.png) ![3d plots](../../../../translated_images/hi/3d.0cec12bcc60f0ce7.webp)
## एनिमेशन और 3D चार्ट डिस्प्ले ## 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](../../../../3-Data-Visualization/13-meaningful-visualizations/images/busing.png) ![busing](../../../../translated_images/hi/busing.7b9e3b41cd4b981c.webp)
> "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।
![लिआज़ों](../../../../3-Data-Visualization/13-meaningful-visualizations/images/liaisons.png) ![liaisons](../../../../translated_images/hi/liaisons.7b440b28f6d07ea4.webp)
## 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। 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।
2. `starter/src` फ़ोल्डर खोलें।
3. `components/Nodes.vue` में कोड पूरा करें।
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 ## 🚀 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 ## 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 https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ 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/ 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 https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
## असाइनमेंट ## असाइनमेंट
[अपना खुद का कस्टम विज़ुअलाइज़ेशन बनाएं](assignment.md) [अपना कस्टम विज़ुअलाइज़ेशन बनाएं](assignment.md)
--- ---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**: **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। 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 -->

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

@ -31,7 +31,7 @@
}, },
"1-Introduction/02-ethics/README.md": { "1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851", "original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:11:22+00:00", "translation_date": "2026-07-02T11:01:55+00:00",
"source_file": "1-Introduction/02-ethics/README.md", "source_file": "1-Introduction/02-ethics/README.md",
"language_code": "ja" "language_code": "ja"
}, },

284
translations/ja/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,4 +1,4 @@
# データ倫理の概要 # データ倫理入門
|![ スケッチノート by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| |![ スケッチノート by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:| |:---:|
@ -6,242 +6,260 @@
--- ---
私たちは、データ化された世界に生きるデータ市民です。 私たちは皆、データ化された世界に生きるデータ市民です。
市場の動向によると、2022年までに大企業の3分の1がオンラインの[マーケットプレイスや取引所](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/)を通じてデータを売買するようになると言われています。**アプリ開発者**として、データ駆動型の洞察やアルゴリズムによる自動化を日常のユーザー体験に統合することが、より簡単かつ安価になります。しかし、AIが広く普及するにつれて、こうしたアルゴリズムが大規模に[武器化](https://www.youtube.com/watch?v=TQHs8SA1qpk)されることで生じる潜在的な害についても理解する必要があります。 市場の動向によると、2022年までに3分の1の大企業がオンラインの[マーケットプレイスおよび取引所](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/)を通じて自社のデータを売買するようになります。<strong>アプリ開発者</strong>として、データ駆動の洞察やアルゴリズム駆動の自動化を日常のユーザー体験に統合することがより簡単かつ安価になります。しかしAIが普及するにつれて、そのようなアルゴリズムの大規模な[兵器化](https://www.youtube.com/watch?v=TQHs8SA1qpk)によって引き起こされる潜在的な害も理解する必要があります。
2025年までに、私たちは[180ゼタバイト](https://www.statista.com/statistics/871513/worldwide-data-created/)以上のデータを生成し消費するようになると予測されています。**データサイエンティスト**にとって、この情報の爆発は個人や行動データへの前例のないアクセスを提供します。その結果、詳細なユーザープロファイルを構築し、意思決定に微妙な影響を与える力を持つことになりますが、これがしばしば[自由選択の錯覚](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/)を助長することがあります。これにより、ユーザーを望ましい結果に誘導することが可能になりますが、データプライバシー、自律性、アルゴリズムの影響の倫理的境界について重要な疑問を提起します。 傾向は、2025年までに私たちは[180ゼタバイト](https://www.statista.com/statistics/871513/worldwide-data-created/)を超えるデータを生成し消費すると示しています。<strong>データサイエンティスト</strong>にとって、この情報の爆発は個人および行動データへの前例のないアクセスを提供します。それにより詳細なユーザープロファイルを構築し、しばしば[自由な選択の錯覚](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/)を助長する方法で意思決定に微妙に影響を与える力を持ちます。これはユーザーを望ましい結果に促すために使われることもありますが、同時にデータプライバシー、自律性、アルゴリズムの影響の倫理的境界について重要な疑問を提起します。
データ倫理は、データサイエンスとエンジニアリングにおける_必要なガードレール_となり、データ駆動型の行動による潜在的な害や予期せぬ結果を最小限に抑えるのに役立ちます。[ガートナーのAIハイプサイクル](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/)は、デジタル倫理、責任あるAI、AIガバナンスに関連するトレンドを、AIの_民主化_と_産業化_を推進する主要なメガトレンドとして特定しています。 データ倫理は現在、データサイエンスとエンジニアリングのための_必要なガードレール_であり、私たちのデータ駆動の行動による潜在的な害や意図しない結果を最小限に抑えるのに役立ちます。[GartnerのAIハイプサイクル](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/)は、デジタル倫理、責任あるAI、AIガバナンスにおける関連トレンドを、大規模なメガトレンドであるAIの_民主化_と_産業化_のキードライバーとして特定しています。
![ガートナーのAIハイプサイクル - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) ![2020年のGartner AIハイプサイクル](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
このレッスンでは、データ倫理の魅力的な分野を探求します。基本的な概念や課題からケーススタディ、ガバナンスのような応用AIの概念まで、データやAIを扱うチームや組織に倫理文化を確立する方法を学びます。 本レッスンでは、データ倫理の魅力的な領域を探究します。基礎概念と課題からケーススタディ、そしてガバナンスなどの応用AI概念まで、データとAIに関わるチームや組織で倫理文化を築くための内容です。
## [講義前のクイズ](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## 基本的な定義
まずは基本的な用語を理解しましょう。
「倫理」という言葉は、[ギリシャ語の "ethikos"](https://en.wikipedia.org/wiki/Ethics)（その語源である "ethos"）に由来し、_性格や道徳的性質_を意味します。 ## [事前講義クイズ](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
**倫理**とは、社会における行動を支配する共有価値観や道徳的原則のことです。倫理は法律ではなく、「正しい vs. 間違っている」という広く受け入れられた規範に基づいています。しかし、倫理的考慮は企業統治の取り組みや政府規制に影響を与え、コンプライアンスのインセンティブを増やすことがあります。 ## 基本定義
**データ倫理**は、_データ、アルゴリズム、およびそれに関連する実践_に関する道徳的問題を「研究し評価する」[新しい倫理の分野](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1)です。ここで、**「データ」**は生成、記録、キュレーション、処理、普及、共有、使用に関連する行動に焦点を当て、**「アルゴリズム」**はAI、エージェント、機械学習、ロボットに焦点を当て、**「実践」**は責任あるイノベーション、プログラミング、ハッキング、倫理コードなどのトピックに焦点を当てます。 まずは基本用語を理解しましょう。
**応用倫理**は、_現実世界の行動、製品、プロセス_の文脈で倫理的問題を積極的に調査し、それらが定義された倫理的価値観に一致するように是正措置を講じる[道徳的考慮の実践的応用](https://en.wikipedia.org/wiki/Applied_ethics)です。 「倫理（ethics）」という言葉は、[ギリシャ語の「ethikos」](https://en.wikipedia.org/wiki/Ethics)（およびその語根「ethos」）に由来し、「性格や道徳的本質」を意味します。
<strong>倫理</strong>とは、社会における私たちの行動を支配する共有価値と道徳原則を指します。倫理は法律に基づくものではなく、「正しい対間違い」とされる広く受け入れられた規範に基づいています。しかし倫理的配慮は、企業統治の施策や遵守を促進するための政府規制に影響を与えることがあります。
<strong>データ倫理</strong>は、「_データ、アルゴリズム、およびそれに対応する慣行_に関連する道徳的問題を研究し評価する」[倫理の新しい分野](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1)です。ここでの<strong>「データ」</strong>は生成、記録、管理、処理、普及、共有、使用に関連する行為を指し、<strong>「アルゴリズム」</strong>はAI、エージェント、機械学習、ロボットに注目し、<strong>「慣行」</strong>は責任あるイノベーション、プログラミング、ハッキング、倫理規範のようなトピックを含みます。
<strong>応用倫理</strong>は、[道徳的考慮の実践的適用](https://en.wikipedia.org/wiki/Applied_ethics)です。これは、_現実の行動、製品、プロセス_の文脈で倫理問題を積極的に調査し、定義された倫理価値に合致し続けるように是正措置を取るプロセスです。
<strong>倫理文化</strong>は、[応用倫理を実行化すること](https://hbr.org/2019/05/how-to-design-an-ethical-organization)に関連し、組織全体で倫理的原則と実践が一貫してスケーラブルに採用されることを確実にします。成功した倫理文化は、組織全体で倫理的原則を定義し、遵守に対して意味のあるインセンティブを提供し、組織のあらゆるレベルで望ましい行動を促進して倫理規範を強化します。
**倫理文化**は、組織全体で倫理的原則と実践が一貫してスケーラブルに採用されるようにするために、応用倫理を[_運用化_](https://hbr.org/2019/05/how-to-design-an-ethical-organization)することです。成功する倫理文化は、組織全体の倫理的原則を定義し、コンプライアンスに対する意味のあるインセンティブを提供し、望ましい行動を奨励し増幅することで、組織のあらゆるレベルで倫理規範を強化します。
## 倫理の概念 ## 倫理の概念
このセクションでは、データ倫理における**共有価値観**（原則）や**倫理的課題**（問題）について議論し、これらの概念を現実世界の文脈で理解するための**ケーススタディ**を探ります。 このセクションでは、<strong>共有価値</strong>（原則）や<strong>倫理的課題</strong>（問題）といったデータ倫理の概念について説明し、これらの概念を実社会の文脈で理解できるように<strong>ケーススタディ</strong>を紹介します。
### 1. 倫理原則 ### 1. 倫理原則
すべてのデータ倫理戦略は、_倫理原則_を定義することから始まります。これは、データとAIプロジェクトにおける許容される行動を記述し、コンプライアンスのある行動を導く「共有価値観」です。これらは個人やチームレベルで定義することができます。しかし、ほとんどの大企業は、企業レベルで定義され、すべてのチームに一貫して適用される_倫理的AI_の使命声明やフレームワークにこれをまとめています。 あらゆるデータ倫理戦略は、受け入れ可能な行動を説明しデータとAIのプロジェクトにおける遵守行動を導く「共有価値」である_倫理原則_を定義することから始まります。これらは個人やチームレベルで定義できますが、多くの大企業はこれを企業レベルで定義し、すべてのチームに一貫して適用される_倫理的AI_のミッションステートメントやフレームワークで概説しています。
**例:** Microsoftの[責任あるAI](https://www.microsoft.com/en-us/ai/responsible-ai)の使命声明は、_「私たちは、人々を第一に考える倫理原則によって推進されるAIの進歩にコミットしています」_と述べており、以下のフレームワークで6つの倫理原則を特定しています。 **例:** Microsoftの[責任あるAI](https://www.microsoft.com/en-us/ai/responsible-ai)のミッションステートメントは、_「私たちは人を第一に置く倫理原則に基づいたAIの進歩にコミットしている」_と述べ、以下の6つの倫理原則を示しています。
![Microsoftの責任あるAI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) ![Microsoftの責任あるAI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
これらの原則を簡単に探ってみましょう。_透明性_と_責任_は他の原則の基盤となる価値観なので、まずそこから始めます： これらの原則を簡単に見ていきましょう。_透明性_と_説明責任_は他の原則の基盤となる価値なので、まずここから始めます。
* [**責任**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、実践者がデータとAIの運用に対して_責任_を持ち、これらの倫理原則に準拠することを保証します。 * [<strong>説明責任</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、実践者に対しデータおよびAIの運用とこれらの倫理原則を遵守する責任を負わせます。
* [**透明性**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、データとAIの行動がユーザーにとって_理解可能_（解釈可能）であり、意思決定の背後にある内容と理由を説明することを保証します。 * [<strong>透明性</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、データやAIの行動がユーザーにとって_理解可能_（解釈可能）であり、判断の背景にある理由が説明されることを保証します。
* [**公平性**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6)は、AIが_すべての人々_を公平に扱い、データやシステムにおける体系的または暗黙的な社会技術的バイアスに対処することに焦点を当てます。 * [<strong>公平性</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6)は、AIが_すべての人_を公平に扱うことに焦点を当て、データやシステムにおける体系的または暗黙の社会技術的偏見を解消します。
* [**信頼性と安全性**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、AIが定義された価値観に_一貫して_従い、潜在的な害や予期せぬ結果を最小限に抑えることを保証します。 * [<strong>信頼性と安全性</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、AIが定義された価値に_一貫して_従い、潜在的な害や意図しない結果を最小限に抑えることを保証します。
* [**プライバシーとセキュリティ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、データの系譜を理解し、ユーザーに_データプライバシーと関連する保護_を提供することに関するものです。 * [<strong>プライバシーとセキュリティ</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、データの由来を把握し、ユーザーに対して_データプライバシーと関連する保護_を提供することに関わります。
* [**包括性**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、意図を持ってAIソリューションを設計し、_幅広い人間のニーズ_と能力に対応するように適応させることに関するものです。 * [<strong>包摂性</strong>](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)は、AIソリューションを意図的に設計し、多様な人間のニーズと能力を満たすよう適応させることを意味します。
> 🚨 あなたのデータ倫理の使命声明はどのようなものになるでしょうか。他の組織の倫理的AIフレームワークを探ってみてください。ここには[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/)の例があります。これらの共有価値観にはどのような共通点がありますか？これらの原則は、それぞれのAI製品や業界にどのように関連していますか？ > 🚨 あなたのデータ倫理ミッションステートメントはどのようなものになりますか？他の組織の倫理的AIフレームワークを調べてみましょう。例えば、[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/)の例があります。これらはどのような共有価値を共通して持っていますか？それらの原則は、彼らが運営するAIプロダクトや業界にどのように関連していますか？
### 2. 倫理的課題 ### 2. 倫理的課題
倫理原則を定義したら、次のステップは、データとAIの行動がこれらの共有価値観に一致しているかどうかを評価することです。行動を_データ収集_と_アルゴリズム設計_の2つのカテゴリーで考えてみましょう。 倫理原則を定義したら、次は自分たちのデータとAIの行動がこれらの共有価値と一致しているかを評価します。行動を「データ収集」と「アルゴリズム設計」の2つのカテゴリで考えてみましょう。
データ収集では、行動はおそらく識別可能な生存個人に関する<strong>個人データ</strong>や個人識別情報(PII)を含みます。これには個人を_総合的に_特定する[多様な非個人データ項目](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en)も含まれます。倫理的課題は、_データプライバシー_、_データ所有権_、および利用者の_インフォームドコンセント_や_知的財産権_などの関連トピックに関わります。
データ収集では、行動は**個人データ**や個人を特定できる情報（PII）を含む可能性があります。これには、個人を_集合的に_特定する[多様な非個人データ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en)が含まれます。倫理的課題は、_データプライバシー_、_データ所有権_、および_インフォームドコンセント_や_知的財産権_などの関連トピックに関連する可能性があります。 アルゴリズム設計では、<strong>データセット収集と管理</strong>、それを用いて現実世界の文脈で結果を予測し意思決定を自動化する<strong>データモデル</strong>の訓練と展開を行います。倫理的課題は意図しない不公平や誤解を招きうる_データセットの偏り_、_データ品質_問題、_不公平性_、_誤表現_といったものに由来します。これらには体系的な問題も含まれます。
アルゴリズム設計では、行動は**データセット**を収集およびキュレーションし、それを使用して**データモデル**をトレーニングおよび展開し、現実世界の文脈で結果を予測したり意思決定を自動化したりすることを含みます。倫理的課題は、_データセットのバイアス_、_データ品質_の問題、_不公平性_、およびアルゴリズムの_誤表現_から生じる可能性があります。これには、体系的な問題も含まれます。 どちらの場合も、倫理的課題は行動が共有価値と衝突する可能性のある領域を示しています。これらの懸念を検出、軽減、最小化、または排除するには、行動に関する道徳的な「イエス／ノー」の質問をし、必要に応じて是正措置を取る必要があります。以下にいくつかの倫理的課題とそれに関わる道徳的質問を見ていきましょう。
どちらの場合も、倫理的課題は、行動が共有価値観と衝突する可能性のある領域を強調します。これらの懸念を検出、緩和、最小化、または排除するためには、行動に関連する道徳的な「はい/いいえ」の質問を行い、必要に応じて是正措置を講じる必要があります。以下に、倫理的課題とそれが提起する道徳的質問をいくつか見てみましょう：
#### 2.1 データ所有権 #### 2.1 データ所有権
データ収集は、データ主体を特定できる個人データを含むことがよくあります。[データ所有権](https://permission.io/blog/data-ownership)は、データの作成、処理、普及に関連する_コントロール_と[_ユーザー権利_](https://permission.io/blog/data-ownership)に関するものです。 データ収集はしばしばデータ主体を特定可能な個人データを伴います。[データ所有権](https://permission.io/blog/data-ownership)は、データの作成、処理、および普及に関する_管理_と[_ユーザー権利_](https://permission.io/blog/data-ownership)に関わります。
道徳的な質問は以下の通りです： 問うべき道徳的な質問は：
* データの所有者は誰ですか？（ユーザーまたは組織） * データの所有者は誰か？（ユーザーか組織か）
* データ主体にはどのような権利がありますか？（例：アクセス、削除、移植性） * データ主体はどのような権利を持つか？（例：アクセス、消去、可搬性）
* 組織にはどのような権利がありますか？（例：悪意のあるユーザーレビューの修正） * 組織はどのような権利を持つか？（例：悪意あるユーザーレビューの修正）
#### 2.2 インフォームドコンセント #### 2.2 インフォームド・コンセント
[インフォームドコンセント](https://legaldictionary.net/informed-consent/)は、ユーザーが目的、潜在的なリスク、代替案を含む関連事実を_完全に理解_した上で、行動（例：データ収集）に同意する行為を定義します。 [インフォームド・コンセント](https://legaldictionary.net/informed-consent/)は、ユーザーが目的、潜在的なリスク、代替案を含む関連情報を十分に理解した上で（データ収集などの）行為に同意する行為を定義します。
ここで探るべき質問は以下の通りです： 検討すべき質問は：
* ユーザー（データ主体）はデータの収集と使用に許可を与えましたか？ * ユーザー（データ主体）はデータの取得と利用の許可を与えたか？
* ユーザーはそのデータが収集された目的を理解しましたか？ * ユーザーはなぜそのデータが取得されたのか理解しているか？
* ユーザーは参加による潜在的なリスクを理解しましたか？ * ユーザーは参加による潜在的リスクを理解しているか？
#### 2.3 知的財産 #### 2.3 知的財産権
[知的財産](https://en.wikipedia.org/wiki/Intellectual_property)は、人間のイニシアチブから生じる無形の創造物であり、個人や企業にとって_経済的価値_を持つ可能性があります。 [知的財産権](https://en.wikipedia.org/wiki/Intellectual_property)は、人間の創造的取り組みによる無形の創作物を指し、それが個人や企業に経済的価値をもたらす場合があります。
ここで探るべき質問は以下の通りです： 検討すべき質問は：
* 収集されたデータはユーザーや企業にとって経済的価値を持っていましたか？ * 収集されたデータはユーザーまたは企業に経済的価値があったか？
* **ユーザー**にはここで知的財産がありますか？ * <strong>ユーザー</strong>は知的財産権を持つか？
* **組織**にはここで知的財産がありますか？ * <strong>組織</strong>は知的財産権を持つか？
* これらの権利が存在する場合、それらをどのように保護していますか？ * これらの権利が存在する場合、それをどのように保護しているか？
#### 2.4 データプライバシー #### 2.4 データプライバシー
[データプライバシー](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/)または情報プライバシーは、個人を特定できる情報に関して、ユーザーのプライバシーを維持し、ユーザーの身元を保護することを指します。 [データプライバシー](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/)または情報プライバシーは、個人識別情報に関してユーザーのプライバシーの保護とユーザーの身元の保護を指します。
ここで探るべき質問は以下の通りです： 検討すべき質問は：
* ユーザーの（個人）データはハッキングや漏洩から保護されていますか？ * ユーザーの（個人）データはハッキングや漏洩から保護されているか？
* ユーザーのデータは許可されたユーザーや文脈にのみアクセス可能ですか？ * ユーザーデータは許可されたユーザーと利用状況のみにアクセス可能か？
* データが共有または普及される際にユーザーの匿名性は維持されていますか？ * データ共有や配布時にユーザーの匿名性は保たれているか？
* 匿名化されたデータセットからユーザーを特定することは可能ですか？ * 匿名化されたデータセットからユーザーの特定は可能か？
#### 2.5 忘れられる権利 #### 2.5 忘れられる権利
[忘れられる権利](https://en.wikipedia.org/wiki/Right_to_be_forgotten)または[削除権](https://www.gdpreu.org/right-to-be-forgotten/)は、ユーザーに追加の個人データ保護を提供します。具体的には、特定の状況下でインターネット検索やその他の場所から個人データの削除または除去を要求する権利をユーザーに与え、過去の行動が彼らに不利に働かないようにするオンラインでの新しいスタートを可能にします。 [忘れられる権利](https://en.wikipedia.org/wiki/Right_to_be_forgotten)または[消去権](https://www.gdpreu.org/right-to-be-forgotten/)は、特定の状況下でインターネット検索や他の場所からの個人データの削除・除去をユーザーが要求できる個人データ保護の追加権利を与えます。過去の行動を理由に不利益を受けずにオンラインで再出発することが可能になります。
ここで探るべき質問は以下の通りです： 検討すべき質問は：
* システムはデータ主体が削除を要求することを許可していますか？ * システムはデータ主体が消去を要求できるか？
* ユーザーの同意の撤回が自動削除を引き起こすべきですか？ * ユーザーの同意撤回が自動的な消去を起動すべきか？
* データは同意なしまたは違法な手段で収集されましたか？ * 同意なし、または違法な手段でデータが収集されたことはないか？
* データプライバシーに関する政府規制に準拠していますか？ * データプライバシーに関する政府規制を遵守しているか？
#### 2.6 データセットのバイアス #### 2.6 データセットの偏り
データセットまたは[収集バイアス](http://researcharticles.com/index.php/bias-in-data-collection-in-research/)は、アルゴリズム開発のために_非代表的な_データのサブセットを選択することで、さまざまなグループに対して結果が不公平になる可能性を生み出します。バイアスの種類には、選択またはサンプリングバイアス、ボランティアバイアス、機器バイアスがあります。 データセットまたは[収集の偏り](http://researcharticles.com/index.php/bias-in-data-collection-in-research/)は、アルゴリズム開発のために_代表性のない_部分集合を選択することで、多様なグループに対する結果の不公平を生み出す可能性があります。偏りの種類には選択バイアス、ボランティアバイアス、計測機器の偏りなどがあります。
ここで探る 検討すべき質問は：
* 情報は現実を正確に反映して記録されていますか？ * 代表的なデータ主体セットを募集したか？
* 収集・管理したデータセットを様々な偏りについてテストしたか？
* 発見された偏りを軽減または除去できるか？
#### 2.8 アルゴリズムの公平性 #### 2.7 データ品質
[データ品質](https://lakefs.io/data-quality-testing/)は、アルゴリズム開発に使用する管理済みデータセットの妥当性を検証し、目的に対して特徴や記録が必要な精度と一貫性を満たしているかどうかを評価します。
[アルゴリズムの公平性](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f)は、アルゴリズム設計が特定のデータ主体のサブグループに対して体系的に差別を行い、_資源の配分_（そのグループに資源が拒否または保留される場合）や_サービスの質_（AIが特定のサブグループに対して他のグループほど正確でない場合）における[潜在的な害](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml)を引き起こしていないかを確認します。 検討すべき質問は：
* ユースケースに有効な_特徴_を収集したか？
* 多様なデータソース間で_一貫した_データ収集が行われたか？
* 多様な条件やシナリオに対してデータセットは_完全_か？
* 現実を正確に反映する情報が_正確に_収集されているか？
#### 2.8 アルゴリズムの公平性
ここで検討すべき質問は以下の通りです： [Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f)は、アルゴリズム設計が特定のデータ主体のサブグループに体系的に差別をもたらし、_割り当て_（そのグループからリソースが拒否または withheld される）や_サービスの品質_（AIがあるサブグループに対して他のグループほど正確でない）に[潜在的な害](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml)を生じさせていないかを確認します。
* 多様なサブグループや条件に対してモデルの精度を評価しましたか？
* システムを潜在的な害（例：ステレオタイプ化）について精査しましたか？
* 特定された害を軽減するためにデータを修正したりモデルを再訓練することは可能ですか？
[AIの公平性チェックリスト](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA)などのリソースを活用してさらに学びましょう。 ここで検討すべき質問は次の通りです：
* 多様なサブグループや条件でモデルの精度を評価しましたか？
* ステレオタイプ化などの潜在的な害がシステムにないか精査しましたか？
* 特定された害を軽減するためにデータ修正やモデル再学習が可能ですか？
#### 2.9 誤表現 [AI Fairnessチェックリスト](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA)などのリソースを活用して詳細を学びましょう。
[データの誤表現](https://www.sciencedirect.com/topics/computer-science/misrepresentation)は、正直に報告されたデータから得られた洞察を、望ましいストーリーを支持するために欺瞞的に伝えていないかを問うものです。 #### 2.9 誤った表現
ここで検討すべき質問は以下の通りです： [Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation)は、意図した物語を支援するために正直に報告されたデータからの洞察を欺瞞的に伝えていないかを問うものです。
* 不完全または不正確なデータを報告していますか？
* 誤解を招く結論を導くような方法でデータを視覚化していますか？
* 結果を操作するために選択的な統計手法を使用していますか？
* 別の結論を提供する可能性のある代替説明がありますか？
#### 2.10 自由選択 ここで検討すべき質問は次の通りです：
* 不完全または誤ったデータを報告していますか？
* 誤解を与える結論を導くようなデータの可視化をしていますか？
* 結果を操作するために選択的な統計手法を使っていますか？
* 別の結論を示す可能性のある代替説明はありますか？
[自由選択の錯覚](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice)は、システムの「選択アーキテクチャ」が意思決定アルゴリズムを使用して、ユーザーに選択肢やコントロールを与えているように見せながら、好ましい結果を取るよう促す場合に発生します。これらの[ダークパターン](https://www.darkpatterns.org/)は、ユーザーに社会的および経済的な害を引き起こす可能性があります。ユーザーの意思決定は行動プロファイルに影響を与え、これらの害の影響を増幅または拡大する可能性があります。 #### 2.10 自由な選択
[Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice)は、システムの「選択アーキテクチャ」が、意思決定アルゴリズムを用いて利用者に選択肢とコントロールを持たせているように見せかけつつ、好ましい結果に誘導する現象です。これらの[ダークパターン](https://www.darkpatterns.org/)は、利用者に社会的および経済的な害をもたらす可能性があります。ユーザーの意思決定は行動プロファイルに影響を与えるため、これらの行動は将来の選択に影響し、害を拡大または延長する可能性があります。
ここで検討すべき質問は以下の通りです： ここで検討すべき質問は次の通りです：
* ユーザーはその選択をすることの意味を理解していましたか？ * ユーザーはその選択の意味を理解していましたか？
* ユーザーは（代替の）選択肢とそれぞれの利点と欠点を認識していましたか？ * ユーザーは（代替の）選択肢とそれぞれの利点と欠点を認識していましたか？
* ユーザーは自動化された選択や影響を受けた選択を後で取り消すことができますか？ * ユーザーは自動化または誘導された選択を後で取り消せますか？
### 3. ケーススタディ ### 3. ケーススタディ
これらの倫理的課題を現実世界の文脈で理解するためには、倫理違反が見過ごされた場合に個人や社会に及ぼす潜在的な害や結果を強調するケーススタディを検討することが役立ちます。 これらの倫理的課題を実際の文脈で理解するためには、倫理違反を見過ごしたときに個人や社会に及ぶ潜在的な害と結果を浮き彫りにするケーススタディを見るのが役立ちます。
以下はその例です： いくつかの例を示します：
| 倫理的課題 | ケーススタディ | | 倫理課題 | ケーススタディ |
|--- |--- | |--- |--- |
| **インフォームドコンセント** | 1972年 - [タスキーギ梅毒研究](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - 研究に参加したアフリカ系アメリカ人男性は無料の医療を約束されましたが、研究者によって診断や治療の利用可能性について知らされずに欺かれました。多くの参加者が死亡し、パートナーや子供にも影響が及びました。この研究は40年間続きました。 | | <strong>インフォームドコンセント</strong> | 1972年 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - 研究に参加したアフリカ系アメリカ人男性は無料の医療を約束されたが、診断結果や治療の有無が被験者に知らせられず欺かれた。多くの被験者が死亡し、パートナーや子供にも影響が及んだ。この調査は40年間続いた。 |
| **データプライバシー** | 2007年 - [Netflixデータ賞](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/)は、研究者に_50Kの顧客からの10Mの匿名化された映画ランキング_を提供し、推薦アルゴリズムを改善するための助けとなりました。しかし、研究者は匿名化されたデータを外部データセット（例：IMDbコメント）と関連付けることで、Netflixの一部の加入者を事実上「匿名解除」することができました。| | <strong>データプライバシー</strong> | 2007年 - [Netflixデータ賞](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/)は、研究者に50,000人の匿名化された映画評価1,000万件を提供し推薦アルゴリズムの改善を助けた。しかし、研究者は匿名化データとIMDbコメントなどの_外部データセット_を照合し、一部のNetflix加入者の匿名性を事実上喪失させた。|
| **収集バイアス** | 2013年 - ボストン市は[Street Bump](https://www.boston.gov/transportation/street-bump)というアプリを開発し、市民が道路の穴を報告できるようにし、市が問題を特定して修正するためのより良い道路データを提供しました。しかし、[低所得層の人々は車や電話へのアクセスが少ない](https://hbr.org/2013/04/the-hidden-biases-in-big-data)ため、このアプリでは彼らの道路問題が見えなくなっていました。開発者は公平性のために_公平なアクセスとデジタル格差_の問題に取り組むために学者と協力しました。 | | <strong>収集バイアス</strong> | 2013年 - ボストン市が[Street Bump](https://www.boston.gov/transportation/street-bump)という市民が道路の穴を報告できるアプリを開発し、より良い道路データを入手した。しかし[低所得層の人々は車や電話のアクセスが限定的](https://hbr.org/2013/04/the-hidden-biases-in-big-data)で、そのグループの道路問題はこのアプリで見えなくなった。開発者は学者と協力し、公平なアクセスとデジタル格差の問題に取り組んだ。 |
| **アルゴリズムの公平性** | 2018年 - MITの[Gender Shades Study](http://gendershades.org/overview.html)は、性別分類AI製品の精度を評価し、女性や有色人種に対する精度のギャップを明らかにしました。[2019年のApple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/)は、男性よりも女性に少ないクレジットを提供しているように見えました。どちらもアルゴリズムバイアスが社会経済的な害を引き起こす問題を示しています。| | <strong>アルゴリズムの公平性</strong> | 2018年 - MITの[Gender Shades Study](http://gendershades.org/overview.html)は性別分類AI製品の精度を評価し、女性や有色人種で精度差を明らかにした。[2019年のApple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/)は女性に男性よりも少ない信用枠を与えていると見られた。両例はアルゴリズムバイアスが社会経済的害を招く問題を示している。|
| **データの誤表現** | 2020年 - [ジョージア州公衆衛生局がCOVID-19のチャートを公開](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening)し、x軸の非時系列順序によって確認されたケースの傾向について市民を誤解させるように見えました。これは視覚化のトリックによる誤表現を示しています。 | | <strong>データの誤表現</strong> | 2020年 - ジョージア州公衆衛生局がリリースしたCOVID-19チャートは、x軸の非時系列順序により確認された症例の傾向について市民を誤解させるものであった。[グラフによる誤表現の例](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening)として挙げられる。 |
| **自由選択の錯覚** | 2020年 - 学習アプリ[ABCmouseがFTCの苦情を解決するために$10Mを支払った](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/)ケースでは、親がキャンセルできないサブスクリプションを支払うように追い込まれました。これは選択アーキテクチャにおけるダークパターンを示しており、ユーザーが潜在的に有害な選択をするよう促されました。 | | <strong>自由な選択の錯覚</strong> | 2020年 - 学習アプリ[ABCmouseがFTCの訴えで1,000万ドル和解](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/)した。親たちは解約できないサブスクリプション料金を支払わされた。これは選択アーキテクチャにおけるダークパターンであり、ユーザーが潜在的に害になる選択に誘導された例である。 |
| **データプライバシーとユーザーの権利** | 2021年 - Facebookの[データ漏洩](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users)では、530Mのユーザーのデータが漏洩し、FTCに$5Bの和解金を支払う結果となりました。しかし、漏洩についてユーザーに通知することを拒否し、データの透明性とアクセスに関するユーザーの権利を侵害しました。 | | <strong>データプライバシーとユーザー権利</strong> | 2021年 - Facebookの[データ漏えい](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users)により5億3,000万人のデータが漏れ、FTCに50億ドルの和解金を支払った。しかし漏えいをユーザーに通知せず、データ透明性とアクセスに関するユーザー権利を侵害した。 |
さらにケーススタディを探したいですか？以下のリソースをチェックしてください： さらなるケーススタディを探索したいですか？以下のリソースをチェックしてください：
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - 多様な業界における倫理的ジレンマ。 * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - 多様な産業での倫理ジレンマ。
* [データサイエンス倫理コース](https://www.coursera.org/learn/data-science-ethics#syllabus) - 重要なケーススタディを探求。 * [Data Science Ethicsコース](https://www.coursera.org/learn/data-science-ethics#syllabus) - 代表的なケーススタディを探求。
* [問題が発生した事例](https://deon.drivendata.org/examples/) - Deonチェックリストと事例。 * [問題が起きた事例](https://deon.drivendata.org/examples/) - deonチェックリストと例。
> 🚨 あなたが見たケーススタディについて考えてみてください。あなた自身が似たような倫理的課題に影響を受けた経験がありますか？このセクションで議論した倫理的課題を示す別のケーススタディを少なくとも1つ考えることができますか？ > 🚨 ご自身が見たケーススタディについて考えてみてください。あなたの人生で似た倫理的課題を経験したり影響を受けたことがありますか？このセクションで議論した倫理課題のいずれかを示す別のケーススタディを少なくとも一つ思い浮かべられますか？
## 応用倫理 ## 応用倫理
倫理の概念、課題、ケーススタディを現実世界の文脈で議論しました。しかし、プロジェクトで倫理的原則や実践を_適用_するにはどうすればよいでしょうか？また、これらの実践をより良いガバナンスのために_運用化_するにはどうすればよいでしょうか？いくつかの現実的な解決策を探ってみましょう： 私たちは倫理の概念、課題、現実のケーススタディについて話してきました。しかし、プロジェクトに倫理原則や実践をどのように適用し始めますか？また、より良いガバナンスのためにこれらの実践をどう運用化しますか？実際の解決策を探りましょう：
### 1. プロフェッショナルコード ### 1. プロフェッショナルコード
プロフェッショナルコードは、組織が倫理的原則やミッションステートメントを支持するようメンバーを「奨励」するための選択肢を提供します。コードはプロフェッショナルな行動のための_道徳的ガイドライン_であり、従業員やメンバーが組織の原則に沿った意思決定を行うのを助けます。これらはメンバーの自主的な遵守に依存しますが、多くの組織はメンバーの遵守を促進するために追加の報酬や罰則を提供しています。 プロフェッショナルコードは、組織がメンバーに倫理原則と使命を支持させる「動機付け」の一つの方法を提供します。コードは専門的行動のための_道徳的ガイドライン_であり、従業員やメンバーが組織の原則に沿った意思決定をするのを助けます。これはメンバーの自主的遵守に依存しますが、多くの組織はメンバーの遵守を促すための追加の報酬や罰則を設けています。
例： 例：
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) 倫理コード
* [データサイエンス協会](http://datascienceassn.org/code-of-conduct.html) 行動規範（2013年作成）
* [ACM 倫理コードとプロフェッショナル行動規範](https://www.acm.org/code-of-ethics)（1993年以降）
> 🚨 あなたはプロフェッショナルなエンジニアリングやデータサイエンスの組織に所属していますか？そのサイトを調べて、プロフェッショナルな倫理コードを定義しているかどうかを確認してください。それは彼らの倫理的原則について何を示していますか？メンバーがコードを遵守するようにどのように「奨励」していますか？ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) 倫理規範
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) 行動規範（2013年制定）
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics)（1993年以降）
> 🚨 あなたはプロのエンジニアリングまたはデータサイエンス組織に所属していますか？彼らのサイトを調べて、プロフェッショナルな倫理規範が定義されているか確認してください。それは彼らの倫理原則について何を言っていますか？メンバーが規範を守るようにどう「動機付け」ていますか？
### 2. 倫理チェックリスト ### 2. 倫理チェックリスト
プロフェッショナルコードは実践者に必要な_倫理的行動_を定義しますが、大規模プロジェクトにおける[実施の限界](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)が知られています。その代わりに、多くのデータサイエンスの専門家は[チェックリスト](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)を提唱しており、これにより原則をより決定論的で実行可能な方法で実践に結びつけることができます。 プロフェッショナルコードは実践者に求められる_倫理的行動_を定義しますが、特に大規模プロジェクトでの執行には[既知の限界](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)があります。代わりに、多くのデータサイエンス専門家は、原則と実践をより決定的かつ実行可能な方法で<strong>結びつける</strong>[チェックリスト](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)を推奨しています。
チェックリストは質問を「はい/いいえ」のタスクに変換し、運用化することができ、標準的な製品リリースワークフローの一部として追跡可能になります。 チェックリストは質問を「はい/いいえ」のタスクに変換し、標準的な製品リリースのワークフローで追跡可能にします。
例： 例：
* [Deon](https://deon.drivendata.org/) - [業界の推奨事項](https://deon.drivendata.org/#checklist-citations)から作成された汎用データ倫理チェックリストで、コマンドラインツールを使用して簡単に統合可能。 * [Deon](https://deon.drivendata.org/) - [業界推奨](https://deon.drivendata.org/#checklist-citations)に基づく一般用途のデータ倫理チェックリストで、コマンドラインツールによる統合が容易。
* [プライバシー監査チェックリスト](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - 法的および社会的な露出の観点から情報処理の一般的なガイダンスを提供。 * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - 法的・社会的リスクの観点から情報取扱慣行の一般的ガイダンス。
* [AIの公平性チェックリスト](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI開発サイクルに公平性チェックを統合するためにAIの専門家によって作成。 * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI実務者が作成した、公平性チェックの導入と統合をサポート。
* [データとAIにおける倫理のための22の質問](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - 設計、実装、組織的な文脈での倫理的問題の初期探索のために構造化されたよりオープンなフレームワーク。 * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - 設計、実装、組織の文脈で倫理問題の初期探究に適したより開かれたフレームワーク。
### 3. 倫理規制 ### 3. 倫理規制
倫理は共有価値を定義し、自発的に正しいことを行うことに関するものです。**コンプライアンス**は、定義されている場合に法律を遵守することに関するものです。**ガバナンス**は、組織が倫理的原則を実施し、確立された法律を遵守する方法全般を指します。 倫理は共有価値を定義し、正しいことを_自主的に_行うことです。<strong>コンプライアンス</strong>は、定められた法律を順守することに関わります。<strong>ガバナンス</strong>は組織が倫理原則を実施し、既存の法律に準拠するための運営全般を指します。
今日、ガバナンスは組織内で2つの形態を取ります。まず、すべてのAI関連プロジェクトにおいて倫理的AI原則を定義し、採用を運用化するための実践を確立することです。次に、組織が運営する地域の政府が定めた**データ保護規制**を遵守することです。 今日、ガバナンスは組織内で二つの形態をとっています。第一に、組織内のすべてのAI関連プロジェクトで<strong>倫理的AI</strong>原則を定義し、その導入を運用化する実践を設けること。第二に、運営地域の対象となるすべての政府規制の<strong>データ保護規制</strong>に準拠することです。
データ保護とプライバシー規制の例： 主なデータ保護・プライバシー規制の例：
* `1974年`、[米国プライバシー法](https://www.justice.gov/opcl/privacy-act-1974) - _連邦政府_による個人情報の収集、使用、開示を規制。 * `1974`年、[米国プライバシー法](https://www.justice.gov/opcl/privacy-act-1974) - 連邦政府による個人情報の収集、利用、開示を規制。
* `1996年`、[米国医療保険の携行性と責任に関する法律（HIPAA）](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - 個人の健康データを保護。 * `1996`年、[米国医療保険の携行性と説明責任に関する法律（HIPAA）](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - 個人の健康データを保護。
* `1998年`、[米国児童オンラインプライバシー保護法（COPPA）](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13歳未満の子供のデータプライバシーを保護。 * `1998`年、[米国児童オンラインプライバシー保護法（COPPA）](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13歳未満の児童のデータプライバシーを保護。
* `2018年`、[一般データ保護規則（GDPR）](https://gdpr-info.eu/) - ユーザーの権利、データ保護、プライバシーを提供。 * `2018`年、[一般データ保護規則（GDPR）](https://gdpr-info.eu/) - ユーザー権利、データ保護、プライバシーを提供。
* `2018年`、[カリフォルニア消費者プライバシー法（CCPA）](https://www.oag.ca.gov/privacy/ccpa) - 消費者に（個人）データに関するより多くの_権利_を提供。 * `2018`年、[カリフォルニア消費者プライバシー法（CCPA）](https://www.oag.ca.gov/privacy/ccpa) - 消費者に個人データに関する多くの_権利_を付与。
* `2021年`、中国の[個人情報保護法](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/)が施行され、世界で最も強力なオンラインデータプライバシー規制の1つを作成。 * `2021`年、中国の[個人情報保護法](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/)が成立し、世界で最も厳しいオンラインデータプライバシー規制の一つを作成。
> 🚨 欧州連合が定義したGDPR（一般データ保護規則）は、今日最も影響力のあるデータプライバシー規制の1つです。また、[8つのユーザー権利](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr)を定義して市民のデジタルプライバシーと個人データを保護していることをご存知ですか？これらが何であるか、そしてなぜ重要なのかを学びましょう。 > 🚨 欧州連合のGDPR（一般データ保護規則）は現在も最も影響力のあるデータプライバシー規制の一つです。それが市民のデジタルプライバシーと個人データを保護する[8つのユーザー権利](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr)も定義していることをご存じでしたか？それらが何か、なぜ重要であるかを学びましょう。
### 4. 倫理文化 ### 4. 倫理文化
_コンプライアンス_（「法律の文言」を満たすために十分なことを行うこと）と[システム的な問題](https://www.coursera.org/learn/data-science-ethics/home/week/4)（硬直化、情報の非対称性、分配の不公平性など）に対処すること（AIの武器化を加速させる可能性がある）との間には、依然として無形のギャップがあります。 「法律の文面」を満たすだけの_コンプライアンス_と、AIの武器化を加速させ得る[システム的問題](https://www.coursera.org/learn/data-science-ethics/home/week/4)（硬直化、情報の非対称性、分配的不公平など）に対処する間には依然として形にしにくいギャップがあります。
後者には、業界内で_組織間_で一貫した共有価値と感情的なつながりを構築する[倫理文化を定義するための協力的アプローチ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f)が必要です。これには、組織内でより[正式化されたデータ倫理文化](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/)を構築することが求められます。これにより、_誰でも_（プロセスの早い段階で倫理的懸念を提起するために）[アンドンコードを引く](https://en.wikipedia.org/wiki/Andon_(manufacturing))ことを可能にし、AIプロジェクトにおけるチーム編成の中核基準として _倫理的評価_（例：採用時）を行うことです。 後者は[組織間で感情的なつながりと一貫した共有価値を築く](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f)、産業全体にまたがる倫理文化を定義する[協働的アプローチ](https://www.coursera.org/learn/data-science-ethics/home/week/4)を必要とします。これには、組織内におけるより[形式化されたデータ倫理文化](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/)の構築が求められます。誰でも[アンドンコード](https://en.wikipedia.org/wiki/Andon_(manufacturing))（プロセス初期で倫理懸念を提起）を引ける環境とし、AIプロジェクトのチーム形成において_倫理評価_（例：採用時の評価）を主要基準にします。
--- ---
## [講義後クイズ](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯 ## [講義後クイズ](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## 復習と自習 ## 復習 & 自習
コースや書籍は、倫理の中核となる概念や課題の理解に役立ちます。また、ケーススタディやツールは、実社会における応用倫理の実践に役立ちます。まずは、以下のリソースをご覧ください。 講座や書籍は主要な倫理概念と課題の理解に役立ち、ケーススタディやツールは現実の文脈での応用倫理実践を支援します。以下は出発点としてのリソースです。
* [初心者向け機械学習](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoftによる公平性に関するレッスン。 * [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoftによる公平性のレッスン。
* [責任あるAIの原則](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learnの無料学習パス。 * [Principles of Responsible AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learnの無料学習パス。
* [倫理とデータサイエンス](https://resources.oreilly.com/examples/0636920203964) - O'Reillyの電子書籍 (M. Loukides, H. Mason 他) * [Ethics and Data Science](https://resources.oreilly.com/examples/0636920203964) - O'Reillyの電子書籍（M. Loukides、H. Mason他）
* [データサイエンス倫理](https://www.coursera.org/learn/data-science-ethics#syllabus) - ミシガン大学によるオンラインコース。 * [Data Science Ethics](https://www.coursera.org/learn/data-science-ethics#syllabus) - ミシガン大学のオンラインコース。
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - テキサス大学によるケーススタディ。 * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - テキサス大学のケーススタディ。
# 課題 # 課題
[データ倫理のケーススタディを書く](assignment.md) [Write A Data Ethics Case Study](assignment.md)
--- ---
**免責事項**: <!-- CO-OP TRANSLATOR DISCLAIMER START -->
この文書は、AI翻訳サービス[Co-op Translator](https://github.com/Azure/co-op-translator)を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があります。元の言語で記載された文書を正式な情報源とみなしてください。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤解について、当社は責任を負いません。 **免責事項**：
本書類は AI 翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を期していますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。原文の原語版が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。本翻訳の利用により生じたいかなる誤解や解釈違いについても、当方は責任を負いかねます。
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
Write Preview
Loading…
Cancel
Save