Mes visi esame duomenų piliečiai, gyvenantys duomenų pasaulyje.
Mes visi esame duomenų piliečiai, gyvenantys duomenų supančiame pasaulyje.
Rinkos tendencijos rodo, kad iki 2022 m. 1 iš 3 didelių organizacijų pirks ir parduos savo duomenis per internetines [rinkas ir mainų platformas](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kaip **programėlių kūrėjai**, mes galėsime lengviau ir pigiau integruoti duomenimis pagrįstas įžvalgas ir algoritmais valdomą automatizaciją į kasdienes vartotojų patirtis. Tačiau, kai dirbtinis intelektas tampa visur paplitęs, turėsime suprasti galimą žalą, kurią gali sukelti tokių algoritmų [panaudojimas kaip ginklas](https://www.youtube.com/watch?v=TQHs8SA1qpk) dideliu mastu.
Rinkos tendencijos sako, kad iki 2022 m. 1 iš 3 didelių organizacijų pirks ir parduos savo duomenis internetu per [turgavietes ir biržas](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kaip **programų kūrėjai** mes lengviau ir pigiau integruosime duomenimis grindžiamas įžvalgas ir algoritmine automatizaciją į kasdienes naudotojų patirtis. Tačiau, kai DI taps visur paplitęs, taip pat turėsime suprasti potencialią žalą, kurią gali sukelti tokių algoritmų [ginklavimas](https://www.youtube.com/watch?v=TQHs8SA1qpk) dideliais mastais.
Tendencijos rodo, kad iki 2025 m. mes generuosime ir naudosime daugiau nei [180 zettabaitų](https://www.statista.com/statistics/871513/worldwide-data-created/) duomenų. **Duomenų mokslininkams** šis informacijos sprogimas suteikia precedento neturinčią prieigą prie asmeninių ir elgsenos duomenų. Tai suteikia galimybę kurti detalius vartotojų profilius ir subtiliai paveikti sprendimų priėmimą—dažnai taip, kad sukuriama [laisvo pasirinkimo iliuzija](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). Nors tai gali būti naudojama vartotojų nukreipimui link pageidaujamų rezultatų, tai taip pat kelia svarbius klausimus apie duomenų privatumą, autonomiją ir etines algoritminės įtakos ribas.
Tendencijos rodo, kad iki 2025 m. generuosime ir naudosime daugiau nei [180 zettabaitų](https://www.statista.com/statistics/871513/worldwide-data-created/) duomenų. **Duomenų mokslininkams** ši informacijos sprogstanti apimtis suteikia precedento neturintį prieinamumą prie asmeninių ir elgsenos duomenų. Kartu tai suteikia galią kurti detalius naudotojų profilius ir subtiliai daryti įtaką sprendimų priėmimui – dažnai tokiu būdu, kuris kuria [laisvos pasirinkimo iliuziją](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). Nors tai galima naudoti nukreipiant naudotojus link pageidaujamų rezultatų, tai taip pat kelia esminių klausimų apie duomenų privatumą, autonomiją ir etinius algoritminės įtakos ribojimus.
Duomenų etika dabar yra _būtinos gairės_ duomenų mokslui ir inžinerijai, padedančios sumažinti galimą žalą ir netyčines pasekmes, kylančias iš mūsų duomenimis pagrįstų veiksmų. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuoja svarbias tendencijas skaitmeninėje etikoje, atsakingame dirbtiniame intelekte ir AI valdyme kaip pagrindinius veiksnius didesnėms megatendencijoms, susijusioms su _demokratizacija_ ir _industrializacija_ AI.
Duomenų etika dabar yra _būtinos saugos priemonės_ duomenų moksle ir inžinerijoje, padedančios sumažinti potencialią žalą ir nepageidaujamas pasekmes mūsų veiksmams, grindžiamiems duomenimis. [Gartner AI Hype ciklas](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) nustato aktualias tendencijas skaitmeninės etikos, atsakingo DI ir DI valdymo srityse kaip pagrindinius varomuosius jėgas platesnėse megatrendų temose apie DI _demokratizavimą_ ir _pramoninimą_.
Šioje pamokoje mes nagrinėsime įdomią duomenų etikos sritį—nuo pagrindinių sąvokų ir iššūkių iki atvejų analizės ir taikomų AI koncepcijų, tokių kaip valdymas, kurios padeda sukurti etikos kultūrą komandose ir organizacijose, dirbančiose su duomenimis ir AI.
Šioje pamokoje nagrinėsime įdomią duomenų etikos sritį – nuo pagrindinių sąvokų ir iššūkių iki atvejų studijų ir taikomosios DI koncepcijų, tokių kaip valdymas, kurie padeda užtikrinti etikos kultūrą komandose ir organizacijose, dirbančiose su duomenimis ir DI.
Pradėkime nuo pagrindinės terminologijos supratimo.
Žodis „etika“ kilęs iš [graikiško žodžio „ethikos“](https://en.wikipedia.org/wiki/Ethics) (ir jo šaknies „ethos“), reiškiančio _charakterį ar moralinę prigimtį_.
Žodis „etika“ kilęs iš [graikiško žodžio „ethikos“](https://en.wikipedia.org/wiki/Ethics) (ir jo šaknies „ethos“), reiškiančio _charakterį arba moralinę prigimtį_.
**Etika** yra apie bendras vertybes ir moralinius principus, kurie reguliuoja mūsų elgesį visuomenėje. Etika grindžiama ne įstatymais, o plačiai priimtomis normomis, kas yra „teisinga vs. neteisinga“. Tačiau etiniai svarstymai gali paveikti įmonių valdymo iniciatyvas ir vyriausybės reglamentus, kurie sukuria daugiau paskatų laikytis taisyklių.
**Etika** reiškia bendrąsias vertybes ir moralinius principus, kurie reguliuoja mūsų elgesį visuomenėje. Etika remiasi ne įstatymais, o plačiai priimtomis normomis apie tai, kas yra „teisinga prieš klaidingą“. Tačiau etiniai svarstymai gali turėti įtakos korporaciniam valdymui ir vyriausybės reglamentams, kurie sukuria daugiau paskatų laikytis reikalavimų.
**Duomenų etika** yra [nauja etikos šaka](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), kuri „tiria ir vertina moralines problemas, susijusias su _duomenimis, algoritmais ir atitinkamomis praktikomis_“. Čia **„duomenys“** orientuojasi į veiksmus, susijusius su generavimu, įrašymu, kuravimu, apdorojimu, sklaida, dalijimusi ir naudojimu, **„algoritmai“** orientuojasi į AI, agentus, mašininį mokymąsi ir robotus, o **„praktikos“** orientuojasi į tokias temas kaip atsakinga inovacija, programavimas, įsilaužimas ir etikos kodeksai.
**Duomenų etika** yra [nauja etikos šaka](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), kuri „tiriama ir vertina moralius klausimus, susijusius su _duomenimis, algoritmais ir susijusiomis praktikomis_“. Čia **„duomenys“** orientuojasi į veiksmus, susijusius su generavimu, registravimu, tvarkymu, apdorojimu, sklaida, dalijimusi ir naudojimu, **„algoritmai“** orientuojasi į DI, agentus, mašininį mokymąsi ir robotus, o **„praktikos“** apima temas, tokias kaip atsakinga inovacija, programavimas, kibernetinės atakos ir etikos kodeksai.
**Taikomoji etika** yra [moralinių svarstymų praktinis taikymas](https://en.wikipedia.org/wiki/Applied_ethics). Tai procesas, kai aktyviai tiriamos etinės problemos realių veiksmų, produktų ir procesų kontekste, ir imamasi korekcinių veiksmų, kad jie išliktų suderinti su apibrėžtomis etinėmis vertybėmis.
**Taikomoji etika** yra [praktinis moralinių svarstymų taikymas](https://en.wikipedia.org/wiki/Applied_ethics). Tai aktyvus etinių problemų tyrimas realaus pasaulio veiksmų, produktų ir procesų kontekste, bei korekcinių priemonių taikymas, kad būtų užtikrinta atitiktis mūsų apibrėžtoms etinėms vertybėms.
**Etikos kultūra** yra apie [_taikomosios etikos operatyvinimą_](https://hbr.org/2019/05/how-to-design-an-ethical-organization), siekiant užtikrinti, kad mūsų etiniai principai ir praktikos būtų nuosekliai ir masteliškai priimtos visoje organizacijoje. Sėkmingos etikos kultūros apibrėžia organizacijos mastu etinius principus, suteikia prasmingas paskatas laikytis taisyklių ir stiprina etikos normas, skatindamos ir amplifikuodamos pageidaujamą elgesį kiekviename organizacijos lygyje.
**Etikos kultūra** reiškia [_taikomosios etikos įgyvendinimą_](https://hbr.org/2019/05/how-to-design-an-ethical-organization), kad užtikrintų, jog mūsų etiniai principai ir praktikos būtų nuosekliai ir masteliniškai taikomi visoje organizacijoje. Sėkmingos etikos kultūros apibrėžia organizacijos lygiu etinius principus, suteikia prasmingų paskatų atitikčiai ir stiprina etikos normas, skatindamos ir stiprindamos pageidaujamą elgesį kiekviename organizacijos lygmenyje.
## Etikos sąvokos
Šiame skyriuje aptarsime tokias sąvokas kaip **bendros vertybės** (principai) ir **etikos iššūkiai** (problemos) duomenų etikoje—bei nagrinėsime **atvejų analizes**, kurios padės suprasti šias sąvokas realiame kontekste.
Šioje skiltyje aptarsime tokias sąvokas kaip **bendros vertybės** (principai) ir **etikiniai iššūkiai** (problemų) duomenų etikos srityje – ir nagrinėsime **atvejų studijas**, kurios padės geriau suprasti šias sąvokas realaus pasaulio kontekstuose.
### 1. Etikos principai
Kiekviena duomenų etikos strategija prasideda nuo _etinių principų_ apibrėžimo—„bendrų vertybių“, kurios apibūdina priimtiną elgesį ir vadovauja veiksmams, atitinkantiems taisykles, mūsų duomenų ir AI projektuose. Juos galite apibrėžti individualiu ar komandos lygiu. Tačiau dauguma didelių organizacijų apibrėžia juos _etinio AI_ misijos pareiškime ar sistemoje, kuri yra apibrėžta korporatyviniu lygiu ir nuosekliai įgyvendinama visose komandose.
Kiekviena duomenų etikos strategija prasideda nuo _etinių principų_ apibrėžimo– „bendrų vertybių“, apibūdinančių priimtinus elgesio modelius ir nurodančių tinkamus veiksmus mūsų duomenų ir DI projektuose. Juos galima apibrėžti individualiai arba komandiniu lygiu. Tačiau dauguma didelių organizacijų juos įtraukia į _atsakingo DI_ misijos pareiškimą arba sistemą, kuri apibrėžta įmonių lygiu ir nuosekliai taikoma visuose skyriuose.
**Pavyzdys:** „Microsoft“ [atsakingo AI](https://www.microsoft.com/en-us/ai/responsible-ai) misijos pareiškimas skamba: _„Mes esame įsipareigoję AI pažangai, grindžiamai etiniais principais, kurie pirmiausia rūpinasi žmonėmis“_—identifikuojant 6 etinius principus žemiau pateiktoje sistemoje:
**Pavyzdys:** Microsoft atsakingo DI misijos pareiškimas skamba taip: _„Mes esame įsipareigoję DI plėtrai, remiantis etiniais principais, kurie pirmiausia rūpinasi žmonėmis“_– identifikuodamas toliau esančiame sistemos apraše 6 etikos principus:
Trumpai aptarkime šiuos principus. _Skaidrumas_ ir _atsakomybė_ yra pagrindinės vertybės, ant kurių statomi kiti principai—pradėkime nuo jų:
Trumpai apžvelkime šiuos principus. _Skaidrumas_ ir _atsekamumas_ yra pamatinės vertybės, ant kurių remiasi kiti principai –pradėkime nuo jų:
* [**Atsakomybė**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) daro praktikantus _atsakingus_ už jų duomenų ir AI operacijas bei atitiktį šiems etiniams principams.
* [**Skaidrumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) užtikrina, kad duomenų ir AI veiksmai būtų _suprantami_ vartotojams, paaiškinant, kas ir kodėl priimami sprendimai.
* [**Teisingumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6)—orientuojasi į tai, kad AI elgtųsi _su visais žmonėmis_ teisingai, sprendžiant bet kokius sisteminius ar implicitinius socialinius-techninius šališkumus duomenyse ir sistemose.
* [**Patikimumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)—užtikrina, kad AI elgtųsi _nuosekliai_ su apibrėžtomis vertybėmis, sumažinant galimą žalą ar netyčines pasekmes.
* [**Privatumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)—yra apie duomenų kilmės supratimą ir _duomenų privatumo bei susijusių apsaugų_ suteikimą vartotojams.
* [**Įtrauktis**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)—yra apie AI sprendimų kūrimą su intencija, pritaikant juos _plačiam žmonių poreikių ir gebėjimų spektrui_.
* [**Atsekamumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) daro praktiką _atsakingą_ už jų duomenų ir DI veiklas bei šių etikos principų laikymąsi.
* [**Skaidrumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) užtikrina, kad duomenų ir DI veiksmai būtų _suprantami_ (aiškiai interpretuojami) naudotojams, paaiškinant sprendimų esmę ir priežastis.
* [**Teisingumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) orientuojasi į DI lygiavertį _visų žmonių_ traktavimą, sprendžiant bet kokias sistemines ar paslėptas socialines-technines šališkumo problemas duomenyse ir sistemose.
* [**Patikimumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) užtikrina, kad DI elgiasi _nuosekliai_ pagal apibrėžtas vertybes, mažinant galimą žalą ar nepageidaujamas pasekmes.
* [**Privatumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) reiškia duomenų kilmės supratimą ir _naudotojų duomenų privatumo bei susijusių apsaugų_ suteikimą.
* [**Įtrauktis**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) reiškia DI sprendimų kūrimą su ketinimu, pritaikant juos įvairiems _žmonių poreikiams ir gebėjimams_.
> 🚨 Pagalvokite, kokia galėtų būti jūsų duomenų etikos misijos pareiškimas. Išnagrinėkite kitų organizacijų etinio AI sistemas—čia yra pavyzdžiai iš [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) ir [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Kokias bendras vertybes jie turi? Kaip šie principai susiję su AI produktu ar pramone, kurioje jie veikia?
> 🚨 Pagalvokite, koks galėtų būti jūsų duomenų etikos misijos pareiškimas. Išnagrinėkite kitų organizacijų atsakingo DI sistemas – štai pavyzdžiai iš [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) ir [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Kokias bendras vertybes jie turi? Kaip šie principai susiję su DI produktu ar pramone, kurioje veikia?
### 2. Etikos iššūkiai
Kai turime apibrėžtus etinius principus, kitas žingsnis yra įvertinti mūsų duomenų ir AI veiksmus, kad pamatytume, ar jie atitinka tas bendras vertybes. Pagalvokite apie savo veiksmus dviejose kategorijose: _duomenų rinkimas_ ir _algoritmų kūrimas_.
Kai turime apibrėžtus etinius principus, kitas žingsnis – įvertinti mūsų duomenų ir DI veiksmus, ar jie atitinka tas bendras vertybes. Galvokite apie savo veiksmus dviem kategorijomis: _duomenų rinkimas_ ir _algoritmų kūrimas_.
Renkant duomenis, veiksmai greičiausiai apims **asmeninius duomenis** arba asmeniškai identifikuojamą informaciją (PII), susijusią su identifikuojamais gyvais asmenimis. Tai apima [įvairius neasmeninių duomenų elementus](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), kurie _kolektyviai_ identifikuoja asmenį. Etikos iššūkiai gali būti susiję su _duomenų privatumu_, _duomenų nuosavybe_ ir susijusiomis temomis, tokiomis kaip _informuotas sutikimas_ ir _intelektinės nuosavybės teisės_ vartotojams.
Duomenų rinkimo atveju veiksmai greičiausiai apims **asmeninius duomenis** arba identifikuojamąjį asmens informaciją (PII) apie įžvelgiamus gyvus asmenis. Tai apima [įvairius neasmeninius duomenis](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), kurie _kartu_ leidžia identifikuoti asmenį. Etiniai iššūkiai gali būti susiję su _duomenų privatumu_, _duomenų savininkyste_ ir susijusiomis temomis, kaip _informed consent_ (informuotas sutikimas) ir _intelektinės nuosavybės teisės_ naudotojams.
Kuriant algoritmus, veiksmai apims **duomenų rinkinių** rinkimą ir kuravimą, o vėliau jų naudojimą **duomenų modelių** mokymui ir diegimui, kurie prognozuoja rezultatus arba automatizuoja sprendimus realiame kontekste. Etikos iššūkiai gali kilti dėl _duomenų rinkinio šališkumo_, _duomenų kokybės_ problemų, _neteisingumo_ ir _klaidingo atvaizdavimo_ algoritmuose—įskaitant kai kurias problemas, kurios yra sisteminio pobūdžio.
Algoritmų kūrimo atveju veiksmai apima **duomenų rinkinių** surinkimą ir tvarkymą, vėliau naudojimą treniruoti ir diegti **duomenų modelius**, kurie prognozuoja rezultatus arba automatizuoja sprendimus realaus pasaulio kontekstuose. Etiniai iššūkiai gali kilti dėl _duomenų rinkinio šališkumo_, _duomenų kokybės_ problemų, _neteisingumo_ ir _klaidingo atstovavimo_ algoritmuose – įskaitant sisteminių pobūdžių problemas.
Abiem atvejais etikos iššūkiai pabrėžia sritis, kuriose mūsų veiksmai gali susidurti su konfliktu su mūsų bendromis vertybėmis. Norėdami aptikti, sumažinti, minimizuoti ar pašalinti šiuos rūpesčius, turime užduoti moralinius „taip/ne“ klausimus, susijusius su mūsų veiksmais, ir prireikus imtis korekcinių veiksmų. Pažvelkime į kai kuriuos etikos iššūkius ir moralinius klausimus, kuriuos jie kelia:
Abiem atvejais etikos iššūkiai rodo sritis, kur mūsų veiksmai gali prieštarauti bendroms vertybėms. Norėdami aptikti, sumažinti ar pašalinti šiuos klausimus, turime užduoti moralinius „taip/ne“ klausimus, susijusius su mūsų veiksmais, ir prireikus imtis korekcinių veiksmų. Pažiūrėkime keletą etikos iššūkių ir moralinių klausimų, kuriuos jie kelia:
#### 2.1 Duomenų nuosavybė
#### 2.1 Duomenų savininkystė
Duomenų rinkimas dažnai apima asmeninius duomenis, kurie gali identifikuoti duomenų subjektus. [Duomenų nuosavybė](https://permission.io/blog/data-ownership) yra apie _kontrolę_ ir [_vartotojų teises_](https://permission.io/blog/data-ownership), susijusias su duomenų kūrimu, apdorojimu ir sklaida.
Duomenų rinkimas dažnai apima asmeninius duomenis, kurie gali identifikuoti duomenų subjektus. [Duomenų savininkystė](https://permission.io/blog/data-ownership) yra susijusi su _kontrole_ ir [_naudotojų teisėmis_](https://permission.io/blog/data-ownership), susijusiomis su duomenų kūrimu, tvarkymu ir sklaida.
Moraliniai klausimai, kuriuos turime užduoti:
* Kas valdo duomenis? (vartotojas ar organizacija)
* Kokias teises turi duomenų subjektai? (pvz., prieiga, ištrynimas, perkeliamumas)
* Kokias teises turi organizacijos? (pvz., pataisyti kenksmingas vartotojų apžvalgas)
Moraliniai klausimai, kuriuos turime užduoti, yra:
* Kas valdo duomenis? (naudotojas ar organizacija)
* Kokias teises turi duomenų subjektai? (pvz.: prieiga, ištrynimas, perkeliamumas)
* Kokias teises turi organizacijos? (pvz.: neteisingų naudotojų atsiliepimų pataisymai)
#### 2.2 Informuotas sutikimas
[Informuotas sutikimas](https://legaldictionary.net/informed-consent/) apibrėžia vartotojų sutikimą veiksmui (pvz., duomenų rinkimui) su _pilnu supratimu_ apie svarbius faktus, įskaitant tikslą, galimą riziką ir alternatyvas.
[Informuotas sutikimas](https://legaldictionary.net/informed-consent/) apibrėžia veiksmą, kai naudotojai sutinka su veiksmu (pvz., duomenų rinkimu) _visiškai suprasdami_ susijusias aplinkybes, įskaitant tikslą, galimas rizikas ir alternatyvas.
Klausimai, kuriuos reikia nagrinėti:
* Ar vartotojas (duomenų subjektas) davė leidimą duomenų rinkimui ir naudojimui?
* Ar vartotojas suprato tikslą, dėl kurio tie duomenys buvo surinkti?
* Ar vartotojas suprato galimą riziką, susijusią su jų dalyvavimu?
Klausimai čia yra:
* Ar naudotojas (duomenų subjektas) leido surinkti ir naudoti duomenis?
* Ar naudotojas suprato, kam tie duomenys surinkti?
* Ar naudotojas suprato galimas rizikas savo dalyvavime?
#### 2.3 Intelektinė nuosavybė
[Intelektinė nuosavybė](https://en.wikipedia.org/wiki/Intellectual_property) reiškia nematerialius kūrinius, atsiradusius iš žmogaus iniciatyvos, kurie gali _turėti ekonominę vertę_ asmenims ar verslui.
[Intelektinė nuosavybė](https://en.wikipedia.org/wiki/Intellectual_property) reiškia nematerialius kūrinius, atsirandančius iš žmogaus iniciatyvos, kurie gali turėti _ekonominę vertę_ asmenims ar verslui.
Klausimai, kuriuos reikia nagrinėti:
* Ar surinkti duomenys turėjo ekonominę vertę vartotojui ar verslui?
* Ar **vartotojas** turi intelektinę nuosavybę čia?
* Ar **organizacija** turi intelektinę nuosavybę čia?
* Jei šios teisės egzistuoja, kaip mes jas saugome?
Klausimai čia yra:
* Ar surinkti duomenys turėjo ekonominę vertę naudotojui ar verslui?
* Ar **naudotojas** turi intelektinę nuosavybę šiuose duomenyse?
* Ar **organizacija** turi intelektinę nuosavybę šiuose duomenyse?
* Jei teisės egzistuoja, kaip mes jas apsaugome?
#### 2.4 Duomenų privatumas
[Duomenų privatumas](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) arba informacijos privatumas reiškia vartotojų privatumo išsaugojimą ir vartotojų tapatybės apsaugą, susijusią su asmeniškai identifikuojama informacija.
Klausimai, kuriuos reikia nagrinėti:
* Ar vartotojų (asmeniniai) duomenys yra apsaugoti nuo įsilaužimų ir nutekėjimų?
* Ar vartotojų duomenys yra prieinami tik įgaliotiems vartotojams ir kontekstams?
* Ar vartotojų anonimiškumas išsaugomas, kai duomenys yra dalijami ar skleidžiami?
* Ar vartotojas gali būti deidentifikuotas iš anonimizuotų duomenų rinkinių?
[Duomenų privatumas](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) arba informacijos privatumą reiškia naudotojo privatumo išlaikymą ir naudotojo tapatybės apsaugą, susijusią su identifikuojamais asmens duomenimis.
Klausimai čia yra:
* Ar naudotojų (asmens) duomenys apsaugoti nuo įsilaužimų ir nutekėjimų?
* Ar naudotojų duomenys prieinami tik autorizuotiems naudotojams ir kontekstams?
* Ar naudotojų anonimiškumas išsaugomas dalijantis ar skleidžiant duomenis?
* Ar naudotojas gali būti identifikuotas iš anonimizuotų duomenų rinkinių?
#### 2.5 Teisė būti pamirštam
[Teisė būti pamirštam](https://en.wikipedia.org/wiki/Right_to_be_forgotten) arba [Teisė į ištrynimą](https://www.gdpreu.org/right-to-be-forgotten/) suteikia papildomą asmeninių duomenų apsaugą vartotojams. Konkrečiai, tai suteikia vartotojams teisę prašyti asmeninių duomenų ištrynimo ar pašalinimo iš interneto paieškų ir kitų vietų, _tam tikromis aplinkybėmis_—leidžiant jiems naują pradžią internete, be praeities veiksmų, kurie būtų laikomi prieš juos.
[Teisė būti pamirštam](https://en.wikipedia.org/wiki/Right_to_be_forgotten) arba [teisė į ištrynimą](https://www.gdpreu.org/right-to-be-forgotten/) pateikia papildomą asmeninių duomenų apsaugą naudotojams. Ji suteikia teisę prašyti asmeninių duomenų ištrynimo ar pašalinimo iš interneto paieškų ir kitų vietų, _tam tikromis aplinkybėmis_– leidžiančią naują pradžią internete be praeities veiksmų neigiamų pasekmių.
Klausimai, kuriuos reikia nagrinėti:
Klausimai čia yra:
* Ar sistema leidžia duomenų subjektams prašyti ištrynimo?
* Ar vartotojo sutikimo atšaukimas turėtų automatiškai sukelti ištrynimą?
* Ar duomenys buvo surinkti be sutikimo ar neteisėtais būdais?
* Ar mes laikomės vyriausybės reglamentų dėl duomenų privatumo?
* Ar naudotojo sutikimo atšaukimas turėtų inicijuoti automatinį ištrynimą?
* Ar duomenys surinkti be sutikimo arba neteisėtais būdais?
* Ar mes atitinkame vyriausybės duomenų privatumo reglamentus?
#### 2.6 Duomenų rinkinio šališkumas
Duomenų rinkinio arba [rinkimo šališkumas](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) reiškia _nereprezentatyvios_ duomenų pogrupio parinkimą algoritmų kūrimui, sukuriant galimą neteisingumą rezultatų grupėse. Šališkumo rūšys apima atrankos arba imties šališkumą, savanorių šališkumą ir įrankių šališkumą.
Klausimai čia yra:
* Ar surinkome reprezentatyvią duomenų subjektų imtį?
* Ar išbandėme mūsų surinktą ar tvarkomą duomenų rinkinį dėl įvairių šališkumų?
* Ar galime sumažinti ar pašalinti rastą šališkumą?
#### 2.6 Duomen
* Ar informacija užfiksuota _tiksliai_ atspindint realybę?
#### 2.7 Duomenų kokybė
#### 2.8 Algoritmų sąžiningumas
[Duomenų kokybė](https://lakefs.io/data-quality-testing/) reiškia paruošto duomenų rinkinio, naudojamo algoritmams kurti, patikimumo patikrinimą, ar savybės ir įrašai atitinka reikalavimus tikslumo ir nuoseklumo požiūriu mūsų DI tikslams.
[Algoritmų sąžiningumas](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) tikrina, ar algoritmų dizainas sistemingai nediskriminuoja tam tikrų duomenų subjektų grupių, sukeldamas [galimą žalą](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) _paskirstymo_ srityje (kai ištekliai atimami ar nesuteikiami tam tikrai grupei) ir _paslaugų kokybės_ srityje (kai dirbtinis intelektas nėra toks tikslus tam tikroms grupėms kaip kitoms).
Klausimai čia yra:
* Ar surinkome galiojančias _savybes_ mūsų naudojimo atvejui?
* Ar duomenys surinkti _nuosekliai_ iš įvairių duomenų šaltinių?
* Ar duomenų rinkinys yra _pilnas_ įvairioms sąlygoms ar scenarijams?
* Ar informacija surinkta _tiksliai_, atspindinti realybę?
#### 2.8 Algoritmų teisingumas
Klausimai, kuriuos verta apsvarstyti:
* Ar įvertinome modelio tikslumą įvairioms grupėms ir sąlygoms?
* Ar išanalizavome sistemą dėl galimos žalos (pvz., stereotipų formavimo)?
* Ar galime peržiūrėti duomenis ar iš naujo apmokyti modelius, kad sumažintume nustatytą žalą?
[Algoritmų teisingumas](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) tikrina, ar algoritmo dizainas sistemingai diskriminuoja tam tikras duomenų subjektų pogrupius, dėl ko gali kilti [galimų žalų](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) _resursų paskirstyme_ (kai resursai yra atimami ar neprieinami tam pogrupiui) ir _paslaugos kokybėje_ (kai DI nėra tokia tiksliai kai kuriems pogrupiams, kaip kitiems).
Susipažinkite su tokiais šaltiniais kaip [AI sąžiningumo kontroliniai sąrašai](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), kad sužinotumėte daugiau.
Štai klausimai, kuriuos čia verta nagrinėti:
* Ar vertinome modelio tikslumą skirtingiems pogrupiams ir sąlygoms?
* Ar sistemą tikrinome dėl galimų žalų (pvz., stereotipavimo)?
* Ar galime atnaujinti duomenis arba išmokyti modelius iš naujo, kad sumažintume nustatytas žalas?
#### 2.9 Netinkamas duomenų pateikimas
Pasidomėkite ištekliais, tokiais kaip [DI teisingumo kontroliniai sąrašai](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), kad sužinotumėte daugiau.
[Netinkamas duomenų pateikimas](https://www.sciencedirect.com/topics/computer-science/misrepresentation) reiškia klausimą, ar mes pateikiame įžvalgas iš sąžiningai surinktų duomenų taip, kad klaidintume ir palaikytume norimą naratyvą.
#### 2.9 Duomenų iškraipymas
Klausimai, kuriuos verta apsvarstyti:
* Ar pateikiame neišsamius ar netikslius duomenis?
* Ar vizualizuojame duomenis taip, kad sukeltume klaidingas išvadas?
* Ar naudojame selektyvius statistinius metodus rezultatams manipuliuoti?
* Ar yra alternatyvių paaiškinimų, kurie galėtų pasiūlyti kitokią išvadą?
[Duomenų iškraipymas](https://www.sciencedirect.com/topics/computer-science/misrepresentation) susijęs su klausimu, ar mes sąžiningai ir teisingai pateikiame įžvalgas, ar klaidinančiai iškreipiame duomenis, kad palaikytume norimą naratyvą.
#### 2.10 Laisvo pasirinkimo iliuzija
Štai klausimai, kuriuos verta nagrinėti:
* Ar mes pateikiame neišsamius ar netikslius duomenis?
* Ar vizualizuojame duomenis taip, kad tai skatintų klaidingas išvadas?
* Ar naudojame atrinktus statistinius metodus rezultatų manipuliavimui?
* Ar yra alternatyvių paaiškinimų, galinčių pasiūlyti kitokią išvadą?
[Laisvo pasirinkimo iliuzija](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) atsiranda, kai sistemos „pasirinkimo architektūros“ naudoja sprendimų priėmimo algoritmus, kad paskatintų žmones priimti pageidaujamą rezultatą, tuo pačiu suteikiant jiems pasirinkimo ir kontrolės iliuziją. Tokie [tamsūs modeliai](https://www.darkpatterns.org/) gali sukelti socialinę ir ekonominę žalą vartotojams. Kadangi vartotojų sprendimai daro įtaką elgesio profiliams, šie veiksmai gali sustiprinti ar pratęsti šios žalos poveikį.
#### 2.10 Laisvos valios iliuzija
Klausimai, kuriuos verta apsvarstyti:
* Ar vartotojas suprato, kokias pasekmes turės jo pasirinkimas?
* Ar vartotojas buvo informuotas apie (alternatyvius) pasirinkimus ir jų privalumus bei trūkumus?
* Ar vartotojas gali atšaukti automatizuotą ar įtakotą pasirinkimą vėliau?
[Laisvos valios iliuzija](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) atsiranda, kai sistemos "pasirinkimų architektūros" naudoja sprendimų priėmimo algoritmus, kad paskatintų žmones priimti pageidaujamą rezultatą, tuo pačiu atrodydamos tarsi suteiktų pasirinkimo laisvę ir kontrolę. Šie [tamsūs modeliai](https://www.darkpatterns.org/) gali sukelti socialinę ir ekonominę žalą vartotojams. Kadangi vartotojų sprendimai veikia elgesio profilius, šie veiksmai gali skatinti ateities sprendimus, kurie stiprina ar pailgina šių žalų poveikį.
### 3. Atvejų analizės
Štai klausimai, kuriuos verta nagrinėti:
* Ar vartotojas suprato, kokias pasekmes turi tie pasirinkimai?
* Ar vartotojas žinojo apie (alternatyvius) pasirinkimus ir jų privalumus bei trūkumus?
* Ar vartotojas gali vėliau atšaukti automatizuotą ar paveiktą sprendimą?
Norint suprasti šiuos etikos iššūkius realiame pasaulyje, naudinga pažvelgti į atvejų analizes, kurios parodo galimą žalą ir pasekmes asmenims bei visuomenei, kai tokie etikos pažeidimai yra ignoruojami.
### 3. Atvejų analizė
Štai keletas pavyzdžių:
Kad geriau suprastume šiuos etikos iššūkius realiame pasaulyje, naudinga pažvelgti į atvejų analizes, kurios išryškina galimas žalas ir pasekmes asmenims bei visuomenei, kai etikos pažeidimai yra nepastebimi.
| Etikos iššūkis | Atvejo analizė |
Pateikiami keli pavyzdžiai:
| Etikos iššūkis | Atvejo analizė |
|--- |--- |
| **Informuotas sutikimas** | 1972 m. - [Tuskegee sifilio tyrimas](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afrikos amerikiečiai vyrai, dalyvavę tyrime, buvo pažadėta nemokama medicininė priežiūra, _bet jie buvo apgauti_ tyrėjų, kurie neinformavo jų apie diagnozę ar gydymo galimybes. Daugelis dalyvių mirė, o jų partneriai ar vaikai buvo paveikti; tyrimas truko 40 metų. |
| **Duomenų privatumas** | 2007 m. - [Netflix duomenų prizas](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) pateikė tyrėjams _10 mln. anonimizuotų filmų įvertinimų iš 50 tūkst. klientų_, siekiant pagerinti rekomendacijų algoritmus. Tačiau tyrėjai sugebėjo susieti anonimizuotus duomenis su asmeniškai identifikuojamais duomenimis iš _išorinių duomenų rinkinių_ (pvz., IMDb komentarų), efektyviai „deanonimizuodami“ kai kuriuos Netflix prenumeratorius.|
| **Surinkimo šališkumas** | 2013 m. - Bostono miestas [sukūrė Street Bump](https://www.boston.gov/transportation/street-bump), programėlę, leidžiančią piliečiams pranešti apie duobes, suteikiant miestui geresnius duomenis apie kelių problemas. Tačiau [žmonės iš mažesnių pajamų grupių turėjo mažiau prieigos prie automobilių ir telefonų](https://hbr.org/2013/04/the-hidden-biases-in-big-data), todėl jų kelių problemos tapo nematomos šioje programėlėje. Kūrėjai dirbo su akademikais, kad spręstų _teisingumo ir skaitmeninės atskirties_ klausimus. |
| **Algoritmų sąžiningumas** | 2018 m. - MIT [Gender Shades tyrimas](http://gendershades.org/overview.html) įvertino lyties klasifikavimo AI produktų tikslumą, atskleidžiant spragas tikslume moterims ir spalvotiems žmonėms. [2019 m. Apple kortelė](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) atrodė, kad siūlo mažiau kredito moterims nei vyrams. Abu atvejai parodė algoritminio šališkumo problemas, sukeliančias socialinę ir ekonominę žalą.|
| **Netinkamas duomenų pateikimas** | 2020 m. - [Džordžijos sveikatos departamentas paskelbė COVID-19 diagramas](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), kurios atrodė klaidinančios piliečius apie patvirtintų atvejų tendencijas, naudojant nechronologinę x ašies tvarką. Tai iliustruoja netinkamą pateikimą per vizualizacijos triukus. |
| **Laisvo pasirinkimo iliuzija** | 2020 m. - Mokymosi programėlė [ABCmouse sumokėjo 10 mln. dolerių, kad išspręstų FTC skundą](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kai tėvai buvo įstrigę mokėti už prenumeratas, kurių negalėjo atšaukti. Tai iliustruoja tamsius modelius pasirinkimo architektūrose, kur vartotojai buvo nukreipti į galimai žalingus pasirinkimus. |
| **Duomenų privatumas ir vartotojų teisės** | 2021 m. - Facebook [duomenų nutekėjimas](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) atskleidė 530 mln. vartotojų duomenis, dėl ko buvo skirta 5 mlrd. dolerių bauda FTC. Tačiau Facebook atsisakė informuoti vartotojus apie nutekėjimą, pažeidžiant vartotojų teises į duomenų skaidrumą ir prieigą. |
| **Informatyvus sutikimas** | 1972 m. - [Tuskegee sifilio tyrimas](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) – afroamerikiečiams vyrams, dalyvavusiems tyrime, buvo pažadėta nemokama medicininė pagalba, tačiau tyrėjai _apgavo_, nes nepateikė informacijos apie diagnozę ir gydymo galimybes. Daug dalyvių mirė, o jų partneriai ar vaikai nukentėjo; tyrimas truko 40 metų. |
| **Duomenų privatumas** | 2007 m. - [Netflix duomenų premija](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) suteikė tyrėjams _10 mln. anonimizuotų filmų įvertinimų iš 50 tūkst. klientų_ rekomendacijų algoritmų gerinimui. Tačiau tyrėjai sugebėjo susieti anonimizuotus duomenis su asmeniškai identifikuojančia informacija _iš išorinių duomenų rinkinių_ (pvz., IMDb komentarų), taip efektyviai "deanonimizuodami" kai kuriuos Netflix abonentus.|
| **Duomenų surinkimo šališkumas** | 2013 m. - Bostono miestas sukūrė programėlę [Street Bump](https://www.boston.gov/transportation/street-bump), leidžiančią gyventojams pranešti apie duobes, taip surenkant geresnius duomenis apie kelių būklę. Tačiau [žmonėms mažesnes pajamas turinčiose grupėse buvo mažiau prieigos prie automobilių ir telefonų](https://hbr.org/2013/04/the-hidden-biases-in-big-data), todėl jų kelių problemos programėje liko nematomos. Kūrėjai bendradarbiavo su akademikais, kad spręstų _teisingo prieinamumo ir skaitmenines atskirtis_. |
| **Algoritminis teisingumas** | 2018 m. - MIT [Gender Shades tyrimas](http://gendershades.org/overview.html) vertino lyties atpažinimo DI produktų tikslumą ir atskleidė spragas tikslume moterims bei spalvotųjų žmonių atžvilgiu. 2019 m. [Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) atrodė suteikianti mažiau kredito moterims nei vyrams. Abu atvejai iliustruoja algoritmų šališkumo problemas, sukeliančias socialines ir ekonomines žalas.|
| **Duomenų iškraipymas** | 2020 m. Gruzijos visuomenės sveikatos departamentas paskelbė COVID-19 diagramas, kurios atrodė klaidinančios dėl nechronologinės tvarkos x ašyje, sukeldamos klaidingą įspūdį apie patvirtintų atvejų tendencijas. Tai iliustruoja iškraipymą naudojant vizualizavimo triukus. |
| **Laisvos valios iliuzija** | 2020 m. Learning app [ABCmouse sumokėjo 10 mln. dolerių, kad išspręstų FTC skundą](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), nes tėvai buvo įkalinti mokėti už prenumeratas, kurių negalėjo atšaukti. Tai iliustruoja tamsius modelius pasirinkimų architektūrose, kai vartotojai buvo skatinami rinktis galimai žalingus sprendimus. |
| **Duomenų privatumas ir vartotojų teisės** | 2021 m. Facebook [duomenų nutekėjimas](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) atskleidė 530 mln. vartotojų duomenis, dėl ko buvo sumokėta 5 mlrd. dolerių bauda FTC. Tačiau vartotojai nebuvo informuoti apie incidentą, pažeidžiant skaidrumo ir prieigos teisę. |
Norite daugiau atvejų analizių? Peržiūrėkite šiuos šaltinius:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etikos dilemos įvairiose pramonės šakose.
* [Duomenų mokslo etikos kursas](https://www.coursera.org/learn/data-science-ethics#syllabus) - svarbiausi atvejų tyrimai.
* [Kur viskas suklydo](https://deon.drivendata.org/examples/) - Deon kontrolinis sąrašas su pavyzdžiais.
Norite sužinoti daugiau atvejų analizės? Pažiūrėkite šiuos išteklius:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) – etikos dilemos įvairiose pramonės šakose.
* [Duomenų mokslo etikos kursas](https://www.coursera.org/learn/data-science-ethics#syllabus) – nagrinėjamos svarbiausios atvejų analizės.
* [Kur kas nors nepavyko](https://deon.drivendata.org/examples/) – Deon kontrolinis sąrašas su pavyzdžiais.
> 🚨 Pagalvokite apie matytus atvejų tyrimus – ar esate patyrę ar buvote paveikti panašaus etikos iššūkio savo gyvenime? Ar galite sugalvoti bent vieną kitą atvejo analizę, kuri iliustruotų vieną iš šiame skyriuje aptartų etikos iššūkių?
> 🚨 Pagalvokite apie atvejus, kuriuos matėte – ar savo gyvenime susidūrėte su panašiu etikos iššūkiu? Ar galite įvardyti bent vieną kitą atvejį, kuris iliustruoja vieną iš šio skyriaus aptartų etikos iššūkių?
## Taikomoji etika
Mes aptarėme etikos sąvokas, iššūkius ir atvejų analizes realiame pasaulyje. Bet kaip pradėti _taikyti_ etikos principus ir praktiką savo projektuose? Ir kaip _operacionalizuoti_ šias praktikas geresniam valdymui? Pažvelkime į keletą realių sprendimų:
Aptarėme etikos sąvokas, iššūkius ir atvejų analizę realaus pasaulio kontekste. Bet kaip pradėti _taikyti_ etikos principus ir praktiką projektuose? Ir kaip _operacionalizuoti_ šias praktikas geresniam valdymui? Pažvelkime į keletą realių sprendimų:
### 1. Profesiniai kodeksai
Profesiniai kodeksai siūlo vieną iš būdų organizacijoms „skatinti“ narius palaikyti jų etikos principus ir misijos pareiškimą. Kodeksai yra _moralinės gairės_ profesiniam elgesiui, padedančios darbuotojams ar nariams priimti sprendimus, atitinkančius jų organizacijos principus. Jie yra veiksmingi tiek, kiek nariai savanoriškai jų laikosi; tačiau daugelis organizacijų siūlo papildomus apdovanojimus ir bausmes, kad paskatintų narius laikytis kodekso.
Profesiniai kodeksai yra viena iš galimybių organizacijoms „skatinti“ savo narius remti jų etikos principus ir misijos deklaraciją. Kodeksai yra _moralinės gairės_ profesiniam elgesiui, padedančios darbuotojams arba nariams priimti sprendimus, atitinkančius organizacijos principus. Jie veiksmingi tik jei nariai savanoriškai jų laikosi; tačiau daugelis organizacijų taiko papildomas paskatas ir sankcijas, kad paskatintų narių laikymąsi.
Pavyzdžiai:
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Etikos kodeksas
* [Duomenų mokslo asociacija](http://datascienceassn.org/code-of-conduct.html) Elgesio kodeksas (sukurtas 2013 m.)
* [ACM Etikos ir profesinio elgesio kodeksas](https://www.acm.org/code-of-ethics) (nuo 1993 m.)
> 🚨 Ar priklausote profesinei inžinerijos ar duomenų mokslo organizacijai? Peržiūrėkite jų svetainę, kad pamatytumėte, ar jie apibrėžia profesinį etikos kodeksą. Ką tai sako apie jų etikos principus? Kaip jie „skatina“ narius laikytis kodekso?
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) etikos kodeksas
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) elgesio kodeksas (sukurtas 2013 m.)
* [ACM etikos ir profesinio elgesio kodeksas](https://www.acm.org/code-of-ethics) (nuo 1993 m.)
> 🚨 Ar priklausote kokiai nors inžinerijos ar duomenų mokslo profesionalų organizacijai? Pažvelkite į jų svetainę, ar jie apibrėžia profesinį etikos kodeksą. Ką šis kodeksas sako apie jų etikos principus? Kaip jie „skatina“ narius jo laikytis?
### 2. Etikos kontroliniai sąrašai
Nors profesiniai kodeksai apibrėžia reikalaujamą _etišką elgesį_ iš praktikų, jie [turi žinomų apribojimų](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) vykdymo srityje, ypač didelio masto projektuose. Vietoj to, daugelis duomenų mokslo ekspertų [rekomenduoja kontrolinius sąrašus](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), kurie gali **susieti principus su praktikomis** labiau deterministiniais ir veiksmais pagrįstais būdais.
Nors profesiniai kodeksai apibrėžia privalomą _etišką elgesį_ praktikams, jie [turi žinomų ribotumų](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) vykdyme, ypač didelio masto projektuose. Vietoje to daugelis duomenų mokslo ekspertų [rekomenduoja kontrolinius sąrašus](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), kurie gali **jungti principus su praktika** deterministiškai ir veiksmingai.
Kontroliniai sąrašai paverčia klausimus „taip/ne“ užduotimis, kurias galima operacionalizuoti, leidžiant jas sekti kaip standartinių produktų išleidimo darbo eigų dalį.
Kontroliniai sąrašai paverčia klausimus „taip/ne“ užduotimis, kurias galima įgyvendinti ir stebėti kaip įprastos produktų leidimo darbo eigą.
Pavyzdžiai:
* [Deon](https://deon.drivendata.org/) - bendros paskirties duomenų etikos kontrolinis sąrašas, sukurtas remiantis [pramonės rekomendacijomis](https://deon.drivendata.org/#checklist-citations) su komandinės eilutės įrankiu lengvam integravimui.
* [Privatumo audito kontrolinis sąrašas](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - pateikia bendras gaires informacijos tvarkymo praktikoms iš teisinės ir socialinės perspektyvos.
* [AI sąžiningumo kontrolinis sąrašas](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - sukurtas AI praktikų, siekiant palaikyti sąžiningumo patikrinimų integraciją į AI kūrimo ciklus.
* [22 klausimai apie etiką duomenyse ir AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - atviresnė sistema, struktūrizuota pradiniam etikos klausimų tyrimui dizaino, įgyvendinimo ir organizaciniuose kontekstuose.
* [Deon](https://deon.drivendata.org/) – bendros paskirties duomenų etikos kontrolinis sąrašas, sukurtas pagal [pramonės rekomendacijas](https://deon.drivendata.org/#checklist-citations), su komandinės eilutės įrankiu integracijai.
* [Privatumo audito kontrolinis sąrašas](https://cyber.harvard.edu/ecommerce/privacyaudit.html) – teikia bendras gaires informacijos tvarkymo praktikoms iš teisinių ir socialinių rizikų perspektyvos.
* [DI teisingumo kontrolinis sąrašas](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) – sukurtas DI specialistų, siekiant paremti teisingumo patikras DI kūrimo cikluose.
* [22 klausimai apie etiką duomenų ir DI srityje](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) – atviresnis rėmimo rinkinys, skirtas pradinei etikos klausimų analizė dizaino, įgyvendinimo ir organizacinėse srityse.
### 3. Etikos reglamentai
Etika yra apie bendrų vertybių apibrėžimą ir teisingų veiksmų atlikimą _savanoriškai_. **Atitiktis** yra apie _įstatymų laikymąsi_, jei ir kur jie yra apibrėžti. **Valdymas** apima visas organizacijų veiklos formas, skirtas etikos principų įgyvendinimui ir nustatytų įstatymų laikymuisi.
Etika susijusi su bendrų vertybių apibrėžimu ir teisingo elgesio vykdymu _savanoriškai_. **Atitiktis** yra _teisės laikymasis_, jei ir kur ji nustatyta. **Valdymas** apima visus būdus, kaip organizacijos veikia, kad užtikrintų etikos principų vykdymą ir laikymąsi galiojančių įstatymų.
Šiandien valdymas organizacijose vyksta dviem formomis. Pirma, tai yra apie **etiško AI** principų apibrėžimą ir praktikų nustatymą, siekiant operacionalizuoti jų taikymą visiems organizacijos AI susijusiems projektams. Antra, tai yra apie visų vyriausybės nustatytų **duomenų apsaugos reglamentų** laikymąsi regionuose, kuriuose organizacija veikia.
Šiandien valdymas organizacijose vykdomas dviem būdais. Pirma, tai etinio DI principų apibrėžimas ir praktikų, užtikrinančių jų taikymą visuose DI projektuose, nustatymas. Antra, tai atitiktis visiems valdžios institucijų nustatytiems **duomenų apsaugos reglamentams** regionuose, kuriuose organizacija veikia.
Duomenų apsaugos ir privatumo reglamentų pavyzdžiai:
* `1974`, [JAV Privatumo aktas](https://www.justice.gov/opcl/privacy-act-1974) - reguliuoja _federalinės vyriausybės_ asmeninės informacijos rinkimą, naudojimą ir atskleidimą.
* `1996`, [JAV Sveikatos draudimo perkeliamumo ir atskaitomybės aktas (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - saugo asmens sveikatos duomenis.
* `1998`, [JAV Vaikų internetinio privatumo apsaugos aktas (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - saugo vaikų iki 13 metų duomenų privatumą.
* `2018`, [Bendrasis duomenų apsaugos reglamentas (GDPR)](https://gdpr-info.eu/) - suteikia vartotojų teises, duomenų apsaugą ir privatumą.
* `2018`, [Kalifornijos vartotojų privatumo aktas (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - suteikia vartotojams daugiau _teisių_ dėl jų (asmeninių) duomenų.
* `2021`, Kinijos [Asmeninės informacijos apsaugos įstatymas](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - vienas stipriausių internetinių duomenų privatumo reglamentų pasaulyje.
> 🚨 Europos Sąjungos apibrėžtas GDPR (Bendrasis duomenų apsaugos reglamentas) išlieka vienu įtakingiausių duomenų privatumo reglamentų šiandien. Ar žinojote, kad jis taip pat apibrėžia [8 vartotojų teises](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr), skirtas apsaugoti piliečių skaitmeninį privatumą ir asmeninius duomenis? Sužinokite, kokios jos yra ir kodėl jos svarbios.
* `1974`, [JAV privatumo įstatymas](https://www.justice.gov/opcl/privacy-act-1974) – reglamentuoja _federalinės vyriausybės_ asmens duomenų rinkimą, naudojimą ir atskleidimą.
* `1996`, [JAV sveikatos draudimo skaidrumo ir atskaitomybės įstatymas (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) – saugo asmens sveikatos duomenis.
* `1998`, [JAV vaikų internetinės privatumo apsaugos įstatymas (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) – saugo vaikų iki 13 metų duomenų privatumą.
* `2018`, [Bendrasis duomenų apsaugos reglamentas (GDPR)](https://gdpr-info.eu/) – suteikia vartotojų teises, duomenų apsaugą ir privatumą.
* `2018`, [Kalifornijos vartotojų privatumo įstatymas (CCPA)](https://www.oag.ca.gov/privacy/ccpa) suteikia vartotojams daugiau _teisų_ dėl jų (asmeninių) duomenų.
* `2021`, Kinijos [Asmeninės informacijos apsaugos įstatymas](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) – neseniai priimtas, sukuriantis vieną griežčiausių interneto duomenų privatumo reglamentų pasaulyje.
> 🚨 Europos Sąjungos apibrėžtas GDPR (Bendrasis duomenų apsaugos reglamentas) yra vienas įtakingiausių šiandienos duomenų privatumo reglamentų. Ar žinojote, kad jis taip pat apibrėžia [8 vartotojų teises](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr), saugančias piliečių skaitmeninį privatumą ir asmeninius duomenis? Sužinokite, kas tai yra ir kodėl tai svarbu.
### 4. Etikos kultūra
Atkreipkite dėmesį, kad išlieka nematomas atotrūkis tarp _atitikties_ (pakankamo veikimo pagal „įstatymo raidę“) ir [sisteminių problemų](https://www.coursera.org/learn/data-science-ethics/home/week/4) sprendimo (pvz., informacijos asimetrijos ir paskirstymo neteisingumo), kurios gali paspartinti AI ginklavimą.
Reiktų pažymėti, kad yra nematoma spraga tarp _atitikties_ (pakanka laikytis „teisės raidės“) ir [_sisteminių problemų_](https://www.coursera.org/learn/data-science-ethics/home/week/4) sprendimo (tokios kaip sustabarėjimas, informacijos asimetrija, paskirstymo neteisybė), kurios gali paspartinti DI ginklavimą.
Pastarieji reikalauja [bendradarbiavimo kuriant etikos kultūrą](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), kuri kuriama remiantis emociniais ryšiais ir nuosekliomis vertybėmis _visose organizacijose_ pramonėje. Tai reikalauja labiau [formalizuotos duomenų etikos kultūros](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) organizacijose – leidžiančios _bet kam_ [pabėgti už Andon virvutės](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (ankstyvam etikos problemų kėlimui) ir padaryti _etinius vertinimus_ (pvz., atrankose) pagrindiniu komandos formavimo kriterijumi DI projektuose.
Kursai ir knygos padeda suprasti pagrindines etikos sąvokas ir iššūkius, o atvejų analizės ir įrankiai padeda taikyti etiką realaus pasaulio kontekste. Štai keletas pradinių išteklių.
Pastarasis reikalauja [bendradarbiavimo metodų etikos kultūrų apibrėžimui](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), kurie kuria emocinius ryšius ir nuoseklias bendras vertybes _visose organizacijose_ pramonėje. Tai reikalauja daugiau [formalizuotų duomenų etikos kultūrų](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) organizacijose
* [Mašininis mokymasis pradedantiesiems](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - pamoka apie sąžiningumą, iš Microsoft.
* [Atsakingo dirbtinio intelekto principai](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - nemokamas mokymosi kelias iš Microsoft Learn.
* [Etika ir duomenų mokslas](https://resources.oreilly.com/examples/0636920203964) - O'Reilly elektroninė knyga (M. Loukides, H. Mason ir kt.)
* [Pradžiamokslis apie mašininį mokymąsi](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) – pamoka apie teisingumą, Microsoft.
* [Atsakingo DI principai](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - nemokamas mokymosi kelias iš Microsoft Learn.
* [Etika ir duomenų mokslas](https://resources.oreilly.com/examples/0636920203964) - O'Reilly el. knyga (M. Loukides, H. Mason ir kt.)
* [Duomenų mokslo etika](https://www.coursera.org/learn/data-science-ethics#syllabus) - internetinis kursas iš Mičigano universiteto.
* [Etika be užuolankų](https://ethicsunwrapped.utexas.edu/case-studies) - atvejų analizės iš Teksaso universiteto.
* [Etika atskleista](https://ethicsunwrapped.utexas.edu/case-studies) - atvejų analizės iš Teksaso universiteto.
# Užduotis
# Užduotis
[Parašykite duomenų etikos atvejo analizę](assignment.md)
---
**Atsakomybės atsisakymas**:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar neteisingus aiškinimus, kylančius dėl šio vertimo naudojimo.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Atsakomybės apribojimas**:
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba laikomas autoritetingu šaltiniu. Svarbiai informacijai rekomenduojama naudoti profesionalų žmogiškąjį vertimą. Mes neatsakome už jokius nesusipratimus ar neteisingą interpretaciją, kilusią naudojantis šiuo vertimu.
**ဥပမာ** - Microsoft ၏ [တာဝန်ယူသော AI](https://www.microsoft.com/en-us/ai/responsible-ai) မက်ဆေ့ချ်မှာ _"လူသျှူးဦးစားပေးသည့် သဘာဝတရားနိယာမများဖြင့် AI တိုးတက်စေမှုအတွက် တာဝန်ယူဆောင်ရွက်နေပါသည်"_ ဟုဖော်ပြပြီး အောက်ပါ ၆ မူဝါဒရှိသည်-
ဆက်လက်ဆဲလျော့ သက်တမ်းကန့်သတ် အတွင်း ထပ်တူညီမျှဖြန့်ဖြူးမှုကို **ဆက်လက်ညီမျှဖြန့်ဖြူးမှု** ဟု ခေါ်သည်။ အဲဒီအတွင်း X သည် l အရှည်ရှိသော ကန့်သတ်တွင် ကျရောက်မှုဖြစ်နိုင်ခြေသည် l နှင့် ဆန့်ကျင်။ ၁ ထိ မြင့်တက်သည်။
Continuous uniform distribution ဟုခေါ်သော uniform distribution ၏ continuous analog ကို အကန့်အသတ် interval တစ်ခုတွင် သတ်မှတ်သည်။ X တန်ဖိုးသည် အကွာအဝေး l တွင် ကျရောက်သော အလားအလာသည် l နှင့် အချိုးကျပြီး 1 အထိ မြင့်တက်သည်။
အရေးပါသော distribution တစ်ခုမှာ **normal distribution** ဖြစ်ပြီး၊ ကျွန်ုပ်တို့သည် အောက်တွင် ပိုမိုအသေးစိတ်ဆွေးနွေးမည်။
1</sub>, ..., X<sub>n</sub> ကို ကျွန်ုပ်တို့၏ distribution မှ ရယူသည်။ Distribution မှ sample တစ်ခုစီကို ရယူတိုင်း၊ mean value μ သည် မတူညီသော တန်ဖိုးတစ်ခုဖြစ်လာမည်ဖြစ်သည်။ ထို့ကြောင့် μ ကို random variable တစ်ခုအဖြစ် သတ်မှတ်နိုင်သည်။ **Confidence interval** သည် confidence p နှင့်အတူ (L<sub>p</sub>, R<sub>p</sub>) တန်ဖိုးစုံဖြစ်ပြီး၊ **P**(L<sub>p</sub> ≤ μ ≤ R<sub>p</sub>) = p ဖြစ်သည်။ အဆိုပါ interval အတွင်း measured mean value ရောက်ရှိနိုင်မည့် probability သည် p နှင့် ညီမျှသည်။
Population ၏ mean μ ကို confidence p ဖြင့် ခန့်မှန်းလိုပါက၊ Student distribution A ၏ *(1-p)/2-th percentile* ကို ရယူရမည်ဖြစ်သည်။ ၎င်းကို tables များမှ ရယူနိုင်သလို၊ statistical software (ဥပမာ Python, R စသည်) ၏ built-in functions များကို အသုံးပြု၍လည်း ရနိုင်သည်။ ထို့နောက် μ အတွက် interval သည် X ± A*D/√n ဖြစ်မည်ဖြစ်သည်။ ဤတွင် X သည် sample ၏ mean ဖြစ်ပြီး၊ D သည် standard deviation ဖြစ်သည်။
Normal distribution အရေးပါမှု၏ အဓိကအကြောင်းအရင်းတစ်ခုမှာ **central limit theorem** ဖြစ်သည်။ N → ∞ ဖြစ်သည့်အခါ၊ mean Σ<sub>i</sub>X<sub>i</sub> သည် μ နှင့် σ<sup>2</sup>/N ဖြင့် normal distribution ဖြစ်လာမည်။
> Central limit theorem ကို အခြားနည်းလမ်းဖြင့် အဓိပ္ပာယ်ဖွင့်ဆိုပါက၊ random variable values များ၏ summation ၏ mean ကို တွက်ချက်သည့်အခါ၊ normal distribution ကိုရရှိမည်ဟု ဆိုနိုင်သည်။
Central limit theorem မှလည်း၊ N → ∞ ဖြစ်သည့်အခါ၊ sample mean သည် μ နှင့် ညီမျှဖြစ်မည့် probability သည် 1 ဖြစ်လာမည်ကို သက်သေပြသည်။ ၎င်းကို **law of large numbers** ဟု ခေါ်သည်။
1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) ၏ [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (အွန်လိုင်းတွင် ရရှိနိုင်သည်)
1. [Peter and Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[sample code in R](https://github.com/andrewgbruce/statistics-for-data-scientists)]
1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[sample code in R](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
1. New York University ၏ [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) က ရေးသားထားသော အထူးသင်ခန်းစာမှတ်တမ်းများ [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (အွန်လိုင်းတွင် ရနိုင်သည်)။
1. [Peter နှင့် Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[R ဖြင့် နမူနာကုဒ်](https://github.com/andrewgbruce/statistics-for-data-scientists)]။
1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[R ဖြင့် နမူနာကုဒ်](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - GitHub-based Python Programming အကျဉ်းချုပ်သင်တန်း
* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Microsoft Learn တွင် Learning Path
* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - GitHub ပေါ်တွင်ရှိသော Python programming အရှုံးအစလေးတို့ကို လျင်မြန်စွာ ရှင်းပြတဲ့ သင်ခန်းစာ
* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) - Microsoft Learn တွင် ရရှိနိုင်သော သင်ခန်းစာလမ်းကြောင်း
* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse)
* [Take your First Steps with Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Learning Path on [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)
[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)
[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)
[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)
[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)
[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)
[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)
[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)
[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)
# ဆက်သွယ်ရေးအကြောင်း အကောင်အထည်ဖော်
[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)
[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)
[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)
[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)
[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)
[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)
[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)
[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)
[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)
[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)
[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)
[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)
[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)
[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)
[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)
[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)
[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)
[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)
[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)
[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)
1. [Azure ML workspace](https://ml.azure.com/) တွင် "Automated ML" ကို left menu တွင် နှိပ်ပြီး upload လုပ်ထားသော dataset ကို ရွေးပါ။ Next ကို နှိပ်ပါ။
* [Data Science in Healthcare](https://data-flair.training/blogs/data-science-in-healthcare/) - medical imaging (ဥပမာ MRI, X-Ray, CT-Scan), genomics (DNA sequencing), drug development (risk assessment, success prediction), predictive analytics (patient care & supply logistics), disease tracking & prevention စသည်တို့ကဲ့သို့သော applications များကို ဖော်ပြထားပါတယ်။
 ပုံရိပ် ချီးမြှင့်မှု: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
 Image Credit: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
* [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) တွင် အတတ်ပညာရေး AI ကို ကြည့်ရှုပါ။
* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) မှ ကျောင်းသား ပရောဂျက်များကို ရှာဖွေပါ။
- [Racial Bias in Police Use of Force](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
- [Reliability of NYC Subway System](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
|](../../sketchnotes/02-Ethics.png)|
|](../../sketchnotes/02-Ethics.png)|
|:---:|
| Етика науки про дані - _Скетчнот від [@nitya](https://twitter.com/nitya)_ |
| Етика науки про дані - _Sketchnote від [@nitya](https://twitter.com/nitya)_ |
---
Ми всі є громадянами світу даних, живучи в епоху, де дані відіграють ключову роль.
Ми всі є громадянами даних, що живуть у світі, переповненому даними.
Ринкові тенденції показують, що до 2022 року кожна третя велика організація буде купувати та продавати свої дані через онлайн [маркетплейси та біржі](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Як **розробники додатків**, ми зможемо легше та дешевше інтегрувати аналітику, засновану на даних, та автоматизацію, керовану алгоритмами, у щоденний досвід користувачів. Але з поширенням штучного інтелекту ми також повинні розуміти потенційні загрози, які можуть виникнути через [використання](https://www.youtube.com/watch?v=TQHs8SA1qpk) таких алгоритмів у масштабах.
Тенденції ринку показують, що до 2022 року кожна третя велика організація купуватиме та продаватиме свої дані через онлайн [маркетплейси та біржі](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Як **розробники додатків**, ми зможемо легше та дешевше інтегрувати інсайти на основі даних та автоматизацію на основі алгоритмів у щоденний користувацький досвід. Але з поширенням ШІ нам також потрібно зрозуміти потенційні шкоди, спричинені [озброєнням](https://www.youtube.com/watch?v=TQHs8SA1qpk) таких алгоритмів у великому масштабі.
Тенденції вказують, що до 2025 року ми будемо генерувати та споживати понад [180 зетабайтів](https://www.statista.com/statistics/871513/worldwide-data-created/) даних. Для **науковців з даних** цей вибух інформації надає безпрецедентний доступ до персональних та поведінкових даних. Це дає можливість створювати детальні профілі користувачів і тонко впливати на прийняття рішень — часто таким чином, що створюється [ілюзія вільного вибору](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). Хоча це може бути використано для стимулювання користувачів до бажаних результатів, це також піднімає важливі питання про конфіденційність даних, автономію та етичні межі впливу алгоритмів.
Тенденції свідчать, що до 2025 року ми згенеруємо та споживатимемо понад [180 зеттабайтів](https://www.statista.com/statistics/871513/worldwide-data-created/) даних. Для **науковців даних** цей вибух інформації надає безпрецедентний доступ до персональних та поведінкових даних. З цим приходить сила створювати детальні профілі користувачів та тонко впливати на прийняття рішень — часто таким чином, що створюється [ілюзія вільного вибору](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). У той час як це може використатися для підштовхування користувачів до бажаних результатів, це також викликає критичні питання про конфіденційність даних, автономію та етичні межі алгоритмічного впливу.
Етика даних тепер є _необхідними обмеженнями_ для науки про дані та інженерії, допомагаючи мінімізувати потенційні загрози та непередбачені наслідки наших дій, заснованих на даних. [Цикл гіперболічного розвитку Gartner для AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) визначає актуальні тенденції в цифровій етиці, відповідальному AI та управлінні AI як ключові рушії для більших мегатрендів навколо _демократизації_ та _індустріалізації_ AI.
Етика даних тепер є _необхідними обмежувачами_ для науки про дані та інженерії, допомагаючи мінімізувати потенційні шкоди та непередбачувані наслідки наших дій, що базуються на даних. [Цикл гіпербол Gartner для ШІ](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) визначає відповідні тенденції в цифровій етиці, відповідальному ШІ та управлінні ШІ як ключові драйвери більших мегатрендів щодо _демократизації_ та _індустріалізації_ ШІ.
У цьому уроці ми дослідимо захоплюючу сферу етики даних — від основних концепцій і викликів до кейсів і прикладних концепцій AI, таких як управління, які допомагають створити культуру етики в командах і організаціях, що працюють з даними та AI.
У цьому уроці ми дослідимо захоплюючу сферу етики даних — від основних понять та викликів до досліджень випадків і застосованих концепцій ШІ, таких як управління, які допомагають встановити культуру етики в командах та організаціях, що працюють з даними та ШІ.
## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## [Попередній тест перед лекцією](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## Основні визначення
Почнемо з розуміння базової термінології.
Почнемо з розуміння основної термінології.
Слово "етика" походить від [грецького слова "ethikos"](https://en.wikipedia.org/wiki/Ethics) (і його кореня "ethos"), що означає _характерабо моральну природу_.
**Етика** стосується спільних цінностей і моральних принципів, які регулюють нашу поведінку в суспільстві. Етика базується не на законах, а на широко прийнятих нормах того, що є "правильним чи неправильним". Однак етичні міркування можуть впливати на ініціативи корпоративного управління та урядові регуляції, які створюють більше стимулів для дотримання.
**Етика** — це про спільні цінності та моральні принципи, які регулюють нашу поведінку у суспільстві. Етика ґрунтується не на законах, а на
широко прийнятих нормах того, що є "правильним і неправильним". Однак етичні міркування можуть впливати на ініціативи корпоративного управління та урядові регуляції, які створюють більше стимулів для дотримання.
**Етика даних** — це [нова галузь етики](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), що "вивчає та оцінює моральні проблеми, пов’язані з _даними, алгоритмами та відповідними практиками_". Тут **"дані"** зосереджуються на діях, пов’язаних зі створенням, записом, кураторством, обробкою, поширенням, обміном та використанням, **"алгоритми"** — це ШІ, агенти, машинне навчання та роботи, а**"практики"** пов’язані з такими темами, як відповідальні інновації, програмування, хакерство та коди етики.
**Етика даних** — це [новий напрямок етики](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), який "вивчає та оцінює моральні проблеми, пов'язані з _даними, алгоритмами та відповідними практиками_". Тут **"дані"** зосереджуються на діях, пов'язаних із генерацією, записом, кураторством, обробкою, поширенням, обміном і використанням; **"алгоритми"** зосереджуються на AI, агентах, машинному навчанні та роботах; а**"практики"** охоплюють такі теми, як відповідальні інновації, програмування, хакінг і кодекси етики.
**Прикладна етика** — це [практичне застосування моральних міркувань](https://en.wikipedia.org/wiki/Applied_ethics). Це процес активного дослідження етичних питань у контексті _реальних дій, продуктів і процесів_ та прийняття коригувальних заходів, щоб переконатися, що вони залишаються узгодженими з нашими визначеними етичними цінностями.
**Прикладна етика** — це [практичне застосування моральних міркувань](https://en.wikipedia.org/wiki/Applied_ethics). Це процес активного дослідження етичних питань у контексті _реальних дій, продуктів і процесів_ та вжиття коригувальних заходів для забезпечення їх відповідності визначеним етичним цінностям.
**Культура етики** — це про [_операціоналізацію_ прикладної етики](https://hbr.org/2019/05/how-to-design-an-ethical-organization), щоб переконатися, що наші етичні принципи та практики впроваджуються послідовно та масштабовано по всій організації. Успішні культури етики визначають загальноорганізаційні етичні принципи, надають значущі стимули для дотримання та посилюють етичні норми, заохочуючи та підсилюючи бажану поведінку на кожному рівні організації.
**Культура етики** — це [_операціоналізація_ прикладної етики](https://hbr.org/2019/05/how-to-design-an-ethical-organization), щоб гарантувати, що наші етичні принципи та практики приймаються послідовно та масштабовано в усій організації. Успішні культури етики визначають загальноорганізаційні етичні принципи, забезпечують значущі стимули для дотримання та підсилюють норми етики, заохочуючи та підсилюючи бажану поведінку на кожному рівні організації.
## Концепції етики
У цьому розділі ми обговоримо такі концепції, як **спільні цінності** (принципи) та **етичні виклики** (проблеми) для етики даних, а також розглянемо **кейс-стадії**, які допоможуть вам зрозуміти ці концепції в реальних контекстах.
У цьому розділі ми розглянемо такі поняття, як **спільні цінності** (принципи) та **етичні виклики** (проблеми) для етики даних — та дослідимо **кейси**, які допоможуть вам зрозуміти ці концепції у реальних контекстах.
### 1. Принципи етики
Кожна стратегія етики даних починається з визначення _етичних принципів_ — "спільних цінностей", які описують прийнятну поведінку та спрямовують дії, що відповідають нормам, у наших проектах з даними та AI. Ви можете визначити їх на індивідуальному або командному рівні. Однак більшість великих організацій формулюють їх у вигляді місії або рамкової програми _етичного AI_, яка визначається на корпоративному рівні та послідовно впроваджується у всіх командах.
Кожна стратегія етики даних починається з визначення _етичних принципів_ — "спільних цінностей", які описують прийнятну поведінку і керують відповідними діями у наших проєктах із даних та ШІ. Ви можете визначити їх на індивідуальному або командному рівні. Однак більшість великих організацій окреслюють їх у місії або рамковому документі з _етичного ШІ_, який визначається на корпоративному рівні і послідовно впроваджується у всі команди.
**Приклад:** Місія [Відповідального AI](https://www.microsoft.com/en-us/ai/responsible-ai) Microsoft звучить так: _"Ми прагнемо до розвитку AI, керованого етичними принципами, які ставлять людей на перше місце"_ — визначаючи 6 етичних принципів у рамковій програмі нижче:
**Приклад:** У Microsoft у місії [Відповідального ШІ](https://www.microsoft.com/en-us/ai/responsible-ai) зазначено: _«Ми прагнемо просування ШІ, керованого етичними принципами, які ставлять людей на перше місце»_ — виділяючи 6 етичних принципів у наведеній нижче структурі:
Давайте коротко розглянемо ці принципи. _Прозорість_і_відповідальність_ є основними цінностями, на яких будуються інші принципи, тому почнемо з них:
Давайте коротко розглянемо ці принципи. _Прозорість_та _відповідальність_ — це базові цінності, на яких побудовані інші принципи, тож почнемо з них:
* [**Відповідальність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) робить практиків _відповідальними_ за їхні операції з даними та AI, а також за дотримання цих етичних принципів.
* [**Прозорість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) забезпечує, щоб дії з даними та AI були_зрозумілими_ (інтерпретованими) для користувачів, пояснюючи, що і чому стоїть за рішеннями.
* [**Справедливість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) — зосереджується на забезпеченні того, щоб AI ставився _до всіх людей_ справедливо, вирішуючи будь-які системні або приховані соціально-технічні упередження в даних і системах.
* [**Надійність і безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — гарантує, що AI поводиться _послідовно_ з визначеними цінностями, мінімізуючи потенційні загрози або непередбачені наслідки.
* [**Конфіденційність і безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — стосується розуміння походження даних і забезпечення _захисту конфіденційності даних_ для користувачів.
* [**Інклюзивність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — це про створення AI-рішень з наміром, адаптуючи їх для задоволення _широкого спектру людських потреб_ і можливостей.
* [**Відповідальність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) робить практиків _відповідальними_ за свої операції з даними та ШІ, а також за дотримання цих етичних принципів.
* [**Прозорість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) забезпечує, що дії з даними та ШІ є_зрозумілими_ (інтерпретованими) для користувачів, пояснюючи що і чому ухвалюється.
* [**Справедливість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) — концентрується на тому, щоб ШІ ставився до _всіх людей_ справедливо, усуваючи будь-які системні або неявні соціотехнічні упередження в даних і системах.
* [**Надійність і безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — забезпечує, що ШІ поводиться _послідовно_ згідно з визначеними цінностями, мінімізуючи потенційні шкоди або небажані наслідки.
* [**Конфіденційність і безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — стосується розуміння походження даних та забезпечення _конфіденційності даних і пов’язаного захисту_ для користувачів.
* [**Інклюзивність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — про цілеспрямоване проєктування рішень ШІ, адаптуючи їх для _широкого спектра людських потреб_ і можливостей.
> 🚨 Подумайте, якою могла б бути ваша місія етики даних. Досліджуйте рамкові програми етичного AI інших організацій — ось приклади від [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) та [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Які спільні цінності вони мають? Як ці принципи пов'язані з продуктом AIабо галуззю, в якій вони працюють?
> 🚨 Подумайте, якою могла б бути ваша місія з етики даних. Дослідіть рамкові документи етичного ШІ інших організацій — ось приклади від [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) та [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Які спільні цінності вони мають? Як ці принципи пов’язані з продуктом ШІабо галуззю, в якій вони працюють?
### 2. Виклики етики
Після того, як ми визначили етичні принципи, наступним кроком є оцінка наших дій з даними та AI, щоб переконатися, що вони відповідають цим спільним цінностям. Подумайте про свої дії у двох категоріях: _збір даних_ та _розробкаалгоритмів_.
Після визначення етичних принципів наступний крок — оцінити наші дії з даними та ШІ, щоб перевірити, чи вони відповідають цим спільним цінностям. Подумайте про свої дії у двох категоріях: _збір даних_ та _проектуванняалгоритмів_.
При зборі даних дії, ймовірно, будуть включати **персональні дані** або персонально ідентифіковану інформацію (PII) для ідентифікованих живих осіб. Це включає [різноманітні елементи неперсональних даних](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), які _колективно_ ідентифікують особу. Етичні виклики можуть стосуватися _конфіденційності даних_, _власності даних_ та пов'язаних тем, таких як_інформована згода_ та _права інтелектуальної власності_ для користувачів.
Під час збору даних дії, ймовірно, будуть пов’язані з **персональними даними** або особистою інформацією, що дозволяє ідентифікувати живих осіб. Це включає [різноманітні елементи неперсональних даних](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), які _в сукупності_ ідентифікують особу. Етичні виклики можуть стосуватися _конфіденційності даних_, _прав власності на дані_ та суміжних тем, як-от_інформована згода_ та _права інтелектуальної власності_ користувачів.
При розробці алгоритмів дії будуть включати збір і кураторство **наборів даних**, а потім їх використання для навчання та розгортання **моделей даних**, які прогнозують результати або автоматизують рішення в реальних контекстах. Етичні виклики можуть виникати через _упередженість набору даних_, _проблеми якості даних_, _несправедливість_ та _спотворення_ в алгоритмах — включаючи деякі системні проблеми.
Під час проектування алгоритмів дії включають збір і курацію **наборів даних**, а потім їх використання для навчання та розгортання **моделей даних**, які передбачають результати або автоматизують прийняття рішень у реальних контекстах. Етичні виклики можуть виникати через _упередженість наборів даних_, проблеми _якості даних_, _несправедливість_ та _спотворення_ в алгоритмах — включаючи деякі системні проблеми.
Уобох випадках етичні виклики висвітлюють ділянки, де наші дії можуть конфліктувати з нашими спільними цінностями. Щоб виявити, пом’якшити, мінімізувати або усунути такі проблеми, нам потрібно ставити моральні питання типу "так/ні", пов’язані з нашими діями, а потім за потреби вживати коригувальних заходів. Давайте розглянемо деякі етичні виклики та моральні питання, які вони викликають:
Уобох випадках етичні виклики висвітлюють області, де наші дії можуть вступати в конфлікт із нашими спільними цінностями. Щоб виявити, пом'якшити, мінімізувати або усунути ці проблеми, нам потрібно ставити моральні "так/ні" питання щодо наших дій, а потім вживати коригувальних заходів за потреби. Давайте розглянемо деякі етичні виклики та моральні питання, які вони піднімають:
#### 2.1 Власність даних
Збір даних часто включає персональні дані, які можуть ідентифікувати суб'єктів даних. [Власність даних](https://permission.io/blog/data-ownership) стосується _контролю_ та [_прав користувачів_](https://permission.io/blog/data-ownership), пов'язаних із створенням, обробкою та поширенням даних.
Збір даних часто охоплює персональні дані, що можуть ідентифікувати суб’єктів даних. [Власність на дані](https://permission.io/blog/data-ownership) стосується _контролю_ та [_прав користувачів_](https://permission.io/blog/data-ownership), пов’язаних зі створенням, обробкою та поширенням даних.
Моральні питання, які потрібно поставити:
* Хто володіє даними? (користувач чи організація)
* Які права мають суб'єкти даних? (наприклад, доступ, видалення, перенесення)
* Які права мають організації? (наприклад, виправлення шкідливих відгуків користувачів)
* Хто володіє даними? (користувач чи організація)
* Які права мають суб’єкти даних? (наприклад: доступ, видалення, портативність)
* Які права має організація? (наприклад: виправлення зловмисних відгуків користувачів)
#### 2.2 Інформована згода
[Інформована згода](https://legaldictionary.net/informed-consent/) визначає акт, коли користувачі погоджуються на дію (наприклад, збір даних) з _повним розумінням_ відповідних фактів, включаючи мету, потенційні ризики та альтернативи.
[Інформована згода](https://legaldictionary.net/informed-consent/) означає дію користувачів, які погоджуються на певну дію (наприклад, збір даних) з _повним розумінням_ відповідних фактів, включно з метою, потенційними ризиками та альтернативами.
Питання для дослідження:
* Чи дав користувач (суб'єкт даних) дозвіл на збір та використання даних?
* Чи розумів користувач мету, для якої ці дані були зібрані?
* Чи розумів користувач потенційні ризики від своєї участі?
* Чи дав користувач (суб’єкт даних) дозвіл на збір і використання даних?
* Чи розумів користувач мету збору цих даних?
* Чи усвідомлював користувач потенційні ризики від своєї участі?
#### 2.3 Інтелектуальна власність
[Інтелектуальна власність](https://en.wikipedia.org/wiki/Intellectual_property) стосується нематеріальних творінь, що виникають внаслідок людської ініціативи, які можуть _мати економічну цінність_ для осібабо бізнесу.
[Інтелектуальна власність](https://en.wikipedia.org/wiki/Intellectual_property) стосується нематеріальних творінь людської ініціативи, які можуть _мати економічну цінність_ для осібабо бізнесу.
Питання для дослідження:
* Чи мали зібрані дані економічну цінність для користувача або бізнесу?
* Чи має **користувач** інтелектуальну власність тут?
* Чи має **організація** інтелектуальну власність тут?
* Якщо ці права існують, як ми їх захищаємо?
* Чи мали зібрані дані економічну цінність для користувача або бізнесу?
* Чи має тут інтелектуальну власність **користувач**?
* Чи має тут інтелектуальну власність **організація**?
* Якщо такі права існують, як ми їх захищаємо?
#### 2.4 Конфіденційність даних
[Конфіденційність даних](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) або інформаційна конфіденційність стосується збереження конфіденційності користувачів та захисту їхньої ідентичності щодо персонально ідентифікованої інформації.
[Конфіденційність даних](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) або інформаційна приватність означає захист конфіденційності користувачів та збереження їхньої ідентичності щодо персональних даних.
Питання для дослідження:
* Чи захищені дані користувачів (персональні) від хакерських атак та витоків?
* Чи доступні дані користувачів лише для авторизованих користувачів та контекстів?
* Чи збережена анонімність користувачів при обміні або поширенні даних?
* Чи можна деідентифікувати користувача з анонімізованих наборів даних?
* Чи захищені дані користувачів (персональні) від зломів і витоків?
* Чи мають доступ до даних лише авторизовані користувачі та контексти?
* Чи зберігається анонімність користувачів при обміні чи поширенні даних?
* Чи можна визначитиособу користувача з анонімізованих наборів даних?
#### 2.5 Право бути забутим
[Право бути забутим](https://en.wikipedia.org/wiki/Right_to_be_forgotten) або [право на видалення](https://www.gdpreu.org/right-to-be-forgotten/) надає додатковий захист персональних даних користувачам. Зокрема, це дає користувачам право вимагати видалення або усунення персональних даних з пошукових систем Інтернету та інших місць, _за певних обставин_, дозволяючи їм новий старт онлайн без того, щоб минулі дії були використані проти них.
[Право бути забутим](https://en.wikipedia.org/wiki/Right_to_be_forgotten) або [право на видалення](https://www.gdpreu.org/right-to-be-forgotten/) надає додатковий захист персональних даних користувачам. Зокрема, воно дає право користувачам вимагати видалення або зникнення персональних даних із результатів Інтернет-пошуку та інших місць, _за певних обставин_ — дозволяючи їм почати з чистого аркуша онлайн без упокорення старими діями.
Питання для дослідження:
* Чи дозволяє система суб'єктам даних запитувати видалення?
* Чи повинно відкликання згоди користувача автоматично запускати видалення?
* Чи були дані зібрані без згоди або незаконними засобами?
* Чи відповідаємо ми урядовим регуляціям щодо конфіденційності даних?
* Чи дозволяє система користувачам вимагати видалення даних?
* Чи має відкликання згоди користувача автоматично ініціювати видалення?
* Чи збиралися дані без згоди або незаконно?
* Чи відповідаємо ми державним вимогам щодо конфіденційності даних?
#### 2.6 Упередженість набору даних
Упередженість набору даних або [упередженість збору](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) стосується вибору _нерепрезентативного_ підмножини даних для розробки алгоритму, що створює потенційну несправедливість у результатах для різних груп. Типи упередженості включають упередженість вибору або вибірки, упередженість добровольців та упередженість інструментів.
Упередженість набору даних або [упередженість при зборі](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) стосується вибору _нерепрезентативної_ підмножини даних для розробки алгоритму, що може спричинити несправедливі результати для різних груп. Типи упередженості включають вибіркову або вибіркову упередженість, упередженість добровольців та упередженість інструментів.
Питання для дослідження:
* Чи ми залучили репрезентативний набір суб’єктів даних?
* Чи тестували ми зібрані або кураторські набори даних на різні види упередженості?
* Чи можемо ми пом’якшити або усунути виявлену упередженість?
#### 2.7 Якість даних
Питання
* Чи інформація відображає _реальність_ точно?
[Якість даних](https://lakefs.io/data-quality-testing/) розглядає валідність кураторського набору даних, який використовується для розробки наших алгоритмів, перевіряючи, чи відповідають характеристики та записи вимогам щодо точності та послідовності, необхідних для цілей ШІ.
Питання для дослідження:
* Чи ми зафіксували валідні _ознаки_ для нашого випадку використання?
* Чи дані збиралися _послідовно_ зі різних джерел даних?
* Чи є набір даних _повним_ для різних умов або сценаріїв?
* Чи інформація зафіксована _точно_у відображенні реальності?
#### 2.8 Справедливість алгоритмів
[Справедливість алгоритмів](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) перевіряє, чи дизайн алгоритму систематично дискримінує певні підгрупи суб'єктів даних, що може призводити до [потенційних шкод](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) у_розподілі_ (коли ресурси відмовляють або утримують від цієї групи) та _якостіобслуговування_ (коли штучний інтелект менш точний для деяких підгруп порівняно з іншими).
[Справедливість алгоритмів](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) перевіряє, чи не дискримінує дизайн алгоритму систематично певні підгрупи суб’єктів даних, що може призводити до [потенційної шкоди](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) у_розподілі_ (коли ресурси відмовляються чи утримуються від цієї групи) та _якостіобслуговування_ (коли ШІ не є настільки точним для деяких підгруп, як для інших).
Питання для розгляду:
* Чи ми оцінювали точність моделі для різних підгруп і умов?
* Чи ми аналізували систему на предмет потенційних шкод (наприклад, стереотипів)?
* Чи можемо ми переглянути дані або перенавчити моделі для зменшення виявлених шкод?
Питання, які варто дослідити тут:
* Чи оцінювали ми точність моделі для різноманітних підгруп і умов?
* Чи перевіряли ми систему на потенційну шкоду (наприклад, стереотипізацію)?
* Чи можемо ми змінити дані або перенавчити моделі, щоб пом’якшити виявлену шкоду?
Досліджуйте ресурси, такі як [контрольні списки справедливості AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), щоб дізнатися більше.
Вивчайте ресурси, такі як [checklist для справедливості ШІ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), щоб дізнатися більше.
#### 2.9 Неправильне представлення даних
#### 2.9 Неправильне подання даних
[Неправильне представлення даних](https://www.sciencedirect.com/topics/computer-science/misrepresentation) стосується питання, чи ми передаємо висновки з чесно представлених даних у спосіб, що вводить в оману, щоб підтримати бажаний наратив.
[Неправильне подання даних](https://www.sciencedirect.com/topics/computer-science/misrepresentation) стосується питання, чи ми повідомляємо висновки із чесно представлених даних у вводячий в оману спосіб, щоб підтримати бажаний наратив.
Питання для розгляду:
* Чи ми повідомляємо неповні або неточні дані?
* Чи ми візуалізуємо дані так, що це сприяє хибним висновкам?
* Чи ми використовуємо вибіркові статистичні методи для маніпулювання результатами?
* Чи існують альтернативні пояснення, які можуть запропонувати інший висновок?
Питання для дослідження:
* Чи повідомляємо ми неповні або неточні дані?
* Чи візуалізуємо ми дані так, що це веде до оманливих висновків?
* Чи використовуємо ми вибіркові статистичні техніки для маніпуляції результатами?
* Чи існують альтернативні пояснення, які можуть дати інші висновки?
#### 2.10 Свобода вибору
#### 2.10 Ілюзія вільного вибору
[Ілюзія свободи вибору](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) виникає, коли "архітектури вибору" системи використовують алгоритми прийняття рішень, щоб підштовхнути людей до прийняття бажаного результату, водночас створюючи видимість наявності варіантів і контролю. Ці [темні патерни](https://www.darkpatterns.org/) можуть завдати соціальної та економічної шкоди користувачам. Оскільки рішення користувачів впливають на профілі поведінки, ці дії потенційно формують майбутні вибори, що можуть посилювати або розширювати вплив цих шкод.
[Ілюзія вільного вибору](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) виникає, коли «архітектури вибору» систем використовують алгоритми прийняття рішень, щоб підштовхнути людей до вибору переважного варіанту, при цьому створюючи враження, що їм надають варіанти та контроль. Ці [темні патерни](https://www.darkpatterns.org/) можуть завдавати соціальної та економічної шкоди користувачам. Оскільки рішення користувача впливають на профілі поведінки, ці дії потенційно керують майбутніми виборами, що може посилити або продовжити вплив цієї шкоди.
Питання для розгляду:
* Чи користувач розумів наслідки прийняття цього рішення?
* Чи користувач був обізнаний про (альтернативні) варіанти та їхні плюси й мінуси?
* Чи може користувач скасувати автоматизоване або впливове рішення пізніше?
* Чи розумів користувач наслідки свого вибору?
* Чи був користувач обізнаний про (альтернативні) варіанти та переваги і недоліки кожного?
* Чи може користувач пізніше скасувати автоматизований або впливовий вибір?
### 3. Кейси
### 3. Кейс-стаді
Щоб розглянути ці етичні виклики в реальних контекстах, корисно ознайомитися з кейсами, які демонструють потенційні шкоди та наслідки для окремих осібі суспільства, коли такі порушення етики ігноруються.
Щоб поставити ці етичні виклики в контекст реального світу, корисно розглянути кейс-стаді, які висвітлюють потенційну шкоду і наслідки для окремих людей та суспільства, коли такі порушення етики ігноруються.
Ось кілька прикладів:
| Етичний виклик | Кейси |
| Етичний виклик | Кейс-стаді |
|--- |--- |
| **Інформована згода** | 1972 - [Дослідження сифілісу в Таскігі](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - афроамериканським чоловікам, які брали участь у дослідженні, обіцяли безкоштовну медичну допомогу, _алеобманули_, не повідомивши про діагноз або доступність лікування. Багато учасників померли, а їхні партнери чи діти постраждали; дослідження тривало 40 років. |
| **Конфіденційність даних** | 2007 - [Конкурс даних Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) надав дослідникам _10 млн анонімних оцінок фільмів від 50 тис. клієнтів_, щоб покращити алгоритми рекомендацій. Однак дослідники змогли зіставити анонімні дані з персонально ідентифікованими даними в _зовнішніх наборах даних_ (наприклад, коментарі IMDb), фактично "деанонімізуючи" деяких підписників Netflix.|
| **Упередженість у зборі даних** | 2013 - Місто Бостон [розробило Street Bump](https://www.boston.gov/transportation/street-bump), додаток, який дозволяв громадянам повідомляти про ями, надаючи місту кращі дані про дороги для вирішення проблем. Однак [люди з низьким рівнем доходу мали менший доступ до автомобілів і телефонів](https://hbr.org/2013/04/the-hidden-biases-in-big-data), що робило їхні проблеми з дорогами невидимими для цього додатка. Розробники співпрацювали з академіками для вирішення питань _справедливого доступу та цифрових розривів_. |
| **Справедливість алгоритмів** | 2018 - Дослідження MIT [Gender Shades](http://gendershades.org/overview.html) оцінювало точність AI-продуктів для класифікації гендеру, виявляючи прогалини в точності для жінок і людей кольору. У [2019 році Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) здавалося, пропонувала менший кредит жінкам, ніж чоловікам. Обидва випадки ілюструють проблеми алгоритмічної упередженості, що призводить до соціально-економічних шкод.|
| **Неправильне представлення даних** | 2020 - [Департамент охорони здоров'я Джорджії опублікував графіки COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), які, здається, вводили громадян в оману щодо тенденцій підтверджених випадків через не-хронологічне упорядкування на осі x. Це ілюструє неправильне представлення через трюки візуалізації. |
| **Ілюзія свободи вибору** | 2020 - Навчальний додаток [ABCmouse заплатив $10 млн для врегулювання скарги FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), де батьки були змушені платити за підписки, які вони не могли скасувати. Це ілюструє темні патерни в архітектурах вибору, де користувачів підштовхували до потенційно шкідливих рішень. |
| **Конфіденційність даних та права користувачів** | 2021 - [Витік даних Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) розкрив дані 530 млн користувачів, що призвело до штрафу $5 млрд від FTC. Однак компанія відмовилася повідомити користувачів про витік, порушуючи права користувачів щодо прозорості даних та доступу. |
| **Інформована згода** | 1972 — [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) — афроамериканським чоловікам, які брали участь у дослідженні, обіцяли безкоштовне медичне обслуговування, але їх обдурили дослідники, які не повідомили їм про діагноз чи про доступність лікування. Багато учасників померли, а їхні партнери чи діти були торкнуті; дослідження тривало 40 років. |
| **Конфіденційність даних** | 2007 — [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) надав дослідникам _10 млн анонімізованих рейтингов фільмів від 50 тис. клієнтів_, щоб допомогти покращити алгоритми рекомендацій. Однак дослідникам вдалося зіставити анонімізовані дані з персонально ідентифікованими даними в _зовнішніх наборах даних_ (наприклад, коментарі IMDb) — фактично «деанонімізували» деяких підписників Netflix.|
| **Зсув у зборі даних** | 2013 — Місто Бостон [створило Street Bump](https://www.boston.gov/transportation/street-bump), додаток, що дозволяв громадянам повідомляти про ями на дорогах, даючи місту кращі дані для виявлення та ремонту проблем. Однак [особи з нижчих доходів мали менший доступ до автомобілів і телефонів](https://hbr.org/2013/04/the-hidden-biases-in-big-data), тому їхні проблеми з дорогами були непоміченими в цьому додатку. Розробники співпрацювали з академіками над проблемами _рівного доступу та цифрових розривів_ для справедливості. |
| **Справедливість алгоритмів** | 2018 — MIT [Gender Shades Study](http://gendershades.org/overview.html) оцінив точність продуктов ШІ для класифікації гендеру, виявивши пробіли в точності для жінок та осіб кольору. [Картка Apple 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) здавалася, пропонуючи менше кредиту жінкам, ніж чоловікам. Обидва випадки ілюструють проблеми алгоритмічних упереджень, що призводять до соціально-економічної шкоди.|
| **Неправильне подання даних** | 2020 — [Департамент охорони здоров’я Джорджії оприлюднив COVID-19 графіки](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), що, здавалося, вводили громадян в оману щодо тенденцій підтверджених випадків, через хронологічний порядок на осі X. Це ілюструє маніпуляції через візуалізацію. |
| **Ілюзія вільного вибору** | 2020 — навчальний додаток [ABCmouse сплатив $10 млн, щоб врегулювати скаргу FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), де батьків затягували в оплату підписок, які вони не могли скасувати. Це ілюструє темні патерни в архітектурі вибору, де користувачів підштовхували до потенційно шкідливих опцій. |
| **Конфіденційність даних і права користувачів** | 2021 — [злом Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) викрив дані 530 млн користувачів, що призвело до угоди на $5 млрд з FTC. Однак Facebook відмовилася повідомляти користувачів про злом, порушуючи їхні права на прозорість даних і доступ. |
Хочете дослідити більше кейсів? Ознайомтеся з цими ресурсами:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - етичні дилеми в різних галузях.
* [Курсз етики в Data Science](https://www.coursera.org/learn/data-science-ethics#syllabus) - розгляд знакових кейсів.
* [Де все пішло не так](https://deon.drivendata.org/examples/) - контрольний список Deon з прикладами.
Бажаєте дослідити ще кейс-стаді? Перегляньте ці ресурси:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) — етичні дилеми в різних галузях.
* [КурсЕтики науки про дані](https://www.coursera.org/learn/data-science-ethics#syllabus) — вивчення ключових кейсів.
* [Де все пішло не так](https://deon.drivendata.org/examples/) — чеклист deon з прикладами.
> 🚨 Подумайте про кейси, які ви бачили - чи ви стикалися або були під впливом подібного етичного виклику у своєму житті? Чи можете ви згадати хоча б один інший кейс, який ілюструє один із етичних викликів, обговорених у цьому розділі?
> 🚨 Подумайте про кейс-стаді, які ви бачили — чи стикалися ви самі або на вас вплинула схожа етична проблема? Чи можете назвати хоча б один інший кейс, який ілюструє один із етичних викликів, про які ми говорили в цьому розділі?
## Прикладна етика
Ми обговорили концепції етики, виклики та кейси в реальних контекстах. Але як почати _застосовувати_ етичні принципи та практики у своїх проектах? І як _операціоналізувати_ ці практики для кращого управління? Давайте розглянемо деякі реальні рішення:
Ми поговорили про етичні концепції, виклики та кейс-стаді у реальному світі. Але як нам почати _застосовувати_ етичні принципи у проектах? І як _впроваджувати_ ці практики для кращого управління? Розглянемо реальні рішення:
### 1. Професійні кодекси
Професійні кодекси пропонують один із варіантів для організацій "стимулювати" членів підтримувати їхні етичні принципи та місію. Кодекси є _моральними орієнтирами_ для професійної поведінки, допомагаючи співробітникам або членам приймати рішення, які відповідають принципам їхньої організації. Вони ефективні настільки, наскільки добровільно дотримуються членами; однак багато організацій пропонують додаткові винагороди та санкції для мотивації дотримання.
Професійні кодекси пропонують один із варіантів для організацій «стимулювати» членів підтримувати їхні етичні принципи та місію. Кодекси — це _моральні настанови_ для професійної поведінки, які допомагають працівникам чи членам приймати рішення, що відповідають принципам їхньої організації. Вони ефективні лише за добровільного дотримання членами, проте багато організацій пропонують додаткові винагороди та покарання для мотивації дотримання.
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Кодекс поведінки (створений у 2013 році)
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (з 1993 року)
> 🚨 Чи ви є членом професійної організації з інженерії або Data Science? Ознайомтеся з їхнім сайтом, щоб дізнатися, чи вони визначають професійний кодекс етики. Що це говорить про їхні етичні принципи? Як вони "стимулюють" членів дотримуватися кодексу?
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Кодекс поведінки (створений 2013)
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (з 1993)
### 2. Контрольні списки етики
> 🚨 Чи належите ви до професійної організації інженерів або науковців у галузі даних? Ознайомтеся з їхнім сайтом, щоб дізнатися, чи визначено у них професійний кодекс етики. Що він каже про їхні етичні принципи? Як вони «стимулюють» членів дотримуватися кодексу?
Хоча професійні кодекси визначають необхідну _етичну поведінку_ від практиків, вони [мають відомі обмеження](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) у забезпеченні виконання, особливо в масштабних проектах. Натомість багато експертів з Data Science [рекомендують контрольні списки](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), які можуть **перевести принципи в практичні дії** у більш детермінований і дієвий спосіб.
### 2. Чеклисти з етики
Контрольні списки перетворюють питання на завдання "так/ні", які можна операціоналізувати, дозволяючи їх відстежувати як частину стандартних робочих процесів випуску продукту.
Хоча професійні кодекси визначають необхідну _етичну поведінку_ практиків, вони [мають відомі обмеження](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) у застосуванні, особливо у великих проектах. Натомість багато експертів із Data Science [підтримують використання чеклистів](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), які можуть **зв’язувати принципи з практиками** більш однозначно та дієво.
Чеклисти переводять питання у завдання з відповіддю "так/ні", які можна впроваджувати, відстежувати як частину стандартного робочого процесу випуску продукту.
Приклади:
* [Deon](https://deon.drivendata.org/) - універсальний контрольний список етики даних, створений на основі [рекомендацій галузі](https://deon.drivendata.org/#checklist-citations) з інструментом командного рядка для легкої інтеграції.
* [Контрольний список аудиту конфіденційності](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - надає загальні рекомендації щодо практик обробки інформації з юридичної та соціальної точки зору.
* [Контрольний список справедливості AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - створений практиками AI для підтримки впровадження та інтеграції перевірок справедливості в цикли розробки AI.
* [22 питання для етики в даних та AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - більш відкритий підхід, структурований для початкового дослідження етичних питань у дизайні, впровадженні та організаційних контекстах.
* [Deon](https://deon.drivendata.org/) — універсальний етичний чеклист для даних, створений на основі [галузевих рекомендацій](https://deon.drivendata.org/#checklist-citations) з інструментом командного рядка для легкої інтеграції.
* [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) — загальні рекомендації щодо обробки інформації з юридичної і соціальної точки зору.
* [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) — створений практиками ШІ для підтримки впровадження перевірки справедливості у циклах розробки ШІ.
* [22 питання для етики в даних і ШІ](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) — більш відкритий фреймворк, структурований для початкового дослідження етичних питань у дизайні, реалізації та організаційних контекстах.
### 3. Регулювання етики
Етика стосується визначення спільних цінностей і добровільного виконання правильних дій. **Дотримання** стосується _виконання закону_, якщо він визначений. **Управління** охоплює всі способи, якими організації забезпечують дотримання етичних принципів і виконання встановлених законів.
Етика — це про визначення спільних цінностей і добровільне роблення правильних речей. **Відповідність нормам (compliance)** — це про _дотримання закону_, якщо та де він визначений. **Управління (governance)** охоплює всі способи, якими організації діють для впровадження етичних принципів і дотримання встановлених законів.
Сьогодні управління має дві форми в організаціях. По-перше, це визначення принципів **етичного ШІ** та встановлення практик для впровадження їх у всіх проектах, пов’язаних із ШІ, в організації. По-друге, дотримання всіх урядових **регламентів захисту даних** для регіонів, де організація працює.
Сьогодні управління має дві форми в організаціях. По-перше, це визначення принципів **етичного AI** та встановлення практик для операціоналізації впровадження у всіх проектах, пов'язаних з AI, в організації. По-друге, це дотримання всіх урядових регуляцій щодо **захисту даних**, які діють у регіонах, де працює організація.
Приклади регламентів захисту даних і конфіденційності:
Приклади регуляцій щодо захисту даних і конфіденційності:
* `1974`, [Закон про конфіденційність США](https://www.justice.gov/opcl/privacy-act-1974) - регулює _федеральний уряд_ щодо збору, використання та розкриття персональної інформації.
* `1996`, [Закон США про переносимість і конфіденційність медичної інформації (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - захищає персональні медичні дані.
* `1998`, [Закон США про захист конфіденційності дітей в Інтернеті (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - захищає конфіденційність даних дітей до 13 років.
* `2018`, [Загальний регламент захисту даних (GDPR)](https://gdpr-info.eu/) - забезпечує права користувачів, захист даних і конфіденційність.
* `2018`, [Закон Каліфорнії про конфіденційність споживачів (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - надає споживачам більше _прав_ щодо їхніх (персональних) даних.
* `2021`, Китайський [Закон про захист персональної інформації](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - один із найсильніших регуляцій щодо конфіденційності даних в Інтернеті у світі.
* `1974`, [Закон США про конфіденційність](https://www.justice.gov/opcl/privacy-act-1974) — регулює збір, використання і розголошення персональної інформації федеральним урядом.
* `1996`, [Закон США про портативність та підзвітність медичного страхування (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) — захищає персональні медичні дані.
* `1998`, [Закон США про захист конфіденційності дітей в Інтернеті (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) — захищає конфіденційність дітей до 13 років.
* `2018`, [Загальний регламент захисту даних (GDPR)](https://gdpr-info.eu/) — надає права користувачам, захист і конфіденційність даних.
* `2018`, [Каліфорнійський закон про захист особистих даних споживачів (CCPA)](https://www.oag.ca.gov/privacy/ccpa) дає споживачам більше _прав_ над їхніми (персональними) даними.
* `2021`, Китайський [Закон про захист персональної інформації](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) був нещодавно ухвалений, створюючи один із найсуворіших у світі регламентів захисту приватності онлайн-даних.
> 🚨 Європейський Союз визначив GDPR (Загальний регламент захисту даних), який залишається одним із найвпливовіших регуляцій щодо конфіденційності даних сьогодні. Чи знали ви, що він також визначає [8 прав користувачів](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) для захисту цифрової конфіденційності та персональних даних громадян? Дізнайтеся, що це за права і чому вони важливі.
> 🚨 Європейський Союз визначив GDPR (Загальний регламент захисту даних), який залишається одним із найвпливовіших законів про конфіденційність. Чи знали ви, що він також визначає [8 прав користувачів](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) для захисту цифрової приватності та персональних даних громадян? Дізнайтесь, які це права і чому вони важливі.
### 4. Культура етики
Зверніть увагу, що існує невловима різниця між _дотриманням_ (виконанням "букви закону") та вирішенням [системних проблем](https://www.coursera.org/learn/data-science-ethics/home/week/4) (таких як закостенілість, інформаційна асиметрія та розподільна несправедливість), які можуть прискорити використання AI у шкідливих цілях.
Зверніть увагу, що залишається невловима різниця між _відповідністю_ (робити достатньо, щоб відповідати «букві закону») та подоланням [системних проблем](https://www.coursera.org/learn/data-science-ethics/home/week/4) (як от окостеніння, інформаційна асиметрія та розподільча несправедливість), які можуть сприяти озброєнню ШІ.
Останнє вимагає [спільних підходів до визначення культури етики](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), які створюють емоційні зв'язки та послідовні спільні цінності _в організаціях_ галузі. Це закликає до більш [формалізованих культур етики даних](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) в організаціях - дозволяючи _будь-кому_ [потягнути шнур Андон](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (щоб підняти етичні питання на ранніх етапах процесу) і роблячи _етичніоцінки_ (наприклад, при наймі) основним критерієм формування команди в AI-проектах.
Останнє вимагає [співпраці в створенні етичних культур](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), які будують емоційні зв’язки та послідовні спільні цінності _по всьому індустріальному ланцюжку_. Це вимагає більш [формалізованих культур данихі етики](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) в організаціях — дозволяючи _будь-кому_ [потягнути мотузку Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (щоб рано подати сигнал про етичні занепокоєння в процесі) та роблячи _етичніоцінки_ (наприклад, під час найму) ключовим критерієм формування команд у проектах ШІ.
---
## [Тест після лекції](https://ff-quizzes.netlify.app/en/d
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - урок про справедливість від Microsoft.
* [Принципи відповідального штучного інтелекту](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - безкоштовний навчальний курс від Microsoft Learn.
* [Етика та наука про дані](https://resources.oreilly.com/examples/0636920203964) - електронна книга від O'Reilly (М. Лоукідес, Х. Мейсон та інші).
* [Етика науки про дані](https://www.coursera.org/learn/data-science-ethics#syllabus) - онлайн-курс від Університету Мічигану.
* [Етика без прикрас](https://ethicsunwrapped.utexas.edu/case-studies) - кейс-стадії від Університету Техасу.
Курси та книги допомагають зрозуміти основні концепції та виклики етики, а кейс-стаді та інструменти — практичне застосування у реальному світі. Ось кілька ресурсів для початку.
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) — урок про справедливість від Microsoft.
* [Принципи відповідального ШІ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - безкоштовний навчальний курс від Microsoft Learn.
* [Етика та наука про дані](https://resources.oreilly.com/examples/0636920203964) - електронна книга O'Reilly (М. Лоудіс, Х. Мейсон та ін.)
* [Етика в науці про дані](https://www.coursera.org/learn/data-science-ethics#syllabus) - онлайн-курс від Університету Мічигану.
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - кейс-стаді від Університету Техасу.
# Завдання
# Завдання
[Напишіть кейс-стадію з етики даних](assignment.md)
[Напишіть кейс-стаді з етики даних](assignment.md)
---
**Відмова від відповідальності**:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Відмова від відповідальності**:
Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.
localizeflow[bot]
1 week ago