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

chore(i18n): sync translations with latest source changes (chunk 1/1, 7 changes)

Browse Source
update-translations
localizeflow[bot] 1 week ago
parent ef08559382
commit f3d88f4823
7 changed files with 608 additions and 508 deletions
Show Stats Download Patch File Download Diff File

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

@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:17:29+00:00",
"translation_date": "2026-07-02T11:40:55+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "bn"
},

308
translations/bn/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,236 +1,264 @@
# ডেটা নৈতিকতার পরিচিতি
# ডেটা এথিক্সের পরিচিতি
|![ স্কেচনোট [(@sketchthedocs)](https://sketchthedocs.dev) দ্বারা ](../../sketchnotes/02-Ethics.png)|
|:---:|
| ডেটা সায়েন্স নৈতিকতা - _[@nitya](https://twitter.com/nitya) দ্বারা স্কেচনোট_ |
| ডেটা সায়েন্স এথিক্স - _স্কেচনোট [@nitya](https://twitter.com/nitya) দ্বারা_ |
---
আমরা সবাই একটি ডেটা-নির্ভর বিশ্বে বসবাসকারী ডেটা নাগরিক।
আমরা সবাই একটি ডেটাফিকৃত বিশ্বে ডেটা নাগরিক।
বাজারের প্রবণতা বলে যে ২০২২ সালের মধ্যে, প্রতি তিনটি বড় প্রতিষ্ঠানের মধ্যে একটি তাদের ডেটা অনলাইনে [মার্কেটপ্লেস এবং এক্সচেঞ্জ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) এর মাধ্যমে ক্রয় এবং বিক্রয় করবে। **অ্যাপ ডেভেলপার** হিসেবে, আমাদের জন্য ডেটা-নির্ভর অন্তর্দৃষ্টি এবং অ্যালগরিদম-নির্ভর অটোমেশনকে দৈনন্দিন ব্যবহারকারীর অভিজ্ঞতায় সংযুক্ত করা আরও সহজ এবং সাশ্রয়ী হবে। তবে, যখন AI সর্বব্যাপী হয়ে উঠছে, তখন আমাদের এটাও বুঝতে হবে যে এই ধরনের অ্যালগরিদমের [অস্ত্রায়ন](https://www.youtube.com/watch?v=TQHs8SA1qpk) বড় পরিসরে কী ধরনের ক্ষতি করতে পারে।
বাজার প্রবণতা বলছে ২০২২ সালের মধ্যে, প্রতি ৩টি বড়ো সংস্থার ১টি তাদের ডেটা অনলাইন [বাজারস্থান এবং বিনিময়](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) এর মাধ্যমে কিনবে এবং বিক্রি করবে। **অ্যাপ ডেভেলপারদের** জন্য, ডেটা-চালিত অন্তর্দৃষ্টি এবং অ্যালগরিদম-চালিত অটোমেশনকে দৈনন্দিন ব্যবহারকারী অভিজ্ঞতায় অন্তর্ভুক্ত করা সহজ ও সস্তা হবে। কিন্তু যখন AI সর্বব্যাপী হয়ে উঠবে, তখন আমাদেরকে সেই অ্যালগরিদমগুলোর [আয়ুধায়ন](https://www.youtube.com/watch?v=TQHs8SA1qpk) এর মাধ্যমে সৃষ্ট সম্ভাব্য ক্ষতি বুঝতেও হবে।
প্রবণতা বলে যে ২০২৫ সালের মধ্যে, আমরা [১৮০ জেটাবাইট](https://www.statista.com/statistics/871513/worldwide-data-created/) এর বেশি ডেটা তৈরি এবং ব্যবহার করব। **ডেটা বিজ্ঞানীদের** জন্য, এই তথ্যের বিস্ফোরণ ব্যক্তিগত এবং আচরণগত ডেটার অভূতপূর্ব অ্যাক্সেস প্রদান করে। এর মাধ্যমে ব্যবহারকারীদের বিস্তারিত প্রোফাইল তৈরি এবং সিদ্ধান্ত গ্রহণে সূক্ষ্ম প্রভাব ফেলার ক্ষমতা আসে—যা প্রায়ই [মুক্ত পছন্দের বিভ্রম](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) তৈরি করে। যদিও এটি ব্যবহারকারীদের পছন্দসই ফলাফলের দিকে ঠেলে দিতে ব্যবহার করা যেতে পারে, এটি ডেটা গোপনীয়তা, স্বায়ত্তশাসন এবং অ্যালগরিদমিক প্রভাবের নৈতিক সীমা সম্পর্কে গুরুত্বপূর্ণ প্রশ্নও তোলে।
প্রবণতাগুলো নির্দেশ করে ২০২৫ সালের মধ্যে আমরা [১৮০ জেটাবাইটস](https://www.statista.com/statistics/871513/worldwide-data-created/) এর বেশি ডেটা সৃষ্ট ও ব্যবহার করব। **ডেটা সায়েন্টিস্টদের** জন্য, এই তথ্যের বিস্ফোরণ ব্যক্তিগত ও আচরণগত ডেটার অপ্রত্যাশিত প্রবেশাধিকার প্রদান করে। এর মাধ্যমে বিশদ ব্যবহারকারী প্রোফাইল তৈরি করা এবং সূক্ষ্মভাবে সিদ্ধান্ত গ্রহণকে প্রভাবিত করার ক্ষমতা আসছে — প্রায়শই যা [স্বাধীন পছন্দের এক বিভ্রান্তি](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) সৃষ্টি করে। যদিও এটি ব্যবহারকারীদের পছন্দসই ফলাফলের দিকে অনুযোগ করার জন্য ব্যবহার করা যায়, এটি ডেটা গোপনীয়তা, স্বায়ত্তশাসন, এবং অ্যালগরিদমিক প্রভাবের নৈতিক সীমানা সম্পর্কে গুরুত্বপূর্ণ প্রশ্ন তোলে।
ডেটা নৈতিকতা এখন ডেটা বিজ্ঞান এবং প্রকৌশলের জন্য _প্রয়োজনীয় গার্ডরেল_, যা আমাদের ডেটা-নির্ভর কর্ম থেকে সম্ভাব্য ক্ষতি এবং অনিচ্ছাকৃত পরিণতি কমাতে সাহায্য করে। [গার্টনার হাইপ সাইকেল ফর AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ডিজিটাল নৈতিকতা, দায়িত্বশীল AI এবং AI গভর্ন্যান্সের প্রাসঙ্গিক প্রবণতাগুলিকে চিহ্নিত করে, যা AI-এর _গণতন্ত্রায়ন_ এবং _শিল্পায়ন_ এর বৃহত্তর মেগাট্রেন্ডগুলির মূল চালক।
ডেটা এথিক্স এখন ডেটা বিজ্ঞান ও ইঞ্জিনিয়ারিং এর জন্য _প্রয়োজনীয় সুরক্ষা প্রবাহরেখা_, যা আমাদের ডেটা-চালিত কার্যকলাপ থেকে সম্ভাব্য ক্ষতি ও অনিচ্ছাকৃত পরিণতি কমাতে সাহায্য করে। [গার্টনার AI এর হাইপ সাইকেল](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ডিজিটাল এথিক্স, দায়িত্বশীল AI, এবং AI গভর্নেন্সে প্রাসঙ্গিক প্রবণতাগুলো চিহ্নিত করেছে যা AI এর _গণতান্ত্রিককরণ_ এবং _শিল্পায়নের_ বড়ো ট্রেন্ডগুলোর মূল চালিকা শক্তি।
![গার্টনারের AI হাইপ সাইকেল - ২০২০](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
এই পাঠে, আমরা ডেটা এথিক্সের চমকপ্রদ ক্ষেত্র — মূল ধারণা ও চ্যালেঞ্জ থেকে শুরু করে কেস স্টাডি এবং গভর্নেন্স মত প্রয়োগকৃত AI ধারণাগুলো — পর্যালোচনা করব যা ডেটা ও AI নিয়ে কাজ করা দল ও প্রতিষ্ঠানগুলোর মধ্যে একটি নৈতিক সংস্কৃতি স্থাপন করতে সাহায্য করে।
![গার্টনারের AI-এর হাইপ সাইকেল - ২০২০](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
এই পাঠে, আমরা ডেটা নৈতিকতার চমকপ্রদ ক্ষেত্রটি অন্বেষণ করব - মূল ধারণা এবং চ্যালেঞ্জ থেকে শুরু করে কেস স্টাডি এবং গভর্ন্যান্সের মতো প্রয়োগকৃত AI ধারণা - যা ডেটা এবং AI নিয়ে কাজ করা দল এবং সংস্থাগুলিতে একটি নৈতিকতার সংস্কৃতি প্রতিষ্ঠায় সাহায্য করে।
## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## মৌলিক সংজ্ঞা
চলুন মৌলিক পরিভাষা বোঝা শুরু করি।
চলুন প্রথমে মূল শব্দগুলো বুঝে নিই।
শব্দ "এথিক্স" এসেছে [গ্রিক শব্দ "ethikos"](https://en.wikipedia.org/wiki/Ethics) থেকে (এবং এর মূল "ethos") যার অর্থ _চরিত্র বা নৈতিক প্রকৃতি_।
**এথিক্স** হলো সামাজিক আচরণ নিয়ন্ত্রণকারী ঐকমত্য মূল্যবোধ ও নৈতিক নীতিমালা। আইন নয়, বরং ব্যাপকভাবে গৃহীত "সঠিক বনাম ভুল" এর নিয়মকের ওপর ভিত্তি করে এথিক্স। যাহোক, নীতিগত বিবেচনা কর্পোরেট গভর্নেন্স উদ্যোগ ও সরকারী বিধিনিষেধকে প্রভাবিত করতে পারে যা সম্মতি বৃদ্ধির জন্য আরও উদ্দীপনা তৈরি করে।
"নৈতিকতা" শব্দটি [গ্রিক শব্দ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (এবং এর মূল "ethos") থেকে এসেছে যার অর্থ _চরিত্র বা নৈতিক প্রকৃতি_।
**ডেটা এথিক্স** হলো [এথিক্সের নতুন শাখা](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) যা "_ডেটা, অ্যালগরিদম এবং সংশ্লিষ্ট চর্চা_"-র নৈতিক সমস্যা অধ্যয়ন ও মূল্যায়ন করে। এখানে, **"ডেটা"** মূলত উৎপাদন, রেকর্ডিং, সংরক্ষণ, প্রক্রিয়াকরণ, প্রচার, ভাগাভাগি, এবং ব্যবহারের কাজগুলোর ওপর ফোকাস করে, **"অ্যালগরিদম"** AI, এজেন্ট, মেশিন লার্নিং, এবং রোবটের ওপর ফোকাস করে, এবং **"চর্চা"** দায়িত্বশীল উদ্ভাবন, প্রোগ্রামিং, হ্যাকিং, এবং এথিক্স কোড সহ অন্যান্য বিষয়গুলোকে নির্দেশ করে।
**নৈতিকতা** হলো সমাজে আমাদের আচরণ পরিচালনা করার জন্য ভাগ করা মূল্যবোধ এবং নৈতিক নীতিগুলির বিষয়। নৈতিকতা আইন নয় বরং "সঠিক বনাম ভুল" এর ব্যাপারে ব্যাপকভাবে গৃহীত মানদণ্ডের উপর ভিত্তি করে। তবে, নৈতিক বিবেচনা কর্পোরেট গভর্ন্যান্স উদ্যোগ এবং সরকারী নিয়মকানুনকে প্রভাবিত করতে পারে যা সম্মতির জন্য আরও প্রণোদনা তৈরি করে।
**প্রয়োগকৃত এথিক্স** হলো [নৈতিক বিবেচনার ব্যবহারিক প্রয়োগ](https://en.wikipedia.org/wiki/Applied_ethics)। এটি _বাস্তব জগতের কার্যক্রম, পণ্য ও প্রক্রিয়া_ প্রসঙ্গে নৈতিক ইস্যুগুলো সক্রিয়ভাবে তদন্ত এবং সংশোধনমূলক পদক্ষেপ নেওয়ার প্রক্রিয়া যাতে এগুলো সংজ্ঞায়িত নৈতিক মূল্যের সাথে সামঞ্জস্যপূর্ণ থাকে।
**ডেটা নৈতিকতা** হলো একটি [নতুন শাখা](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) যা "_ডেটা, অ্যালগরিদম এবং সংশ্লিষ্ট অনুশীলন_" সম্পর্কিত নৈতিক সমস্যাগুলি অধ্যয়ন এবং মূল্যায়ন করে। এখানে, **"ডেটা"** জেনারেশন, রেকর্ডিং, কিউরেশন, প্রসেসিং, প্রচার, শেয়ারিং এবং ব্যবহারের সাথে সম্পর্কিত ক্রিয়াকলাপগুলির উপর ফোকাস করে, **"অ্যালগরিদম"** AI, এজেন্ট, মেশিন লার্নিং এবং রোবটের উপর ফোকাস করে, এবং **"অনুশীলন"** দায়িত্বশীল উদ্ভাবন, প্রোগ্রামিং, হ্যাকিং এবং নৈতিকতার কোডের মতো বিষয়গুলির উপর ফোকাস করে।
**এথিক্স কালচার** হলো [_প্রয়োগকৃত এথিক্সকে কার্যকর করা_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) যাতে আমাদের নৈতিক নীতিমালা ও চর্চা সঙ্গতিপূর্ণ ও বিস্তৃতভাবে পুরো প্রতিষ্ঠানে গ্রহণযোগ্য হয়। সফল এথিক্স সংস্কৃতির মধ্যে প্রতিষ্ঠানব্যাপী নৈতিক নীতিমালা নির্ধারণ, সম্মতির জন্য অর্থবোধক উদ্দীপনা প্রদান, এবং প্রতিষ্ঠানের প্রতিটি স্তরে পছন্দনীয় আচরণ উৎসাহ ও জোরদার করা অন্তর্ভুক্ত থাকে।
**প্রয়োগকৃত নৈতিকতা** হলো [নৈতিক বিবেচনার বাস্তব প্রয়োগ](https://en.wikipedia.org/wiki/Applied_ethics)। এটি হলো _বাস্তব-জগতের কর্ম, পণ্য এবং প্রক্রিয়ার_ প্রসঙ্গে নৈতিক সমস্যাগুলি সক্রিয়ভাবে তদন্ত করার প্রক্রিয়া এবং আমাদের সংজ্ঞায়িত নৈতিক মূল্যবোধের সাথে সঙ্গতিপূর্ণ রাখতে সংশোধনমূলক ব্যবস্থা গ্রহণ।
**নৈতিকতার সংস্কৃতি** হলো [_প্রয়োগকৃত নৈতিকতাকে_ কার্যকর করা](https://hbr.org/2019/05/how-to-design-an-ethical-organization) যাতে আমাদের নৈতিক নীতিগুলি এবং অনুশীলনগুলি পুরো সংস্থার মধ্যে ধারাবাহিক এবং স্কেলযোগ্যভাবে গৃহীত হয়। সফল নৈতিকতার সংস্কৃতি সংস্থার-ব্যাপী নৈতিক নীতিগুলি সংজ্ঞায়িত করে, সম্মতির জন্য অর্থপূর্ণ প্রণোদনা প্রদান করে এবং প্রতিটি স্তরে পছন্দসই আচরণকে উৎসাহিত এবং প্রসারিত করে নৈতিকতার মানদণ্ডকে শক্তিশালী করে।
## এথিক্সের ধারণা
## নৈতিকতার ধারণা
এই বিভাগে, আমরা ডেটা এথিক্সের জন্য **সর্বজনীন মূল্যবোধ** (নীতিমালা) এবং **নৈতিক চ্যালেঞ্জ** (সমস্যা) যেমন ধারণাগুলো আলোচনা করব — এবং **কেস স্টাডি** অনুসন্ধান করব যা আপনাকে বাস্তব বিশ্বের প্রেক্ষাপটে এ ধারনাগুলো বুঝতে সাহায্য করবে।
এই বিভাগে, আমরা **ভাগ করা মূল্যবোধ** (নীতিমালা) এবং **নৈতিক চ্যালেঞ্জ** (সমস্যা) নিয়ে আলোচনা করব ডেটা নৈতিকতার জন্য - এবং **কেস স্টাডি** অন্বেষণ করব যা আপনাকে বাস্তব-জগতের প্রসঙ্গে এই ধারণাগুলি বুঝতে সাহায্য করবে।
### ১. এথিক্স নীতিমালা
### ১. নৈতিকতার নীতিমালা
প্রতিটি ডেটা এথিক্স কৌশল শুরু হয় _নৈতিক নীতিমালা_ সংজ্ঞায়ন দিয়ে — "সর্বজনীন মূল্যবোধ" যা গ্রহণযোগ্য আচরণ বর্ণনা করে, এবং আমাদের ডেটা ও AI প্রকল্পগুলিতে সম্মতিপূর্ণ কার্যক্রম পরিচালনার দিশানির্দেশ দেয়। এগুলো ব্যক্তিগত বা দলের স্তরে সংজ্ঞায়িত করা যেতে পারে। তবে, অধিকাংশ বড় সংস্থা কর্পোরেট স্তরে সংজ্ঞায়িত এবং সমস্ত দলের মধ্যে সঙ্গতিপূর্ণভাবে প্রয়োগকৃত একটি _নৈতিক AI_ মিশন স্টেটমেন্ট বা ফ্রেমওয়ার্ক নির্ধারণ করে।
প্রত্যেক ডেটা নৈতিকতার কৌশল শুরু হয় _নৈতিক নীতিমালা_ সংজ্ঞায়িত করার মাধ্যমে - "ভাগ করা মূল্যবোধ" যা গ্রহণযোগ্য আচরণ বর্ণনা করে এবং আমাদের ডেটা ও AI প্রকল্পে সম্মতিপূর্ণ কর্ম পরিচালনা করে। আপনি এগুলি ব্যক্তিগত বা দলীয় স্তরে সংজ্ঞায়িত করতে পারেন। তবে, বেশিরভাগ বড় সংস্থা এগুলি একটি _নৈতিক AI_ মিশন বিবৃতি বা কাঠামোতে সংজ্ঞায়িত করে যা কর্পোরেট স্তরে সংজ্ঞায়িত এবং সমস্ত দলের মধ্যে ধারাবাহিকভাবে প্রয়োগ করা হয়।
**উদাহরণ:** মাইক্রোসফটের [দায়িত্বশীল AI](https://www.microsoft.com/en-us/ai/responsible-ai) মিশন স্টেটমেন্ট পড়ুন: _"আমরা AI-এর এমন উন্নয়নে প্রতিজ্ঞাবদ্ধ যেটি মানুষের প্রথম স্থান দেয়"_- ফ্রেমওয়ার্কে ৬টি নৈতিক নীতি চিহ্নিত করা হয়েছে:
**উদাহরণ:** Microsoft's [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) মিশন বিবৃতি বলে: _"আমরা AI-এর অগ্রগতির জন্য প্রতিশ্রুতিবদ্ধ যা নৈতিক নীতিগুলি দ্বারা পরিচালিত হয় যা মানুষকে প্রথমে রাখে"_ - নিচের কাঠামোতে ৬টি নৈতিক নীতিমালা চিহ্নিত করে:
![মাইক্রোসফটের দায়িত্বশীল AI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
![Microsoft-এ দায়িত্বশীল AI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
এসব নীতিমালা সংক্ষেপে দেখুন। _স্বচ্ছতা_ ও _দায়িত্বশীলতা_ হলো ভিত্তি যার উপরে অন্যান্য নীতিমালা গড়ে উঠেছে — সুতরাং সেখান থেকেই শুরু করা যাক:
চলুন এই নীতিগুলি সংক্ষেপে অন্বেষণ করি। _স্বচ্ছতা_ এবং _দায়িত্বশীলতা_ হলো মৌলিক মূল্যবোধ যার উপর অন্যান্য নীতিগুলি তৈরি করা হয়েছে - তাই এখান থেকে শুরু করা যাক:
* [**দায়িত্বশীলতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) বাস্তবায়নকারীদের তাদের ডেটা ও AI কার্যক্রমের এবং এই নৈতিক নীতিমালা মানার জন্য _দায়ী_ করে তোলে।
* [**স্বচ্ছতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) নিশ্চিত করে যে, ডেটা এবং AI কার্যক্রম ব্যবহারকারীর জন্য _বুঝতে সহজ_ (ব্যাখ্যাযোগ্য), সিদ্ধান্তের পেছনের কারণ ও কারণ ব্যাখ্যা করে।
* [**ন্যায্যতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) — নিশ্চিত করে AI _সব মানুষকে_ ন্যায্য আচরণ করে, ডেটা ও সিস্টেমের যে কোনও প্রণালীগত বা অন্তর্নিহিত সামাজিক-প্রযুক্তিগত পক্ষপাত দূর করে।
* [**বিশ্বস্ততা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — নিশ্চিত করে AI সংজ্ঞায়িত মূল্যের সঙ্গে _সঙ্গতিপূর্ণ_ আচরণ করে, সম্ভাব্য ক্ষতি বা অনিচ্ছাকৃত পরিণতি হ্রাস করে।
* [**গোপনীয়তা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — ডেটার উত্স বোঝা এবং ব্যবহারকারীদের জন্য _ডেটা গোপনীয়তা ও সম্পর্কিত সুরক্ষা_ নিশ্চিত করা।
* [**অন্তর্ভুক্তিমূলকতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — AI সলিউশনগুলো ইচ্ছা অনুযায়ী ডিজাইন করা, যাতে সেগুলো মানুষের _বিস্তৃত চাহিদা এবং সক্ষমতার_ সাথে খাপ খায়।
* [**দায়িত্বশীলতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) অনুশীলনকারীদের তাদের ডেটা ও AI কার্যক্রম এবং এই নৈতিক নীতিমালার সাথে সম্মতির জন্য _দায়িত্বশীল_ করে তোলে।
* [**স্বচ্ছতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) নিশ্চিত করে যে ডেটা এবং AI কর্মগুলি ব্যবহারকারীদের কাছে _বোধ্য_ (ব্যাখ্যাযোগ্য) হয়, সিদ্ধান্তের পেছনের কী এবং কেন ব্যাখ্যা করে।
* [**ন্যায্যতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - নিশ্চিত করে যে AI _সব মানুষকে_ ন্যায্যভাবে আচরণ করে, ডেটা এবং সিস্টেমে থাকা যেকোনো পদ্ধতিগত বা অন্তর্নিহিত সামাজিক-প্রযুক্তিগত পক্ষপাত দূর করে।
* [**বিশ্বাসযোগ্যতা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - নিশ্চিত করে যে AI _সংজ্ঞায়িত মূল্যবোধের সাথে ধারাবাহিকভাবে_ আচরণ করে, সম্ভাব্য ক্ষতি বা অনিচ্ছাকৃত পরিণতি কমিয়ে দেয়।
* [**গোপনীয়তা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ডেটার উত্স বোঝা এবং ব্যবহারকারীদের _ডেটা গোপনীয়তা এবং সংশ্লিষ্ট সুরক্ষা_ প্রদান সম্পর্কে।
* [**অন্তর্ভুক্তি**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - উদ্দেশ্য নিয়ে AI সমাধান ডিজাইন করার বিষয়ে, এটি _মানব প্রয়োজন এবং সক্ষমতার বিস্তৃত পরিসর_ পূরণের জন্য মানিয়ে নেওয়া।
> 🚨 ভাবুন আপনার ডেটা এথিক্স মিশন স্টেটমেন্ট কেমন হতে পারে। অন্যান্য সংস্থার নৈতিক AI ফ্রেমওয়ার্ক অনুসন্ধান করুন — এখানে [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [গুগল](https://ai.google/principles), এবং [ফেসবুক](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) থেকে উদাহরণ আছে। তাদের মধ্যে কোন সর্বজনীন মূল্যবোধগুলো রয়েছে? তারা যেসবAI পণ্য বা শিল্পে কাজ করে সেগুলো কীভাবে এই নীতিমালাগুলোর সাথে সম্পর্কিত?
> 🚨 আপনার ডেটা নৈতিকতার মিশন বিবৃতি কী হতে পারে তা নিয়ে ভাবুন। অন্যান্য সংস্থার নৈতিক AI কাঠামো অন্বেষণ করুন - এখানে [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), এবং [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) এর উদাহরণ রয়েছে। তাদের মধ্যে কী সাধারণ ভাগ করা মূল্যবোধ রয়েছে? এই নীতিগুলি তারা যে AI পণ্য বা শিল্পে কাজ করে তার সাথে কীভাবে সম্পর্কিত?
### ২. এথিক্স চ্যালেঞ্জ
### ২. নৈতিক চ্যালেঞ্জ
একবার নৈতিক নীতিমালা সংজ্ঞায়িত হলে, পরবর্তী ধাপ হলো আমাদের ডেটা ও AI কার্যক্রম মূল্যায়ন করা যে, সেগুলো ঐ সর্বজনীন মূল্যবোধগুলো সঙ্গে সামঞ্জস্যপূর্ণ কিনা। আপনার কার্যক্রমকে দুটি বিভাগে চিন্তা করুন: _ডেটা সংগ্রহ_ এবং _অ্যালগরিদম ডিজাইন_।
একবার আমরা নৈতিক নীতিমালা সংজ্ঞায়িত করলে, পরবর্তী ধাপ হলো আমাদের ডেটা এবং AI কর্মগুলি মূল্যায়ন করা যাতে তারা সেই ভাগ করা মূল্যবোধের সাথে সামঞ্জস্যপূর্ণ কিনা তা দেখা যায়। আপনার কর্মগুলি দুটি বিভাগে ভাবুন: _ডেটা সংগ্রহ_ এবং _অ্যালগরিদম ডিজাইন_।
ডেটা সংগ্রহে, কার্যক্রম হয়তো **ব্যক্তিগত তথ্য** বা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) সংগ্রহ করতে পারে, যা জীবিত ব্যক্তিদের সনাক্ত করে। এখানে এমন [বিভিন্ন ধরনের অ-ব্যক্তিগত তথ্য](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) আছে যা _সম্পূর্ণভাবে_ একজন ব্যক্তিকে সনাক্ত করে। নৈতিক চ্যালেঞ্জগুলো হতে পারে _ডেটা গোপনীয়তা_, _ডেটা স্বত্ব_, এবং ব্যবহারকারীকে _সচেতন সম্মতি_ ও _বুদ্ধিবৃত্তিক সম্পত্তি অধিকারের_ মতো বিষয়গুলি সম্পর্কিত।
ডেটা সংগ্রহের ক্ষেত্রে, কর্মগুলি সম্ভবত **ব্যক্তিগত ডেটা** বা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) এর সাথে সম্পর্কিত হবে যা জীবিত ব্যক্তিদের শনাক্ত করতে পারে। এর মধ্যে রয়েছে [বিভিন্ন ধরনের অ-ব্যক্তিগত ডেটা](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) যা _সমষ্টিগতভাবে_ একজন ব্যক্তিকে শনাক্ত করে। নৈতিক চ্যালেঞ্জগুলি _ডেটা গোপনীয়তা_, _ডেটা মালিকানা_, এবং _অবগত সম্মতি_ এবং ব্যবহারকারীদের _বুদ্ধিবৃত্তিক সম্পত্তি অধিকার_ এর মতো সম্পর্কিত বিষয়গুলির সাথে সম্পর্কিত হতে পারে।
অ্যালগরিদম ডিজাইনে, কার্যক্রম জড়িত থাকে **ডেটাসেট** সংগ্রহ ও সংরক্ষণে, এরপর সেই ডেটা ব্যবহার করে **ডেটা মডেল** প্রশিক্ষণ ও মোতায়েন করা, যা বাস্তব বিশ্বের প্রেক্ষাপটে ফলাফল অনুমান বা সিদ্ধান্ত স্বয়ংক্রিয় করে। নৈতিক চ্যালেঞ্জগুলো হতে পারে _ডেটাসেট পক্ষপাত_, _ডেটা গুণগত সমস্যা_, _অন্যায়তা_, এবং অ্যালগরিদমে _ভ্রান্ত উপস্থাপনা_ — যার মধ্যে কিছু সমস্যা প্রণালীগত।
অ্যালগরিদম ডিজাইনের ক্ষেত্রে, কর্মগুলি **ডেটাসেট** সংগ্রহ এবং কিউরেট করা, তারপর সেগুলি ব্যবহার করে **ডেটা মডেল** তৈরি এবং বাস্তব-জগতের প্রসঙ্গে ফলাফল পূর্বাভাস বা সিদ্ধান্ত অটোমেট করার জন্য ব্যবহার করা। নৈতিক চ্যালেঞ্জগুলি _ডেটাসেট পক্ষপাত_, _ডেটার গুণমান_ সমস্যা, _অন্যায়তা_, এবং অ্যালগরিদমে _ভুল উপস্থাপন_ থেকে উদ্ভূত হতে পারে - যার মধ্যে কিছু সমস্যা পদ্ধতিগত প্রকৃতির।
উভয় ক্ষেত্রেই, এথিক্স চ্যালেঞ্জ আমাদের কার্যক্রম ও সর্বজনীন মূল্যবোধের মাঝে সংঘর্ষের সম্ভাব্য ক্ষেত্র নির্দেশ করে। এই উদ্বেগগুলো সনাক্ত, রোধ, কমানো বা দূর করতে, আমাদেরকে আমাদের কার্যক্রম সংক্রান্ত নৈতিক "হ্যাঁ/না" প্রশ্নগুলো করতে হবে, এবং প্রয়োজনে সংশোধনমূলক পদক্ষেপ নিতে হবে। চলুন কিছু এথিক্স চ্যালেঞ্জ এবং সেগুলোর নৈতিক প্রশ্নগুলো দেখি:
উভয় ক্ষেত্রেই, নৈতিক চ্যালেঞ্জগুলি এমন ক্ষেত্রগুলিকে হাইলাইট করে যেখানে আমাদের কর্মগুলি আমাদের ভাগ করা মূল্যবোধের সাথে সংঘর্ষে আসতে পারে। এই উদ্বেগগুলি সনাক্ত, প্রশমিত, কমানো বা দূর করতে, আমাদের কর্মগুলির সাথে সম্পর্কিত নৈতিক "হ্যাঁ/না" প্রশ্ন জিজ্ঞাসা করতে হবে, তারপর প্রয়োজন অনুযায়ী সংশোধনমূলক ব্যবস্থা নিতে হবে। চলুন কিছু নৈতিক চ্যালেঞ্জ এবং তারা যে নৈতিক প্রশ্ন উত্থাপন করে তা দেখি:
#### ২.১ ডেটা মালিকানা
#### ২.১ ডেটা স্বত্ব
ডেটা সংগ্রহ প্রায়ই ব্যক্তিগত ডেটার সাথে সম্পর্কিত যা ডেটা বিষয়গুলিকে শনাক্ত করতে পারে। [ডেটা মালিকানা](https://permission.io/blog/data-ownership) হলো ডেটা তৈরি, প্রক্রিয়াকরণ এবং প্রচারের সাথে সম্পর্কিত _নিয়ন্ত্রণ_ এবং [_ব্যবহারকারীর অধিকার_](https://permission.io/blog/data-ownership)।
ডেটা সংগ্রহ প্রায়ই ব্যক্তিগত তথ্য জড়িত থাকে যা ডেটা বিষয়কে সনাক্ত করে। [ডেটা স্বত্ব](https://permission.io/blog/data-ownership) মূলত বুঝায় ডেটা সৃষ্টির, প্রক্রিয়াকরণ এবং প্রচারের নিয়ন্ত্রণ ও [_ব্যবহারকারী অধিকার_](https://permission.io/blog/data-ownership)।
নৈতিক প্রশ্ন যা আমাদের জিজ্ঞাসা করতে হবে:
* ডেটার মালিক কে? (ব্যবহারকারী বা সংস্থা)
* ডেটা বিষয়গুলির কী অধিকার রয়েছে? (যেমন: অ্যাক্সেস, মুছে ফেলা, পোর্টেবিলিটি)
* সংস্থার কী অধিকার রয়েছে? (যেমন: ক্ষতিকারক ব্যবহারকারীর পর্যালোচনা সংশোধন করা)
প্রশ্নগুলো হলো:
* ডেটার মালিক কার? (ব্যবহারকারী না প্রতিষ্ঠান)
* ডেটা বিষয়দের কি অধিকার আছে? (যেমন: প্রবেশাধিকার, মুছে ফেলা, স্থানান্তর)
* সংগঠনের কি অধিকার আছে? (যেমন: ক্ষতিকর ব্যবহারকারী রিভিউ সংশোধন)
#### ২.২ অবগত সম্মতি
#### ২.২ সচেতন সম্মতি
[অবগত সম্মতি](https://legaldictionary.net/informed-consent/) সংজ্ঞায়িত করে ব্যবহারকারীদের একটি কর্মে (যেমন ডেটা সংগ্রহ) সম্মতি দেওয়ার কাজ, যেখানে তারা প্রাসঙ্গিক তথ্যের _সম্পূর্ণ বোঝাপড়া_ রাখে, যার মধ্যে উদ্দেশ্য, সম্ভাব্য ঝুঁকি এবং বিকল্পগুলি অন্তর্ভুক্ত।
[সচেতন সম্মতি](https://legaldictionary.net/informed-consent/) হল ব্যবহারকারীদের এমন সম্মতি প্রদান যা তারা _সম্পূর্ণভাবে_ প্রাসঙ্গিক তথ্য যেমন উদ্দেশ্য, সম্ভাব্য ঝুঁকি ও বিকল্প উপায় বুঝে করে।
এখানে অনুসন্ধানের প্রশ্ন:
* ব্যবহারকারী (ডেটা বিষয়) কি ডেটা সংগ্রহ এবং ব্যবহারের জন্য অনুমতি দিয়েছেন?
* ব্যবহারকারী কি বুঝেছেন যে ডেটা সংগ্রহের উদ্দেশ্য কী ছিল?
* ব্যবহারকারী কি তাদের অংশগ্রহণ থেকে সম্ভাব্য ঝুঁকি বুঝেছেন?
প্রশ্নগুলো হলো:
* ব্যবহারকারী (ডেটা বিষয়) কি ডেটা সংগ্রহ ও ব্যবহারের জন্য অনুমতি দিয়েছে?
* ব্যবহারকারী কি সেই ডেটা সংগ্রহের উদ্দেশ্য বুঝেছে?
* অংশগ্রহণের সম্ভাব্য ঝুঁকি ব্যবহারকারী কি বুঝেছে?
#### ২.৩ বুদ্ধিবৃত্তিক সম্পত্তি
[বুদ্ধিবৃত্তিক সম্পত্তি](https://en.wikipedia.org/wiki/Intellectual_property) হলো মানব উদ্যোগ থেকে উদ্ভূত অমূর্ত সৃষ্টি, যা ব্যক্তিদের বা ব্যবসার জন্য _অর্থনৈতিক মূল্য_ থাকতে পারে।
[বুদ্ধিবৃত্তিক সম্পত্তি](https://en.wikipedia.org/wiki/Intellectual_property) মানে হলো মানুষের সৃজনশীল উদ্যম থেকে সৃষ্ট অবাস্তব বস্তু যা ব্যক্তিগত বা ব্যবসায়িক অর্থনৈতিক মূল্য রাখে।
এখানে অনুসন্ধানের প্রশ্ন:
প্রশ্নগুলো হলো:
* সংগৃহীত ডেটার কি ব্যবহারকারী বা ব্যবসার জন্য অর্থনৈতিক মূল্য ছিল?
* এখানে **ব্যবহারকারী** কি বুদ্ধিবৃত্তিক সম্পত্তি অধিকার রাখেন?
* এখানে **সংস্থা** কি বুদ্ধিবৃত্তিক সম্পত্তি অধিকার রাখে?
* যদি এই অধিকারগুলি থাকে, আমরা কীভাবে সেগুলি রক্ষা করছি?
* **ব্যবহারকারীর** কি এখানে বুদ্ধিবৃত্তিক সম্পত্তি আছে?
* **সংস্থার** কি এখানে বুদ্ধিবৃত্তিক সম্পত্তি আছে?
* যদি এই অধিকারগুলো থাকে, আমরা কিভাবে সেগুলোকে রক্ষা করছি?
#### ২.৪ ডেটা গোপনীয়তা
[ডেটা গোপনীয়তা](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) বা তথ্য গোপনীয়তা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্যের সাথে ব্যবহারকারীর গোপনীয়তা সংরক্ষণ এবং ব্যবহারকারীর পরিচয় সুরক্ষার বিষয়।
[ডেটা গোপনীয়তা](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) বা তথ্য গোপনীয়তা মানে ব্যবহারকারীর গোপনীয়তা সংরক্ষণ এবং ব্যবহারকারীর পরিচয় ব্যক্তিগত তথ্য সংক্রান্ত সুরক্ষা।
এখানে অনুসন্ধানের প্রশ্ন:
* ব্যবহারকারীদের (ব্যক্তিগত) ডেটা কি হ্যাক এবং লিক থেকে সুরক্ষিত?
* ব্যবহারকারীদের ডেটা কি শুধুমাত্র অনুমোদিত ব্যবহারকারী এবং প্রসঙ্গের জন্য অ্যাক্সেসযোগ্য?
* ডেটা শেয়ার বা প্রচার করার সময় ব্যবহারকারীদের নাম গোপন রাখা হয়েছে কি?
* ব্যবহারকারী কি বেনামী ডেটাসেট থেকে শনাক্ত করা যেতে পারে?
প্রশ্নগুলো হলো:
* ব্যবহারকারীর (ব্যক্তিগত) ডেটা হ্যাক ও ফাঁস থেকে সুরক্ষিত কিনা?
* ব্যবহারকারীর ডেটা কেবল অনুমোদিত ব্যবহারকারী ও প্রসঙ্গে উপলব্ধ কিনা?
* ডেটা শেয়ার বা প্রচারে ব্যবহারকারীর অজ্ঞাত পরিচয় সুরক্ষিত থাকে?
* ব্যবহারকারী কি গোপনীয়কৃত ডেটাসেট থেকে পরিচয় গোপন রাখা সম্ভব?
#### ২.৫ ভুলে যাওয়ার অধিকার
#### ২.৫ মুছে ফেলার অধিকার
[ভুলে যাওয়ার অধিকার](https://en.wikipedia.org/wiki/Right_to_be_forgotten) বা [মুছে ফেলার অধিকার](https://www.gdpreu.org/right-to-be-forgotten/) ব্যবহারকারীদের অতিরিক্ত ব্যক্তিগত ডেটা সুরক্ষা প্রদান করে। বিশেষ করে, এটি ব্যবহারকারীদের ইন্টারনেট অনুসন্ধান এবং অন্যান্য স্থানে ব্যক্তিগত ডেটা মুছে ফেলার বা অপসারণের অনুরোধ করার অধিকার দেয়, _নির্দিষ্ট পরিস্থিতিতে_ - তাদের অনলাইনে একটি নতুন সূচনা করার অনুমতি দেয় যাতে অতীত কর্মগুলি তাদের বিরুদ্ধে না থাকে।
[মুছে ফেলার অধিকার](https://en.wikipedia.org/wiki/Right_to_be_forgotten) বা [মুছে ফেলার অধিকার](https://www.gdpreu.org/right-to-be-forgotten/) ব্যবহারকারীদের অতিরিক্ত ব্যক্তিগত ডেটা সুরক্ষা দেয়। বিশেষভাবে, এটি ব্যবহারকারীদের ইন্টারনেট অনুসন্ধান ও অন্যান্য স্থানে ব্যক্তিগত ডেটা মুছে দেওয়ার অনুরোধের অধিকার দেয়, _বিশেষ পরিস্থিতিতে_ — যাতে তাদের পূর্বের কার্যকলাপের জন্য বিদ্যমান অনলাইন পরিচয় নতুন করে শুরু করা যায়।
এখানে অনুসন্ধানের প্রশ্ন:
* সিস্টেম কি ডেটা বিষয়গুলিকে অপসারণের অনুরোধ করার অনুমতি দেয়?
* ব্যবহারকারীর সম্মতি প্রত্যাহার কি স্বয়ংক্রিয় অপসারণকে ট্রিগার করা উচিত?
* ডেটা কি সম্মতি ছাড়া বা অবৈধ উপায়ে সংগ্রহ করা হয়েছিল?
* আমরা কি ডেটা গোপনীয়তার জন্য সরকারী নিয়মকানুনের সাথে সম্মত?
প্রশ্নগুলো হলো:
* সিস্টেম কি ডেটা বিষয়দের মুছে ফেলার অনুরোধ করতে দেয়?
* ব্যবহারকারী সম্মতি প্রত্যাহার কি স্বয়ংক্রিয় মুছে ফেলা শুরু করে?
* ডেটা কি সম্মতি ছাড়া অথবা অবৈধ উপায়ে সংগ্রহ করা হয়েছে?
* আমরা কি ডেটা গোপনীয়তা সংক্রান্ত সরকারী বিধিমালা মেনে চলছি?
#### ২.৬ ডেটাসেট পক্ষপাত
ডেটাসেট বা [সংগ্রহ পক্ষপাত](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) হলো অ্যালগরিদম উন্নয়নের জন্য একটি _অপ্রতিনিধিত্বমূলক_ ডেটার উপসেট নির্বাচন করা, যা বিভিন্ন গোষ্ঠীর জন্য ফলাফলের ক্ষেত্রে সম্ভাব্য অন্যায়তা তৈরি করে। পক্ষপাতের ধরনগুল
* তথ্য কি বাস্তবতার প্রতিফলন সঠিকভাবে তুলে ধরে?
ডেটাসেট বা [সংগ্রহ পক্ষপাত](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) মানে নির্বাচিত একটি _অপ্রতিনিধিত্বমূলক_ ডেটার উপসেট অ্যালগরিদম উন্নয়নের জন্য নির্বাচন করা, যা বিভিন্ন গোষ্ঠীর জন্য ফলাফলে পক্ষপাত সৃষ্টি করতে পারে। পক্ষপাতের ধরন যেমন: নির্বাচনী বা নমুনা পক্ষপাত, স্বেচ্ছাসেবক পক্ষপাত, এবং যন্ত্র পক্ষপাত।
প্রশ্নগুলো হলো:
* আমরা কি একটি প্রতিনিধিত্বমূলক ডেটা বিষয় নিয়োগ করেছি?
* আমরা কি আমাদের সংগৃহীত বা সংগৃহীত ডেটাসেট বিভিন্ন পক্ষপাতের জন্য পরীক্ষা করেছি?
* আমরা কি আবিষ্কৃত কোনো পক্ষপাত কমাতে বা দূর করতে পারি?
#### ২.৭ ডেটার গুণগত মান
[ডেটার গুণগত মান](https://lakefs.io/data-quality-testing/) হলো নির্বাচিত ডেটাসেটের বৈধতা মূল্যায়ন, যা আমাদের অ্যালগরিদম উন্নয়নে ব্যবহৃত হয়, এবং নিশ্চিত করা যে বৈশিষ্ট্য ও রেকর্ডগুলো আমাদের AI উদ্দেশ্যের জন্য প্রয়োজনীয় সঠিকতা ও ধারাবাহিকতা পূরণ করে।
#### ২.৮ অ্যালগরিদমের ন্যায্যতা
প্রশ্নগুলো হলো:
* আমরা কি আমাদের ব্যবহারের জন্য বৈধ _বৈশিষ্ট্য_ ধারণ করেছি?
* আমরা কি বিভিন্ন ডেটা উৎস থেকে _সুশৃঙ্খলভাবে_ ডেটা ধারণ করেছি?
* আমাদের ডেটাসেট কি বিভিন্ন অবস্থান বা পরিস্থিতির জন্য _সম্পূর্ণ_?
* যতটা সম্ভব বাস্তবতা প্রতিফলিত করতে তথ্য কি _সঠিকভাবে_ ধারণ করা হয়েছে?
#### 2.8 অ্যালগরিদম ন্যায়পরায়ণতা
[অ্যালগরিদমের ন্যায্যতা](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) পরীক্ষা করে দেখে অ্যালগরিদমের নকশা কি নির্দিষ্ট ডেটা গোষ্ঠীর বিরুদ্ধে পদ্ধতিগতভাবে বৈষম্য সৃষ্টি করছে, যার ফলে _বণ্টন_ (যেখানে সেই গোষ্ঠীকে সম্পদ থেকে বঞ্চিত বা আটকানো হয়) এবং _সেবার গুণগত মান_ (যেখানে AI কিছু গোষ্ঠীর জন্য অন্যদের তুলনায় কম সঠিক) ক্ষেত্রে [সম্ভাব্য ক্ষতি](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) হতে পারে।
[অ্যালগরিদম ন্যায়পরায়ণতা](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) যাচাই করে যে অ্যালগরিদম ডিজাইন ধারাবাহিকভাবে নির্দিষ্ট ডেটা উপ-গোষ্ঠীর বিরুদ্ধে বৈষম্য করে কি না, যা _বণ্টনে_ ([সম্ভাব্য ক্ষতি](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml)) (যেখানে সেই গোষ্ঠী থেকে সংস্থান প্রত্যাখ্যান বা আটকানো হয়) এবং _পরিসেবা মান_ (যেখানে কিছু উপ-গোষ্ঠীর জন্য AI অন্যদের তুলনায় কম সঠিক) এ নেতিবাচক প্রভাব ফেলে।
এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:
* আমরা কি বিভিন্ন গোষ্ঠী এবং পরিস্থিতির জন্য মডেলের সঠিকতা মূল্যায়ন করেছি?
* আমরা কি সিস্টেমের সম্ভাব্য ক্ষতি (যেমন, স্টেরিওটাইপিং) নিয়ে গভীরভাবে পর্যবেক্ষণ করেছি?
* আমরা কি চিহ্নিত ক্ষতি কমানোর জন্য ডেটা সংশোধন বা মডেল পুনরায় প্রশিক্ষণ করতে পারি?
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
* আমরা কি বিভিন্ন উপ-গোষ্ঠী এবং শর্তের জন্য মডেল সঠিকতা মূল্যায়ন করেছি?
* আমরা কি সম্ভাব্য ক্ষতির জন্য সিস্টেমটি পর্যালোচনা করেছি (যেমন, স্টেরিওটাইপিং)?
* আমরা কি শনাক্তকৃত ক্ষতিগুলিকে ক্ষতিপূরণ করার জন্য ডেটা সংশোধন বা মডেল পুনঃপ্রশিক্ষণ করতে পারি?
আরও জানতে [AI ন্যায্যতার চেকলিস্ট](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) এর মতো সম্পদগুলো অন্বেষণ করুন।
আরও জানতে [AI ন্যায়পরায়ণতা চেকলিস্ট](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) এর মতো সম্পদগুলি অন্বেষণ করুন।
#### ২.৯ ভুল উপস্থাপন
#### 2.9 মিথ্যাচার
[ডেটার ভুল উপস্থাপন](https://www.sciencedirect.com/topics/computer-science/misrepresentation) হলো এই প্রশ্ন করা যে আমরা কি সৎভাবে রিপোর্ট করা ডেটা থেকে অন্তর্দৃষ্টি এমনভাবে উপস্থাপন করছি যা একটি পছন্দসই বর্ণনাকে সমর্থন করার জন্য বিভ্রান্তিকর।
[ডেটা মিথ্যাচার](https://www.sciencedirect.com/topics/computer-science/misrepresentation) বলতে বোঝায় আমরা কি সৎভাবে রিপোর্ট করা ডেটা থেকে প্রাপ্ত অন্তর্দৃষ্টিগুলোকে প্রতারণাপূর্ণ উপায়ে উপস্থাপন করছি যাতে কাঙ্ক্ষিত বর্ণনাকে সহায়তা করা যায়।
এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:
* আমরা কি অসম্পূর্ণ বা ভুল ডেটা রিপোর্ট করছি?
* আমরা কি ডেটা এমনভাবে চিত্রিত করছি যা বিভ্রান্তিকর সিদ্ধান্ত তৈরি করে?
* আমরা কি নির্বাচিত পরিসংখ্যানগত কৌশল ব্যবহার করে ফলাফলকে প্রভাবিত করছি?
* এমন কোনো বিকল্প ব্যাখ্যা আছে কি যা ভিন্ন সিদ্ধান্ত দিতে পারে?
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
* আমরা কি অসম্পূর্ণ বা ভুল ডেটা রিপোর্ট করছি?
* আমরা কি ডেটা এমনভাবে ভিজ্যুয়ালাইজ করি যা বিভ্রান্তিকর সিদ্ধান্ত তৈরি করে?
* আমরা কি ফলাফল প্রভাবিত করার জন্য নির্বাচিত পরিসংখ্যানগত কৌশল ব্যবহার করছি?
* কোনো বিকল্প ব্যাখ্যা আছে যা ভিন্ন নালিশ দিতে পারে?
#### ২.১০ স্বাধীন পছন্দ
[স্বাধীন পছন্দের বিভ্রম](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ঘটে যখন সিস্টেমের "পছন্দের স্থাপত্য" সিদ্ধান্ত গ্রহণের অ্যালগরিদম ব্যবহার করে মানুষকে একটি পছন্দসই ফলাফলের দিকে ঠেলে দেয়, যদিও তাদের বিকল্প এবং নিয়ন্ত্রণ দেওয়ার মতো মনে হয়। এই [ডার্ক প্যাটার্ন](https://www.darkpatterns.org/) ব্যবহারকারীদের সামাজিক এবং অর্থনৈতিক ক্ষতি করতে পারে। কারণ ব্যবহারকারীর সিদ্ধান্ত আচরণগত প্রোফাইলকে প্রভাবিত করে, এই পদক্ষেপগুলো ভবিষ্যতের পছন্দগুলোকে আরও বাড়াতে বা প্রসারিত করতে পারে।
#### 2.10 মুক্ত পছন্দের মায়া
যখন সিস্টেমের "পছন্দ স্থাপত্য" সিদ্ধান্ত নেওয়ার অ্যালগরিদম ব্যবহার করে মানুষকে একটি পছন্দসই ফলাফলের দিকে ধাক্কা দেয় কিন্তু তাদের বিকল্প ও নিয়ন্ত্রণ পাওয়ার ছল দেখায় তখন [মুক্ত পছন্দের মায়া](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ঘটে। এই [অন্ধকার ধাঁচ](https://www.darkpatterns.org/) ব্যবহারকারীদের সামাজিক এবং অর্থনৈতিক ক্ষতি করতে পারে। ব্যবহারকারীর সিদ্ধান্তগুলি আচরণমূলক প্রোফাইলে প্রভাব ফেলে, তাই এই ক্রিয়াগুলি ভবিষ্যতের পছন্দগুলিকে প্রভাবিত করতে পারে যা এই ক্ষতিগুলোর প্রভাব বৃদ্ধি বা সম্প্রসারণ করতে পারে।
এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:
* ব্যবহারকারী কি সেই পছন্দ করার প্রভাবগুলো বুঝতে পেরেছে?
* ব্যবহারকারী কি (বিকল্প) পছন্দ এবং প্রতিটির সুবিধা ও অসুবিধা সম্পর্কে সচেতন ছিল?
* ব্যবহারকারী কি একটি স্বয়ংক্রিয় বা প্রভাবিত পছন্দ পরে পরিবর্তন করতে পারে?
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
* ব্যবহারকারী কি সেই পছন্দ গ্রহণের পরিণতি বুঝতে পেরেছে?
* ব্যবহারকারী কি (বিকল্প) পছন্দগুলি এবং প্রত্যেকটির সুবিধা ও অসুবিধা সম্পর্কে অবগত ছিল?
* ব্যবহারকারী কি পরবর্তীতে স্বয়ংক্রিয় বা প্রভাবিত পছন্দ উল্টাতে পারে?
### ৩. কেস স্টাডি
### ৩. ক্ষেত্র গবেষণা
এই নৈতিক চ্যালেঞ্জগুলোকে বাস্তব জীবনের প্রেক্ষাপটে রাখার জন্য, এমন কেস স্টাডি দেখা সহায়ক যা নৈতিক লঙ্ঘন উপেক্ষা করার ফলে ব্যক্তি এবং সমাজের উপর সম্ভাব্য ক্ষতি এবং পরিণতি তুলে ধরে।
এই নৈতিক চ্যালেঞ্জগুলো বাস্তব জীবনের প্রেক্ষাপটে বুঝতে, ক্ষেত্র গবেষণাগুলো দেখাটা সহায়ক যা ব্যক্তিগত ও সামাজিক ক্ষেত্রে সম্ভাব্য ক্ষতি ও পরিণতি তুলে ধরে, যখন এ জাতীয় নৈতিক লঙ্ঘন উপেক্ষিত হয়।
কিছু উদাহরণ এখানে দেওয়া হলো:
কিছু উদাহরণ এখানে দেওয়া হলো:
| নৈতিক চ্যালেঞ্জ | কেস স্টাডি |
| নৈতিক চ্যালেঞ্জ | ক্ষেত্র গবেষণা |
|--- |--- |
| **সচেতন সম্মতি** | ১৯৭২ - [টাস্কিগি সিফিলিস স্টাডি](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - আফ্রিকান আমেরিকান পুরুষদের বিনামূল্যে চিকিৎসার প্রতিশ্রুতি দেওয়া হয়েছিল _কিন্তু প্রতারিত করা হয়েছিল_ গবেষকদের দ্বারা যারা বিষয়গুলোকে তাদের রোগ নির্ণয় বা চিকিৎসার প্রাপ্যতা সম্পর্কে জানাতে ব্যর্থ হয়েছিল। অনেক বিষয় মারা গিয়েছিল এবং তাদের সঙ্গী বা সন্তান ক্ষতিগ্রস্ত হয়েছিল; গবেষণাটি ৪০ বছর ধরে চলেছিল। |
| **ডেটা গোপনীয়তা** | ২০০৭ - [নেটফ্লিক্স ডেটা পুরস্কার](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) গবেষকদের _৫০ হাজার গ্রাহকের ১০ মিলিয়ন অ্যানোনিমাইজড মুভি রেটিং_ প্রদান করেছিল সুপারিশ অ্যালগরিদম উন্নত করতে। তবে, গবেষকরা অ্যানোনিমাইজড ডেটাকে _বাহ্যিক ডেটাসেটের_ (যেমন, IMDb মন্তব্য) সাথে সংযুক্ত করতে সক্ষম হয়েছিল - কার্যত কিছু নেটফ্লিক্স গ্রাহকদের "ডি-অ্যানোনিমাইজ" করে।|
| **সংগ্রহের পক্ষপাতিত্ব** | ২০১৩ - বোস্টন শহর [স্ট্রিট বাম্প](https://www.boston.gov/transportation/street-bump) তৈরি করেছিল, একটি অ্যাপ যা নাগরিকদের গর্ত রিপোর্ট করতে দেয়, শহরকে ভালো রাস্তার ডেটা দিয়ে সমস্যা খুঁজে বের করতে এবং ঠিক করতে সাহায্য করে। তবে, [নিম্ন আয়ের গোষ্ঠীর মানুষের গাড়ি এবং ফোনে কম প্রবেশাধিকার ছিল](https://hbr.org/2013/04/the-hidden-biases-in-big-data), যার ফলে তাদের রাস্তার সমস্যাগুলো এই অ্যাপে অদৃশ্য ছিল। ডেভেলপাররা ন্যায্যতার জন্য _সমান প্রবেশাধিকার এবং ডিজিটাল বিভাজন_ সমস্যাগুলো নিয়ে একাডেমিকদের সাথে কাজ করেছিল। |
| **অ্যালগরিদমের ন্যায্যতা** | ২০১৮ - MIT [জেন্ডার শেডস স্টাডি](http://gendershades.org/overview.html) লিঙ্গ শ্রেণীবিন্যাস AI পণ্যের সঠিকতা মূল্যায়ন করেছিল, নারীদের এবং রঙের মানুষের জন্য সঠিকতার ফাঁকগুলো প্রকাশ করেছিল। একটি [২০১৯ অ্যাপল কার্ড](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) পুরুষদের তুলনায় নারীদের কম ক্রেডিট দিতে দেখা গেছে। উভয়ই অ্যালগরিদমের পক্ষপাতিত্বের সমস্যাগুলো তুলে ধরেছে যা সামাজিক-অর্থনৈতিক ক্ষতি সৃষ্টি করে।|
| **ডেটার ভুল উপস্থাপন** | ২০২০ - [জর্জিয়া ডিপার্টমেন্ট অফ পাবলিক হেলথ COVID-19 চার্ট প্রকাশ করেছিল](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) যা নিশ্চিত কেসের প্রবণতা সম্পর্কে নাগরিকদের বিভ্রান্ত করতে পারে, x-অক্ষের অ-কালানুক্রমিক ক্রমের মাধ্যমে। এটি ভিজ্যুয়ালাইজেশন কৌশলের মাধ্যমে ভুল উপস্থাপনের উদাহরণ। |
| **স্বাধীন পছন্দের বিভ্রম** | ২০২০ - লার্নিং অ্যাপ [ABCmouse FTC অভিযোগ মেটাতে $১০ মিলিয়ন প্রদান করেছিল](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) যেখানে অভিভাবকরা এমন সাবস্ক্রিপশনগুলোর জন্য আটকা পড়েছিল যা তারা বাতিল করতে পারেনি। এটি পছন্দের স্থাপত্যে ডার্ক প্যাটার্নের উদাহরণ, যেখানে ব্যবহারকারীদের সম্ভাব্য ক্ষতিকর পছন্দের দিকে ঠেলে দেওয়া হয়েছিল। |
| **ডেটা গোপনীয়তা ও ব্যবহারকারীর অধিকার** | ২০২১ - ফেসবুক [ডেটা লঙ্ঘন](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ৫৩০ মিলিয়ন ব্যবহারকারীর ডেটা প্রকাশ করেছিল, যার ফলে FTC-কে $৫ বিলিয়ন জরিমানা দিতে হয়েছিল। তবে, এটি ব্যবহারকারীদের লঙ্ঘন সম্পর্কে জানাতে অস্বীকার করেছিল, যা ডেটা স্বচ্ছতা এবং প্রবেশাধিকারের ক্ষেত্রে ব্যবহারকারীর অধিকার লঙ্ঘন করে। |
| **সজাগ সম্মতি** | ১৯৭২ - [টাস্কিগি সিফিলিস স্টাডি](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - আফ্রিকান আমেরিকান পুরুষরা যাঁরা স্টাডিতে অংশ নিয়েছিলেন তাদের বিনামূল্যে চিকিৎসা দেওয়ার প্রতিশ্রুতি দেওয়া হয় _কিন্তু প্রতারিত_ করা হয় গবেষকদের দ্বারা যারা বিষয়গুলিকে তাঁদের নির্ণয় বা চিকিৎসার উপলব্ধতা সম্পর্কে অবহিত করেননি। অনেক বিষয় মারা যায় ও সঙ্গী বা সন্তানেরা প্রভাবিত হয়; স্টাডিটি ৪০ বছর স্থায়ী হয়। |
| **ডেটা গোপনীয়তা** | ২০০৭ - [নেটফ্লিক্স ডেটা প্রাইজ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) গবেষকদের প্রদান করেছিল _৫০ হাজার গ্রাহকের ১০ মিলিয়ন গোপনীয় চলচ্চিত্র র‌্যাঙ্কিং_ সুপারিশ অ্যালগরিদম উন্নত করার জন্য। তবে গবেষকরা বাহ্যিক ডেটাসেটে (যেমন, IMDb মন্তব্য) ব্যক্তিগত আইডেন্টিফায়েবল ডেটার সাথে গোপনীয় ডেটার সম্পর্ক স্থাপন করতে সক্ষম হন - কার্যত কিছু নেটফ্লিক্স সাবস্ক্রাইবারকে "বিরূপীকৃত" করে।|
| **সংগ্রহ পক্ষপাতিত্ব** | ২০১৩ - বোস্টন শহর [স্ট্রিট বাম্প তৈরি করেছিল](https://www.boston.gov/transportation/street-bump), একটি অ্যাপ যা নাগরিকদের গর্ত রিপোর্ট করার সুযোগ দেয়, শহরে সড়কের উন্নত ডেটা পাওয়া যায় সমস্যাগুলিকে খুঁজে বের করতে এবং সমাধান করতে। তবে [নিম্ন আয়ের জনগোষ্ঠীর কাছে গাড়ি ও ফোনে কম প্রবেশাধিকার ছিল](https://hbr.org/2013/04/the-hidden-biases-in-big-data), যার জন্য তাদের সড়কের সমস্যা এই অ্যাপে অদৃশ্য ছিল। ডেভেলপাররা একাধিক বেধবেধা সমাধানের জন্য _সাম্যপূর্ণ প্রবেশ এবং ডিজিটাল বিভাজন_ নিয়ে একাডেমিকদের সঙ্গে কাজ করেন। |
| **অ্যালগরিদমিক ন্যায়পরায়ণতা** | ২০১৮ - MIT এর [জেন্ডার শেডস স্টাডি](http://gendershades.org/overview.html) লিঙ্গ শ্রেণীবিভাগ AI পণ্যের সঠিকতা মূল্যায়ন করেছিল, যেখানে নারীদের এবং রঙিন ব্যক্তিদের জন্য সঠিকতার গ্যাপ প্রকাশ পায়। [২০১৯ সালের অ্যাপল কার্ড](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) মনে হয় নারীদের পুরুষদের তুলনায় কম ক্রেডিট দেয়। উভয়ই অ্যালগরিদমিক পক্ষপাতের কারণে সামাজিক-অর্থনৈতিক ক্ষতিগুলো তুলে ধরে।|
| **ডেটা মিথ্যাচার** | ২০২০ - [জর্জিয়া পাবলিক হেলথ ডিপার্টমেন্ট COVID-19 চার্ট প্রকাশ করেছিল](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) যা নিশ্চিত কেসের প্রবণতা নিয়ে নাগরিকদের বিভ্রান্ত করতে পারে, যেখানে x-অক্ষের ক্রমঅনুক্রমিকতা ছিল না। এটি ভিজ্যুয়ালাইজেশন ফাঁদ দিয়ে মিথ্যাচার প্রদর্শন করে। |
| **মুক্ত পছন্দের মায়া** | ২০২০ - শিক্ষণ অ্যাপ [ABCmouse একটি FTC অভিযোগ নিষ্পত্তির জন্য $১০ মিলিয়ন প্রদান করেছিল](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), যেখানে পিতামাতারা সেই সাবস্ক্রিপশনগুলোর জন্য ফাঁদে পড়েছিলেন যা তারা বাতিল করতে পারেননি। এটি পছন্দ স্থাপত্যে অন্ধকার ধাঁচ প্রদর্শন করে, যেখানে ব্যবহারকারীরা সম্ভাব্য ক্ষতিকর পছন্দের দিকে ধাক্কা খেয়েছিলেন। |
| **ডেটা গোপনীয়তা ও ব্যবহারকারীর অধিকার** | ২০২১ - ফেসবুকের [ডেটা লঙ্ঘন](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ৫৩০ মিলিয়ন ব্যবহারকারীর ডেটা প্রকাশ করে, যার ফলে FTC-কে $৫ বিলিয়ন নিষ্পত্তি দেয়া হয়। তবে ব্যবহারকারীদের ডেটা লঙ্ঘনের বিষয়ে অবহিত করতে অস্বীকৃতি জানায়, যা ব্যবহারকারীর গোপনীয়তা ও তথ্যের অধিকার লঙ্ঘন করে। |
আরও কেস স্টাডি অন্বেষণ করতে চান? এই সম্পদগুলো দেখুন:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - বিভিন্ন শিল্পের নৈতিক দ্বিধা।
* [ডেটা সায়েন্স নৈতিকতা কোর্স](https://www.coursera.org/learn/data-science-ethics#syllabus) - গুরুত্বপূর্ণ কেস স্টাডি।
* [যেখানে জিনিসগুলো ভুল হয়েছে](https://deon.drivendata.org/examples/) - ডিওন চেকলিস্টের উদাহরণ।
আরও ক্ষেত্র গবেষণা খুঁজতে চান? এই সম্পদগুলি দেখুন:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - বিভিন্ন শিল্পে নৈতিক দ্বন্দ্বের উদাহরণ।
* [Data Science Ethics কোর্স](https://www.coursera.org/learn/data-science-ethics#syllabus) - প্রসিদ্ধ ক্ষেত্র গবেষণাগুলো আলোচনা করা হয়েছে।
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - ডিওন চেকলিস্ট সহ উদাহরণসমূহ
> 🚨 আপনি যে কেস স্টাডিগুলো দেখেছেন তা নিয়ে ভাবুন - আপনি কি কখনো এমন কোনো নৈতিক চ্যালেঞ্জের মুখোমুখি হয়েছেন বা ক্ষতিগ্রস্ত হয়েছেন? আপনি কি এই বিভাগে আলোচনা করা নৈতিক চ্যালেঞ্জগুলোর মধ্যে অন্তত একটি চিত্রিত করে এমন অন্য কোনো কেস স্টাডি ভাবতে পারেন?
> 🚨 আপনি এখন পর্যন্ত যে ক্ষেত্র গবেষণাগুলি দেখেছেন ভাবুন - আপনার জীবনেও কি এরকম নৈতিক চ্যালেঞ্জের সম্মুখীন হয়েছেন বা প্রভাবিত হয়েছেন? আপনি কি কমপক্ষে আরেকটি ক্ষেত্র গবেষণার উদাহরণ দিতে পারেন যা এই সেকশনে আলোচিত নৈতিক চ্যালেঞ্জগুলির মধ্যে একটি তুলে ধরে?
## প্রয়োগকৃত নৈতিকতা
আমরা নৈতিকতার ধারণা, চ্যালেঞ্জ এবং বাস্তব জীবনের প্রেক্ষাপটে কেস স্টাডি নিয়ে আলোচনা করেছি। কিন্তু কীভাবে আমরা আমাদের প্রকল্পগুলোতে নৈতিক নীতিমালা এবং অনুশীলন _প্রয়োগ_ করতে শুরু করব? এবং কীভাবে আমরা এই অনুশীলনগুলোকে _কার্যকর_ করব ভালো শাসনের জন্য? আসুন কিছু বাস্তব সমাধান অন্বেষণ করি:
আমরা নৈতিকতা ধারণা, চ্যালেঞ্জ এবং বাস্তব জীবনের ক্ষেত্রে ক্ষেত্র গবেষণাগুলো নিয়ে আলোচনা করেছি। কিন্তু আমরা কীভাবে আমাদের প্রকল্পগুলিতে নৈতিক নীতিমালা এবং অনুশীলন প্রয়োগ শুরু করব? আমরা কীভাবে এই অনুশীলনগুলোকে ভাল শাসনের জন্য কার্যকর করব? আসুন কিছু বাস্তব উদাহরণ দেখি:
### ১. পেশাদার কোড
### ১. পেশাগত কোডসমূহ
পেশাদার কোডগুলো সংস্থাগুলোর জন্য একটি বিকল্প প্রদান করে তাদের নৈতিক নীতিমালা এবং মিশন বিবৃতিকে সমর্থন করার জন্য সদস্যদের "উৎসাহিত" করতে। কোডগুলো পেশাদার আচরণের জন্য _নৈতিক নির্দেশিকা_ প্রদান করে, যা কর্মচারী বা সদস্যদের তাদের সংস্থার নীতিমালার সাথে সামঞ্জস্যপূর্ণ সিদ্ধান্ত নিতে সাহায্য করে। এগুলো শুধুমাত্র সদস্যদের স্বেচ্ছাসেবী সম্মতির উপর নির্ভর করে কার্যকর; তবে, অনেক সংস্থা সদস্যদের সম্মতি উৎসাহিত করতে অতিরিক্ত পুরস্কার এবং শাস্তি প্রদান করে।
পেশাগত কোডগুলি একটি প্রতিষ্ঠানকে তাদের সদস্যদের তাদের নৈতিক নীতিমালা এবং মিশন স্টেটমেন্টের সাথে সামঞ্জস্য রেখে সিদ্ধান্ত নেওয়ার জন্য "প্রেরণা" দিতে সাহায্য করে। কোডগুলো পেশাগত আচরণের _নৈতিক নির্দেশিকা_, যা কর্মচারী বা সদস্যদের তাদের প্রতিষ্ঠানের নীতিমালার সাথে সমন্বয়ে সিদ্ধান্ত নিতে সহায়তা করে। কোডগুলো কেবল সদস্যদের স্বেচ্ছাসেবী সম্মতি পর্যন্ত কার্যকর; তবে অনেক প্রতিষ্ঠান অতিরিক্ত পুরস্কার ও শাস্তির মাধ্যমে সদস্যদের সম্মতি অর্জনে প্রেরণা দেয়।
উদাহরণগুলো অন্তর্ভুক্ত:
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) নৈতিকতার কোড
* [ডেটা সায়েন্স অ্যাসোসিয়েশন](http://datascienceassn.org/code-of-conduct.html) আচরণবিধি (২০১৩ সালে তৈরি)
* [ACM নৈতিকতা এবং পেশাদার আচরণের কোড](https://www.acm.org/code-of-ethics) (১৯৯৩ সাল থেকে)
উদাহরণসমূহ:
> 🚨 আপনি কি কোনো পেশাদার ইঞ্জিনিয়ারিং বা ডেটা সায়েন্স সংস্থার সদস্য? তাদের সাইটটি অন্বেষণ করুন এবং দেখুন তারা কি একটি পেশাদার নৈতিকতার কোড সংজ্ঞায়িত করেছে। এটি তাদের নৈতিক নীতিমালা সম্পর্কে কী বলে? তারা কীভাবে সদস্যদের কোড অনুসরণ করতে "উৎসাহিত" করছে?
* [অক্সফোর্ড মিউনিখ](http://www.code-of-ethics.org/code-of-conduct/) নৈতিকতা কোড
* [ডেটা সায়েন্স অ্যাসোসিয়েশন](http://datascienceassn.org/code-of-conduct.html) আচরণ কোড (২০১৩ সালে তৈরি)
* [এসি এম নৈতিকতা ও পেশাগত আচরণ কোড](https://www.acm.org/code-of-ethics) (১৯৯৩ থেকে)
### ২. নৈতিকতার চেকলিস্ট
> 🚨 আপনি কি কোনো পেশাগত প্রকৌশল বা ডেটা সায়েন্স প্রতিষ্ঠানের সদস্য? তাদের সাইট দেখুন তাদের পেশাগত নৈতিকতা কোড আছে কি না। তা তাদের নৈতিক নীতিমালা সম্পর্কে কী বলে? তারা কীভাবে সদস্যদের কোড অনুসরণ করতে "প্রেরণা" দিচ্ছে?
যখন পেশাদার কোডগুলো অনুশীলনকারীদের প্রয়োজনীয় _নৈতিক আচরণ_ সংজ্ঞায়িত করে, তখন তারা [পরিচিত সীমাবদ্ধতা](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) নিয়ে আসে প্রয়োগে, বিশেষত বৃহৎ প্রকল্পগুলোতে। পরিবর্তে, অনেক ডেটা সায়েন্স বিশেষজ্ঞ [চেকলিস্টের](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) পক্ষে যুক্তি দেন, যা **নীতিগুলোকে অনুশীলনে সংযুক্ত** করতে পারে আরও নির্ধারক এবং কার্যকর উপায়ে।
### ২. নৈতিকতা চেকলিস্ট
চেকলিস্টগুলো প্রশ্নগুলোকে "হ্যাঁ/না" কাজগুলোতে রূপান্তর করে যা কার্যকর করা যায়, যা স্ট্যান্ডার্ড প্রোডাক্ট রিলিজ ওয়ার্কফ্লো হিসেবে ট্র্যাক করা যায়।
যেখানে পেশাগত কোডগুলো অনুশীলনকারীদের থেকে প্রয়োজনীয় _নৈতিক আচরণ_ সংজ্ঞায়িত করে, সেখানে বড় প্রকল্পে প্রয়োগে তাদের [জানা সীমাবদ্ধতা](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) আছে। অনেক ডেটা সায়েন্স বিশেষজ্ঞের পক্ষে [চেকলিস্টগুলি প্রয়োজনীয়](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), যা **নীতি এবং অনুশীলনের মধ্যে সংযোগ স্থাপন** করে আরো নির্ধারিত ও বাস্তবায়নযোগ্য উপায়ে।
উদাহরণগুলো অন্তর্ভুক্ত:
* [Deon](https://deon.drivendata.org/) - [শিল্পের সুপারিশ](https://deon.drivendata.org/#checklist-citations) থেকে তৈরি একটি সাধারণ উদ্দেশ্য ডেটা নৈতিকতার চেকলিস্ট, যা সহজ ইন্টিগ্রেশনের জন্য একটি কমান্ড-লাইন টুল প্রদান করে।
* [গোপনীয়তা অডিট চেকলিস্ট](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - আইনি এবং সামাজিক এক্সপোজার দৃষ্টিকোণ থেকে তথ্য পরিচালনার অনুশীলনের জন্য সাধারণ নির্দেশিকা প্রদান করে।
* [AI ন্যায্যতার চেকলিস্ট](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI উন্নয়ন চক্রে ন্যায্যতার চেকগুলো গ্রহণ এবং সংহত করার জন্য AI অনুশীলনকারীদের দ্বারা তৈরি।
* [ডেটা এবং AI-তে নৈতিকতার জন্য ২২টি প্রশ্ন](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - আরও খোলা কাঠামো, নকশা, বাস্তবায়ন এবং সাংগঠনিক প্রেক্ষাপটে নৈতিক সমস্যাগুলোর প্রাথমিক অনুসন্ধানের জন্য গঠিত।
চেকলিস্টগুলি প্রশ্নগুলোকে "হ্যাঁ/না" টাস্কে রূপান্তর করে যা কার্যকর করা যায়, এবং এগুলো স্ট্যান্ডার্ড প্রোডাক্ট রিলিজ পরিচালনায় ট্র্যাক করা যায়।
### ৩. নৈতিকতার নিয়মকানুন
উদাহরণগুলিঃ
* [ডিওন](https://deon.drivendata.org/) - একটি সাধারণ উদ্দেশ্যের ডেটা নৈতিকতা চেকলিস্ট যা [শিল্প সুপারিশ](https://deon.drivendata.org/#checklist-citations) থেকে তৈরি এবং একটি কমান্ড-লাইন টুল সহ সহজ সমন্বয়ের জন্য।
* [গোপনীয়তা নিরীক্ষা চেকলিস্ট](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - আইনি ও সামাজিক ঝুঁকি দৃষ্টিকোণ থেকে তথ্য পরিচালনার জন্য সাধারণ নির্দেশিকা দেয়।
* [AI ন্যায়পরায়ণতা চেকলিস্ট](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI উন্নয়ন চক্রে ন্যায়পরায়ণতা পরীক্ষা একীভূত করার জন্য AI অনুশীলনকারীদের দ্বারা নির্মিত।
* [ডেটা ও AI এ নৈতিকতার জন্য ২২টি প্রশ্ন](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - একটি মুক্ত ফ্রেমওয়ার্ক যা নৈতিক বিষয়গুলোর প্রাথমিক অনুসন্ধানের জন্য নকশা, বাস্তবায়ন ও সংস্থাগত প্রেক্ষাপটে কাঠামোবদ্ধ।
নৈতিকতা হলো ভাগ করা মূল্যবোধ সংজ্ঞায়িত করা এবং _স্বেচ্ছায়_ সঠিক কাজ করা। **অনুগত্য** হলো _আইন অনুসরণ করা_ যদি এবং যেখানে সংজ্ঞায়িত করা হয়। **শাসন** ব্যাপকভাবে সমস্ত উপায়কে কভার করে যার মাধ্যমে সংস্থাগুলো নৈতিক নীতিমালা প্রয়োগ করতে এবং প্রতিষ্ঠিত আইন মেনে চলতে পরিচালিত হয়।
### ৩. নৈতিকতা নিয়মকানুন
আজ, শাসন সংস্থাগুলোর মধ্যে দুটি রূপ নেয়। প্রথমত, এটি **নৈতিক AI** নীতিমালা সংজ্ঞায়িত করা এবং সংস্থার সমস্ত AI-সম্পর্কিত প্রকল্পে গ্রহণের কার্যকরী অনুশীলন প্রতিষ্ঠা করা। দ্বিতীয়ত, এটি সংস্থার পরিচালিত অঞ্চলের জন্য সমস্ত সরকার-নির্ধারিত **ডেটা সুরক্ষা নিয়মকানুন** মেনে চলা।
নিতিকথা বলতে বোঝায় ভাগ করে নেওয়া মূল্যবোধ নির্ধারণ এবং সঠিক কাজ স্বেচ্ছায় করা। **অনুসরণ** হলো যেখানে আইন সংজ্ঞায়িত আছে সেখানে _আইন মেনে চলা_। **শাসনব্যবস্থা** broadly অর্থে প্রতিষ্ঠানের সকল উপায়সমূহ যা নৈতিক নীতিমালা বাস্তবায়ন এবং প্রতিষ্ঠিত আইন মেনে চলা নিশ্চিত করে।
ডেটা সুরক্ষা এবং গোপনীয়তার নিয়মকানুনের উদাহরণ:
* `১৯৭৪`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ফেডারেল সরকার_ দ্বারা ব্যক্তিগত তথ্য সংগ্রহ, ব্যবহার এবং প্রকাশ নিয়ন্ত্রণ করে।
* `১৯৯৬`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ব্যক্তিগত স্বাস্থ্য ডেটা সুরক্ষা করে।
* `১৯৯৮`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - ১৩ বছরের কম বয়সী শিশুদের ডেটা গোপনীয়তা সুরক্ষা করে।
* `২০১৮`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ব্যবহারকারীর অধিকার, ডেটা সুরক্ষা এবং গোপনীয়তা প্রদান করে।
* `২০১৮`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - ভোক্তাদের তাদের (ব্যক্তিগত) ডেটার উপর আরও _অধিকার_ প্রদান করে।
* `২০২১`, চীনের [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) সম্প্রতি পাস হয়েছে, যা বিশ্বব্যাপী অনলাইনে ডেটা গোপনীয়তার সবচেয়ে শক্তিশালী নিয়মকানুন তৈরি করেছে।
গতানুগতিকভাবে, শাসন ব্যবস্থা দুই রূপে প্রতিষ্ঠানে বিদ্যমান। প্রথমে, এটি প্রতিষ্ঠানের সব AI-সম্পর্কিত প্রকল্পে গ্রহণযোগ্য নৈতিক AI নীতিমালা সংজ্ঞায়িত ও বাস্তবায়নের কথা বলে। দ্বিতীয়ত, এটি প্রতিষ্ঠানের কাজ করার অঞ্চলের সকল সরকারী নির্দেশিত **ডেটা সুরক্ষা নিয়মকানুন** মেনে চলা নিশ্চিত করে।
> 🚨 ইউরোপীয় ইউনিয়ন দ্বারা সংজ্ঞায়িত GDPR (General Data Protection Regulation) আজকের দিনে সবচেয়ে প্রভাবশালী ডেটা গোপনীয়তার নিয়মকানুনগুলোর মধ্যে একটি। আপনি কি জানেন এটি নাগরিকদের ডিজিটাল গোপনীয়তা এবং ব্যক্তিগত ডেটা সুরক্ষার জন্য [৮টি ব্যবহারকারীর অধিকার](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) সংজ্ঞায়িত করে? এগুলো কী এবং কেন গুরুত্বপূর্ণ তা জানুন।
ডেটা সুরক্ষা ও গোপনীয়তা নিয়মকানুনের উদাহরণ:
### ৪. নৈতিকতার সংস্কৃতি
* `১৯৭৪`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ফেডারেল সরকারকে_ ব্যক্তিগত তথ্য সংগ্রহ, ব্যবহার এবং প্রকাশ নিয়ন্ত্রণ করে।
* `১৯৯৬`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ব্যক্তিগত স্বাস্থ্য তথ্য রক্ষা করে।
* `১৯৯৮`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - ১৩ বছরের নিচে শিশুদের গোপনীয়তা সুরক্ষা করে।
* `২০১৮`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ব্যবহারকারীর অধিকার, ডেটা সুরক্ষা এবং গোপনীয়তা প্রদান করে।
* `২০১৮`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) গ্রাহকদের তাদের (ব্যক্তিগত) ডেটা সম্পর্কে আরো _অধিকার_ দেয়।
* `২০২১`, চীনের [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) সম্প্রতি পাশ হয়েছে, যা বিশ্বের অন্যতম শক্তিশালী অনলাইন ডেটা গোপনীয়তা নিয়মকানুন তৈরি করেছে।
> 🚨 ইউরোপীয় ইউনিয়ন দ্বারা সংজ্ঞায়িত GDPR (জেনারেল ডেটা প্রটেকশন রেগুলেশন) আজকের সবচেয়ে প্রভাবশালী ডেটা গোপনীয়তা নিয়মকানুনগুলির একটি। আপনি কি জানেন এতে [৮টি ব্যবহারকারীর অধিকার](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) সংজ্ঞায়িত রয়েছে যা নাগরিকদের ডিজিটাল গোপনীয়তা ও ব্যক্তিগত ডেটা সুরক্ষা করে? জানুন এগুলো কী এবং কেন এগুলো গুরুত্বপূর্ণ।
### ৪. নৈতিকতা সংস্কৃতি
মনে রাখবেন যে _অনুমোদন_ (আইনের "অক্ষর" মেটানোর জন্য যথেষ্ট করা) এবং [সিস্টেমিক সমস্যা](https://www.coursera.org/learn/data-science-ethics/home/week/4) (যেমন, শক্তিবৃদ্ধি, তথ্য অসমতা, এবং বণ্টনমূলক অন্যায়) এই দুইয়ের মধ্যে একটি অমূর্ত ফাঁক রয়েছে যা AI-এর অস্ত্রায়ণকে দ্রুত করতে পারে।
পেছনে আলোচনা করা [সহযোগিতামূলক পদ্ধতিতে নৈতিকতা সংস্কৃতি সংজ্ঞায়িত করা](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) দরকার যা অনুভূতিপূর্ণ সংযোগ ও শিল্পের _সাম্প্রতিক_ সাংঘাতিক শেয়ার্ড মূল্যবোধ তৈরি করে। এটি প্রতিষ্ঠানে [গঠনমূলক নৈতিকতা সংস্কৃতি](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) প্রয়োজন - যাতে _যে কেউ_ [অ্যান্ডন কর্ড টানতে](https://en.wikipedia.org/wiki/Andon_(manufacturing)) পারে (প্রক্রিয়ার শুরুর দিকে নৈতিক উদ্বেগ উত্থাপন করার জন্য) এবং _নৈতিক মূল্যায়ন_ (যেমন, নিয়োগে) AI প্রকল্পে একটি মূল মানদণ্ড হয়।
---
## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## পর্যালোচনা ও স্ব-পড়াশোনা
লক্ষ্য করুন যে _অনুগত্য_ (আইনের "অক্ষর" পূরণ করার জন্য যথেষ্ট করা) এবং [পদ্ধতিগত সমস্যাগুলো](https://www.coursera.org/learn/data-science-ethics/home/week/4) (যেমন, অস্থিরতা, তথ্যের অসমতা, এবং বিতরণগত অন্যায্যতা) সমাধান করার মধ্যে একটি অদৃশ্য ফাঁক রয়ে গেছে যা AI-এর অস্ত্রায়নকে ত্বরান্বিত করতে পারে।
কোর্স ও বইগুলি নৈতিক ধারণা ও চ্যালেঞ্জ বোঝার জন্য সাহায্য করে, যেখানে ক্ষেত্র গবেষণা ও সরঞ্জামগুলির মাধ্যমে বাস্তব জীবনে প্রয়োগকৃত নৈতিকতার অনুশীলন শেখা যায়। শুরু করতে কিছু সম্পদ নিচে দেওয়া হলো।
পরবর্তীটি [নৈতিকতার সংস্কৃতি সংজ্ঞায়িত করার জন্য সহযোগিতামূলক পদ্ধতির](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) আহ্বান করে যা শিল্পের মধ্যে সংস্থাগুলোর মধ্যে আবেগগত সংযোগ এবং ধারাবাহিক ভাগ করা মূল্যবোধ তৈরি করে। এটি সংস্থাগুলোতে আরও [আনুষ্ঠানিক ডেটা নৈতিকতার সংস্কৃতি](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) তৈরি করার আহ্বান জানায় - যা _যেকোনো ব্যক্তিকে_ [অ্যান্ডন কর্ড টানতে](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (প্রক্রিয়ার শুরুতেই নৈতিক উদ্বেগ উত্থাপন করতে) এবং AI প্রকল্পে দল গঠ
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft-এর পক্ষ থেকে ন্যায্যতা নিয়ে পাঠ।
* [Principles of Responsible AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn-এর বিনামূল্যের শিক্ষার পথ।
* [Ethics and Data Science](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ইবুক (M. Loukides, H. Mason প্রমুখ)
* [Data Science Ethics](https://www.coursera.org/learn/data-science-ethics#syllabus) - মিশিগান বিশ্ববিদ্যালয়ের অনলাইন কোর্স।
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - টেক্সাস বিশ্ববিদ্যালয়ের কেস স্টাডি।
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - মাইক্রোসফট থেকে ন্যায়পরায়ণতা বিষয়ক পাঠ।
* [দায়িত্বশীল AI এর নীতিমালা](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - মাইক্রোসফট লার্ন থেকে বিনামূল্যের লার্নিং পাথ।
* [নৈতিকতা এবং ডেটা বিজ্ঞান](https://resources.oreilly.com/examples/0636920203964) - ও'রাইলি ইবুক (M. Loukides, H. Mason et. al)
* [ডেটা বিজ্ঞান নৈতিকতা](https://www.coursera.org/learn/data-science-ethics#syllabus) - মিশিগান বিশ্ববিদ্যালয়ের অনলাইন কোর্স।
* [এথিক্স আনওয়াপড](https://ethicsunwrapped.utexas.edu/case-studies) - টেক্সাস বিশ্ববিদ্যালয়ের কেস স্টাডিজ।
# অ্যাসাইনমেন্ট
# অ্যাসাইনমেন্ট
[ডেটা নৈতিকতার একটি কেস স্টাডি লিখুন](assignment.md)
[একটি ডেটা নৈতিকতা কেস স্টাডি লিখুন](assignment.md)
---
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

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

@ -1,7 +1,7 @@
{
"1-Introduction/01-defining-data-science/README.md": {
"original_hash": "43212cc1ac137b7bb1dcfb37ca06b0f4",
"translation_date": "2025-10-25T18:45:29+00:00",
"translation_date": "2026-07-02T11:41:54+00:00",
"source_file": "1-Introduction/01-defining-data-science/README.md",
"language_code": "mr"
},
@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:18:56+00:00",
"translation_date": "2026-07-02T11:43:37+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "mr"
},

172
translations/mr/1-Introduction/01-defining-data-science/README.md
Unescape View File

@ -1,141 +1,169 @@
# डेटा सायन्सची व्याख्या
# डेटासायन्सची व्याख्या
| ![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) द्वारे ](../../sketchnotes/01-Definitions.png) |
| :----------------------------------------------------------------------------------------------------: |
| डेटा सायन्सची व्याख्या - _[@nitya](https://twitter.com/nitya) द्वारे स्केच नोट_ |
| ![ [(@sketchthedocs)](https://sketchthedocs.dev) कडून स्केचनोट ](../../sketchnotes/01-Definitions.png) |
| :--------------------------------------------------------------------------------------------------: |
| डेटासायन्सची व्याख्या - _[@nitya](https://twitter.com/nitya) कडून स्केचनोट_ |
---
[![डेटा सायन्सची व्याख्या व्हिडिओ](../../../../translated_images/mr/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
[![डेटासायन्सची व्याख्या व्हिडिओ](../../../../translated_images/mr/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ds/quiz/0)
## [पूर्व-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ds/quiz/0)
## डेटा म्हणजे काय?
आपल्या दैनंदिन जीवनात, आपण सतत डेटाने वेढलेले असतो. तुम्ही सध्या वाचत असलेला मजकूर हा डेटा आहे. तुमच्या स्मार्टफोनमध्ये तुमच्या मित्रांचे फोन नंबर असलेली यादी डेटा आहे, तसेच तुमच्या घड्याळावर दिसणारा सध्याचा वेळ देखील डेटा आहे. मानव म्हणून, आपण नैसर्गिकरित्या डेटा वापरतो, जसे की आपल्याकडे असलेले पैसे मोजणे किंवा आपल्या मित्रांना पत्र लिहिणे.
आपल्या दैनंदिन जीवनात आपण सतत डेटाने वेढलेले असतो. तुम्ही सध्या जे वाचत आहात ते डेटा आहे. तुमच्या मित्रांचे फोन नंबर तुमच्या स्मार्टफोनमधील यादी डेटा आहे तर तुमच्या घड्याळावर दर्शवलेला सध्याचा वेळही डेटा आहे. मानव म्हणून आपण नैसर्गिकपणे डेटा वापरतो, जसे आपण आपल्याकडे असलेले पैसे मोजतो किंवा मित्रांना पत्र लिहितो.
तथापि, संगणकांच्या निर्मितीसह डेटा अधिक महत्त्वाचा झाला. संगणकांचे प्राथमिक कार्य गणना करणे आहे, परंतु त्यांना कार्य करण्यासाठी डेटाची आवश्यकता असते. त्यामुळे, संगणक डेटा कसा साठवतो आणि प्रक्रिया करतो हे समजून घेणे आपल्याला आवश्यक आहे.
तथापि, संगणकांच्या निर्मितीमुळे डेटा खूप महत्त्वाचा झाला. संगणकांची मुख्य भूमिका गणना करणे असली तरी त्यांना ऑपरेशनसाठी डेटाची गरज असते. त्यामुळे, संगणक कसे डेटा संग्रहित करतात आणि प्रक्रिया करतात हे समजून घेणे आवश्यक आहे.
इंटरनेटच्या उदयासह, डेटा हाताळण्याच्या उपकरणे म्हणून संगणकांची भूमिका वाढली. जर तुम्ही विचार केला तर, आपण आता संगणकांचा वापर गणनांसाठी कमी आणि डेटा प्रक्रिया व संवादासाठी अधिक करत आहोत. जेव्हा आपण मित्राला ई-मेल लिहितो किंवा इंटरनेटवर काही माहिती शोधतो - तेव्हा आपण मूलतः डेटा तयार करतो, साठवतो, प्रसारित करतो आणि त्यावर प्रक्रिया करतो.
> तुम्ही शेवटच्या वेळी संगणकाचा वापर काहीतरी गणना करण्यासाठी कधी केला होता?
इंटरनेटच्या उदयासह, डेटा हाताळणीसाठी संगणकांची भूमिका वाढली आहे. विचार करा, आपण आता संगणकांचा वापर जास्त करून डेटा प्रक्रिया आणि संवादासाठी करतो, प्रत्यक्ष गणना करण्यासाठी नव्हे. जेव्हा आपण मित्राला ई-मेल लिहितो किंवा इंटरनेटवर काही माहिती शोधतो - आपण मूलतः डेटा निर्मिती, संग्रहण, प्रसारण आणि प्रक्रियेसाठी काम करत असतो.
> तुम्हाला शेवटच्या वेळी संगणकांचा वापर प्रत्यक्ष गणना काहीतरी करण्यासाठी केव्हा केला होता हे आठवते का?
## डेटा सायन्स म्हणजे काय?
## डेटासायन्स म्हणजे काय?
[विकिपीडिया](https://en.wikipedia.org/wiki/Data_science) मध्ये, **डेटा सायन्स** ची व्याख्या *वैज्ञानिक पद्धतींचा वापर करून संरचित आणि असंरचित डेटामधून ज्ञान आणि अंतर्दृष्टी काढण्यासाठी आणि विविध अनुप्रयोग क्षेत्रांमध्ये डेटा कडून मिळालेल्या ज्ञानाचा आणि कृतीक्षम अंतर्दृष्टीचा उपयोग करण्यासाठी वैज्ञानिक क्षेत्र* म्हणून केली आहे.
[विकिपीडिया](https://en.wikipedia.org/wiki/Data_science) नुसार, **डेटासायन्स** म्हणजे *संरचित आणि असंरचित डेटामधून ज्ञान आणि अंतर्दृष्टी काढण्यासाठी वैज्ञानिक पद्धती वापरणारा वैज्ञानिक क्षेत्र आणि डेटामधून मिळालेले ज्ञान व उपयुक्त अंतर्दृष्टी विविध वापर क्षेत्रांमध्ये लागू करणे*.
ही व्याख्या डेटा सायन्सचे खालील महत्त्वाचे पैलू अधोरेखित करते:
ही व्याख्या डेटासायन्सच्या खालील महत्त्वाच्या पैलूंना अधोरेखित करते:
* डेटा सायन्सचे मुख्य उद्दिष्ट म्हणजे डेटामधून **ज्ञान काढणे**, म्हणजे डेटा **समजून घेणे**, काही लपलेले संबंध शोधणे आणि **मॉडेल** तयार करणे.
* डेटा सायन्स **वैज्ञानिक पद्धतींचा** वापर करते, जसे की संभाव्यता आणि सांख्यिकी. खरं तर, जेव्हा *डेटा सायन्स* हा शब्द प्रथम सादर करण्यात आला, तेव्हा काही लोकांनी असा युक्तिवाद केला की डेटा सायन्स हे फक्त सांख्यिकीसाठी एक नवीन आकर्षक नाव आहे. आजकाल हे स्पष्ट झाले आहे की हे क्षेत्र खूप व्यापक आहे.
* प्राप्त झालेले ज्ञान काही **कृतीक्षम अंतर्दृष्टी** तयार करण्यासाठी लागू केले पाहिजे, म्हणजेच वास्तविक व्यवसाय परिस्थितीत लागू करता येणाऱ्या व्यावहारिक अंतर्दृष्टी.
* आपल्याला **संरचित** आणि **असंरचित** डेटा दोन्हीवर कार्य करण्यास सक्षम असले पाहिजे. आम्ही नंतर अभ्यासक्रमात डेटा प्रकारांवर चर्चा करू.
* **अनुप्रयोग क्षेत्र** हा एक महत्त्वाचा संकल्पना आहे, आणि डेटा सायंटिस्ट्सना समस्या क्षेत्रात किमान काही प्रमाणात तज्ज्ञता असणे आवश्यक आहे, उदाहरणार्थ: वित्त, औषध, विपणन इत्यादी.
* डेटासायन्सचा मुख्य उद्दिष्ट म्हणजे डेटामधून **ज्ञान काढणे**, म्हणजेच डेटाला **समजून घेणे**, काही लपलेले संबंध शोधणे आणि एक **मॉडेल** तयार करणे.
* डेटासायन्समध्ये **वैज्ञानिक पद्धती**, जसे की संभाव्यता आणि संख्याशास्त्र वापरल्या जातात. प्रत्यक्षपणे, जेव्हा डेटासायन्स हा शब्द प्रथम परिचयला गेला तेव्हा काही लोक म्हणाले की डेटासायन्स ही फक्त संख्याशास्त्रासाठी एक नवीन नाव आहे. आता स्पष्ट झाले आहे की हे क्षेत्र खूप व्यापक आहे.
* प्राप्त ज्ञानाचा उपयोग काही **उपयुक्त अंतर्दृष्टी** निर्माण करण्यासाठी केला पाहिजे, म्हणजेच व्यावहारिक अंतर्दृष्टी ज्याचा उपयोग खऱ्या व्यवसायाच्या परिस्थितींमध्ये करता येईल.
* आपल्याला दोन्ही प्रकारच्या डेटा वापरता येणे गरजेचे आहे - **संरचित** आणि **असंरचित** डेटा. आपण पुढील कोर्समध्ये डेटाच्या विविध प्रकारांवर परत येणार आहोत.
* **अर्ज क्षेत्र** हा एक महत्त्वाचा संकल्पना आहे, आणि डेटासायन्समध्ये काम करणाऱ्यांना अनेकदा संबंधित क्षेत्रातील (उदाहरणार्थ: वित्त, औषधशास्त्र, विपणन, इ.) काही प्रमाणात तज्ज्ञता असणे गरजेचे असते.
> डेटा सायन्सचा आणखी एक महत्त्वाचा पैलू म्हणजे डेटा संगणकांचा वापर करून कसा गोळा, साठवला आणि कार्य केला जाऊ शकतो याचा अभ्यास करणे. सांख्यिकी आपल्याला गणितीय पाया देते, तर डेटा सायन्स गणितीय संकल्पना लागू करून डेटामधून प्रत्यक्ष अंतर्दृष्टी काढते.
> डेटासायन्सचा आणखी एक महत्त्वाचा पैलू म्हणजे तो अभ्यासतो की डेटा संगणकांद्वारे कसा गोळा करावा, संग्रहित करावा आणि प्रक्रिया करावी. जिथे सांख्यिकी आपल्याला गणितीय आधार देते, तिथे डेटासायन्स गणिती संकल्पना प्रत्यक्षात वापरून डेटातून अंतर्दृष्टी काढते.
[जिम ग्रे](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) यांच्या मते, डेटा सायन्सकडे विज्ञानाचा एक स्वतंत्र पॅराडाइम म्हणून पाहण्याचा एक मार्ग आहे:
* **प्रायोगिक**, ज्यामध्ये आपण प्रामुख्याने निरीक्षणे आणि प्रयोगांच्या परिणामांवर अवलंबून असतो
* **सैद्धांतिक**, जिथे विद्यमान वैज्ञानिक ज्ञानातून नवीन संकल्पना उदयास येतात
* **संगणकीय**, जिथे आपण काही संगणकीय प्रयोगांवर आधारित नवीन तत्त्वे शोधतो
* **डेटा-आधारित**, डेटामधील संबंध आणि नमुने शोधण्यावर आधारित
डेटासायन्स पाहण्याचा एक मार्ग (जो [Jim Gray](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) यांना श्रेय दिला जातो) म्हणजे डेटासायन्स हा विज्ञानाचा स्वतंत्र प्रकार मानणे:
* **प्रायोगिक**, ज्यामध्ये मुख्यत्वे निरीक्षणे आणि प्रयोगांचे निकाल वापरले जातात
* **सैद्धांतिक**, जिथे नवीन संकल्पना विद्यमान वैज्ञानिक ज्ञानातून उदयास येतात
* **संगणकीय**, जिथे नवीन तत्व झाले काही संगणकीय प्रयोगांच्या आधारे शोधले जातात
* **डेटा-चालित**, डेटामधील संबंध आणि नमुने शोधण्यावर आधारित
## संबंधित इतर क्षेत्रे
## इतर संबंधित क्षेत्रे
डेटा सर्वत्र असल्याने, डेटा सायन्स स्वतः एक विस्तृत क्षेत्र आहे, जे अनेक इतर शिस्तींचा समावेश करते.
डेटा सर्वत्र असल्यामुळे, डेटासायन्स स्वतःसुद्धा एक विस्तृत क्षेत्र आहे, जे अनेक अन्य शाखांना स्पर्श करते.
<dl>
<dt>डेटाबेस</dt>
<dd>
डेटा <b>कसा साठवायचा</b> हे एक महत्त्वाचे विचार आहे, म्हणजेच त्याची रचना अशा प्रकारे कशी करावी की ती जलद प्रक्रिया करण्यास अनुमती देईल. संरचित आणि असंरचित डेटा साठवणारे विविध प्रकारचे डेटाबेस आहेत, जे <a href="../../2-Working-With-Data/README.md">आमच्या अभ्यासक्रमात आम्ही विचारात घेऊ</a>.
महत्त्वाची बाब म्हणजे डेटा कसा **संग्रहित** करायचा, म्हणजे तो असा कसा रचायचा ज्यामुळे प्रक्रिया वेगवान होईल. **संरचित** आणि **असंरचित** डेटा संग्रहित करणारे विविध प्रकारचे डेटाबेस असतात, ज्यांचा अभ्यास आपला <a href="../../2-Working-With-Data/README.md">कोर्समध्ये</a> केला जाईल.
</dd>
<dt>बिग डेटा</dt>
<dd>
अनेकदा आपल्याला तुलनेने सोप्या रचनेच्या खूप मोठ्या प्रमाणात डेटा साठवण्याची आणि प्रक्रिया करण्याची आवश्यकता असते. संगणक क्लस्टरवर डेटा वितरित पद्धतीने साठवण्यासाठी आणि कार्यक्षमतेने प्रक्रिया करण्यासाठी विशेष पद्धती आणि साधने आहेत.
आपल्याला अनेक वेळा खूप मोठ्या प्रमाणात डेटा संग्रहित करावा लागतो जो तुलनेने सोप्या रचनेचा असतो. अशा डेटाला वितरित संगणक समूहावर संग्रहित करून योग्य प्रकारे प्रक्रिया करण्यासाठी खास उपाय आणि साधने वापरली जातात.
</dd>
<dt>मशीन लर्निंग</dt>
<dd>
डेटा समजून घेण्याचा एक मार्ग म्हणजे <b>मॉडेल तयार करणे</b> जे इच्छित परिणामाची भविष्यवाणी करू शकेल. डेटामधून मॉडेल विकसित करणे याला <b>मशीन लर्निंग</b> म्हणतात. याबद्दल अधिक जाणून घेण्यासाठी तुम्ही आमच्या <a href="https://aka.ms/ml-beginners">मशीन लर्निंग फॉर बिगिनर्स</a> अभ्यासक्रमाकडे पाहू शकता.
डेटा समजून घेण्याचा एक मार्ग म्हणजे एखादे मॉडेल तयार करणे जे हव्या असलेल्या निकालाची भविष्यवाणी करू शकेल. डेटातून मॉडेल तयार करणे म्हणजेच **मशीन लर्निंग** होय. याबद्दल अधिक जाणून घेण्यासाठी आपला <a href="https://aka.ms/ml-beginners">Machine Learning for Beginners</a> अभ्यासक्रम पाहू शकता.
</dd>
<dt>कृत्रिम बुद्धिमत्ता</dt>
<dd>
मशीन लर्निंगचा एक भाग म्हणून ओळखले जाणारे कृत्रिम बुद्धिमत्ता (AI) देखील डेटावर अवलंबून असते आणि यात मानवी विचार प्रक्रियेची नक्कल करणारी उच्च जटिलता मॉडेल तयार करणे समाविष्ट आहे. AI पद्धती अनेकदा आपल्याला असंरचित डेटा (उदा. नैसर्गिक भाषा) संरचित अंतर्दृष्टीमध्ये बदलण्यास अनुमती देतात.
मशीन लर्निंगचा एक भाग असलेले कृत्रिम बुद्धिमत्ता (AI) देखील डेटावर आधारित आहे आणि मानवी विचार प्रक्रियेचे अनुकरण करणारे जटिल मॉडेल तयार करते. AI पद्धती अनेकदा असंरचित डेटाला (उदा. नैसर्गिक भाषा) संरचित अंतर्दृष्टीत रूपांतरित करू शकतात.
</dd>
<dt>व्हिज्युअलायझेशन</dt>
<dt>दृश्यांकन</dt>
<dd>
मोठ्या प्रमाणात डेटा मानवीसाठी समजण्यायोग्य नसतो, परंतु एकदा आपण त्या डेटाचा उपयोग करून उपयुक्त व्हिज्युअलायझेशन तयार केल्यावर, आपण डेटा अधिक चांगल्या प्रकारे समजू शकतो आणि काही निष्कर्ष काढू शकतो. त्यामुळे, माहिती व्हिज्युअलायझेशनचे अनेक मार्ग जाणून घेणे महत्त्वाचे आहे - काहीतरी जे आम्ही आमच्या अभ्यासक्रमाच्या <a href="../../3-Data-Visualization/README.md">भाग 3</a> मध्ये कव्हर करू. संबंधित क्षेत्रांमध्ये <b>इन्फोग्राफिक्स</b>, आणि <b>मानव-संगणक संवाद</b> यांचा समावेश आहे.
मोठ्या प्रमाणावर डेटा एका मनुष्याला समजून घेणे अवघड असते, परंतु जेव्हा आपण त्या डेटाचा उपयोग करून उपयुक्त दृश्यांकन तयार करतो, तेव्हा आपल्याला डेटाचा अर्थ उलगडण्यास मदत होते आणि आपण काही निष्कर्ष काढू शकतो. त्यामुळे माहितीचे दृश्यांकन कसे करायचे हे जाणून घेणे महत्त्वाचे आहे - जो विषय आपला <a href="../../3-Data-Visualization/README.md">सेक्शन 3</a> मध्ये मांडला जाईल. संबंधित क्षेत्रांमध्ये <b>इन्फोग्राफिक्स</b> आणि <b>मानव-संगणक संवाद</b> देखील समाविष्ट आहेत.
</dd>
</dl>
## डेटा प्रकार
जसे आपण आधीच उल्लेख केले आहे, डेटा सर्वत्र आहे. आपल्याला फक्त योग्य प्रकारे ते कॅप्चर करणे आवश्यक आहे! **संरचित** आणि **असंरचित** डेटा यामध्ये फरक करणे उपयुक्त आहे. पहिला प्रकार सामान्यतः काही चांगल्या प्रकारे संरचित स्वरूपात दर्शविला जातो, अनेकदा टेबल किंवा टेबल्सच्या स्वरूपात, तर दुसरा प्रकार फक्त फाइल्सचा संग्रह असतो. कधी कधी आपण **अर्ध-संरचित** डेटाबद्दल देखील बोलतो, ज्यामध्ये काही प्रकारची रचना असते जी मोठ्या प्रमाणात बदलू शकते.
जसे आपण आधीच म्हटले आहे, डेटा सर्वत्र आहे. फक्त त्याला योग्य प्रकारे कॅप्चर करणे आवश्यक आहे! आपण **संरचित** आणि **असंरचित** डेटा यामध्ये फरक करणे उपयुक्त आहे. पूर्वीचा डेटा बहुधा एक व्यवस्थित रूपात असतो, अनेकदा टेबल अथवा अनेक टेबल्सच्या स्वरूपात असतो, तर नंतरचा डेटा फक्त काही फायलींचा संग्रह असतो. कधी कधी आपण **अर्ध-संरचित** डेटा याबद्दलही बोलू शकतो, ज्यामध्ये काही प्रकारची रचना असते परंतु ती फारसा फरक करू शकते.
| संरचित | अर्ध-संरचित | असंरचित |
| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
| लोकांची यादी त्यांच्या फोन नंबरसह | लिंकसह विकिपीडिया पृष्ठे | एनसायक्लोपीडिया ब्रिटानिका मजकूर |
| गेल्या 20 वर्षांतील प्रत्येक मिनिटाला इमारतीतील सर्व खोल्यांचे तापमान | लेखक, प्रकाशनाची तारीख आणि सारांशासह JSON स्वरूपात वैज्ञानिक पेपरांचा संग्रह | कॉर्पोरेट दस्तऐवजांसह फाइल शेअर |
| इमारतीत प्रवेश करणाऱ्या सर्व लोकांचे वय आणि लिंग डेटा | इंटरनेट पृष्ठे | देखरेख कॅमेरामधून कच्चा व्हिडिओ फीड |
| संरचित | अर्ध-संरचित | असंरचित |
| -------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- | ----------------------------------- |
| लोकांची फोन नंबरसह यादी | व्हिकिपीडिया पानं आणि लिंक | एन्सायक्लोपीडिया ब्रिटानिका मजकुर |
| एका इमारतीतील प्रत्येक खोलीचा तापमान गेल्या 20 वर्षांसाठी प्रत्येक मिनिटाला | वैज्ञानिक कागदपत्रांचा JSON फॉरमॅटमधील संग्रह, ज्यात लेखक, प्रकाशनाची तारीख, आणि सारांश आहे | कॉर्पोरेट दस्तऐवजांसाठी फायलींंचा शेअर |
| इमारतीमध्ये प्रवेश करणाऱ्या वयोगट आणि लिंगाचा डेटा | इंटरनेट पानं | देखरेख कॅमेर्‍याने तयार केलेला सदोष व्हिडिओ फीड |
## डेटा कुठे मिळवायचा
## डेटा कुठून मिळेल?
डेटा मिळवण्यासाठी अनेक संभाव्य स्रोत आहेत, आणि त्यांची यादी करणे अशक्य होईल! तथापि, आपण डेटा मिळवण्यासाठी काही सामान्य ठिकाणांचा उल्लेख करूया:
डेटा मिळण्यासाठी अनेक शक्यता आहेत, आणि त्यातील सर्वांचा उल्लेख करणे अशक्य आहे! तरीही, काही पूर्णपणे सामान्य ठिकाणांचा उल्लेख करूया जिथे तुम्हाला डेटा मिळू शकतो:
* **संरचित**
- **इंटरनेट ऑफ थिंग्स** (IoT), ज्यामध्ये विविध सेन्सर्समधून डेटा मिळतो, जसे की तापमान किंवा दाब सेन्सर्स, उपयुक्त डेटा प्रदान करतात. उदाहरणार्थ, जर कार्यालयीन इमारत IoT सेन्सर्सने सुसज्ज असेल, तर आपण खर्च कमी करण्यासाठी स्वयंचलितपणे हीटिंग आणि लाइटिंग नियंत्रित करू शकतो.
- **सर्वेक्षणे** जी आपण वापरकर्त्यांना खरेदी केल्यानंतर किंवा वेबसाइटला भेट दिल्यानंतर पूर्ण करण्यास सांगतो.
- **वर्तन विश्लेषण** उदाहरणार्थ, आम्हाला समजून घेण्यास मदत करू शकते की वापरकर्ता साइटमध्ये किती खोलवर जातो आणि साइट सोडण्याचे सामान्य कारण काय आहे.
- **इंटरनेट ऑफ थिंग्ज (IoT)**, जसे तापमान किंवा दाब सेन्सर्स यांसारख्या विविध सेन्सर्समधून डेटा मिळतो, जो खूप उपयुक्त ठरतो. उदाहरणार्थ, जर एखाद्या कार्यालयीन इमारतीत IoT सेन्सर्स बसवलेले असतील तर आपण आपोआपच उष्मा आणि प्रकाशयोजना नियंत्रित करू शकतो ज्यामुळे खर्च कमी होतो.
- **सर्व्हे** ज्या आपण ग्राहकांना खरेदी नंतर किंवा एखाद्या वेब साइटला भेटल्यानंतर पूर्ण करण्यास सांगतो.
- **वर्तन विश्लेषण** उदाहरणार्थ, यामुळे आपल्याला समजते की वापरकर्ता साइटवर कितपत खोलवर जातो आणि मुख्य कारण काय आहे तेथेून निघण्याचं.
* **असंरचित**
- **मजकूर** अंतर्दृष्टीचा समृद्ध स्रोत असू शकतो, जसे की एकूण **भावनात्मक स्कोअर**, किंवा कीवर्ड आणि अर्थपूर्ण अर्थ काढणे.
- **प्रतिमा** किंवा **व्हिडिओ**. देखरेख कॅमेरामधून व्हिडिओ रस्त्यावर वाहतूक अंदाज करण्यासाठी वापरला जाऊ शकतो आणि लोकांना संभाव्य वाहतूक कोंडीबद्दल माहिती देऊ शकतो.
- वेब सर्व्हर **लॉग्स** वापरले जाऊ शकतात ज्यामुळे आपल्याला समजते की आमच्या साइटचे कोणते पृष्ठे सर्वाधिक वेळा भेट दिले जातात आणि किती वेळासाठी.
- **मजकूर** अंतर्दृष्टीचा समृद्ध स्रोत असू शकतो, जसे की एकूण **भावनिक गुणांकन** किंवा कीवर्ड आणि अर्थशास्त्रीय अर्थ काढणे.
- **प्रतिमा** किंवा **व्हिडिओ**. देखरेख कॅमेरा द्वारे घेतलेले व्हिडिओ रस्त्यावरचे वाहतूक अंदाज करायला व लोकांना संभाव्य ट्राफिक जाम्सची माहिती देयला वापरले जाऊ शकतो.
- वेब सर्व्हर **लॉग्स** आपल्या साइटवरील कोणती पानं सर्वात जास्त भेट दिली गेली आहेत व ते किती वेळ राहिले याचा अभ्यास करण्यासाठी वापरले जाऊ शकतात.
* अर्ध-संरचित
- **सोशल नेटवर्क** ग्राफ्स वापरकर्त्यांच्या व्यक्तिमत्त्वांबद्दल आणि माहिती पसरवण्यात संभाव्य प्रभावीतेबद्दल डेटा मिळवण्यासाठी उत्कृष्ट स्रोत असू शकतात.
- जेव्हा आमच्याकडे पार्टीमधील छायाचित्रांचा समूह असतो, तेव्हा आम्ही लोक एकमेकांसोबत छायाचित्रे घेत असलेल्या लोकांचा ग्राफ तयार करून **गट गतिकी** डेटा काढण्याचा प्रयत्न करू शकतो.
- **सोशल नेटवर्क** ग्राफ युजरच्या व्यक्तिमत्वाबद्दल तसेच माहिती पसरवण्याच्या कार्यक्षमतेबद्दल उत्तम स्रोत असू शकतात.
- एखाद्या पार्टीतील अनेक फोटो असल्यास, लोक एकमेकांसोबत फोटो काढण्याचा ग्राफ तयार करून **गट गतिशीलता** डेटा काढण्याचा प्रयत्न करू शकतो.
डेटाचे विविध संभाव्य स्रोत माहित असल्याने, तुम्ही डेटा सायन्स तंत्रज्ञान लागू करून परिस्थिती चांगल्या प्रकारे जाणून घेण्यासाठी आणि व्यवसाय प्रक्रियांमध्ये सुधारणा करण्यासाठी विविध परिस्थितींबद्दल विचार करू शकता.
डेटाच्या वेगवेगळ्या शक्य स्रोतांविषयी जाणून घेतल्याने तुम्ही विचार करू शकता की कोणत्या परिस्थितीत डेटासायन्स तंत्रांचा उपयोग करून परिस्थिती वरून अधिक चांगली माहिती मिळवू शकतो व व्यवसाय प्रक्रियेत सुधारणा करू शकतो.
## डेटा सह काय करता येईल
## डेटासह काय करू शकतो
डेटा सायन्समध्ये, आम्ही डेटा प्रवासाच्या खालील टप्प्यांवर लक्ष केंद्रित करतो:
डेटासायन्स मध्ये आपण डेटाच्या प्रवासाच्या खालील टप्प्यांवर लक्ष केंद्रित करतो:
<dl>
<dt>1) डेटा संकलन</dt>
<dt>1) डेटा प्राप्ती</dt>
<dd>
पहिला टप्पा म्हणजे डेटा गोळा करणे. अनेक प्रकरणांमध्ये, हे एक सोपे प्रक्रिया असू शकते, जसे की वेब अनुप्रयोगातून डेटाबेसमध्ये डेटा येणे, परंतु कधी कधी आपल्याला विशेष तंत्रांचा वापर करावा लागतो. उदाहरणार्थ, IoT सेन्सर्समधून डेटा प्रचंड प्रमाणात येऊ शकतो, आणि सर्व डेटा पुढील प्रक्रियेपूर्वी गोळा करण्यासाठी IoT हब सारख्या बफरिंग एंडपॉइंट्सचा वापर करणे चांगली प्रथा आहे.
सर्वप्रथम डेटा गोळा करणे आवश्यक आहे. अनेक वेळा डेटा एका वेब अ‍ॅप्लिकेशनकडून डेटाबेसमध्ये येणे हे सोपे असते, पण कधी कधी खास तंत्र वापरावे लागतात. उदाहरणार्थ, IoT सेन्सर्समधून डेटा फार मोठ्या प्रमाणात येऊ शकतो, त्यामुळे IoT हब सारखे बफरिंग एंडपॉइंट्स वापरून सर्व डेटा जमा करून नंतर प्रक्रिया करणे चांगले.
</dd>
<dt>2) डेटा साठवण</dt>
<dt>2) डेटा संग्रहण</dt>
<dd>
डेटा साठवणे आव्हानात्मक असू शकते, विशेषतः जर आपण मोठ्या डेटाबद्दल बोलत असाल. डेटा कसा साठवायचा हे ठरवताना, भविष्यात डेटा क्वेरी कसा करायचा आहे याचा अंदाज घेणे योग्य ठरेल. डेटा साठवण्याचे अनेक मार्ग आहेत:
डेटा संग्रहित करणे कठीण असू शकते, विशेषतः बिग डेटा बाबतीत. कोणती पद्धत वापरून डेटा संग्रहित करायचा ते ठरवताना भविष्यात कसा क्वेरी करू इच्छिता हे विचारात घ्या. डेटा संग्रहणासाठी अनेक मार्ग आहेत:
<ul>
<li>संबंधित डेटाबेस टेबल्सचा संग्रह साठवतो आणि SQL नावाच्या विशेष भाषेचा वापर करून त्यांना क्वेरी करतो. सामान्यतः, टेबल्स वेगवेगळ्या गटांमध्ये आयोजित केले जातात ज्याला स्कीम म्हणतात. अनेक प्रकरणांमध्ये, डेटा मूळ स्वरूपातून स्कीमामध्ये बसवण्यासाठी रूपांतरित करणे आवश्यक आहे.</li>
<li><a href="https://en.wikipedia.org
> तुम्ही असा युक्तिवाद करू शकता की हा दृष्टिकोन आदर्श नाही, कारण मॉड्यूल्सची लांबी वेगवेगळी असू शकते. कदाचित मॉड्यूलच्या लांबीने (अक्षरांच्या संख्येने) वेळ विभागणे अधिक न्याय्य ठरेल आणि त्या मूल्यांची तुलना करणे योग्य ठरेल.
<li>रिलेशनल डेटाबेसमध्ये टेबल्सचा संग्रह असतो व त्याला क्वेरी करण्यासाठी SQL नावाचा विशेष भाषा वापरली जाते. टेबल्स अनेक स्कीमांमध्ये विभागले जातात. अनेक वेळा मूळ स्वरूपापासून स्कीमेसाठी डेटा रूपांतरित करावा लागतो.</li>
<li><a href="https://en.wikipedia.org/wiki/NoSQL">NoSQL</a> डेटाबेस, जसे की <a href="https://azure.microsoft.com/services/cosmos-db/?WT.mc_id=academic-77958-bethanycheum">CosmosDB</a>, या डेटाबेसमध्ये स्कीमेस अनिवार्य नाहीत आणि जास्त गुंतागुंतीचा डेटा, जसे की अनुक्रमिक JSON दस्तऐवज किंवा ग्राफ्स संग्रहित करता येतो. मात्र, NoSQL डेटाबेसमध्ये SQL प्रमाणे प्रश्न विचारण्याच्या क्षमता इतक्या समृद्ध नसतात आणि ते डेटाच्या सारण्या आणि त्यांच्या संबंधांवरील नियमांची पूर्तता करू शकत नाहीत.</li>
<li><a href="https://en.wikipedia.org/wiki/Data_lake">डेटा लेक</a> संग्रहण मोठ्या प्रमाणात कच्च्या, असंरचित स्वरूपातील डेटासाठी वापरले जाते. डेटा लेक सामान्यतः बिग डेटा सोबत वापरले जातात, जिथे सर्व डेटा एका मशीनवर बसत नाही आणि ते अनेक सर्व्हरच्या क्लस्टरवर संग्रहित करून प्रक्रिया करावे लागते. <a href="https://en.wikipedia.org/wiki/Apache_Parquet">Parquet</a> डेटा फॉरमॅट जो बिग डेटासोबत सामान्य वापरात आहे.</li>
</ul>
</dd>
<dt>3) डेटा प्रक्रिया</dt>
<dd>
हा डेटा प्रवासाचा सर्वात रोमांचक भाग आहे, जेथे मूळ स्वरूपातील डेटा अशा स्वरूपात रूपांतरित केला जातो ज्याचा उपयोग दृश्यांकन किंवा मॉडेल प्रशिक्षणासाठी होऊ शकतो. असंरचित डेटा जसे की मजकूर किंवा प्रतिमा हाताळताना, आपण AI तंत्र वापरून डेटामधून **वैशिष्ट्ये** काढू शकतो ज्यामुळे तो संरचित रूप मिळतो.
</dd>
<dt>4) दृश्यांकन / मानवी अंतर्दृष्टी</dt>
<dd>
डेटा समजून घेण्यासाठी अनेक वेळा दृश्यांकन आवश्यक असते. विविध दृश्यांकन तंत्रे वापरून योग्य दृश्य शोधून अंतर्दृष्टी प्राप्त केली जाऊ शकते. बऱ्याच वेळा डेटासायन्सिस्ट "डेटासोबत खेळतो", अनेक वेळा दृश्यांकन करतो आणि काही संबंध शोधतो. त्याचबरोबर आपण संख्याशास्त्रीय तंत्रे वापरून गृहितक तपासू शकतो किंवा डेटाच्या वेगवेगळ्या तुकड्यांमधील सहसंबंध सिद्ध करू शकतो.
</dd>
<dt>5) भविष्यवाणी करणारे मॉडेल प्रशिक्षण</dt>
<dd>
डेटासायन्सचा मुख्य उद्दिष्ट म्हणजे डेटाच्या आधारावर निर्णय घेणे असते, म्हणून आपण <a href="http://github.com/microsoft/ml-for-beginners">मशीन लर्निंग</a> तंत्र वापरून भविष्यवाणी करणारे मॉडेल तयार करू शकतो. त्यानंतर नवीन समान रचनेच्या डेटासेटसह या मॉडेलाचा वापर करून भविष्यवाणी केली जाऊ शकते.
</dd>
</dl>
यादीत, वास्तविक डेटानुसार काही टप्पे सुटू शकतात (उदा., जर डेटा आधीच डेटाबेसमध्ये असेल, किंवा मॉडेल प्रशिक्षण आवश्यक नसेल) किंवा काही टप्पे अनेकदा पुनरावृत्ती होऊ शकतात (जसे की डेटा प्रक्रिया).
## डिजिटलीकरण आणि डिजिटल परिवर्तन
गेल्या दशकात अनेक व्यवसायांनी डेटाच्या महत्त्वाची जाणीव केली आहे जेव्हा व्यवसाय निर्णय घेतले जातात. व्यवसाय चालवण्यासाठी डेटासायन्सचे तत्त्व लागू करण्यासाठी प्रथम डेटा गोळा करणे आवश्यक आहे, म्हणजेच व्यवसाय प्रक्रियांना डिजिटल स्वरूपात रूपांतरित करणे. याला **डिजिटलीकरण** म्हणतात. या डेटावर आधारित निर्णय घेण्यासाठी डेटासायन्स तंत्राचा वापर केल्याने उत्पादनक्षमता प्रचंड वाढू शकते (किंवा व्यवसायाचा केंद्रीय मार्ग बदलेल), ज्याला **डिजिटल परिवर्तन** म्हणतात.
उदाहरण घेऊया. समजा आपल्याकडे एक डेटासायन्स कोर्स आहे (असा या कोर्सप्रमाणे) जो आपण ऑनलाईन विद्यार्थ्यांना देतो, आणि आपण त्यात सुधारणा करण्यासाठी डेटासायन्सचा वापर करू इच्छितो. आपण हे कसे करू शकतो?
आपण विचार करू शकतो "काय डिजिटल करता येईल?" सर्वात सोपा मार्ग म्हणजे प्रत्येक विद्यार्थ्यांकडून प्रत्येक मॉड्यूल पूर्ण करण्यासाठी लागलेल्या वेळा मोजणे आणि प्रत्येक मॉड्यूलच्या शेवटी बहुविकल्पीय चाचणी देऊन ज्ञान मोजणे. सर्व विद्यार्थ्यांच्या वेळेचा सरासरी काढून आपण शोधू शकतो की कोणते मॉड्यूल्स विद्यार्थ्यांसाठी सर्वात कठीण ठरतात, आणि त्यावर सुधारणा करू शकतो.
> आपण असे म्हणू शकता की हा दृष्टिकोन आदर्श नाही, कारण मॉड्युल्सची लांबी वेगवेगळी असू शकते. कदाचित वेळ मॉड्युलच्या लांबीने (अक्षरांच्या संख्येने) विभागणे आणि त्या मूल्यांची तुलना करणे अधिक योग्य ठरेल.
जेव्हा आपण बहुपर्यायी चाचण्यांचे निकाल विश्लेषित करण्यास सुरुवात करतो, तेव्हा आपण ठरवू शकतो की विद्यार्थ्यांना कोणत्या संकल्पना समजण्यात अडचण येत आहे आणि त्या माहितीचा उपयोग सामग्री सुधारण्यासाठी करू शकतो. हे करण्यासाठी, आपल्याला चाचण्या अशा प्रकारे डिझाइन कराव्या लागतील की प्रत्येक प्रश्न विशिष्ट संकल्पना किंवा ज्ञानाच्या तुकड्याशी संबंधित असेल.
जेव्हा आपण बहुपर्यायी चाचण्यांचे निकाल विश्लेषित करू लागतो, तेव्हा आपण ठरवू शकतो की विद्यार्थी कोणत्या संकल्पनांना समजायला त्रास होतोय, आणि त्या माहितीचा वापर करून विषय सुधारू शकतो. तसे करण्यासाठी, आपल्याला अशी चाचणी तयार करावी लागेल ज्यात प्रत्येक प्रश्न ठराविक संकल्पना किंवा ज्ञानाच्या तुकड्याशी संबंधित असेल.
जर आपण आणखी गुंतागुंतीचे व्हायचे असेल, तर आपण प्रत्येक मॉड्यूलसाठी घेतलेला वेळ विद्यार्थ्यांच्या वयोगटाच्या विरोधात प्लॉट करू शकतो. आपल्याला असे आढळू शकते की काही वयोगटांसाठी मॉड्यूल पूर्ण करण्यासाठी अत्यधिक वेळ लागतो किंवा विद्यार्थ्यांनी ते पूर्ण करण्यापूर्वीच सोडून दिले आहे. हे आपल्याला मॉड्यूलसाठी वयाच्या शिफारसी देण्यास मदत करू शकते आणि चुकीच्या अपेक्षांमुळे होणारा असमाधान कमी करू शकते.
जर आपण आणखी गुंतागुंतीची गोष्ट करू इच्छित असू, तर आपण प्रत्येक मॉड्युलसाठी लागलेला वेळ आणि विद्यार्थ्यांच्या वयाच्या वर्गाला यांच्यात विश्लेषण करू शकतो. आपल्याला असे आढळू शकते की काही वयोगटांसाठी मॉड्युल पूर्ण करण्यास असामान्यपणे जास्त वेळ लागू शकतो, किंवा विद्यार्थी ते पूर्ण करण्याआधी सोडून देतात. यामुळे आपल्याला मॉड्युलसाठी वयाच्या अनुशंसाही देता येतील, आणि चुकीच्या अपेक्षांमुळे लोकांच्या असंतोषाला टाळता येईल.
## 🚀 आव्हान
या आव्हानात, आपण डेटा सायन्स क्षेत्राशी संबंधित संकल्पना शोधण्याचा प्रयत्न करू, ते मजकूर पाहून. आपण डेटा सायन्सवरील विकिपीडिया लेख घेऊ, मजकूर डाउनलोड आणि प्रक्रिया करू, आणि नंतर खालीलप्रमाणे एक वर्ड क्लाउड तयार करू:
या आव्हानात, आपण वाचन करून डेटा सायन्सच्या क्षेत्राशी संबंधित संकल्पना शोधून काढण्याचा प्रयत्न करू. आपण डेटा सायन्सवरील विकिपीडिया लेख घेऊन त्यातील मजकूर डाउनलोड करू, प्रक्रिया करू आणि नंतर अशा प्रकारचा शब्दमेघ तयार करू:
![डेटा सायन्ससाठी वर्ड क्लाउड](../../../../translated_images/mr/ds_wordcloud.664a7c07dca57de0.webp)
![Word Cloud for Data Science](../../../../translated_images/mr/ds_wordcloud.664a7c07dca57de0.webp)
कोड वाचण्यासाठी [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') ला भेट द्या. तुम्ही कोड चालवू शकता आणि तो प्रत्यक्षात डेटा ट्रान्सफॉर्मेशन कसे करतो ते पाहू शकता.
कोड समजून घेण्यासाठी [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') येथे भेट द्या. आपण कोड चालवूनही पाहू शकता, आणि सर्व डेटा रूपांतरे वास्तविक वेळेत कशी होतात ते पाहू शकता.
> जर तुम्हाला जुपिटर नोटबुकमध्ये कोड कसा चालवायचा हे माहित नसेल, तर [हा लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) वाचा.
> आपण जिपिटर नोटबुकमध्ये कोड कसा चालवायचा हे माहित नसेल, तर [हा लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) पहा.
## [व्याख्यानानंतरची क्विझ](https://ff-quizzes.netlify.app/en/ds/quiz/1)
## [व्याख्यानानंतरचा क्विझ](https://ff-quizzes.netlify.app/en/ds/quiz/1)
## असाइनमेंट्स
## कामे
* **कार्य 1**: वरील कोड बदलून **बिग डेटा** आणि **मशीन लर्निंग** क्षेत्रांसाठी संबंधित संकल्पना शोधा.
* **कार्य 2**: [डेटा सायन्स परिदृश्यांवर विचार करा](assignment.md)
* **काम 1**: वरील कोडमध्ये बदल करून **बिग डेटा** आणि **मशीन लर्निंग** या क्षेत्रांसाठी संबंधित संकल्पना शोधा
* **काम 2**: [डेटा सायन्सच्या परिस्थितींवर विचार करा](assignment.md)
## क्रेडिट्स
## श्रेय
ही शिकवण ♥️ सह [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांनी तयार केली आहे.
हा धडा ♥️ सह [डमित्री सोशनिकोव्ह](http://soshnikov.com) यांनी authored केला आहे
---
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपयास लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

317
translations/mr/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,242 +1,267 @@
# डेटा नैतिकतेची ओळख
# डेटा एथिक्स परिचय
|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|![ [(@sketchthedocs)](https://sketchthedocs.dev) कडून स्केचनोट ](../../sketchnotes/02-Ethics.png)|
|:---:|
| डेटा सायन्स नैतिकता - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
| डेटा सायन्स एथिक्स - _[@nitya](https://twitter.com/nitya) कडून स्केचनोट_ |
---
आपण सर्वजण डेटा-आधारित जगात डेटा नागरिक म्हणून राहतो.
आपण सर्व डेटा-निवासी आहोत जे डेटा-केंद्रित जगात राहतो.
बाजारातील ट्रेंड्स सूचित करतात की 2022 पर्यंत, 1-इन-3 मोठ्या संस्थांनी ऑनलाइन [Marketplaces and Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) च्या माध्यमातून आपला डेटा खरेदी आणि विक्री केली असेल. **अ‍ॅप डेव्हलपर्स** म्हणून, आपल्याला डेटा-आधारित अंतर्दृष्टी आणि अल्गोरिदम-आधारित ऑटोमेशन आपल्या दैनंदिन वापरकर्ता अनुभवांमध्ये समाविष्ट करणे सोपे आणि स्वस्त वाटेल. परंतु जेव्हा AI सर्वत्र पसरते, तेव्हा आपल्याला अशा अल्गोरिदमच्या [weaponization](https://www.youtube.com/watch?v=TQHs8SA1qpk) मुळे होणाऱ्या संभाव्य हानींचा मोठ्या प्रमाणावर विचार करावा लागेल.
मार्केट ट्रेंड्सनुसार, २०२२ पर्यंत, ३ पैकी १ मोठ्या संस्थांनी आपला डेटा ऑनलाइन [मर्केटप्लेस आणि एक्सचेंजेस](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) द्वारे विकत घेणे आणि विकणे सुरू केले असेल. म्हणून **अ‍ॅप डेव्हलपर्स** म्हणून, डेटा-आधारित अंतर्दृष्टी आणि अल्गोरिदम-चालित ऑटोमेशन रोजच्या वापरकर्त्यांच्या अनुभवात समाकलित करणे सोपे आणि स्वस्त होईल. पण AI व्यापक होत असताना, त्याच अल्गोरिदमच्या [शस्त्रीकरणाचा](https://www.youtube.com/watch?v=TQHs8SA1qpk) प्रमाण मोठ्या प्रमाणात होण्यामुळे होणार्‍या संभाव्य हानिंचीदेखील आपल्याला समजून घ्यावी लागेल.
ट्रेंड्स सूचित करतात की 2025 पर्यंत, आपण [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) डेटा निर्माण आणि वापर करू. **डेटा सायंटिस्ट्स** साठी, या माहितीच्या स्फोटामुळे वैयक्तिक आणि वर्तनात्मक डेटावर अभूतपूर्व प्रवेश मिळतो. यामुळे तपशीलवार वापरकर्ता प्रोफाइल तयार करण्याची आणि निर्णय घेण्यावर सूक्ष्मपणे प्रभाव टाकण्याची क्षमता मिळते—अनेकदा [illusion of free choice](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) निर्माण करण्याच्या मार्गाने. हे वापरकर्त्यांना प्राधान्य दिलेल्या परिणामांकडे ढकलण्यासाठी वापरले जाऊ शकते, परंतु यामुळे डेटा गोपनीयता, स्वायत्तता आणि अल्गोरिदमच्या प्रभावाच्या नैतिक मर्यादांबद्दल गंभीर प्रश्न निर्माण होतात.
ट्रेंड्सनुसार, २०२५ पर्यंत आपण [१८० झेटाबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) पेक्षा अधिक डेटा उत्पादित व वापरू. **डेटा सायंटिस्ट्स** साठी, ही माहितीच्या या विस्फोटाने वैयक्तिक व वर्तनात्मक डेटावर अभूतपूर्व प्रवेश उपलब्ध केला आहे. यामुळे तपशीलवार वापरकर्ता प्रोफाइल्स तयार करण्याची व निर्णयांवर सूक्ष्मपणे प्रभाव टाकण्याची शक्ती प्राप्त होते—जे अनेकदा [मुक्त निवडीची भ्रमनिर्मिती](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) करतात. या शक्तीचा वापर प्राधान्यित परिणामाकडे वापरकर्त्यांना लावताना होऊ शकतो, पण यात डेटा गोपनीयता, स्वायत्तता आणि अल्गोरिदमिक प्रभावाच्या नैतिक मर्यादांबाबत महत्त्वाचे प्रश्न तयार होतात.
डेटा नैतिकता आता डेटा सायन्स आणि अभियांत्रिकीसाठी _आवश्यक मार्गदर्शक_ बनली आहे, ज्यामुळे डेटा-आधारित कृतींमुळे होणाऱ्या संभाव्य हानी आणि अनपेक्षित परिणाम कमी होतात. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल नैतिकता, जबाबदार AI, आणि AI गव्हर्नन्समधील संबंधित ट्रेंड्स ओळखतो, जे AI च्या _लोकशाहीकरण_ आणि _औद्योगिकीकरण_ च्या मोठ्या प्रवृत्तींना चालना देणारे प्रमुख घटक आहेत.
डेटा एथिक्स आता डेटा सायन्स आणि अभियांत्रणासाठी _आवश्यक रस्ता-बाधा_ आहेत, जे आपल्याला संभाव्य हानिंचा व अनपेक्षित परिणामांचा शमन करण्यास मदत करतात. [गार्टनर हायप सायकल फॉर AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल एथिक्स, जबाबदार AI व AI प्रशासनातील संबंधित ट्रेंड्सना ओळखतो जे AI च्या _लोकशाहीकरण_ आणि _औद्योगिकीकरण_ च्या मोठ्या मेगाट्रेंड्सचे मुख्य चालक आहेत.
![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
![गार्टनरचा AI साठी हायप सायकल - २०२०](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
या धड्यात, आपण डेटा नैतिकतेच्या आकर्षक क्षेत्राचा अभ्यास करू - मूलभूत संकल्पना आणि आव्हाने, केस स्टडीज आणि गव्हर्नन्ससारख्या लागू केलेल्या AI संकल्पनांपर्यंत - जे डेटा आणि AI सह काम करणाऱ्या संघ आणि संस्थांमध्ये नैतिकतेची संस्कृती निर्माण करण्यात मदत करतात.
या धड्यात आपण डेटा एथिक्स च्या मोहक क्षेत्राचा अभ्यास करू - मुख्य संकल्पना आणि आव्हाने, प्रकरण अभ्यास व लागू AI संकल्पना जसे की प्रशासन - जे संघ व संस्थांमध्ये डेटा व AI सह कार्य करताना एथिक्स संस्कृती निर्माण करण्यात मदत करतात.
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## [पूर्व-वाचन क्विझ](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## मूलभूत संज्ञा
## मूलभूत व्याख्याएँ
चला मूलभूत शब्दावली समजून घेण्यापासून सुरुवात करूया.
आपण मूलभूत शब्दसंग्रह समजून घेऊन सुरुवात करू.
"नैतिकता" हा शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (आणि त्याचा मूळ "ethos") पासून आला आहे ज्याचा अर्थ _स्वभाव किंवा नैतिक स्वरूप_ असा आहे.
"एथिक्स" शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (आणि त्याचा मूळ "ethos") पासून आलेला आहे, ज्याचा अर्थ _चरित्र किंवा नैतिक स्वभाव_ असा होतो.
**नैतिकता** म्हणजे समाजात आपल्या वर्तनावर नियंत्रण ठेवणाऱ्या सामायिक मूल्ये आणि नैतिक तत्त्वे. नैतिकता कायद्यांवर आधारित नसून "योग्य विरुद्ध अयोग्य" याबद्दल व्यापकपणे स्वीकारलेल्या मानदंडांवर आधारित असते. तथापि, नैतिक विचार कॉर्पोरेट गव्हर्नन्स उपक्रमांवर आणि अनुपालनासाठी अधिक प्रोत्साहन निर्माण करणाऱ्या सरकारी नियमांवर प्रभाव टाकू शकतात.
**एथिक्स** म्हणजे आपल्या समाजातील वर्तणुकीला मार्गदर्शन करणाऱ्या सामायिक मूल्ये आणि नैतिक तत्त्वे. एथिक्स कायद्यांवर नाही तर जे "योग्य व चुकीचे" म्हणून रुजलेले आहे त्यावर आधारित असते. मात्र, नैतिक विचारणे कॉर्पोरेट प्रशासन उपक्रमांना आणि शासकीय नियमांनाही प्रभावित करू शकतात ज्यामुळे पालन करण्यासाठी अधिक प्रोत्साहने तयार होतात.
**डेटा नैतिकता** ही [नवीन नैतिकतेची शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) आहे जी "_डेटा, अल्गोरिदम आणि संबंधित पद्धती_" यांच्याशी संबंधित नैतिक समस्यांचा अभ्यास आणि मूल्यांकन करते. येथे, **"डेटा"** निर्मिती, नोंदणी, व्यवस्थापन, प्रक्रिया, प्रसार, सामायिकरण आणि वापराशी संबंधित क्रियांवर लक्ष केंद्रित करते, **"अल्गोरिदम"** AI, एजंट्स, मशीन लर्निंग आणि रोबोट्सवर लक्ष केंद्रित करते, आणि **"पद्धती"** जबाबदार नवकल्पना, प्रोग्रामिंग, हॅकिंग आणि नैतिकता कोड्स यासारख्या विषयांवर लक्ष केंद्रित करते.
**डेटा एथिक्स** ही [एथिक्सची नवीन शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) आहे जी "_डेटा, अल्गोरिदम आणि संबंधित व्यवहारांशी_ संबंधित नैतिक समस्या" यांचा अभ्यास करते व मूल्यांकन करते. येथे, **"डेटा"** निर्मिती, नोंदणी, संकलन, प्रक्रिया, प्रसार, सामायिकरण आणि वापराशी संबंधित क्रियांवर केंद्रित आहे, **"अल्गोरिदम"** AI, एजंट्स, मशीन लर्निंग, आणि रोबोट्सवर लक्ष केंद्रित करतो, आणि **"व्यवहार"** जबाबदार नवोन्नती, प्रोग्रामिंग, हॅकिंग, आणि एथिक्स कोड्स सारखे विषय हाताळतात.
**लागू नैतिकता** म्हणजे [नैतिक विचारांचा व्यावहारिक उपयोग](https://en.wikipedia.org/wiki/Applied_ethics). हे _वास्तविक जगातील कृती, उत्पादने आणि प्रक्रिया_ यांच्या संदर्भात नैतिक समस्यांचा सक्रियपणे तपास करण्याची प्रक्रिया आहे आणि परिभाषित नैतिक मूल्यांशी सुसंगत राहण्यासाठी सुधारात्मक उपाययोजना करणे.
**लागू एथिक्स** म्हणजे [नैतिक विचारांचे व्यावहारिक लागू करणे](https://en.wikipedia.org/wiki/Applied_ethics). हा हा प्रक्रिया आहे जी प्रत्यक्ष जगाच्या क्रिया, उत्पादने व प्रक्रियांच्या संदर्भात नैतिक समस्यांचा अभ्यास करते व आवश्यक ते सुधारात्मक उपाय करते जेणेकरून ते आपल्या परिभाषित नैतिक मूल्यात अनुरूप राहतील.
**नैतिकता संस्कृती** म्हणजे [_लागू नैतिकतेचे_ कार्यान्वयन](https://hbr.org/2019/05/how-to-design-an-ethical-organization) जेणेकरून आपल्या नैतिक तत्त्वे आणि पद्धती संपूर्ण संस्थेत सातत्यपूर्ण आणि स्केलेबल पद्धतीने स्वीकारल्या जातील. यशस्वी नैतिकता संस्कृती संस्थात्मक स्तरावर नैतिक तत्त्वे परिभाषित करते, अनुपालनासाठी अर्थपूर्ण प्रोत्साहन प्रदान करते आणि संस्थेच्या प्रत्येक स्तरावर इच्छित वर्तन प्रोत्साहित करून आणि वाढवून नैतिकता मानदंड मजबूत करते.
**एथिक्स संस्कृती** म्हणजे [_लागू एथिक्सची कार्यान्वितीकरण_](https://hbr.org/2019/05/how-to-design-an-ethical-organization), ज्या द्वारे आपल्या नैतिक तत्त्वे व व्यवहार एकसंध आणि प्रमाणबद्ध पद्धतीने संपूर्ण संस्थेत स्वीकारले जातात याची खात्री केली जाते. यशस्वी एथिक्स संस्कृती संस्थान्वयीन नैतिक तत्त्वांची व्याख्या करतात, पालनासाठी अर्थपूर्ण प्रोत्साहने पुरवतात, आणि संस्थेच्या प्रत्येक स्तरावर प्रवृत्तींना प्रोत्साहन देऊन एथिक्सचे नियम मजबूत करतात.
## नैतिकता संकल्पना
## एथिक्स संकल्पना
या विभागात, आपण **सामायिक मूल्ये** (तत्त्वे) आणि **नैतिक आव्हाने** (समस्या) यासारख्या संकल्पनांवर चर्चा करू - आणि **केस स्टडीज** एक्सप्लोर करू जे तुम्हाला वास्तविक जगातील संदर्भात या संकल्पना समजून घेण्यास मदत करतील.
या विभागात आपण डेटा एथिक्ससाठी **सामायिक मूल्ये** (तत्त्वे) आणि **नैतिक आव्हाने** (समस्या) यांसारख्या संकल्पनांवर चर्चा करू - आणि **प्रकरण अभ्यास** पाहू जे तुम्हाला या संकल्पना प्रत्यक्ष जगात कशा अर्थपूर्ण ठरतात हे समजावून देतील.
### 1. नैतिकता तत्त्वे
### १. एथिक्स तत्त्वे
प्रत्येक डेटा नैतिकता धोरण _नैतिक तत्त्वे_ परिभाषित करण्यापासून सुरू होते - "सामायिक मूल्ये" जी स्वीकारार्ह वर्तनाचे वर्णन करतात आणि आपल्या डेटा आणि AI प्रकल्पांमध्ये अनुपालन कृतींना मार्गदर्शन करतात. तुम्ही ही तत्त्वे वैयक्तिक किंवा संघ स्तरावर परिभाषित करू शकता. तथापि, बहुतेक मोठ्या संस्था कॉर्पोरेट स्तरावर परिभाषित केलेल्या आणि सर्व संघांमध्ये सातत्याने लागू केलेल्या _नैतिक AI_ मिशन स्टेटमेंट किंवा फ्रेमवर्कमध्ये यांचे वर्णन करतात.
प्रत्येक डेटा एथिक्स धोरण _नैतिक तत्त्वे_ परिभाषित करण्यापासून सुरू होते - ज्या "सामायिक मूल्यांनी" स्वीकारार्ह वर्तन स्पष्ट होते, आणि अनुपालन व्यवहारांना मार्गदर्शन मिळते, आपल्या डेटा व AI प्रकल्पांसाठी. तुम्ही हे वैयक्तिक किंवा संघ स्तरावर निश्चित करू शकता. मात्र, अनेक मोठ्या संस्था हे कॉर्पोरेट स्तरावर परिभाषित केलेल्या _नैतिक AI_ मिशन स्टेटमेंट किंवा फ्रेमवर्कमध्ये ठरवून संपूर्ण टीम्सवर सुसंगतपणे अंमलात आणतात.
**उदाहरण:** Microsoft च्या [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन स्टेटमेंटमध्ये असे म्हटले आहे: _"आम्ही लोकांना प्रथम स्थान देणाऱ्या नैतिक तत्त्वांद्वारे AI च्या प्रगतीसाठी वचनबद्ध आहोत"_ - खालील फ्रेमवर्कमध्ये 6 नैतिक तत्त्वे ओळखली आहेत:
**उदाहरण:** मायक्रोसॉफ्टचा [जबाबदार AI](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन स्टेटमेंट म्हणतो: _"आम्ही मानवी प्रथम प्राधान्य द्यालेल्या नैतिक तत्त्वांनी प्रेरित AI च्या प्रगतीसाठी कटिबद्ध आहोत"_ - ज्यामध्ये खाली दिलेला ६ नैतिक तत्त्वांचा समावेश आहे:
![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
![मायक्रोसॉफ्टमधील जबाबदार AI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
चला या तत्त्वांचा थोडक्यात अभ्यास करूया. _पारदर्शकता_ आणि _जबाबदारी_ ही मूलभूत मूल्ये आहेत ज्यावर इतर तत्त्वे आधारित आहेत - त्यामुळे तिथून सुरुवात करूया:
चला थोडक्यात या तत्त्वांचा अभ्यास करूयात. _पारदर्शकता_ आणि _जबाबदारी_ मूलभूत मूल्ये आहेत ज्यावर बाकी तत्त्वे बांधलेली आहेत - तर चला तिथून सुरू करूया:
* [**जबाबदारी**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) डेटा आणि AI ऑपरेशन्ससाठी आणि या नैतिक तत्त्वांचे अनुपालन सुनिश्चित करण्यासाठी व्यावसायिकांना _जबाबदार_ बनवते.
* [**पारदर्शकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) सुनिश्चित करते की डेटा आणि AI क्रिया वापरकर्त्यांसाठी _समजण्यासारख्या_ (अर्थ लावण्यायोग्य) आहेत, निर्णयांच्या मागील काय आणि का स्पष्ट करते.
* [**न्याय**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI सर्व लोकांशी _न्यायाने_ वागते याची खात्री करण्यावर लक्ष केंद्रित करते, डेटा आणि प्रणालींमधील कोणत्याही प्रणालीगत किंवा अप्रत्यक्ष सामाजिक-तांत्रिक पक्षपातांना संबोधित करते.
* [**विश्वसनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI _सुसंगतपणे_ परिभाषित मूल्यांसह वागते याची खात्री करते, संभाव्य हानी किंवा अनपेक्षित परिणाम कमी करते.
* [**गोपनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डेटा वंशावळ समजून घेणे आणि वापरकर्त्यांना _डेटा गोपनीयता आणि संबंधित संरक्षण_ प्रदान करणे याबद्दल आहे.
* [**समावेशकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI सोल्यूशन्स हेतूने डिझाइन करण्याबद्दल आहे, त्यांना _विविध मानवी गरजा_ आणि क्षमता पूर्ण करण्यासाठी अनुकूलित करणे.
* [**जबाबदारी**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) म्हणजे डेटा व AI ऑपरेशन्स आणि या नैतिक तत्त्वांचे पालन करण्यासाठी करणाऱ्यांना _जबाबदार_ ठरविणे.
* [**पारदर्शकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) म्हणजे डेटा व AI कृती _समजण्याजोग्या_ (व्याख्यायोग्य) असाव्यात, निर्णयांमागील काय आणि का स्पष्ट करणे.
* [**न्याय्यपणा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI सर्व लोकांशी न्याय्य वागेल याची खात्री करणे, डेटामध्ये आणि सिस्टममध्ये असलेल्या कोणत्याही सामाजिक-तांत्रिक पूर्वग्रहांना दूर करणे.
* [**विश्वसनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI परिभाषित मूल्यांनुसार _सुसंगत_ वागेल याची खात्री करणे, संभाव्य हानिंची किंवा अनपेक्षित परिणामांची तीव्रता कमी करणे.
* [**गोपनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डेटा मूल स्रोत समजणे आणि वापरकर्त्यांना _डेटा गोपनीयता आणि संबंधित संरक्षणे_ प्रदान करणे.
* [**समावेशकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI उपाय योजनेत हेतूपुरस्सर डिझाईन करणे, ते मानवी गरजा व क्षमतांच्या _विस्तृत श्रेणीस_ अनुरूप करणे.
> 🚨 तुमचे डेटा नैतिकता मिशन स्टेटमेंट काय असू शकते याचा विचार करा. इतर संस्थांकडून नैतिक AI फ्रेमवर्क एक्सप्लोर करा - येथे [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), आणि [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) चे उदाहरणे आहेत. त्यांच्यात कोणती सामायिक मूल्ये आहेत? ते AI उत्पादन किंवा उद्योगाशी कसे संबंधित आहेत ज्यामध्ये ते कार्य करतात?
> 🚨 विचार करा की तुमचा डेटा एथिक्स मिशन स्टेटमेंट कसा असू शकतो. इतर संस्थांच्या नैतिक AI फ्रेमवर्कची माहिती घ्या - येथे [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), आणि [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) या मधील उदाहरणे आहेत. त्यांचे कोणते सामायिक मूल्य आहेत? हे तत्त्वे त्यांच्या AI उत्पादन किंवा उद्योगाशी कसे संबंधित आहेत?
### 2. नैतिकता आव्हाने
### २. एथिक्स आव्हाने
एकदा आपण नैतिक तत्त्वे परिभाषित केली की, पुढील पायरी म्हणजे आपल्या डेटा आणि AI क्रिया त्या सामायिक मूल्यांशी जुळतात की नाही याचे मूल्यांकन करणे. तुमच्या कृतींचा विचार दोन श्रेणींमध्ये करा: _डेटा संकलन_ आणि _अल्गोरिदम डिझाइन_.
एकदा आपण नैतिक तत्त्वे निश्चित केली, नंतर आपल्या डेटा आणि AI कृती त्या सामायिक मूल्यांशी सुसंगत आहेत का हे तपासायला पाहिजे. तुमच्या कृती दोन वर्गात विचार करा: _डेटा गोळा करणे_ आणि _अल्गोरिदम डिझाइन_.
डेटा संकलनासह, कृतींमध्ये **वैयक्तिक डेटा** किंवा ओळखण्यायोग्य जिवंत व्यक्तींसाठी वैयक्तिक ओळखण्यायोग्य माहिती (PII) समाविष्ट असते. यामध्ये [विविध प्रकारचा गैर-वैयक्तिक डेटा](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) समाविष्ट आहे जो _सामूहिकपणे_ व्यक्तीला ओळखतो. नैतिक आव्हाने _डेटा गोपनीयता_, _डेटा मालकी_, आणि संबंधित विषय जसे की _माहितीपूर्ण संमती_ आणि वापरकर्त्यांसाठी _बौद्धिक मालमत्तेचे अधिकार_ यासंबंधित असू शकतात.
डेटा गोळा करताना, कृतीत बहुतेक **वैयक्तिक डेटा** किंवा वैयक्तिक ओळख करता येणारी माहिती (PII) समाविष्ट असते, जी ओळखणाऱ्या व्यक्तींशी संबंधित आहे. यात _एकत्रितपणे_ व्यक्तीची ओळख पटवू शकणारा [विविध न-व्यक्तिगत डेटाचे आयटम](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) यांचा समावेश असतो. नैतिक आव्हाने _डेटा गोपनीयता_, _डेटा मालकी_ आणि वापरकर्त्यांसाठी _जाणीवपूर्वक संमती_ व _बौद्धिक मालमत्तेचे हक्क_ यांसारख्या विषयांशी संबंधित असू शकतात.
अल्गोरिदम डिझाइनसह, कृतींमध्ये **डेटासेट्स** गोळा करणे आणि व्यवस्थापित करणे, नंतर त्यांचा वापर करून **डेटा मॉडेल्स** तयार करणे आणि तैनात करणे ज्यामुळे वास्तविक जगातील संदर्भात परिणामांची भविष्यवाणी केली जाते किंवा निर्णय स्वयंचलित केले जातात. नैतिक आव्हाने _डेटासेट पक्षपात_, _डेटा गुणवत्ता_ समस्या, _अन्याय_, आणि अल्गोरिदममध्ये _चुकीचे प्रतिनिधित्व_ यामुळे उद्भवू शकतात - ज्यामध्ये काही समस्या प्रणालीगत असू शकतात.
अल्गोरिदम डिझाइन करताना, कृतीमध्ये **डेटासेट्स** गोळा व संकलित करणे, नंतर त्यांचा वापर करून **डेटा मॉडेल्स** तयार करणे व तैनात करणे जे वास्तविक जगात निकालांचे भाकीत करतात किंवा निर्णयांचा स्वयंचलित करता येतो. नैतिक आव्हाने डेटासेट पूर्वाग्रह, डेटा गुणवत्तेच्या प्रश्नां, अन्याय, आणि अल्गोरिदममधील चुकीच्या प्रदर्शनासह उद्भवू शकतात - ज्यामध्ये काही समस्या प्रणालीगत स्वरूपाच्या असू शकतात.
दोन्ही बाबतीत, नैतिक आव्हाने अशा क्षेत्रांवर प्रकाश टाकतात जिथे आपल्या कृतींमध्ये सामायिक मूल्यांशी संघर्ष होऊ शकतो. या चिंतेचा शोध घेण्यासाठी, कमी करण्यासाठी, कमी करण्यासाठी किंवा दूर करण्यासाठी - आपल्याला आपल्या कृतींशी संबंधित नैतिक "होय/नाही" प्रश्न विचारण्याची आवश्यकता आहे आणि नंतर आवश्यकतेनुसार सुधारात्मक कृती करणे आवश्यक आहे. चला काही नैतिक आव्हाने आणि त्यांनी उपस्थित केलेल्या नैतिक प्रश्नांचा अभ्यास करूया:
दोन्ही प्रकरणांत, एथिक्स आव्हाने अशा क्षेत्रांची सूचना करतात जिथे आपल्या कृती सामायिक मूल्यांशी संघर्ष करू शकतात. या चिंतांचा शोध घेण्यासाठी, कमी करण्यासाठी, संबोधित करण्यासाठी, आपल्याला आपल्या कृतीशी संबंधित नैतिक "होय/नाही" प्रश्न विचारावे लागतात आणि त्यानुसार योग्य उपाययोजना करावी लागते. चला काही नैतिक आव्हाने आणि ते निर्माण करणारे नैतिक प्रश्न पाहूयात:
#### 2.1 डेटा मालकी
#### २.१ डेटा मालकी
डेटा संकलनात अनेकदा डेटा विषयांना ओळखू शकणारा वैयक्तिक डेटा समाविष्ट असतो. [डेटा मालकी](https://permission.io/blog/data-ownership) म्हणजे डेटा निर्मिती, प्रक्रिया आणि प्रसाराशी संबंधित _नियंत्रण_ आणि [_वापरकर्त्याचे अधिकार_](https://permission.io/blog/data-ownership).
डेटा गोळा करताना सामान्यतः वैयक्तिक माहितीचा समावेश असतो ज्यामुळे डेटा विषयांची ओळख होते. [डेटा मालकी](https://permission.io/blog/data-ownership) म्हणजे डेटा निर्मिती, प्रक्रिया व प्रसारण संदर्भातील _नियंत्रण_ आणि [_वापरकर्ता हक्क_](https://permission.io/blog/data-ownership).
चर्चा करण्याचे नैतिक प्रश्न:
आपल्याला विचारायचे नैतिक प्रश्न:
* डेटा कोणाचा आहे? (वापरकर्ता किंवा संस्था)
* डेटा विषयांना कोणते अधिकार आहेत? (उदा: प्रवेश, विलोपन, पोर्टेबिलिटी)
* संस्थांना कोणते अधिकार आहेत? (उदा: द्वेषपूर्ण वापरकर्ता पुनरावलोकने सुधारित करणे)
* डेटा विषयांना कोणते हक्क आहेत? (उदाहरणार्थ: प्रवेश, हटविणे, पोर्टेबिलिटी)
* संस्थांना कोणते हक्क आहेत? (उदाहरणार्थ: दुरुपयोग करणाऱ्या वापरकर्ता अभिप्रायांचे दुरुस्ती हक्क)
#### २.२ जाणीवपूर्वक संमती
[जाणीवपूर्वक संमती](https://legaldictionary.net/informed-consent/) म्हणजे वापरकर्तानं संबंधित तथ्यांची पूर्ण समज असलेली संमती (जसे की डेटा गोळा करणे) दिली आहे याची परिभाषा.
चर्चा करण्याचे प्रश्न:
* वापरकर्त्याने (डेटा विषयाने) डेटा संकलन व वापरासाठी परवानगी दिली का?
* वापरकर्त्याला डेटा संकलनाचा हेतू समजला का?
* वापरकर्त्याला त्यांच्या सहभागाच्या संभाव्य धोका समजला का?
#### २.३ बौद्धिक मालमत्ता
[बौद्धिक मालमत्ता](https://en.wikipedia.org/wiki/Intellectual_property) म्हणजे मानवी पुढाकारातून तयार झालेल्या अमूर्त सृष्टी, ज्याला व्यक्तिगत किंवा व्यवसायासाठी _आर्थिक मूल्य_ असू शकते.
#### 2.2 माहितीपूर्ण संमती
चर्चा करण्याचे प्रश्न:
[माहितीपूर्ण संमती](https://legaldictionary.net/informed-consent/) म्हणजे वापरकर्त्यांनी (डेटा संकलनासारख्या) कृतीसाठी _संबंधित तथ्यांचा पूर्ण समज_ सह परवानगी देणे.
* गोळा केलेल्या डेटाचा वापरकर्ता किंवा व्यवसायासाठी आर्थिक मूल्य होते का?
* **वापरकर्त्या** कडे येथे बौद्धिक मालमत्ता आहे का?
* **संस्थे** कडे येथे बौद्धिक मालमत्ता आहे का?
* जर हे हक्क अस्तित्वात असतील तर आपण त्यांचे संरक्षण कसे करतो?
येथे विचारायचे प्रश्न:
* डेटा विषयाने डेटा कॅप्चर आणि वापरासाठी परवानगी दिली आहे का?
* डेटा कॅप्चर करण्याच्या उद्देशाचा वापरकर्त्याला समज आहे का?
* त्यांच्या सहभागामुळे संभाव्य जोखमींचा वापरकर्त्याला समज आहे का?
#### २.४ डेटा गोपनीयता
#### 2.3 बौद्धिक मालमत्ता
[डेटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) किंवा माहिती गोपनीयता म्हणजे कमीतकमी वैयक्तिक माहिती सह वापरकर्ता गोपनीयता राखणे व वापरकर्त्याची ओळख सुरक्षित ठेवणे.
[बौद्धिक मालमत्ता](https://en.wikipedia.org/wiki/Intellectual_property) म्हणजे मानवी उपक्रमातून निर्माण झालेली अमूर्त निर्मिती, ज्याला व्यक्ती किंवा व्यवसायांसाठी _आर्थिक मूल्य_ असू शकते.
चर्चा करण्यासाठी प्रश्न:
येथे विचारायचे प्रश्न:
* गोळा केलेल्या डेटाला वापरकर्ता किंवा व्यवसायासाठी आर्थिक मूल्य आहे का?
* येथे **वापरकर्त्याला** बौद्धिक मालमत्ता आहे का?
* येथे **संस्थेला** बौद्धिक मालमत्ता आहे का?
* जर हे अधिकार अस्तित्वात असतील, तर आपण त्यांचे संरक्षण कसे करत आहोत?
* वापरकर्त्यांचा (वैयक्तिक) डेटा हॅक व लीकपासून सुरक्षित आहे का?
* वापरकर्त्याचा डेटा फक्त अधिकृत वापरकर्त्यांना आणि परिस्थितींसाठी प्रवेशयोग्य आहे का?
* डेटा सामायिक करताना वापरकर्त्याची अज्ञातता राखली जाते का?
* अज्ञात केलीली डेटासेट्स पासून वापरकर्त्याला ओळख पटू शकते का?
#### 2.4 डेटा गोपनीयता
#### २.५ विसरले जाण्याचा अधिकार
[डेटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) किंवा माहिती गोपनीयता म्हणजे वैयक्तिक ओळखण्यायोग्य माहितीच्या संदर्भात वापरकर्त्याच्या गोपनीयतेचे जतन आणि ओळख संरक्षण.
[विसरला जाण्याचा अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) किंवा [डेटा हटविण्याचा अधिकार](https://www.gdpreu.org/right-to-be-forgotten/) वापरकर्त्यांना अतिरिक्त वैयक्तिक डेटा संरक्षण देतो. विशेषत: वापरकर्त्यांना इच्छेनुसार इंटरनेट शोध व इतर ठिकाणाहून वैयक्तिक डेटा हटविण्यासाठी विनंती करण्याचा अधिकार देतो, _विशिष्ट परिस्थितीत_ - ज्यामुळे त्यांना ऑनलाइन नवीन सुरुवात करता येते आणि मागील क्रियाचिकित्सेचा त्यांच्या विरोधात वापर होत नाही.
येथे विचारायचे प्रश्न:
* वापरकर्त्यांचा (वैयक्तिक) डेटा हॅक्स आणि लीकपासून सुरक्षित आहे का?
* वापरकर्त्यांचा डेटा केवळ अधिकृत वापरकर्त्यांना आणि संदर्भांना उपलब्ध आहे का?
* डेटा सामायिक किंवा प्रसारित करताना वापरकर्त्यांची अनामिकता जतन केली जाते का?
* अनामिक डेटासेट्समधून वापरकर्त्याला ओळखण्यायोग्य बनवता येते का?
चर्चेसाठी प्रश्न:
#### 2.5 विस्मरणाचा अधिकार
* प्रणाली डेटा विषयांना हटविण्याची विनंती करण्याची परवानगी देते का?
* वापरकर्ता संमती मागे घेतल्यास स्वयंचलित हटविण्याला प्रोत्साहन द्यावे का?
* डेटा संमति न घेता किंवा बेकायदेशीर पद्धतीने गोळा केला गेला का?
* आपण डेटा गोपनीयता संबंधी शासन नियमांचे पालन करत आहोत का?
[विस्मरणाचा अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) किंवा [विलोपनाचा अधिकार](https://www.gdpreu.org/right-to-be-forgotten/) वापरकर्त्यांना अतिरिक्त वैयक्तिक डेटा संरक्षण प्रदान करतो. विशेषतः, हे वापरकर्त्यांना इंटरनेट शोध आणि इतर ठिकाणांहून वैयक्तिक डेटा हटवण्याची किंवा काढून टाकण्याची विनंती करण्याचा अधिकार देते, _विशिष्ट परिस्थितीत_ - त्यांना ऑनलाइन नवीन सुरुवात करण्याची परवानगी देते ज्यामध्ये भूतकाळातील कृती त्यांच्याविरुद्ध धरल्या जात नाहीत.
#### २.६ डेटासेट पूर्वग्रह
येथे विचारायचे प्रश्न:
* प्रणाली डेटा विषयांना विलोपनाची विनंती करण्याची परवानगी देते का?
* वापरकर्त्याच्या संमतीच्या माघारीने स्वयंचलित विलोपन ट्रिगर करावे का?
* डेटा संमतीशिवाय किंवा बेकायदेशीर मार्गाने गोळा केला गेला होता का?
* डेटा गोपनीयतेसाठी सरकारी नियमांचे पालन केले आहे का?
डेटासेट किंवा [संकलन पूर्वग्रह](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) म्हणजे अल्गोरिदम विकासासाठी _प्रतिनिधी नसलेल्या_ डेटाचा उपसंपुट निवडणे, ज्यामुळे विविध गटांसाठी निकालात अन्याय निर्माण होतो. पूर्वग्रहाचे प्रकार निवड किंवा नमुना पूर्वग्रह, स्वयंसेवी पूर्वग्रह, आणि उपकरण पूर्वग्रह आहेत.
#### 2.6 डेटासेट पक्षपात
चर्चा करण्यासाठी प्रश्न:
डेटासेट किंवा [संकलन पक्षपात](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) म्हणजे अल्गोरिदम विकासासाठी _अप्रतिनिधिक_ डेटाचा उपसंच निवडणे, विविध गटांसाठी परिणामांमध्ये संभाव्य अन्याय निर्माण करणे. पक्षपाताचे प्रकार निवड किंवा नमुना पक्षपात, स्वयंसेवक पक्षपात आणि साधन पक्षपात यांचा समावेश करतात.
* आपण प्रतिनिधी असलेल्या डेटा विषयांचा संच निवडला का?
* आपण आपल्या संकलित किंवा संकलित डेटासेटमध्ये विविध पूर्वग्रह तपासले का?
* आढळलेल्या पूर्वग्रहांना कमी किंवा काढून टाकू शकतो का?
येथे विचारायचे प्रश्न:
* आम्ही डेटा विषयांचा प्रतिनिधिक संच भरती केला आहे का?
* विविध पक्षपातांसाठी आमच्या गोळ
* माहिती वास्तवाचे अचूक प्रतिबिंब देते का?
#### २.७ डेटा गुणवत्ता
#### 2.8 अल्गोरिदम न्याय
[डेटा गुणवत्ता](https://lakefs.io/data-quality-testing/) म्हणजे आपल्या अल्गोरिदम विकासासाठी वापरलेल्या डेटासेटची वैधता तपासणे, जेणेकरून वैशिष्ट्ये व नोंदी आपल्याला हवी असलेली अचूकता व सुसंगतता पूर्ण करतात का हे पाहणे.
[अल्गोरिदम न्याय](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) तपासतो की अल्गोरिदम डिझाइन विशिष्ट उपसमूहांवर प्रणालीगत भेदभाव करते का, ज्यामुळे _संसाधनांचे वाटप_ (जिथे त्या गटाला संसाधने नाकारली जातात किंवा रोखली जातात) आणि _सेवेची गुणवत्ता_ (जिथे AI काही उपसमूहांसाठी इतरांइतकी अचूक नसते) यामध्ये [संभाव्य नुकसान](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) होऊ शकते.
चर्चा प्रश्न:
येथे विचार करण्यासाठी काही प्रश्न:
* विविध उपसमूह आणि परिस्थितींसाठी मॉडेल अचूकता आम्ही मूल्यांकन केली का?
* संभाव्य नुकसान (उदा. स्टीरिओटायपिंग) तपासण्यासाठी प्रणालीचे बारकाईने परीक्षण केले का?
* ओळखलेल्या नुकसानीला कमी करण्यासाठी डेटा सुधारित किंवा मॉडेल पुन्हा प्रशिक्षण देऊ शकतो का?
* आपल्याला आवश्यक वापरासाठी योग्य _वैशिष्ट्ये_ आपण घेतलीत का?
* विविध डेटा स्रोतांमध्ये डेटा सतत घेतला गेला का?
* विविध परिस्थितींसाठी डेटासेट _पूर्ण_ आहे का?
* तथ्य सत्यापित करण्यासाठी माहिती अचूकपणे नोंदवली गेली आहे का?
#### 2.8 अल्गोरिदम निष्पक्षता
अधिक जाणून घेण्यासाठी [AI न्याय चेकलिस्ट](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) सारख्या संसाधनांचा शोध घ्या.
[अल्गोरिदम निष्पक्षता](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) तपासते की अल्गोरिदम डिझाइन विशिष्ट उपसमूहांवर प्रणालीगतपणे भेदभाव करतो का, ज्यामुळे _संपत्ती वाटपात_ (जेथे त्या समूहाला संसाधने नाकारली किंवा रोखली जातात) आणि _सेवेमध्ये गुणवत्ता_ (जेथे AI काही उपसमूहांसाठी काहींनी जितका अचूक नसतो) [संभाव्य हानी](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) होऊ शकते.
#### 2.9 चुकीचे प्रतिनिधित्व
येथे तपासण्यासाठी प्रश्न आहेत:
* आपण विविध उपसमूह आणि परिस्थितींमध्ये मॉडेल अचूकता मोजली का?
* आपण संभाव्य हानीसाठी प्रणालीचे विश्लेषण केले का (उदा., प्रतिमान भिंतीकरण)?
* ओळखलेल्या हानी कमी करण्यासाठी डेटा सुधारू शकतो का किंवा मॉडेल पुन्हा प्रशिक्षित करू शकतो का?
[डेटा चुकीचे प्रतिनिधित्व](https://www.sciencedirect.com/topics/computer-science/misrepresentation) विचारते की आम्ही प्रामाणिकपणे नोंदवलेल्या डेटामधून अंतर्दृष्टी एका इच्छित कथानकाला समर्थन देण्यासाठी फसवणूक करणाऱ्या पद्धतीने संवाद साधत आहोत का.
[AI निष्पक्षता तपासणी यादी](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) सारख्या संसाधनांचा अभ्यास करा.
येथे विचार करण्यासाठी काही प्रश्न:
* आम्ही अपूर्ण किंवा अचूक डेटा नोंदवत आहोत का?
* आम्ही डेटा अशा प्रकारे व्हिज्युअलाइज करत आहोत का ज्यामुळे चुकीचे निष्कर्ष काढले जातात?
* आम्ही निवडक सांख्यिकीय तंत्र वापरून परिणामांमध्ये फेरफार करत आहोत का?
* वेगळ्या निष्कर्षाला समर्थन देऊ शकणाऱ्या पर्यायी स्पष्टीकरणे आहेत का?
#### 2.9 चुकीचे सादरीकरण
#### 2.10 स्वातंत्र्याची निवड
[डेटा चुकीचे सादरीकरण](https://www.sciencedirect.com/topics/computer-science/misrepresentation) म्हणजे प्रामाणिकपणे दिलेल्या डेटामधून अंतर्दृष्टी गांभीर्याने मांडत नसून इच्छित कथनाला समर्थन देण्यासाठी हा डेटा एक गोंधळात टाकणाऱ्या पद्धतीने संवाद साधला जातो का हे विचारणे.
[स्वातंत्र्याची निवडीचा भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तेव्हा निर्माण होतो जेव्हा प्रणाली "निवडीचे आर्किटेक्चर" निर्णय घेण्याच्या अल्गोरिदमचा वापर लोकांना इच्छित परिणाम घेण्यास प्रवृत्त करण्यासाठी करतात, त्यांना पर्याय आणि नियंत्रण देत असल्याचे भासवतात. हे [डार्क पॅटर्न्स](https://www.darkpatterns.org/) वापरकर्त्यांना सामाजिक आणि आर्थिक नुकसान पोहोचवू शकतात. कारण वापरकर्त्याच्या निर्णयांचा वर्तन प्रोफाइलवर परिणाम होतो, हे कृती भविष्यातील निवडींवर परिणाम करू शकतात आणि या नुकसानीचा प्रभाव वाढवू शकतात.
येथे तपासण्यासाठी प्रश्न आहेत:
* आपण अपूर्ण किंवा अचूक नसलेला डेटा अहवालात देत आहोत का?
* आपण डेटा अशा पद्धतीने दृश्यरूपात बदलत आहोत का ज्याने चुकीचे निष्कर्ष काढले जातात?
* आपण निवडक सांख्यिकी तंत्र वापरून परिणामांवर प्रभाव टाकत आहोत का?
* वेगळ्या निष्कर्षासाठी पर्यायी स्पष्टीकरणे आहेत का?
येथे विचार करण्यासाठी काही प्रश्न:
* वापरकर्त्याला ती निवड करण्याचे परिणाम समजले का?
* वापरकर्त्याला (पर्यायी) पर्याय आणि प्रत्येकाचे फायदे आणि तोटे माहित होते का?
* वापरकर्ता नंतर स्वयंचलित किंवा प्रभावित निवड उलटवू शकतो का?
#### 2.10 मुक्त निवड
[मुक्त निवडीचे भास](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) त्या वेळेस होते जेव्हा प्रणालीचे "निवड स्थापत्य" निर्णय-निर्मिती अल्गोरिदम वापरून लोकांना प्राधान्य दिलेल्या निकालाकडे वाटचाल करण्यासाठी प्रवृत्त करतात, पण त्यांना पर्याय आणि नियंत्रण असल्याचे भास देते. या [काळ्या नमुन्यांनी](https://www.darkpatterns.org/) वापरकर्त्यांना सामाजिक आणि आर्थिक हानी होऊ शकते. कारण वापरकर्त्याचे निर्णय वर्तन प्रोफाइलवर प्रभाव टाकतात, त्यामुळे हे क्रियां भविष्यातील निवडींवर परिणाम करून हानी वाढवू शकतात.
### 3. केस स्टडीज
येथे तपासण्यासाठी प्रश्न आहेत:
* वापरकर्त्याला त्या निवडीचे परिणाम समजले का?
* वापरकर्त्याला (पर्यायी) पर्याय आणि त्यांचे फायदे आणि तोटे माहित होते का?
* वापरकर्ता नंतर स्वयंचलित किंवा प्रभावीत निवड उलटवू शकतो का?
जेव्हा अशा नैतिक उल्लंघनांकडे दुर्लक्ष केले जाते तेव्हा व्यक्ती आणि समाजावर संभाव्य नुकसान आणि परिणाम अधोरेखित करणाऱ्या वास्तविक-जगातील संदर्भांमध्ये या नैतिक आव्हानांचा विचार करणे उपयुक्त ठरते.
### 3. प्रकरण अभ्यास
या नैतिक आव्हानांना वास्तविक जगातील संदर्भात समजून घेण्यासाठी, असे केस स्टडी पाहणे उपयुक्त ठरते जे व्यक्ती आणि समाजावर संभाव्य होणाऱ्या हानिकारक परिणामांचे प्रकाशझोत टाकतात, जेव्हा अशा नैतिक उल्लंघनांकडे दुर्लक्ष केले जाते.
येथे काही उदाहरणे आहेत:
| नैतिक आव्हान | केस स्टडी |
| नैतिक आव्हान | प्रकरण अभ्यास |
|--- |--- |
| **माहितीपूर्ण संमती** | 1972 - [टस्केगी सिफिलिस अभ्यास](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अभ्यासात सहभागी झालेल्या आफ्रिकन अमेरिकन पुरुषांना मोफत वैद्यकीय सेवा देण्याचे आश्वासन दिले गेले _पण फसवले गेले_ संशोधकांनी विषयांना त्यांच्या निदानाबद्दल किंवा उपचारांच्या उपलब्धतेबद्दल माहिती देण्यात अपयश आले. अनेक विषयांचा मृत्यू झाला आणि भागीदार किंवा मुलांवर परिणाम झाला; अभ्यास 40 वर्षे चालला. |
| **डेटा गोपनीयता** | 2007 - [नेटफ्लिक्स डेटा प्राईज](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) संशोधकांना _50K ग्राहकांकडून 10M अनामित चित्रपट रेटिंग_ प्रदान केले गेले जेणेकरून शिफारस अल्गोरिदम सुधारण्यात मदत होईल. तथापि, संशोधक बाह्य डेटासेट्समध्ये (उदा., IMDb टिप्पण्या) वैयक्तिकरित्या ओळखण्यायोग्य डेटासह अनामित डेटा जोडण्यात सक्षम होते - प्रभावीपणे काही नेटफ्लिक्स सदस्य "डि-अनॉनिमाइज" करत आहेत.|
| **संकलन पक्षपात** | 2013 - बोस्टन शहराने [स्ट्रीट बंप विकसित केले](https://www.boston.gov/transportation/street-bump), एक अॅप ज्यामुळे नागरिकांना खड्ड्यांची माहिती देण्याची परवानगी मिळाली, ज्यामुळे शहराला समस्या शोधण्यासाठी आणि दुरुस्त करण्यासाठी चांगला रस्त्याचा डेटा मिळाला. तथापि, [कमी उत्पन्न गटातील लोकांना कार आणि फोनचा कमी प्रवेश होता](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ज्यामुळे त्यांच्या रस्त्याच्या समस्या या अॅपमध्ये अदृश्य झाल्या. विकासकांनी न्यायासाठी _समान प्रवेश आणि डिजिटल विभाग_ समस्यांवर काम करण्यासाठी शैक्षणिक संस्थांशी सहकार्य केले. |
| **अल्गोरिदम न्याय** | 2018 - MIT [जेंडर शेड्स अभ्यास](http://gendershades.org/overview.html) लिंग वर्गीकरण AI उत्पादनांची अचूकता मूल्यांकन केली, महिलांसाठी आणि रंगाच्या व्यक्तींसाठी अचूकतेतील अंतर उघड केले. [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) पुरुषांपेक्षा महिलांना कमी क्रेडिट देत असल्याचे दिसून आले. दोघांनी अल्गोरिदम पक्षपातामध्ये सामाजिक-आर्थिक नुकसानीकडे नेणाऱ्या समस्यांचे चित्रण केले.|
| **डेटा चुकीचे प्रतिनिधित्व** | 2020 - [जॉर्जिया सार्वजनिक आरोग्य विभागाने COVID-19 चार्ट जारी केले](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ज्यामुळे नागरिकांना पुष्टी झालेल्या प्रकरणांतील ट्रेंडबद्दल चुकीचे दिशाभूल करण्याचा प्रयत्न केला गेला, x-अक्षावर गैर-कालक्रमिक क्रमवारीसह. हे व्हिज्युअलायझेशन युक्त्यांद्वारे चुकीचे प्रतिनिधित्व दाखवते. |
| **स्वातंत्र्याची निवडीचा भ्रम** | 2020 - शिकण्याचा अॅप [ABCmouse ने FTC तक्रारीचे $10M देऊन सेटलमेंट केले](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जिथे पालकांना सदस्यता रद्द करता येत नसल्यामुळे पैसे देण्यास अडकवले गेले. हे निवडीच्या आर्किटेक्चरमधील डार्क पॅटर्न्सचे चित्रण करते, जिथे वापरकर्त्यांना संभाव्य हानिकारक निवडींकडे प्रवृत्त केले गेले. |
| **डेटा गोपनीयता आणि वापरकर्त्याचे अधिकार** | 2021 - फेसबुक [डेटा उल्लंघन](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ज्यामुळे 530M वापरकर्त्यांचा डेटा उघड झाला, ज्यामुळे FTC ला $5B सेटलमेंट मिळाले. तथापि, उल्लंघनाबद्दल वापरकर्त्यांना सूचित करण्यास नकार दिला, डेटा पारदर्शकता आणि प्रवेशाबद्दल वापरकर्त्याच्या अधिकारांचे उल्लंघन केले. |
| **माहिती दिलेली संमती** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - या अभ्यासात सहभागी झालेल्या आफ्रिकन अमेरिकन पुरुषांना मोफत वैद्यकीय सेवा देण्याचे वचन दिले होते परंतु अभ्यासकांनी त्यांना त्यांच्या निदानाबाबत किंवा उपचारांची उपलब्धता याबाबत सूचित केले नाही. अनेक मृत्यू झाले आणि त्यांच्या भागीदार किंवा मुलांवर परिणाम झाला; हा अभ्यास 40 वर्षे चालला. |
| **डेटा गोपनीयता** | 2007 - [Netflix डेटा प्रायझ](../../../../1-Introduction/02-ethics/(https:/www.wired.com/2007/12/why-anonymous-data-sometimes-isnt)) संशोधकांना _50K ग्राहकांचे 10M अज्ञात चित्रपट रँकिंग्स_ दिले गेले, जेणेकरून सुविद्य सूचना अल्गोरिदम सुधारता येतील. मात्र, संशोधकांनी या अज्ञात डेटाला वैयक्तिक माहितीशी जुळवून (_बाह्य डेटासेट्स_ जसे IMDb टिप्पण्या) काही Netflix सदस्यांचे "पुनः ओळख" केले.|
| **संकलन पक्षपात** | 2013 - बोस्टन शहराने [Street Bump](https://www.boston.gov/transportation/street-bump) नावाचे अ‍ॅप विकसित केले, ज्याद्वारे नागरिक रस्त्यांतील खड्डे नोंदवू शकतात आणि शहराला चांगला रस्त्यांचा डेटा मिळतो. मात्र, [कमी उत्पन्न गटातील लोकांकडे कार आणि फोनचा कमी प्रवेश आहे](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ज्यामुळे त्यांचे रस्त्याचे प्रश्न या अ‍ॅपमध्ये विलुप्त दिसले. विकसकांनी शैक्षणिक मंडळींसोबत काम करून _निष्पक्ष प्रवेश आणि डिजिटल विभाजन_ चे प्रश्न सोडवले. |
| **अल्गोरिदम निष्पक्षता** | 2018 - MIT च्या [Gender Shades Study](http://gendershades.org/overview.html) ने लिंग वर्गीकरण AI उत्पादनांची अचूकता मोजली, ज्यात महिला आणि रंगाच्या व्यक्तींसाठी अचूकतेत अंतर आढळले. 2019 च्या [Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ने महिलांना पुरुषांच्या तुलनेत कमी क्रेडिट दिला. दोन्ही उदाहरणे अल्गोरिदम पक्षपात आणि सामाजिक-आर्थिक हानी दाखवतात.|
| **डेटा चुकीचे सादरीकरण** | 2020 - [जॉर्जिया सार्वजनिक आरोग्य विभागाने COVID-19 आकडेवारी](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) प्रकाशित केली जी नागरिकांना चुकिच्या दिशेने प्रवृत्त करणारी होती कारण x-अक्षावर कालानुक्रमिक आदेश नसण्यामुळे. हे दृश्यरूपातील फसवणूक दाखवते. |
| **मुक्त निवडीचा भास** | 2020 - अभ्यास अ‍ॅप [ABCmouse ने FTC तक्रारीसाठी $10M भरले](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जिथे पालकांना सदस्यता रद्द करता न आल्यामुळे पैसे द्यावे लागले. हे निवड स्थापत्यातील काळ्या नमुन्यांची उदाहरणे आहेत, ज्यामध्ये वापरकर्त्यांना संभाव्य हानिकारक निवडीकडे प्रवृत्त केले गेले. |
| **डेटा गोपनीयता आणि वापरकर्ता हक्क** | 2021 - फेसबुक [डेटा फोड](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) मधून 530M वापरकर्त्यांचे डेटा खुला झाला, ज्यामुळे FTC ला $5B करार करावा लागला. मात्र फेसबुकने वापरकर्त्यांना या फोडीची सूचना देण्यास नकार दिला, ज्याने डेटा पारदर्शकता आणि उपलब्धतेच्या वापरकर्ता हक्कांचे उल्लंघन केले. |
अधिक केस स्टडीज एक्सप्लोर करू इच्छिता? या संसाधनांचा शोध घ्या:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विविध उद्योगांमधील नैतिक समस्यांचे केस स्टडीज.
* [डेटा सायन्स एथिक्स कोर्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - महत्त्वाचे केस स्टडीज एक्सप्लोर केले.
* [जिथे गोष्टी चुकीच्या झाल्या आहेत](https://deon.drivendata.org/examples/) - डिऑन चेकलिस्टसह उदाहरणे.
अधिक प्रकरण अभ्यास पाहू इच्छिता? हे संसाधने पहा:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विविध उद्योगांतील नैतिक द्विधा.
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - महत्त्वाच्या प्रकरण अभ्यासांचा अभ्यास.
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon तपासणी यादीसह उदाहरणे
> 🚨 तुम्ही पाहिलेल्या केस स्टडीजचा विचार करा - तुम्ही तुमच्या आयुष्यात अशाच प्रकारच्या नैतिक आव्हानाचा अनुभव घेतला आहे का किंवा त्याचा परिणाम झाला आहे का? तुम्ही या विभागात चर्चा केलेल्या नैतिक आव्हानांपैकी एकाचे चित्रण करणारा किमान एक केस स्टडी विचार करू शकता का?
> 🚨 तुम्ही पाहिलेल्या प्रकरण अभ्यासांविषयी विचार करा - तुम्हाला तुमच्या आयुष्यात अशाच कोणत्याही नैतिक आव्हानाचा अनुभव आला आहे का? तुम्हाला आणखी किमान एक प्रकरण अभ्यास आठवतो का ज्यामध्ये आपण या विभागात चर्चा केलेल्या नैतिक आव्हानांपैकी एक स्पष्ट केले आहे?
## लागू नैतिकता
## लागू केलेली नैतिकता
आम्ही नैतिक संकल्पना, आव्हाने आणि वास्तविक-जगातील संदर्भांमध्ये केस स्टडीजबद्दल चर्चा केली आहे. पण आमच्या प्रकल्पांमध्ये नैतिक तत्त्वे आणि पद्धती _लागू_ करण्यास कसे सुरुवात करायची? आणि चांगल्या प्रशासनासाठी या पद्धती _ऑपरेशनलाइज_ कशा करायच्या? चला काही वास्तविक-जगातील उपाय एक्सप्लोर करूया:
आपण नैतिक संकल्पना, आव्हाने आणि प्रकरण अभ्यास वास्तविक संदर्भात चर्चा केली आहे. परंतु आपण आपल्या प्रकल्पांमध्ये नैतिक तत्त्वे आणि पद्धती _कशा लागू करू_ शकतो? आणि आपण या पद्धतींना चांगल्या शासनासाठी _कशा कार्यान्वित_ करू? चला काही वास्तविक उपाय पाहूया:
### 1. व्यावसायिक कोड्स
### 1. व्यावसायिक संहित्या
व्यावसायिक कोड्स संस्थांना त्यांच्या नैतिक तत्त्वांना आणि मिशन स्टेटमेंटला समर्थन देण्यासाठी सदस्यांना "प्रोत्साहन" देण्याचा एक पर्याय देतात. कोड्स व्यावसायिक वर्तनासाठी _नैतिक मार्गदर्शक तत्त्वे_ आहेत, ज्यामुळे कर्मचारी किंवा सदस्य त्यांच्या संस्थेच्या तत्त्वांशी जुळणारे निर्णय घेऊ शकतात. ते सदस्यांकडून स्वेच्छेने अनुपालन जितके चांगले आहे तितकेच चांगले आहेत; तथापि, अनेक संस्था सदस्यांकडून अनुपालन प्रोत्साहित करण्यासाठी अतिरिक्त बक्षिसे आणि दंड देतात.
व्यावसायिक संहित्या हे संस्थांना सदस्यांना त्यांच्या नैतिक तत्त्वे आणि मिशन स्टेटमेंटला समर्थन देण्यासाठी "प्रेरित" करण्याचा एक पर्याय देतात. संहित्या व्यावसायिक वर्तनासाठी _नैतिक मार्गदर्शकतत्त्वे_ आहेत, जे कर्मचाऱ्यांना किंवा सदस्यांना त्याच्या संस्थाच्या तत्त्वज्ञानाशी सुसंगत निर्णय घेण्यास मदत करतात. त्या फक्त सदस्यांच्या स्वैच्छिक पालनावरच चांगल्या प्रकारे कार्य करतात; तरीही, अनेक संस्था सदस्यानं पालनासाठी अतिरिक्त बक्षिसे आणि दंड देतात.
उदाहरणे:
* [ऑक्सफर्ड म्युनिक](http://www.code-of-ethics.org/code-of-conduct/) नैतिकतेचा कोड
* [डेटा सायन्स असोसिएशन](http://datascienceassn.org/code-of-conduct.html) आचारसंहिता (2013 मध्ये तयार)
* [ACM आचारसंहिता आणि व्यावसायिक आचारसंहिता](https://www.acm.org/code-of-ethics) (1993 पासून)
> 🚨 तुम्ही व्यावसायिक अभियांत्रिकी किंवा डेटा सायन्स संस्थेचे सदस्य आहात का? त्यांच्या साइटचा शोध घ्या की त्यांनी व्यावसायिक नैतिकतेचा कोड परिभाषित केला आहे का. त्यांच्या नैतिक तत्त्वांबद्दल हे काय सांगते? ते सदस्यांना कोडचे पालन करण्यासाठी कसे "प्रोत्साहन" देत आहेत?
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) नैतिक संहिता
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) कोड ऑफ कंडक्ट (2013 मध्ये तयार)
* [ACM नैतिकता आणि व्यावसायिक वर्तन कोड](https://www.acm.org/code-of-ethics) (1993 पासून)
> 🚨 तुम्ही व्यावसायिक अभियांत्रिकी किंवा डेटा सायन्स संघटनेचा भाग आहात का? त्यांच्या संकेतस्थळाला भेट द्या आणि पाहा की ते व्यावसायिक नैतिक संहितेची व्याख्या करतात का. त्यांचे नैतिक तत्त्व काय दर्शवितात? सदस्यांना नियमांचे पालन करण्यासाठी ते कसे "प्रेरित" करतात?
### 2. नैतिकता चेकलिस्ट
### 2. नैतिकता तपासणी यादी
जरी व्यावसायिक कोड्स व्यावसायिकांकडून आवश्यक _नैतिक वर्तन_ परिभाषित करतात, तरीही त्यांना [अंमलबजावणीमध्ये ज्ञात मर्यादा](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) आहेत, विशेषतः मोठ्या प्रमाणावर प्रकल्पांमध्ये. त्याऐवजी, अनेक डेटा सायन्स तज्ञ [चेकलिस्टसाठी वकिली करतात](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), जे **तत्त्वांना पद्धतींशी जोडू शकतात** अधिक निश्चित आणि कृतीक्षम मार्गांनी.
व्यावसायिक संहित्या तज्ञांकडून अपेक्षित _नैतिक वर्तन_ परिभाषित करतात, पण [त्यांच्याकडे काही मर्यादा](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) आहेत, विशेषतः मोठ्या प्रमाणावर प्रकल्पांमध्ये. त्याऐवजी, अनेक Data Science तज्ञ [तपासणी यादींचे समर्थन करतात](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ज्यातून **तत्त्वांना वापरांत आणले जाते** अधिक ठोस आणि कृतीक्षम मार्गाने.
चेकलिस्ट प्रश्नांना "होय/नाही" कार्यांमध्ये रूपांतरित करतात ज्यांना ऑपरेशनलाइज केले जाऊ शकते, ज्यामुळे त्यांना मानक उत्पादन रिलीज वर्कफ्लोचा भाग म्हणून ट्रॅक करता येते.
तपासणी यादी प्रश्नांना "होय/नाही" कामांत रूपांतरित करतात, ज्यांना ऑपरेशनलाइज करता येते, आणि ज्यामुळे त्यांना उत्पादन प्रकाशन प्रक्रियेच्या भाग म्हणून ट्रॅक करता येते.
उदाहरणे:
* [डिऑन](https://deon.drivendata.org/) - [उद्योगाच्या शिफारसींमधून](https://deon.drivendata.org/#checklist-citations) तयार केलेली सामान्य-उद्देश डेटा नैतिकता चेकलिस्ट, सोपी एकत्रीकरणासाठी कमांड-लाइन टूलसह.
* [गोपनीयता ऑडिट चेकलिस्ट](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कायदेशीर आणि सामाजिक प्रदर्शनाच्या दृष्टिकोनातून माहिती हाताळण्याच्या पद्धतींसाठी सामान्य मार्गदर्शन प्रदान करते.
* [AI न्याय चेकलिस्ट](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास चक्रांमध्ये न्याय चेक्सचा अवलंब आणि समाकलन समर्थन करण्यासाठी AI व्यावसायिकांनी तयार केले.
* [डेटा आणि AI मध्ये नैतिकतेसाठी 22 प्रश्न](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - अधिक खुले फ्रेमवर्क, डिझाइन, अंमलबजावणी आणि संस्थात्मक संदर्भांमध्ये नैतिक समस्यांच्या प्रारंभिक अन्वेषणासाठी संरचित.
* [Deon](https://deon.drivendata.org/) - एक सर्वसाधारण डेटा नैतिकता तपासणी यादी, [उद्योग शिफारसींवर](https://deon.drivendata.org/#checklist-citations) आधारित तयार, ज्याला एक कमांड-लाइन टूल सह सुलभ समाकलन मिळेल.
* [गोपनीयता तपासणी यादी](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कायदेशीर आणि सामाजिक प्रतिबंधांच्या दृष्टीने माहिती हाताळणी प्रथा मार्गदर्शित करते.
* [AI निष्पक्षता तपासणी यादी](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास प्रक्रियेत निष्पक्षता तपासणी स्वीकारण्यासाठी AI व्यावसायिकांनी तयार केलेली.
* [डेटा आणि AI मधील नैतिकतेसाठी 22 प्रश्न](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - अधिक खुला फ्रेमवर्क, जो डिझाइन, अंमलबजावणी, आणि संस्थात्मक संदर्भातील नैतिक प्रश्नांसाठी प्रारंभिक तपासणीसाठी रचलेला.
### 3. नैतिकता नियम
### 3. नैतिकता नियमावली
नैतिकता म्हणजे सामायिक मूल्ये परिभाषित करणे आणि _स्वेच्छेने_ योग्य गोष्ट करणे. **अनुपालन** म्हणजे _कायदा पाळणे_ जर आणि जिथे परिभाषित केले असेल. **प्रशासन** म्हणजे संस्थांमध्ये नैतिक तत्त्वे अंमलात आणण्यासाठी आणि स्थापित कायद्यांचे पालन करण्यासाठी संस्थांमध्ये कार्य करण्याच्या सर्व मार्गांचा समावेश.
नैतिकता म्हणजे सामायिक मूल्ये निश्चित करणे आणि बिनधास्तपणे योग्य काम करणे. **पालन** म्हणजे जेव्हा नियम आखले आहेत तेव्हा कायदा पाळणे. **शासन** म्हणजे संस्थांचे विविध मार्ग ज्याद्वारे ते नैतिक तत्त्वे अंमलात आणतात आणि स्थापित कायद्यांचे पालन करतात.
आज, संस्थांमध्ये प्रशासन दोन प्रकारे घेतले जाते. प्रथम, हे **नैतिक AI** तत्त्वे परिभाषित करण्याबद्दल आहे आणि संस्थेतील सर्व AI-संबंधित प्रकल्पांमध्ये अवलंबन अंमलात आणण्यासाठी पद्धती स्थापित करण्याबद्दल आहे. दुसरे म्हणजे, ते कार्यरत असलेल्या प्रदेशांसाठी सर्व सरकारी-मंडेटेड **डेटा संरक्षण नियमांचे** पालन करण्याबद्दल आहे.
आज, संस्थांमध्ये शासन दोन प्रकारे आहे. प्रथम, **नैतिक AI** तत्त्वे परिभाषित करणे आणि AI-संबंधित सर्व प्रकल्पांत त्या तत्त्वांच्या स्वीकारासाठी सराव तयार करणे. दुसरे म्हणजे, संस्थेच्या कार्यरत प्रदेशांतील सर्व सरकारी आदेशित **डेटा संरक्षण नियमावलींचे पालन** करणे.
डेटा संरक्षण आणि गोपनीयता नियमांची उदाहरणे:
डेटा संरक्षण आणि गोपनीयता नियमावलींची उदाहरणे:
* `1974`, [US गोपनीयता कायदा](https://www.justice.gov/opcl/privacy-act-1974) - _फेडरल सरकार_ वैयक्तिक माहितीचे संकलन, वापर आणि प्रकटीकरण नियंत्रित करते.
* `1996`, [US हेल्थ इन्शुरन्स पोर्टेबिलिटी आणि अॅकाउंटेबिलिटी कायदा (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - वैयक्तिक आरोग्य डेटा संरक्षित करते.
* `1998`, [US चिल्ड्रन्स ऑनलाइन गोपनीयता संरक्षण कायदा (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 वर्षांखालील मुलांच्या डेटा गोपनीयतेचे संरक्षण करते.
* `2018`, [सामान्य डेटा संरक्षण नियम (GDPR)](https://gdpr-info.eu/) - वापरकर्त्याचे अधिकार, डेटा संरक्षण आणि गोपनीयता प्रदान करते.
* `2018`, [कॅलिफोर्निया ग्राहक गोपनीयता कायदा (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ग्राहकांना त्यांच्या (वैयक्तिक) डेटावर अधिक _अधिकार_ देते.
* `2021`, चीनचा [वैयक्तिक माहिती संरक्षण कायदा](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) नुकताच मंजूर झाला, जगातील सर्वात मजबूत ऑनलाइन डेटा गोपनीयता नियम तयार करत आहे.
* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _फेडरल सरकारी_ वैयक्तिक माहिती गोळा करणे, वापरणे आणि प्रकटीकरण नियंत्रित करते.
* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - वैयक्तिक आरोग्य डेटा संरक्षित करते.
* `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 वर्षांखालच्या मुलांच्या डेटा गोपनीयता संरक्षित करते.
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - वापरकर्ता हक्क, डेटा संरक्षण आणि गोपनीयता प्रदान करते.
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ग्राहकांना त्यांच्या (वैयक्तिक) डेटावर अधिक _हक्क_ देते.
* `2021`, चीनचा [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) नुकताच पारित झाला, ज्यामुळे जगातील सर्वात मजबूत ऑनलाईन डेटा गोपनीयता नियमावलींपैकी एक तयार झाली.
> 🚨 युरोपियन युनियनने परिभाषित केलेला GDPR (सामान्य डेटा संरक्षण नियम) आज सर्वात प्रभावशाली डेटा गोपनीयता नियमांपैकी एक आहे. तुम्हाला माहित आहे का की ते नागरिकांच्या डिजिटल गोपनीयता आणि वैयक्तिक डेटाचे संरक्षण करण्यासाठी [8 वापरकर्त्याचे अधिकार](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) देखील परिभाषित करते? हे काय आहेत आणि ते का महत्त्वाचे आहेत याबद्दल जाणून घ्या.
> 🚨 युरोपियन युनियनने परिभाषित केलेली GDPR (जनरल डेटा प्रोटेक्शन रेग्युलेशन) आजखाली सर्वात प्रभावी डेटा गोपनीयता नियमांविषयी एक आहे. तुम्हाला माहिती आहे का त्यात [8 वापरकर्ता हक्क](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) देखील आहेत जे नागरिकांच्या डिजिटल गोपनीयता आणि वैयक्तिक डेटाचे संरक्षण करतात? याबद्दल आणि का ते महत्वपूर्ण आहेत ते जाणून घ्या.
### 4. नैतिकता संस्कृती
लक्षात घ्या की _अनुपालन_ (कायद्याच्या "अक्षर" पूर्ण करण्यासाठी पुरेसे करणे) आणि [प्रणालीगत समस्यांचे](https://www.coursera.org/learn/data-science-ethics/home/week/4) निराकरण करणे (जसे की ऑसिफिकेशन, माहिती विषमता आणि वितरणात्मक अन्याय) यामध्ये अदृश्य अंतर आहे जे AI च्या शस्त्रीकरणाला गती देऊ शकते.
कृपया लक्षात ठेवा की _पालन_ (कायद्याच्या अक्षरास पुरेसे करणे) आणि [प्रणालीगत समस्या](https://www.coursera.org/learn/data-science-ethics/home/week/4) (जसे अस्पष्टता, माहितीची विषमता, आणि वितरणातील अन्याय) यामध्ये अद्याप एक अमूर्त अंतर आहे, जे AI च्या शस्त्रशस्त्रांची वेगवान वाढ करू शकतो.
शेवटचा भाग म्हणजे [संस्थांमध्ये नैतिक संस्कृतींचा सहकार्यात्मक दृष्टिकोन](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) तयार करणे, जे भावनिक संबंध आणि सतत सामायिक मूल्ये _संपूर्ण उद्योगात_ तयार करतात. यासाठी अधिक [औपचारिक डेटा नैतिक संस्कृती](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) आवश्यक आहे - ज्यात _कोणीही_ [अण्डोन कॉर्ड पुचू शकतो](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (प्रक्रियेतील नैतिक चिंता लवकर उभी करू शकतो) आणि _नैतिक मूल्यांकन_ (उदा., भरतीमध्ये) AI प्रकल्पांसाठी मुख्य निकष म्हणून घेतले जावेत.
---
## [वर्गानंतरचा चाचणी](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## पुनरावलोकन आणि स्वअध्ययन
कोर्सेस आणि पुस्तके मूलभूत नैतिक संकल्पना आणि आव्हाने समजून घेण्यासाठी मदत करतात, तर प्रकरण अभ्यास आणि साधने वास्तविक संदर्भातील लागू केलेल्या नैतिकतेच्या सरावासाठी मदत करतात. सुरुवातीसाठी काही संसाधने येथे आहेत:
उत्तरार्धासाठी [नैतिकता संस्कृती परिभाषित करण्यासाठी सहयोगात्मक दृष्टिकोन](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) आवश्यक आहे जे भावनिक कनेक्शन आणि उद्योगातील _संस्थांमध्ये_ सातत्यपूर्ण सामायिक मूल्ये तयार करतात. यासाठी संस्थांमध्ये अधिक [औपचारिक डेटा नैतिकता संस्कृती](https://www.codeforamerica.org/news/formalizing-an-
* [मशीन लर्निंगसाठी सुरुवातीचे मार्गदर्शन](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft कडून न्यायतेवर आधारित धडा.
* [जबाबदार AI चे तत्त्वज्ञान](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn कडून मोफत शिकण्याचा मार्ग.
* [नैतिकता आणि डेटा विज्ञान](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (M. Loukides, H. Mason इ.)
* [डेटा विज्ञान नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विद्यापीठाकडून ऑनलाइन कोर्स.
* [एथिक्स अनरॅप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विद्यापीठाकडून केस स्टडीज.
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft कडून निष्पक्षतेवर धडा.
* [जबाबदार AI च्या तत्त्वे](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - मायक्रोसॉफ्ट लर्नमधून विनामूल्य शिक्षण मार्ग.
* [नैतिकता आणि डेटा सायन्स](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (M. Loukides, H. Mason इत्यादी)
* [डेटा सायन्स नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विद्यापीठाचा ऑनलाइन कोर्स.
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विद्यापीठाचे केस स्टडीज.
# असाइनमेंट
# असाइनमेंट
[डेटा नैतिकतेवर आधारित केस स्टडी लिहा](assignment.md)
[डेटा नैतिकता केस स्टडी लिहा](assignment.md)
---
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

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

@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:20:18+00:00",
"translation_date": "2026-07-02T11:45:29+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "ne"
},

311
translations/ne/1-Introduction/02-ethics/README.md
Unescape View File

@ -1,245 +1,264 @@
# डाटा नैतिकता परिचय
# डेटा एथिक्समा परिचय
|![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा ](../../sketchnotes/02-Ethics.png)|
|![ स्केचनोट by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:|
| डाटा विज्ञान नैतिकता - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
| डेटा विज्ञान एथिक्स - _स्केचनोट by [@nitya](https://twitter.com/nitya)_ |
---
हामी सबै डाटाको संसारमा बस्ने डाटा नागरिक हौं।
हामी सबै डेटा नागरिक हौं जो डेटा-आधारित संसारमा बाँचिरहेका छौं।
बजार प्रवृत्तिहरूले देखाउँछन् कि २०२२ सम्ममा, ३ मध्ये १ ठूला संस्थाहरूले आफ्नो डाटा अनलाइन [बजार र एक्सचेन्जहरू](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) मार्फत किनबेच गर्नेछन्। **एप डेभलपरहरू**का रूपमा, हामीलाई डाटा-आधारित जानकारी र एल्गोरिदम-आधारित स्वचालनलाई दैनिक प्रयोगकर्ता अनुभवमा समाहित गर्न सजिलो र सस्तो हुनेछ। तर, जब एआई व्यापक रूपमा प्रयोगमा आउँछ, हामीले यस्तो एल्गोरिदमको [हथियारकरण](https://www.youtube.com/watch?v=TQHs8SA1qpk) बाट हुने सम्भावित हानिहरूलाई पनि बुझ्न आवश्यक छ।
बजारका प्रवृत्तिहरूले हामीलाई बताउँछन् कि २०२२ सम्म, ३ मध्ये १ ठूलो संस्थाले आफ्नो डेटा अनलाइन [मार्केटप्लेस र एक्सचेन्जमार्फत](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) किनबेच गर्नेछन्। **एप विकासकर्ताहरू**को रूपमा, हामीलाई दैनिक प्रयोगकर्ता अनुभवमा डेटा आधारित अन्तर्दृष्टि र एल्गोरिदम-चालित स्वचालन एकीकृत गर्न सजिलो र सस्तो हुनेछ। तर AI सर्वत्र फैलिदै गएपछि, यस्तो एल्गोरिदमहरूको [हथियारबन्दी](https://www.youtube.com/watch?v=TQHs8SA1qpk) बाट हुन सक्ने सम्भावित हानिहरू बुझ्न पनि आवश्यक हुनेछ।
प्रवृत्तिहरूले संकेत गर्छन् कि २०२५ सम्ममा, हामी [१८० जेटाबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) भन्दा बढी डाटा उत्पादन र उपभोग गर्नेछौं। **डाटा वैज्ञानिकहरू**का लागि, यो जानकारीको विस्फोटले व्यक्तिगत र व्यवहारगत डाटामा अभूतपूर्व पहुँच प्रदान गर्दछ। यसले विस्तृत प्रयोगकर्ता प्रोफाइल निर्माण गर्ने र निर्णय-निर्माणमा सूक्ष्म प्रभाव पार्ने शक्ति ल्याउँछ—प्रायः [स्वतन्त्र छनोटको भ्रम](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) सिर्जना गर्ने तरिकामा। यसले प्रयोगकर्ताहरूलाई मनपर्ने परिणामतर्फ धकेल्न प्रयोग गर्न सकिन्छ, तर यसले डाटा गोपनीयता, स्वायत्तता, र एल्गोरिदम प्रभावको नैतिक सीमाहरूको बारेमा गम्भीर प्रश्नहरू पनि उठाउँछ।
प्रवृत्तिहरू सुझाव गर्छन् कि २०२५ सम्म, हामीले [१८० सेताबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) भन्दा बढी डेटा उत्पादन र उपभोग गर्नेछौं। **डेटा वैज्ञानिकहरू**को लागि, यस सूचना विस्फोटले व्यक्तिगत र व्यवहारिक डेटा पहुँचको अभूतपूर्व अवसर प्रदान गर्दछ। यसको साथमा, विस्तृत प्रयोगकर्ता प्रोफाइलहरू निर्माण गर्ने र निर्णय प्रक्रियामा सूक्ष्म प्रभाव पार्ने शक्ति आउँछ—प्रायः यस्तो तरिकाले जुन [स्वतन्त्र विकल्पको भ्रम](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) सिर्जना गर्छ। यसलाई प्रयोगकर्ताहरूलाई वांछित परिणामतर्फ धकेल्नका लागि प्रयोग गर्न सकिन्छ, तर यसले डेटा गोपनीयता, स्वतन्त्रता र एल्गोरिदमिक प्रभावका नैतिक सीमाहरूबारे महत्वपूर्ण प्रश्नहरू उठाउँछ।
डाटा नैतिकता अब डाटा विज्ञान र इन्जिनियरिङका लागि _आवश्यक सुरक्षा उपायहरू_ हुन्, जसले डाटा-आधारित कार्यहरूबाट हुने सम्भावित हानिहरू र अनपेक्षित परिणामहरूलाई न्यूनतम बनाउन मद्दत गर्दछ। [गार्टनर हाइप साइकल फर एआई](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ले डिजिटल नैतिकता, जिम्मेवार एआई, र एआई शासनका प्रवृत्तिहरूलाई _एआईको लोकतान्त्रीकरण_ र _औद्योगिकीकरण_ वरिपरि ठूला प्रवृत्तिहरूका प्रमुख चालकका रूपमा पहिचान गर्दछ।
डेटा एथिक्स अहिले डेटा विज्ञान र इन्जिनियरिङका लागि _आवश्यक सुरक्षा पाटाहरू_ हुन्, जसले हाम्रा डेटा-आधारित क्रियाकलापहरूबाट हुन सक्ने हानिहरू र अप्रत्याशित परिणामहरू न्यून गर्ने काम गर्छन्। [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल एथिक्स, जिम्मेवार AI, र AI शासन सम्बन्धी प्रवृत्तिहरूलाई _लोकतान्त्रीकरण_ र _औद्योगिकीकरण_ का प्रमुख ड्राइभरका रूपमा चिन्हित गर्छ।
![गार्टनरको एआई हाइप साइकल - २०२०](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
यस पाठमा, हामी डाटा नैतिकताको रोचक क्षेत्र अन्वेषण गर्नेछौं - मूल अवधारणाहरू र चुनौतीहरूदेखि लिएर केस स्टडीहरू र लागू गरिएको एआई अवधारणाहरू जस्तै शासन - जसले डाटा र एआईसँग काम गर्ने टोलीहरू र संस्थाहरूमा नैतिकताको संस्कृति स्थापना गर्न मद्दत गर्दछ।
यस पाठमा, हामी डेटा एथिक्सको रोचक क्षेत्र अन्वेषण गर्नेछौं—मूल अवधारणाहरू र चुनौतीहरूबाट लिएर, केस अध्ययन र AI अवधारणाहरू जस्तै शासनसम्म, जसले डेटा र AI सँग काम गर्ने टिम र संस्थाहरूमा एथिक्स संस्कृति स्थापना गर्न मद्दत गर्छ।
## [पाठ अघिको क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
## आधारभूत परिभाषाहरू
आउनुहोस्, आधारभूत शब्दावली बुझ्न सुरु गरौं।
अहिले हामी आधारभूत शब्दावली बुझ्न सुरु गरौं।
"नैतिकता" शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (र यसको मूल "ethos") बाट आएको हो, जसको अर्थ _चरित्र वा नैतिक प्रकृति_ हो।
"एथिक्स" शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (र यसको मूल "ethos") बाट आएको हो जसको अर्थ _चरित्र वा नैतिक स्वभाव_ हो।
**नैतिकता** भनेको समाजमा हाम्रो व्यवहारलाई शासित गर्ने साझा मूल्यहरू र नैतिक सिद्धान्तहरूको बारेमा हो। नैतिकता कानूनमा आधारित छैन तर "सही बनाम गलत" के हो भन्ने व्यापक रूपमा स्वीकार गरिएका मानदण्डहरूमा आधारित छ। यद्यपि, नैतिक विचारहरूले कर्पोरेट शासन पहलहरू र सरकारका नियमहरूलाई प्रभाव पार्न सक्छन्, जसले अनुपालनका लागि थप प्रोत्साहनहरू सिर्जना गर्दछ।
**एथिक्स** हाम्रो समाजमा व्यवहारलाई निर्देश गर्ने साझा मूल्य र नैतिक सिद्धान्तहरू हुन्। एथिक्स कानूनहरूमा आधारित हुँदैन तर व्यापक रूपमा स्वीकार गरिएका "सही बिरूद्ध गलत" को मान्यताहरूमा आधारित हुन्छ। यद्यपि, नैतिक विचारहरूले निगम शासনতन्त्र पहलहरू र सरकारका नियमहरूलाई असर पार्न सक्छन् जसले अनुपालनका लागि थप प्रोत्साहन सिर्जना गर्छ।
**डाटा नैतिकता** भनेको "_डाटा, एल्गोरिदम र सम्बन्धित अभ्यासहरू_"सँग सम्बन्धित नैतिक समस्याहरूको अध्ययन र मूल्यांकन गर्ने [नैतिकताको नयाँ शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) हो। यहाँ, **"डाटा"**ले उत्पादन, रेकर्डिङ, क्युरेसन, प्रशोधन, प्रसार, साझेदारी, र प्रयोगसँग सम्बन्धित कार्यहरूमा ध्यान केन्द्रित गर्दछ, **"एल्गोरिदम"**ले एआई, एजेन्टहरू, मेशिन लर्निङ, र रोबोटहरूमा ध्यान केन्द्रित गर्दछ, र **"अभ्यासहरू"**ले जिम्मेवार नवप्रवर्तन, प्रोग्रामिङ, ह्याकिङ, र नैतिकता कोडहरू जस्ता विषयहरूमा ध्यान केन्द्रित गर्दछ।
**डेटा एथिक्स** एउटा [नयाँ शाखा हो](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) जसले "_डेटा, एल्गोरिदम र सम्बन्धित अभ्यासहरू_" सम्बन्धी नैतिक समस्याहरूको अध्ययन र मूल्याङ्कन गर्छ। यहाँ, **"डेटा"** ले उत्पादन, अभिलेखन, संरक्षण, प्रशोधन, प्रचार, साझेदारी र प्रयोगसँग सम्बन्धित क्रियाकलापहरू संकेत गर्छ, **"एल्गोरिदम"** ले AI, एजेन्टहरू, मेशिन लर्निङ, र रोबोटहरूलाई संकेत गर्छ, र **"अभ्यासहरू"** ले जिम्मेवार नवीनता, प्रोग्रामिङ, ह्याकिङ, र एथिक्स कोड जस्ता विषयहरू समेट्छ।
**लागू गरिएको नैतिकता** भनेको [नैतिक विचारहरूको व्यावहारिक प्रयोग](https://en.wikipedia.org/wiki/Applied_ethics) हो। यो _वास्तविक-विश्व कार्यहरू, उत्पादनहरू र प्रक्रियाहरू_को सन्दर्भमा नैतिक मुद्दाहरूलाई सक्रिय रूपमा अनुसन्धान गर्ने प्रक्रिया हो, र परिभाषित नैतिक मूल्यहरूसँग मिल्न सुनिश्चित गर्न सुधारात्मक उपायहरू लिने प्रक्रिया हो।
**प्रयोगात्मक एथिक्स** भनेको नैतिक विचारहरूको [व्यावहारिक प्रयोग हो](https://en.wikipedia.org/wiki/Applied_ethics)। यो वास्तविक-विश्वका क्रियाकलाप, उत्पादन र प्रक्रियाहरूको सन्दर्भमा नैतिक मुद्दाहरू सक्रिय रूपमा अनुसन्धान गर्ने, र ती हामीले परिभाषित गरेका नैतिक मूल्यहरूसँग मेल खाने सुनिश्चित गर्ने सुधारात्मक कदमहरू लिनको प्रक्रिया हो।
**नैतिकता संस्कृति** भनेको [_लागू गरिएको नैतिकतालाई_ सञ्चालनमा ल्याउने](https://hbr.org/2019/05/how-to-design-an-ethical-organization) बारे हो, जसले सुनिश्चित गर्दछ कि हाम्रो नैतिक सिद्धान्तहरू र अभ्यासहरू सम्पूर्ण संगठनमा निरन्तर र मापनयोग्य तरिकामा अपनाइन्छ। सफल नैतिकता संस्कृतिले संगठन-व्यापी नैतिक सिद्धान्तहरू परिभाषित गर्दछ, अनुपालनका लागि अर्थपूर्ण प्रोत्साहनहरू प्रदान गर्दछ, र संगठनको प्रत्येक स्तरमा इच्छित व्यवहारलाई प्रोत्साहित र प्रवर्द्धन गरेर नैतिकता मानदण्डहरूलाई सुदृढ गर्दछ।
**एथिक्स संस्कृति** भनेको [_प्रयोगात्मक एथिक्सलाई सञ्चालनमा ल्याउने_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) हो जसले सुनिश्चित गर्छ कि हामीले परिभाषित गरेका नैतिक सिद्धान्त र अभ्यासहरू सुदृढ र सबै स्तरमा विस्तार गर्न मिल्ने तरिकाले पुरा संस्था भर अपनाइन्छ। सफल एथिक्स संस्कृतिहरूले संस्था-व्यापी नैतिक सिद्धान्तहरू परिभाषित गर्छन्, अनुपालनका लागि अर्थपूर्ण प्रोत्साहन दिन्छन्, र संस्थाका प्रत्येक तहमा इच्छित व्यवहारहरूलाई प्रोत्साहन र सुदृढ पारेर एथिक्स मान्यतालाई बलियो बनाउँछन्।
## नैतिकता अवधारणाहरू
## एथिक्स अवधारणाहरू
यस खण्डमा, हामी **साझा मूल्यहरू** (सिद्धान्तहरू) र **नैतिक चुनौतीहरू** (समस्याहरू) जस्ता अवधारणाहरूको चर्चा गर्नेछौं - र **केस स्टडीहरू** अन्वेषण गर्नेछौं जसले तपाईंलाई वास्तविक-विश्व सन्दर्भमा यी अवधारणाहरू बुझ्न मद्दत गर्दछ।
यस भागमा, हामी डेटा एथिक्सका लागि **साझा मूल्यहरू** (सिद्धान्तहरू) र **नैतिक चुनौतीहरू** (समस्याहरू) जस्ता अवधारणाहरू छलफल गर्नेछौं - र तपाईलाई यी अवधारणाहरू वास्तविक समस्याहरूमा बुझाउन मद्दत गर्ने **केस अध्ययनहरू** अवलोकन गर्नेछौं।
### १. नैतिकता सिद्धान्तहरू
### १. एथिक्स सिद्धान्तहरू
प्रत्येक डाटा नैतिकता रणनीति _नैतिक सिद्धान्तहरू_ परिभाषित गरेर सुरु हुन्छ - "साझा मूल्यहरू" जसले स्वीकार्य व्यवहारहरू वर्णन गर्दछ, र हाम्रो डाटा र एआई परियोजनाहरूमा अनुपालन कार्यहरूलाई मार्गदर्शन गर्दछ। तपाईंले यी व्यक्तिगत वा टोली स्तरमा परिभाषित गर्न सक्नुहुन्छ। यद्यपि, अधिकांश ठूला संस्थाहरूले यीलाई _नैतिक एआई_ मिशन वक्तव्य वा रूपरेखामा परिभाषित गर्छन्, जुन कर्पोरेट स्तरमा परिभाषित गरिन्छ र सबै टोलीहरूमा निरन्तर लागू गरिन्छ।
हरेक डेटा एथिक्स रणनीति सुरू हुन्छ _नैतिक सिद्धान्तहरू_ परिभाषित गरेर - ती "साझा मूल्यहरू" जुन डेटा र AI परियोजनाहरूमा स्वीकार्य व्यवहारहरू वर्णन गर्छन् र अनुपालनीय कार्यहरूलाई मार्गदर्शन गर्छन्। तपाईं यीलाई व्यक्तिगत वा टिम स्तरमा परिभाषित गर्न सक्नुहुन्छ। तर अधिकांश ठूला संस्थाहरूले यीलाई _जिम्मेवार AI_ मिशन वक्तव्य वा फ्रेमवर्कमा समावेश गर्छन् जुन कर्पोरेट स्तरमा परिभाषित र सबै टिमहरूमा समान रूपमा लागू गरिन्छ।
**उदाहरण:** माइक्रोसफ्टको [जिम्मेवार एआई](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन वक्तव्य भन्छ: _"हामी एआईको उन्नतिमा प्रतिबद्ध छौं, जसले मानिसहरूलाई प्राथमिकतामा राख्ने नैतिक सिद्धान्तहरूद्वारा निर्देशित गर्दछ"_ - जसले तलको रूपरेखामा ६ नैतिक सिद्धान्तहरू पहिचान गर्दछ:
**उदाहरणः** माइक्रोसफ्टको [जिम्मेवार AI](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन वक्तव्य भन्छ: _"हामी मानवलाई पहिलो प्राथमिकतामा राख्ने नैतिक सिद्धान्तहरू द्वारा सञ्चालित AI को विकासमा प्रतिबद्ध छौं"_ - र तलको फ्रेमवर्कमा ६ वटा नैतिक सिद्धान्तहरू पहिचान गर्छ:
![माइक्रोसफ्टमा जिम्मेवार एआई](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
आउनुहोस्, यी सिद्धान्तहरूलाई संक्षेपमा अन्वेषण गरौं। _पारदर्शिता_ र _जवाफदेहिता_ आधारभूत मूल्यहरू हुन्, जसमा अन्य सिद्धान्तहरू निर्माण गरिन्छन् - त्यसैले त्यहाँबाट सुरु गरौं:
अब यी सिद्धान्तहरूलाई संक्षेपमा हेर्नेछौं। _पारदर्शिता_ र _जवाफदेहिता_ आधारभूत मूल्यहरू हुन् जसमा अन्य सिद्धान्तहरू आधारित छन् - त्यसैले हामी यहीँबाट सुरू गरौं:
* [**जवाफदेहिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)ले अभ्यासकर्ताहरूलाई आफ्नो डाटा र एआई कार्यहरू, र यी नैतिक सिद्धान्तहरूसँग अनुपालनको लागि _जिम्मेवार_ बनाउँछ।
* [**पारदर्शिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)ले सुनिश्चित गर्दछ कि डाटा र एआई कार्यहरू प्रयोगकर्ताहरूका लागि _बुझ्न सकिने_ (व्याख्यात्मक) छन्, निर्णयहरूको पछाडि के र किन भन्ने कुरा स्पष्ट पार्दै।
* [**न्याय**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - सुनिश्चित गर्नमा केन्द्रित छ कि एआईले _सबै मानिसहरूलाई_ न्यायसंगत व्यवहार गर्छ, डाटा र प्रणालीमा कुनै पनि प्रणालीगत वा निहित सामाजिक-प्राविधिक पूर्वाग्रहहरूलाई सम्बोधन गर्दै।
* [**विश्वसनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - सुनिश्चित गर्दछ कि एआईले परिभाषित मूल्यहरूसँग _लगातार_ व्यवहार गर्छ, सम्भावित हानिहरू वा अनपेक्षित परिणामहरूलाई न्यूनतम बनाउँदै।
* [**गोपनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डाटा वंशावली बुझ्न र प्रयोगकर्ताहरूलाई _डाटा गोपनीयता र सम्बन्धित सुरक्षा_ प्रदान गर्नमा केन्द्रित छ।
* [**समावेशिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - उद्देश्यका साथ एआई समाधानहरू डिजाइन गर्ने बारे हो, तिनीहरूलाई _व्यापक मानव आवश्यकताहरू_ र क्षमताहरू पूरा गर्न अनुकूल बनाउँदै।
* [**जवाफदेहिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) अभ्यासकर्ताहरूलाई उनीहरूको डेटा र AI कार्यहरू र यी नैतिक सिद्धान्तहरूसँगको अनुपालनमा _जिम्मेवार_ बनाउँछ।
* [**पारदर्शिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ले सुनिश्चित गर्छ कि डेटा र AI क्रियाकलापहरू प्रयोगकर्ताहरूका लागि _बुझ्न योग्य_ (व्याख्यायोग्य) हुन्छन्, निर्णय पछिका कारणहरू स्पष्ट हुन्छन्।
* [**न्यायसंगतता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI ले _सबै मानिसहरूलाई_ न्यायसंगत व्यवहार गर्ने सुनिश्चित गर्दछ, र तसर्थ डेटा र प्रणालीहरूमा भएका कुनै प्रणालीगत वा अप्रत्यक्ष सामाजिक-प्राविधिक पक्षपातहरूलाई सम्बोधन गर्छ।
* [**विश्वसनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ले परिभाषित मान्यताहरूसँग _लगातार_ व्यवहार गर्ने सुनिश्चित गर्छ, र सम्भावित हानि वा अप्रत्याशित परिणामहरूलाई न्यूनतम बनाउँछ।
* [**गोपनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डेटा उत्पत्ति बुझ्न र प्रयोगकर्ताहरूलाई _डेटा गोपनीयता र सम्बन्धित सुरक्षा_ प्रदान गर्न सम्बन्धित छ।
* [**समावेशिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI समाधानहरू डिजाइन गर्दा मनसायका साथ बनाइन्छ, तीलाई _मानव आवश्यकताहरू र क्षमताहरूको ठूलो विविधता_ पूरा गर्न अनुकूलन गरिन्छ।
> 🚨 आफ्नो डाटा नैतिकता मिशन वक्तव्य के हुन सक्छ भनेर सोच्नुहोस्। अन्य संस्थाहरूबाट नैतिक एआई रूपरेखाहरू अन्वेषण गर्नुहोस् - यहाँ [आईबीएम](https://www.ibm.com/cloud/learn/ai-ethics), [गुगल](https://ai.google/principles), र [फेसबुक](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/)का उदाहरणहरू छन्। तिनीहरूमा साझा मूल्यहरू के छन्? यी सिद्धान्तहरू उनीहरूको एआई उत्पादन वा उद्योगसँग कसरी सम्बन्धित छन्?
> 🚨 तपाईको डेटा एथिक्स मिशन वक्तव्य के हुन सक्छ भनी सोच्नुहोस्। अन्य संस्थाहरूका जिम्मेवार AI फ्रेमवर्कहरू अन्वेषण गर्नुहोस् - यहाँ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), र [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) का उदाहरणहरू छन्। तिनीहरूमा साझा मूल्यहरू के छन्? यी सिद्धान्तहरू उनीहरूले सञ्चालन गर्ने AI उत्पादन वा उद्योगसँग कसरी सम्बन्धित छन्?
### २. नैतिकता चुनौतीहरू
### २. एथिक्स चुनौतीहरू
एकपटक हामीले नैतिक सिद्धान्तहरू परिभाषित गरेपछि, अर्को चरण भनेको हाम्रो डाटा र एआई कार्यहरूलाई मूल्याङ्कन गर्नु हो कि तिनीहरू ती साझा मूल्यहरूसँग मेल खान्छन्। आफ्नो कार्यहरूलाई दुई श्रेणीमा सोच्नुहोस्: _डाटा सङ्कलन_ र _एल्गोरिदम डिजाइन_।
एथिकल सिद्धान्तहरू परिभाषित भइसकेपछि, अर्को चरण हो हाम्रा डेटा र AI कार्यहरू ती साझा मूल्यहरूसँग मेल खान्छ कि गर्दैन भनी मूल्याङ्कन गर्ने। तपाईको कार्यहरूलाई दुई वर्गमा सोच्नुहोस्: _डेटा सङ्कलन_ र _एल्गोरिदम डिजाइन_।
डाटा सङ्कलनसँग, कार्यहरू सम्भवतः **व्यक्तिगत डाटा** वा व्यक्तिगत रूपमा पहिचानयोग्य जानकारी (PII) समावेश गर्नेछन्, जसले जीवित व्यक्तिहरूलाई पहिचान गर्न सक्छ। यसमा [गैर-व्यक्तिगत डाटाका विविध वस्तुहरू](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) समावेश छन्, जसले _सामूहिक रूपमा_ व्यक्तिलाई पहिचान गर्दछ। नैतिक चुनौतीहरू _डाटा गोपनीयता_, _डाटा स्वामित्व_, र _जानकारी सहमति_ र प्रयोगकर्ताहरूका लागि _बौद्धिक सम्पत्ति अधिकार_ जस्ता सम्बन्धित विषयहरूसँग सम्बन्धित हुन सक्छ।
डेटा सङ्कलनमा, कार्यहरू प्रायः व्यक्तिगत डेटा वा पहिचानयोग्य व्यक्तिहरूका लागि व्यक्तिगत रूपमै पहिचानयोग्य जानकारी (PII) समावेश गर्छ। यसमा त्यस्ता [विविध गैर-व्यक्तिगत डेटा वस्तुहरू](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) समावेश छन् जुन _सामूहिक रूपमा_ कुनै व्यक्तिलाई पहिचान गर्न प्रयोग गर्न सकिन्छ। एथिकल चुनौतीहरू _डेटा गोपनीयता_, _डेटा स्वामित्व_, र प्रयोगकर्ताका लागि _जानकारीमूलक सहमति_ र _बौद्धिक सम्पत्ति अधिकार_ जस्ता विषयहरूमा हुन सक्छन्।
एल्गोरिदम डिजाइनसँग, कार्यहरू **डाटासेटहरू** सङ्कलन र क्युरेट गर्ने, त्यसपछि तिनीहरूलाई **डाटा मोडेलहरू**लाई प्रशिक्षण र तैनाथ गर्न प्रयोग गर्ने, जसले वास्तविक-विश्व सन्दर्भमा परिणामहरूको भविष्यवाणी वा निर्णयहरू स्वचालित बनाउँछ। नैतिक चुनौतीहरू _डाटासेट पूर्वाग्रह_, _डाटा गुणस्तर_ समस्याहरू, _अन्याय_, र एल्गोरिदममा _गलत प्रतिनिधित्व_बाट उत्पन्न हुन सक्छ - जसमा केही मुद्दाहरू प्रणालीगत प्रकृतिका छन्।
एल्गोरिदम डिजाइनमा, कार्यहरूमा **डेटासेटहरू** संकलन र संरक्षण गर्ने, अनि तिनीहरूलाई प्रयोग गरेर वास्तविक-विश्व सन्दर्भमा नतिजा पूर्वानुमान वा निर्णय स्वचालित गर्ने **डेटा मोडेलहरू** तालिम दिने र तैनाथ गर्ने समावेश हुन्छ। एथिकल चुनौतीहरूमा _डेटासेट पक्षपात_, _डेटा गुणस्तर_ समस्या, _अन्याय_ र एल्गोरिदममा _भ्रामक चित्रण_ समावेश हुन सक्छन्—कसै-कसै समस्या प्रणालीगत प्रकृतिका हुनसक्छन्।
दुवै अवस्थामा, नैतिक चुनौतीहरूले हाम्रो कार्यहरू साझा मूल्यहरूसँग द्वन्द्वमा आउन सक्ने क्षेत्रहरूलाई प्रकाश पार्छ। यी चिन्ताहरू पत्ता लगाउन, कम गर्न, न्यूनतम बनाउन, वा हटाउन - हामीले हाम्रो कार्यहरूसँग सम्बन्धित नैतिक "हो/होइन" प्रश्नहरू सोध्न आवश्यक छ, त्यसपछि आवश्यक सुधारात्मक कार्यहरू लिनुपर्छ। आउनुहोस्, केही नैतिक चुनौतीहरू र तिनीहरूले उठाउने नैतिक प्रश्नहरूलाई हेरौं:
दुवै अवस्थामा, एथिक्स चुनौतीहरूले हाम्रा कार्यहरू साझा मूल्यहरूसँग टकराव भएको क्षेत्रहरूलाई देखाउँछन्। ती चिन्ह लगाउन, घटाउन, कम गर्न वा हटाउन हामीले हाम्रा कार्यसँग सम्बन्धित नैतिक "हो/होइन" प्रश्नहरू सोध्नुपर्छ र आवश्यक परे सुधारात्मक कदम लिनुपर्छ। तल केही एथिकल चुनौतीहरू र तिनले उठाउने नैतिक प्रश्नहरू हेरौं:
#### २.१ डाटा स्वामित्व
#### २.१ डेटा स्वामित्व
डाटा सङ्कलनले प्रायः डाटा विषयहरूलाई पहिचान गर्न सक्ने व्यक्तिगत डाटालाई समावेश गर्दछ। [डाटा स्वामित्व](https://permission.io/blog/data-ownership) भनेको डाटा सिर्जना, प्रशोधन, र प्रसारसँग सम्बन्धित _नियन्त्रण_ र [_प्रयोगकर्ता अधिकारहरू_](https://permission.io/blog/data-ownership)को बारेमा हो।
डेटा सङ्कलनमा प्रायः व्यक्तिगत डेटा समावेश हुन्छ जुन डेटा विषयहरूलाई पहिचान गर्न सक्छ। [डेटा स्वामित्व](https://permission.io/blog/data-ownership) भनेको डेटा सिर्जना, प्रशोधन, र प्रचारसँग सम्बन्धित _नियन्त्रण_ र [_प्रयोगकर्ता अधिकारहरू_](https://permission.io/blog/data-ownership) को कुरा हो।
हामीले सोध्नुपर्ने नैतिक प्रश्नहरू:
* डाटाको मालिक को हो? (प्रयोगकर्ता वा संस्था)
* डाटा विषयहरूलाई के अधिकारहरू छन्? (जस्तै: पहुँच, मेटाउने, पोर्टेबिलिटी)
* संस्थाहरूलाई के अधिकारहरू छन्? (जस्तै: दुर्भावनापूर्ण प्रयोगकर्ता समीक्षाहरूलाई सुधार गर्ने)
हामीले सोध्नुपर्ने नैतिक प्रश्नहरू छन्:
* डेटा कसको हो? (प्रयोगकर्ता वा संस्था)
* डेटा विषयहरूको के अधिकारहरू छन्? (जस्तै: पहुँच, मेटाउने, सार्नसकिने)
* संस्थाको के अधिकारहरू छन्? (जस्तै: दुष्ट प्रयोगकर्ता समीक्षा सच्याउने)
#### २.२ जानकारी सहमति
#### २.२ जानकारीमूलक सहमति
[जानकारी सहमति](https://legaldictionary.net/informed-consent/)ले प्रयोगकर्ताहरूले (जस्तै डाटा सङ्कलन) कार्यमा सहमति जनाउने कार्यलाई परिभाषित गर्दछ, _सम्बन्धित तथ्यहरूको पूर्ण समझ_ सहित उद्देश्य, सम्भावित जोखिमहरू, र विकल्पहरू समावेश गर्दछ।
[जानकारीमूलक सहमति](https://legaldictionary.net/informed-consent/) भनेको प्रयोगकर्ताले पूर्ण रूपमा सम्बन्धित तथ्यहरू बुझेर (जस्तै उद्देश्य, सम्भावित जोखिमहरू, विकल्पहरू सहित) कुनै क्रियाकलाप (जस्तै डेटा सङ्कलन) मा सहमति दिने कार्य हो।
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के प्रयोगकर्ताले (डाटा विषय) डाटा सङ्कलन र प्रयोगको लागि अनुमति दिए?
* के प्रयोगकर्ताले डाटा सङ्कलनको उद्देश्य बुझ्यो?
* के प्रयोगकर्ताले आफ्नो सहभागिताबाट उत्पन्न सम्भावित जोखिमहरू बुझ्यो?
यहाँ हेरिनुपर्ने प्रश्नहरू छन्:
* के प्रयोगकर्ताले (डेटा विषयले) डेटा सङ्कलन र प्रयोगको अनुमति दियो?
* के प्रयोगकर्ताले सो डेटा सङ्कलनको उद्देश्य बुझ्यो?
* के प्रयोगकर्ताले आफ्नो सहभागिताबाट हुने सम्भावित जोखिमहरू बुझ्यो?
#### २.३ बौद्धिक सम्पत्ति
[बौद्धिक सम्पत्ति](https://en.wikipedia.org/wiki/Intellectual_property)ले मानव पहलबाट उत्पन्न हुने अमूर्त सिर्जनाहरूलाई जनाउँछ, जसले व्यक्तिहरू वा व्यवसायहरूलाई _आर्थिक मूल्य_ दिन सक्छ।
[बौद्धिक सम्पत्ति](https://en.wikipedia.org/wiki/Intellectual_property) भनेको मानव पहलबाट सिर्जना भएका अमूर्त निर्माणहरू हुन्, जसको _आर्थिक मूल्य_ व्यक्तिहरू वा व्यवसायहरूलाई हुनसक्छ।
यहाँ अनुसन्धान गर्ने प्रश्नहरू छन्:
* के सङ्कलित डेटाले प्रयोगकर्ता वा व्यवसायलाई आर्थिक मूल्य दिएको थियो?
* के **प्रयोगकर्तासँग** यहाँ बौद्धिक सम्पत्ति छ?
* के **संस्थासँग** यहाँ बौद्धिक सम्पत्ति छ?
* यस्ता अधिकारहरू भएमा, हामी तिनीहरूलाई कसरी सुरक्षा गर्छौं?
#### २.४ डेटा गोपनीयता
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के सङ्कलित डाटाले प्रयोगकर्ता वा व्यवसायलाई आर्थिक मूल्य दिएको थियो?
* के यहाँ **प्रयोगकर्ताको** बौद्धिक सम्पत्ति छ?
* के यहाँ **संस्थाको** बौद्धिक सम्पत्ति छ?
* यदि यी अधिकारहरू छन् भने, हामी तिनीहरूलाई कसरी सुरक्षित गर्दैछौं?
[डेटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) वा सूचना गोपनीयता भनेको व्यक्तिगत रूपमा पहिचानयोग्य जानकारीको सन्दर्भमा प्रयोगकर्ताको गोपनीयता र पहिचानको संरक्षण हो।
#### २.४ डाटा गोपनीयता
यहाँ विचार गर्नुपर्ने प्रश्नहरू छन्:
* के प्रयोगकर्ताहरूको (व्यक्तिगत) डेटा ह्याक र चुहावटबाट सुरक्षित छ?
* के प्रयोगकर्ताहरूको डेटा मात्र अधिकार प्राप्त प्रयोगकर्ता र सन्दर्भहरूलाई पहुँचयोग्य छ?
* के डेटा साझा गर्दा वा प्रचार गर्दा प्रयोगकर्ताको पहिचान खुल्ने छैन?
* के प्रयोगकर्तालाई अनामिकृत डेटासेटबाट पहिचान हटाउन सकिन्छ?
[डाटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) वा जानकारी गोपनीयता व्यक्तिगत रूपमा पहिचानयोग्य जानकारीको सन्दर्भमा प्रयोगकर्ताको गोपनीयता संरक्षण र पहिचानको सुरक्षा हो।
#### २.५ मेटाइदिनुपर्ने अधिकार
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के प्रयोगकर्ताहरूको (व्यक्तिगत) डाटा ह्याक र चुहावटबाट सुरक्षित छ?
* के प्रयोगकर्ताहरूको डाटा केवल अधिकृत प्रयोगकर्ताहरू र सन्दर्भहरूमा पहुँचयोग्य छ?
* के प्रयोगकर्ताहरूको गुमनामता डाटा साझा वा प्रसार गर्दा सुरक्षित छ?
* के प्रयोगकर्तालाई गुमनाम डाटासेटबाट पहिचान गर्न सकिन्छ?
[मेटाइदिनुपर्ने अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) वा [मेटाइदिनु पर्ने अधिकार](https://www.gdpreu.org/right-to-be-forgotten/) ले प्रयोगकर्तालाई इन्टरनेट खोज र अन्य स्थानहरूबाट व्यक्तिगत डेटा हटाउन वा मेटाउन अनुरोध गर्ने अधिकार दिन्छ, _विशिष्ट परिस्थितिमा_ - जुनले उनलाई अनलाइन नयाँ सुरुवात गर्न मद्दत गर्छ जहाँ विगतका क्रियाकलापहरूलाई लिएर उनीहरूलाई समस्या नपरोस।
#### २.५ बिर्सिने अधिकार
यहाँ अनुसन्धान गर्ने प्रश्नहरू छन्:
* के प्रणालीले डेटा विषयहरूलाई मेटाउने अनुरोध गर्न अनुमति दिन्छ?
* के प्रयोगकर्ताको सहमति फिर्ता गर्दा स्वतः मेटाइने प्रक्रिया सुरु हुन्छ?
* के डेटा सहमति बिना अथवा गैरकानुनी तरिकाले सङ्कलित भयो?
* के हामी डेटा गोपनीयताका लागि सरकारी नियमहरूमा अनुपालन छौँ?
[बिर्सिने अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) वा [मेटाउने अधिकार](https://www.gdpreu.org/right-to-be-forgotten/)ले प्रयोगकर्ताहरूलाई थप व्यक्तिगत डाटा सुरक्षा प्रदान गर्दछ। विशेष रूपमा, यसले प्रयोगकर्ताहरूलाई इन्टरनेट खोजहरू र अन्य स्थानहरूबाट व्यक्तिगत डाटाको मेटाउने वा हटाउने अनुरोध गर्ने अधिकार दिन्छ, _विशिष्ट परिस्थितिहरूमा_ - तिनीहरूलाई अनलाइन नयाँ सुरुवातको अनुमति दिँदै, विगतका कार्यहरूलाई उनीहरूको विरुद्धमा राख्न नदिई।
#### २.६ डेटासेट पक्षपात
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के प्रणालीले डाटा विषयहरूलाई मेटाउने अनुरोध गर्न अनुमति दिन्छ?
* के प्रयोगकर्ताको सहमति फिर्ता लिनुले स्वचालित मेटाउने कार्यलाई ट्रिगर गर्नुपर्छ?
* के डाटा सहमति बिना वा गैरकानूनी माध्यमबाट सङ्कलन गरिएको थियो?
* के हामी डाटा गोपनीयताका लागि सरकारका नियमहरूसँग अनुपालनमा छौं?
डेटासेट वा [सङ्कलन पक्षपात](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) भनेको एल्गोरिदम विकासको लागि _प्रतिनिधि नभएको_ डेटाको उपसमूह छान्नु हो, जसले परिणामहरूको अन्यायपूर्ण प्रभाव निम्त्याउन सक्छ। पक्षपातका प्रकारहरूमा छनोट वा नमूना पक्षपात, स्वयंसेवक पक्षपात, र उपकरण पक्षपात समावेश छन्।
#### २.६ डाटासेट पूर्वाग्रह
यहाँ अनुसन्धान गर्नुपर्ने प्रश्नहरू छन्:
* के हामीले प्रतिनिधि डेटा विषयहरूको सेट भर्नुभयो?
* के हामीले सङ्कलित वा संरक्षण गरिएको डेटासेट विभिन्न पक्षपातहरूको लागि परीक्षण गर्यौं?
* के हामीले पत्ता लागेको पक्षपात कम वा हटाउन सक्छौं?
डाटासेट वा [सङ्कलन पूर्वाग्रह](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) भनेको एल्गोरिदम विकासको लागि _गैर-प्रतिनिधित्वात्मक_ डाटाको उपसमूह चयन गर्ने बारे हो, जसले विविध समूहहरूको लागि परिणामहरूमा सम्भावित अन्याय सिर्जना गर्दछ। पूर्वाग्रहका प्रकारहरूमा चयन वा नमूना पूर्वाग्रह, स्वयंसेवक पूर्वाग्रह, र उपकरण पूर्वाग्रह समावेश छन्।
#### २.७ डेटा गुणस्तर
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के हामीले डाटा विषयहरूको प्रतिनिधित्वात्मक सेट भर्ती गरेका थियौं?
* के हामीले सङ्क
* के जानकारी वास्तविकता प्रतिबिम्बित गर्न _ठीकसँग_ कैद गरिएको छ?
[डेटा गुणस्तर](https://lakefs.io/data-quality-testing/) भनेको हाम्रो एल्गोरिदम विकास गर्न प्रयोग गरिएको संरक्षण गरिएको डेटासेटको वैधता जाँच्ने कुरा हो, र हामीले चाहेको AI उद्देश्य पूरा गर्नका लागि विशेषताहरू र अभिलेखहरू सटीक र लगातार छन् कि छैनन् भनी पुष्टि गर्ने हो।
#### 2.8 एल्गोरिदम निष्पक्षता
यहाँ हेरिनुपर्ने प्रश्नहरू छन्:
* के हामीले हाम्रो प्रयोग केसका लागि वैध _विशेषताहरू_ सङ्कलन गर्यौं?
* के डेटा बिभिन्न स्रोतमा _लगातार_ सङ्कलन गरियो?
* के डेटासेट विविध अवस्था वा परिस्थितिहरूका लागि _पूरा_ छ?
* के तथ्यहरूले वास्तविकतालाई सटीक रूपमा प्रतिबिम्बित गर्छन्?
#### 2.8 एल्गोरिथम न्यानोपन
[एल्गोरिदम निष्पक्षता](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) जाँच गर्दछ कि एल्गोरिदम डिजाइनले डाटा विषयहरूको विशिष्ट उपसमूहहरूलाई प्रणालीगत रूपमा भेदभाव गरेको छ कि छैन, जसले _संसाधन वितरण_ (जहाँ स्रोतहरू उक्त समूहबाट अस्वीकृत वा रोकिएको छ) र _सेवाको गुणस्तर_ (जहाँ एआई केही उपसमूहहरूको लागि अन्यको तुलनामा यति सटीक छैन) मा [संभावित हानि](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) निम्त्याउँछ।
[एल्गोरिथम न्यानोपन](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) जाँच गर्दछ कि एल्गोरिथम डिजाइनले विशिष्ट उपसमूह डेटा विषयहरू विरुद्ध प्रणालीगत भेदभाव गरिरहेको छ कि छैन जसले _आवंटनमा_ (जहाँ स्रोतहरू त्यो समूहबाट अस्वीकृत वा रोकिएका छन्) र _सेवाको गुणस्तरमा_ (जहाँ केहि उपसमूहहरूका लागि एआई अन्यभन्दा कम सही हुन्छ) [संभावित हानिहरू](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) निम्त्याउँछ।
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के हामीले विविध उपसमूहहरू र अवस्थाहरूको लागि मोडेल सटीकता मूल्यांकन गरेका छौं?
* के हामीले प्रणालीलाई सम्भावित हानिहरू (जस्तै, स्टीरियोटाइपिङ) को लागि गहिरो रूपमा जाँच गरेका छौं?
* के हामीले पहिचान गरिएका हानिहरूलाई कम गर्न डाटा परिमार्जन वा मोडेल पुन: प्रशिक्षण गर्न सक्छौं?
यहाँ अन्वेषण गर्नका लागि प्रश्नहरू छन्:
* के हामीले विविध उपसमूह र परिस्थितिहरूको लागि मोडेल सटीकता मूल्याङ्कन गर्यौं?
* के हामीले संभावित हानिहरू (जस्तै, पूर्वछवि बनाउने) को लागि प्रणालीलाई समीक्षा गर्यौं?
* के हामीले पहिचान गरिएका हानिहरूलाई कम गर्नका लागि डाटा संशोधन वा मोडेल पुनःप्रशिक्षण गर्न सक्छौं?
थप जान्नका लागि [एआई निष्पक्षता चेकलिस्टहरू](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) जस्ता स्रोतहरू अन्वेषण गर्नुहोस्।
[AI न्यानोपन चेकलिस्टहरू](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) जस्ता स्रोतहरू अन्वेषण गरेर थप जान्नुस्।
#### 2.9 गलत प्रतिनिधित्व
[डाटा गलत प्रतिनिधित्व](https://www.sciencedirect.com/topics/computer-science/misrepresentation) भनेको हामीले इमानदारीपूर्वक रिपोर्ट गरिएको डाटाबाट अन्तर्दृष्टिहरूलाई धोखाधडीपूर्ण तरिकाले संचार गर्दैछौं कि छैनौं भन्ने प्रश्न सोध्नु हो, जसले चाहिएको कथालाई समर्थन गर्दछ।
[डाटा गलत प्रतिनिधित्व](https://www.sciencedirect.com/topics/computer-science/misrepresentation) भनेको के हामीले सत्यतापूर्वक रिपोर्ट गरिएको डाटाबाट प्राप्त अन्तर्दृष्टिहरूलाई इच्छित कथालाई समर्थन गर्ने गरी भ्रामक तरिकाले संप्रेषण गर्दैछौं कि होइन भनेर सोध्नु हो।
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के हामी अपूर्ण वा गलत डाटा रिपोर्ट गर्दैछौं?
* के हामी डाटालाई यस्तो तरिकाले दृश्यात्मक बनाउँदैछौं जसले भ्रामक निष्कर्षहरू उत्पन्न गर्दछ?
* के हामी चयनात्मक सांख्यिकीय प्रविधिहरू प्रयोग गरेर परिणामहरूलाई हेरफेर गर्दैछौं?
* के त्यहाँ वैकल्पिक व्याख्याहरू छन् जसले फरक निष्कर्ष दिन सक्छ?
यहाँ अन्वेषण गर्ने प्रश्नहरू छन्:
* के हामीले अपूर्ण वा गलत डाटा रिपोर्ट गर्दैछौं?
* के हामीले डाटालाई यस्तो तरिकाले दृश्यावलोकन गरिरहेका छौं जसले भ्रमपूर्ण निष्कर्षलाई प्रेरित गर्छ?
* के हामीले परिणामहरूलाई हेरफेर गर्न चयनात्मक सांख्यिकीय प्रविधिहरू प्रयोग गर्दैछौं?
* के त्यहाँ वैकल्पिक व्याख्याहरू छन् जसले फरक निष्कर्ष दिन सक्छ?
#### 2.10 स्वतन्त्र छनोट
[स्वतन्त्र छनोटको भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तब हुन्छ जब प्रणाली "छनोट वास्तुकला" ले निर्णय गर्ने एल्गोरिदमहरू प्रयोग गरेर मानिसहरूलाई विकल्प र नियन्त्रण दिँदै एक मनपर्ने परिणाम लिन प्रेरित गर्दछ। यी [डार्क पाटर्नहरू](https://www.darkpatterns.org/) ले प्रयोगकर्ताहरूलाई सामाजिक र आर्थिक हानि पुर्‍याउन सक्छ। किनकि प्रयोगकर्ताको निर्णयले व्यवहार प्रोफाइलहरूलाई असर गर्छ, यी कार्यहरूले सम्भावित रूपमा भविष्यका छनोटहरूलाई ती हानिहरूको प्रभावलाई बढाउन वा विस्तार गर्न सक्छ।
#### 2.10 स्वतन्त्र विकल्पको भ्रम
यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
* के प्रयोगकर्ताले उक्त छनोट गर्ने प्रभावहरू बुझ्यो?
* के प्रयोगकर्ताले (वैकल्पिक) विकल्पहरू र प्रत्येकको फाइदा र बेफाइदाहरू थाहा पाए?
* के प्रयोगकर्ताले स्वचालित वा प्रभावित छनोटलाई पछि उल्टाउन सक्छ?
[स्वतन्त्र विकल्पको भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तब हुन्छ जब प्रणालीका "विकल्प संरचनाहरू" निर्णय लिन एल्गोरिथमहरू प्रयोग गरेर मानिसहरूलाई प्राथमिक परिणामतर्फ उन्मुख गर्छन् जबकि उनीहरूलाई विकल्प र नियन्त्रण दिएको देखिन्छ। यी [अन्धकारपूर्ण ढाँचाहरू](https://www.darkpatterns.org/) प्रयोगकर्ताहरूलाई सामाजिक र आर्थिक हानि पुर्याउन सक्छन्। किनभने प्रयोगकर्ता निर्णयहरूले व्यवहार प्रोफाइलहरूलाई असर गर्छ, यी क्रियाकलापहरूले भविष्यका विकल्पहरूमा असर पुर्याउन सक्छन् जसले यी हानिहरूलाई बढाउन वा विस्तार गर्न सक्छ।
### 3. केस स्टडीहरू
अन्वेषण गर्नका लागि प्रश्नहरू:
* के प्रयोगकर्ताले त्यो विकल्प गर्ने निर्णयको प्रभाव बुझ्यो?
* के प्रयोगकर्ताले (वैकल्पिक) विकल्पहरू र तिनीहरूको फाइदा/नोक्सानहरूबारे जानकारी पाए?
* के प्रयोगकर्ताले पछि स्वचालित वा प्रभाव परेको विकल्प उल्टाउन सक्छ?
यी नैतिक चुनौतीहरूलाई वास्तविक संसारको सन्दर्भमा राख्न, जब यस्ता नैतिक उल्लङ्घनहरूलाई बेवास्ता गरिन्छ, व्यक्तिहरू र समाजमा सम्भावित हानि र परिणामहरूलाई उजागर गर्ने केस स्टडीहरू हेर्न मद्दत गर्दछ।
### 3. केस अध्ययनहरू
केही उदाहरणहरू यहाँ छन्:
यी नैतिक चुनौतीहरूलाई वास्तविक संसारका सन्दर्भहरूमा राख्न, त्यस्ता केस अध्ययनहरू हेर्न मद्दत हुन्छ जसले व्यक्तिगत र समाजमा संभावित हानि र परिणामहरू प्रदर्शन गर्छ जब यस्ता नैतिक उल्लङ्घनहरूलाई बेवास्ता गरिन्छ।
| नैतिक चुनौती | केस स्टडी |
यहाँ केही उदाहरणहरू छन्:
| नैतिक चुनौती | केस अध्ययन |
|--- |--- |
| **जानकारीपूर्ण सहमति** | 1972 - [टस्केगी सिफिलिस अध्ययन](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अफ्रिकी अमेरिकी पुरुषहरूलाई अध्ययनमा भाग लिन नि:शुल्क चिकित्सा सेवा दिने वाचा गरिएको थियो _तर धोखा दिइयो_। अनुसन्धानकर्ताहरूले विषयहरूलाई उनीहरूको निदान वा उपचारको उपलब्धता बारे जानकारी दिन असफल भए। धेरै विषयहरू मरे र पार्टनर वा बच्चाहरू प्रभावित भए; अध्ययन 40 वर्षसम्म चल्यो। |
| **डाटा गोपनीयता** | 2007 - [नेटफ्लिक्स डाटा पुरस्कार](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ले अनुसन्धानकर्ताहरूलाई _50K ग्राहकहरूको 10M अनामित फिल्म रेटिङहरू_ प्रदान गर्‍यो। तर, अनुसन्धानकर्ताहरूले अनामित डाटालाई _बाह्य डेटासेटहरू_ (जस्तै, IMDb टिप्पणीहरू) संग सम्बन्धित गर्न सक्षम भए - प्रभावकारी रूपमा केही नेटफ्लिक्स ग्राहकहरूलाई "डि-अनोनिमाइज" गर्दै। |
| **सङ्कलन पूर्वाग्रह** | 2013 - बोस्टन सहरले [स्ट्रीट बम्प](https://www.boston.gov/transportation/street-bump) विकास गर्‍यो, एउटा एप जसले नागरिकहरूलाई खाल्डाहरू रिपोर्ट गर्न अनुमति दियो। तर, [कम आय समूहका मानिसहरूलाई कार र फोनको पहुँच कम थियो](https://hbr.org/2013/04/the-hidden-biases-in-big-data), जसले उनीहरूको सडक समस्याहरूलाई यस एपमा अदृश्य बनायो। विकासकर्ताहरूले निष्पक्षताको लागि _समान पहुँच र डिजिटल विभाजन_ मुद्दाहरूमा काम गरे। |
| **एल्गोरिदम निष्पक्षता** | 2018 - MIT [जेंडर शेड्स अध्ययन](http://gendershades.org/overview.html) ले लिंग वर्गीकरण एआई उत्पादनहरूको सटीकता मूल्यांकन गर्‍यो, महिलाहरू र रंगका व्यक्तिहरूको लागि सटीकतामा अन्तर उजागर गर्दै। [2019 एप्पल कार्ड](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ले महिलाहरूलाई पुरुषहरूको तुलनामा कम क्रेडिट प्रस्ताव गरेको देखियो। दुवैले एल्गोरिदम पूर्वाग्रहमा सामाजिक-आर्थिक हानिहरूको मुद्दा देखाए। |
| **डाटा गलत प्रतिनिधित्व** | 2020 - जर्जिया सार्वजनिक स्वास्थ्य विभागले [COVID-19 चार्टहरू](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) जारी गर्‍यो जसले पुष्टि गरिएका केसहरूको प्रवृत्तिहरूको बारेमा नागरिकहरूलाई भ्रामक बनाउने देखियो। यो दृश्यात्मक चालहरूको माध्यमबाट गलत प्रतिनिधित्वलाई चित्रित गर्दछ। |
| **स्वतन्त्र छनोटको भ्रम** | 2020 - सिक्ने एप [ABCmouse ले FTC गुनासो समाधान गर्न $10M तिरेको](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जहाँ अभिभावकहरूलाई सदस्यता तिर्न बाध्य पारिएको थियो। यो छनोट वास्तुकलामा डार्क पाटर्नहरूलाई चित्रित गर्दछ। |
| **डाटा गोपनीयता र प्रयोगकर्ता अधिकारहरू** | 2021 - फेसबुक [डाटा ब्रिच](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ले 530M प्रयोगकर्ताहरूको डाटा उजागर गर्‍यो। यसले FTC लाई $5B को समाधान गर्‍यो। तर, प्रयोगकर्ताहरूलाई ब्रिचको बारेमा सूचित गर्न अस्वीकार गर्‍यो। |
| **जानकारी सहमति** | १९७२ - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अफ्रिकी अमेरिकी पुरुषहरूलाई अध्ययनमा भाग लिएर निशुल्क चिकित्सा सेवा दिने भनी विश्वास दिलाइयो _तर अनुसन्धानकर्ताहरूले विषयहरूलाई उनीहरूको रोगको बारेमा वा उपचार उपलब्धताबारे जानकारी नदिइ भण्डाफोर गरियो_। धेरै विषयहरू मरे र पार्टनर वा छोराछोरीहरू प्रभावित भए; अध्ययन ४० वर्षसम्म चल्यो। |
| **डाटा गोप्यता** | २००७ - [Netflix डाटा पुरस्कार](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ले अनुसन्धानकर्ताहरूलाई _५० हजार ग्राहकका १० मिलियन एनोनिमाइज्ड मुभी र्याङ्किङहरू_ प्रदान गर्यो कि सुझाव एल्गोरिथ्महरू सुधार गर्न। तर अनुसन्धानकर्ताहरूले _बाह्य डाटासेटहरू_ (जस्तै IMDb कमेन्टहरू) सँग एनोनिमाइज्ड डाटालाई जोड्न सफल भए - जसले केही Netflix ग्राहकहरूको पहिचान हटाउनबाट मुक्त गर्यो।|
| **सङ्कलन पूर्वाग्रह** | २०१३ - बोस्टन सिटीले [Street Bump](https://www.boston.gov/transportation/street-bump) नामक एप विकास गर्यो जसले नागरिकहरूलाई खाल्डाहरू रिपोर्ट गर्न दियो, जसले शहरलाई सडकसँग सम्बन्धित समस्या पत्ता लगाउन मद्दत गर्यो। त्यहाँ [कम आम्दानी भएका समूहमा कार र फोन पहुँच कम थियो](https://hbr.org/2013/04/the-hidden-biases-in-big-data), जसले उनीहरूको सडक समस्याहरू एपमा नजरअन्दाज गरायो। विकासकर्ताहरूले समावेशी पहुँच र डिजिटल विभाजनका मुद्दाहरू समाधान गर्न शैक्षिक समुदायसँग काम गरे। |
| **एल्गोरिथ्मिक न्यानोपन** | २०१८ - MIT को [Gender Shades Study](http://gendershades.org/overview.html) ले लिङ्ग वर्गीकरणमा प्रयोग भएका AI उत्पादनहरूको सटीकता जाँच गर्‍यो र महिलाहरू र रंगका मानिसहरूको लागि सटीकता कम देखायो। [२०१९ को Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ले महिलाहरूलाई पुरुषहरूभन्दा कम क्रेडिट प्रदान गर्ने देखियो। दुवैले एल्गोरिथ्मिक पक्षपातका कारण सामाजिक-आर्थिक हानि देखाए।|
| **डेटा गलत प्रतिनिधित्व** | २०२० - [Georgia Department of Public Health](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ले COVID-19 चार्टहरू जारी गर्‍यो जुन नागरिकहरूलाई पुष्टकृत केसहरूको प्रवृत्तिबारे ठगीपूर्ण देखियो किनभने एक्स-अक्षमा गैर-कालानुक्रमिक क्रम प्रयोग गरिएको थियो। यो दृश्यावलोकन ट्रिक्सबाट गलत प्रतिनिधित्व देखाउँछ। |
| **स्वतन्त्र विकल्पको भ्रम** | २०२० - शिक्षण एप [ABCmouse ले FTC गुनासोलाई $१० मिलियन तिरेर समाधान गर्यो](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जहाँ अभिभावकहरूलाई सदस्यता भुक्तानीमा जकडियो र रद्द गर्न सक्दैनथे। यो विकल्प संरचनामा अन्धकारपूर्ण ढाँचाहरूलाई देखाउँछ जसले प्रयोगकर्ताहरुलाई सम्भावित हानिकारक विकल्पहरूतर्फ उन्मुख गरायो। |
| **डेटा गोप्यता र प्रयोगकर्ता अधिकारहरू** | २०२१ - Facebook को [डेटा चुहावट](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) मा ५३० मिलियन प्रयोगकर्ताहरूको डाटा exposed भयो र FTC सँग $५ बिलियनको सम्झौता भयो। तर भने यो चुहावट बारे प्रयोगकर्तालाई सूचित गर्न अस्वीकार गर्‍यो जसले डाटा पारदर्शिता र पहुँच सम्बन्धी प्रयोगकर्ता अधिकारहरूलाई उल्लङ्घन गर्‍यो। |
थप केस स्टडीहरू अन्वेषण गर्न चाहनुहुन्छ? यी स्रोतहरू जाँच गर्नुहोस्:
* [एथिक्स अनर्याप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगहरूमा नैतिक दुविधाहरू।
* [डाटा साइन्स एथिक्स कोर्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - प्रमुख केस स्टडीहरू अन्वेषण गरियो।
* [जहाँ चीजहरू गलत भएको छ](https://deon.drivendata.org/examples/) - डिओन चेकलिस्टसँग उदाहरणहरू।
थप केस अध्ययनहरू अन्वेषण गर्न चाहनुहुन्छ? यी स्रोतहरू जाँच गर्नुहोस्:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगका नैतिक दुविधाहरू।
* [डाटा साइन्स एथिक्स कोर्स](https://www.coursera.org/learn/data-science-ethics#syllabus) - मुल्यांकन गरिएका केस अध्ययनहरू।
* [त्रुटि भएका ठाउँहरू](https://deon.drivendata.org/examples/) - deon चेकलिस्ट र उदाहरणहरू
> 🚨 तपाईंले देखेका केस स्टडीहरूको बारेमा सोच्नुहोस् - के तपाईंले आफ्नो जीवनमा यस्तै नैतिक चुनौतीको अनुभव गर्नुभएको छ वा प्रभावित हुनुभएको छ? के तपाईंले यस खण्डमा छलफल गरिएका नैतिक चुनौतीहरूको एउटा अन्य केस स्टडी सोच्न सक्नुहुन्छ?
> 🚨 तपाईंले देखेका केस अध्ययनहरूको बारेमा सोच्नुहोस् - के तपाईंले यस्तो नैतिक चुनौती आफ्नै जीवनमा भोग्नु भएको छ वा सम्वेदनशील भएको छ? के तपाईं कम्तीमा एक अन्य केस अध्ययन सोच्न सक्नुहुन्छ जसले यहाँ छलफल गरिएका नैतिक चुनौती मध्ये एउटा देखाउँछ?
## लागू नैतिकता
## लागु नैतिकता
हामीले नैतिकता अवधारणाहरू, चुनौतीहरू, र वास्तविक संसारको सन्दर्भमा केस स्टडीहरूको बारेमा कुरा गर्यौं। तर, हामी कसरी _लागू_ नैतिक सिद्धान्तहरू र अभ्यासहरू हाम्रो परियोजनाहरूमा सुरु गर्ने? र हामी कसरी _संचालन_ यी अभ्यासहरूलाई राम्रो शासनको लागि गर्ने? केही वास्तविक समाधानहरू अन्वेषण गरौं:
हामीले नैतिकताको अवधारणा, चुनौतीहरू, र वास्तविक संसार सन्दर्भमा केस अध्ययनहरूबारे कुरा गर्यौं। तर हामीले आफ्ना परियोजनाहरूमा कसरी नैतिक सिद्धान्तहरू र अभ्यासहरू _लागु_ गर्ने सुरुवात गर्ने? र कसरी यी अभ्यासहरूलाई _संचालनात्मक गर्ने_ ताकि राम्रो शासन सुनिश्चित गर्न सकियोस्? केही वास्तविक समाधानहरू अन्वेषण गरौं:
### 1. व्यावसायिक कोडहरू
व्यावसायिक कोडहरूले संगठनहरूलाई आफ्ना नैतिक सिद्धान्तहरू र मिशन वक्तव्यलाई समर्थन गर्न सदस्यहरूलाई "प्रेरित" गर्न एक विकल्प प्रदान गर्दछ। कोडहरू व्यावसायिक व्यवहारका लागि _नैतिक दिशानिर्देशहरू_ हुन्, जसले कर्मचारीहरू वा सदस्यहरूलाई उनीहरूको संगठनका सिद्धान्तहरूसँग मेल खाने निर्णयहरू गर्न मद्दत गर्दछ।
व्यावसायिक कोडहरूले संगठनहरूलाई आफ्ना सदस्यहरूलाई उनीहरूको नैतिक सिद्धान्त र मिशन वक्तव्यलाई समर्थन गर्न "प्रोत्साहन" गर्ने एउटा विकल्प प्रदान गर्दछ। कोडहरू पेशागत आचरणका लागि _नैतिक मार्गदर्शनहरू_ हुन्, जसले कर्मचारी वा सदस्यहरूलाई संगठनका सिद्धान्तहरूसँग मेल खाने निर्णयहरू गर्न मद्दत गर्दछ। यी सदस्यहरूको स्वैच्छिक पालनमा आधारित हुन्छन्; तथापि, धेरै संगठनहरूले सदस्यहरूलाई पालन गर्न उत्प्रेरित गर्न थप पुरस्कार र दण्डहरू पनि प्रस्ताव गर्छन्।
उदाहरणहरू:
* [अक्सफोर्ड म्युनिख](http://www.code-of-ethics.org/code-of-conduct/) कोड अफ एथिक्स
* [डाटा साइन्स एसोसिएसन](http://datascienceassn.org/code-of-conduct.html) कोड अफ कन्डक्ट (2013 मा सिर्जना गरिएको)
* [ACM कोड अफ एथिक्स र व्यावसायिक आचरण](https://www.acm.org/code-of-ethics) (1993 देखि)
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) एथिक्स कोड
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) कोड अफ कन्डक्ट (२०१३ मा सिर्जना)
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (सन् १९९३ देखि)
> 🚨 के तपाईं व्यावसायिक इन्जिनियरिङ वा डाटा साइन्स संगठनको सदस्य हुनुहुन्छ? तिनीहरूको साइट अन्वेषण गरेर हेर्नुहोस् कि उनीहरूले कुनै व्यावसायिक एथिक्स कोड परिभाषित गर्छन् कि गर्दैनन्। त्यसले उनीहरूको नैतिक सिद्धान्तहरूबारे के भन्छ? कसरी तिनीहरूले सदस्यहरूलाई कोड पालन गर्न "प्रोत्साहित" गरिरहेका छन्?
> 🚨 के तपाईं व्यावसायिक इन्जिनियरिङ वा डाटा साइन्स संगठनको सदस्य हुनुहुन्छ? उनीहरूको साइट अन्वेषण गर्नुहोस् कि उनीहरूले व्यावसायिक नैतिकता कोड परिभाषित गरेका छन् कि छैनन्। यसले उनीहरूको नैतिक सिद्धान्तहरूको बारेमा के भन्छ? उनीहरूले सदस्यहरूलाई कोड पालना गर्न "प्रेरित" कसरी गरिरहेका छन्?
### 2. एथिक्स चेकलिस्टहरू
### 2. नैतिकता चेकलिस्टहरू
व्यावसायिक कोडहरूले अभ्यासकर्ताहरूबाट आवश्यक _नैतिक व्यवहार_ परिभाषित गर्छन्, तर ठूलो परियोजनाहरूमा पश्चात्प्रतिकारमा [सीमितताहरू ज्ञात छन्](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)। यसको सट्टामा धेरै डाटा साइन्स विशेषज्ञहरूले [चेकलिस्टहरूको समर्थन गर्छन्](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), जसले सिद्धान्तहरूलाई कार्यहरूमा अधिक निश्चित र क्रियान्वयनयोग्य तरिकाले जडान गर्न सक्छन्।
जबकि व्यावसायिक कोडहरूले व्यवसायीहरूबाट आवश्यक _नैतिक व्यवहार_ परिभाषित गर्दछ, तिनीहरू [ज्ञात सीमाहरू](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) को साथमा आउँछन्। यसको सट्टा, धेरै डाटा साइन्स विशेषज्ञहरूले [चेकलिस्टहरूको वकालत](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) गर्छन्, जसले **सिद्धान्तहरूलाई अभ्यासहरूसँग जोड्न** अधिक निर्धारणात्मक र कार्यान्वयन योग्य तरिकामा मद्दत गर्दछ।
चेकलिस्टहरूले प्रश्नहरूलाई "हो/होइन" कार्यहरूमा परिणत गर्छन् जसलाई सञ्चालनयोग्य बनाइन्छ, र तिनीहरूलाई मानक उत्पादन रिलिज कार्यप्रवाहको हिस्साको रूपमा ट्रयाक गर्न सकिन्छ।
उदाहरणहरू:
* [डिओन](https://deon.drivendata.org/) - [उद्योग सिफारिसहरू](https://deon.drivendata.org/#checklist-citations) बाट सिर्जना गरिएको सामान्य उद्देश्य डाटा नैतिकता चेकलिस्ट।
* [गोपनीयता अडिट चेकलिस्ट](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कानुनी र सामाजिक जोखिम दृष्टिकोणबाट जानकारी ह्यान्डलिङ अभ्यासहरूको लागि सामान्य मार्गदर्शन प्रदान गर्दछ।
* [एआई निष्पक्षता चेकलिस्ट](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - एआई विकास चक्रहरूमा निष्पक्षता जाँचको अपनत्व र एकीकरणलाई समर्थन गर्न एआई व्यवसायीहरूद्वारा सिर्जना गरिएको।
* [डाटा र एआईमा नैतिकताका लागि 22 प्रश्नहरू](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - डिजाइन, कार्यान्वयन, र संगठनात्मक सन्दर्भहरूमा नैतिक मुद्दाहरूको प्रारम्भिक अन्वेषणको लागि संरचित।
* [Deon](https://deon.drivendata.org/) - उद्योग सिफारिसहरूबाट सिर्जना गरिएको सामान्य प्रयोजनको डाटा एथिक्स चेकलिस्ट, जससँग सजिलो एकीकरणकालागि कमाण्ड लाइन उपकरण छ।
* [प्राइभेसी अडिट चेकलिस्ट](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कानुनी र सामाजिक जोखिम दृष्टिकोणबाट सूचना ह्यान्डलिङ अभ्यासको सामान्य मार्गदर्शन।
* [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - एआई विकास प्रक्रियामा समानता जाँचहरूको अपनत्व र संयोजनलाई समर्थन गर्न एआई अभ्यासकर्ताहरूले सिर्जना गरेको।
* [डाटा र एआईमा नैतिकताको लागि २२ प्रश्नहरू](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - थप खुल्ला ढाँचा, डिजाइन, कार्यान्वयन, र संगठनात्मक सन्दर्भहरूमा नैतिक मुद्दाहरूको प्रारम्भिक अन्वेषणका लागि संरचित।
### 3. नैतिकता नियमहरू
### 3. एथिक्स नियमावली
नैतिकता भनेको साझा मूल्यहरू परिभाषित गर्नु र _स्वेच्छाले_ सही काम गर्नु हो। **अनुपालन** भनेको _कानूनको पालना_ गर्नु हो। **शासन** व्यापक रूपमा सबै तरिकाहरूलाई समेट्छ जसमा संगठनहरूले नैतिक सिद्धान्तहरू लागू गर्न र स्थापित कानूनहरूको पालना गर्न संचालन गर्छन्।
एथिक्स भनेको साझा मूल्यहरू परिभाषित गरी सहमत पूर्वक सही कार्य गर्ने कुरा हो। **पालना** भनेको यदि र जहाँ परिभाषित गरिएको छ त्यहाँ _कानुनको पालन_ गर्नु हो। **शासन** broadly विभिन्न तरिकाहरू समेट्छ जसमा संगठनहरूले नैतिक सिद्धान्तहरू लागू गर्न र कानूनी पालना गर्न सञ्चालन गर्छन्।
उदाहरणहरू:
* `1974`, [अमेरिकी गोपनीयता ऐन](https://www.justice.gov/opcl/privacy-act-1974) - _संघीय सरकार_ द्वारा व्यक्तिगत जानकारीको सङ्कलन, प्रयोग, र प्रकटीकरणलाई नियमन गर्दछ।
* `1996`, [अमेरिकी स्वास्थ्य बीमा पोर्टेबिलिटी र उत्तरदायित्व ऐन (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - व्यक्तिगत स्वास्थ्य डाटाको सुरक्षा गर्दछ।
* `1998`, [अमेरिकी बाल अनलाइन गोपनीयता संरक्षण ऐन (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 वर्षभन्दा कम उमेरका बालबालिकाको डाटा गोपनीयताको सुरक्षा गर्दछ।
* `2018`, [सामान्य डाटा संरक्षण नियम (GDPR)](https://gdpr-info.eu/) - प्रयोगकर्ता अधिकारहरू, डाटा संरक्षण, र गोपनीयता प्रदान गर्दछ।
* `2018`, [क्यालिफोर्निया उपभोक्ता गोपनीयता ऐन (CCPA)](https://www.oag.ca.gov/privacy/ccpa) उपभोक्ताहरूलाई उनीहरूको (व्यक्तिगत) डाटामा थप _अधिकारहरू_ दिन्छ।
* `2021`, चीनको [व्यक्तिगत जानकारी संरक्षण कानून](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) हालै पारित भएको छ।
आज, संगठनहरूमा शासनले दुई रूप लिन्छ। पहिलो, यो एआईसँग सम्बन्धित सबै परियोजनाहरूमा अपनत्वलाई संचालन गर्न **नैतिक एआई** सिद्धान्तहरू परिभाषित गर्न र अभ्यासहरू स्थापना गर्न हो। दोस्रो, यो संचालन गर्दछ जहाँ काम गर्छ त्यहाँका सबै सरकारद्वारा अनिवार्य **डाटा संरक्षण नियमहरू** पालना गर्न।
डाटा संरक्षण र गोपनीयता नियमावलीका उदाहरणहरू:
> 🚨 युरोपियन युनियनले परिभाषित गरेको GDPR (सामान्य डाटा संरक्षण नियम) आजको दिनमा सबैभन्दा प्रभावशाली डाटा गोपनीयता नियमहरू मध्ये एक हो। के तपाईंलाई थाहा छ यसले नागरिकहरूको डिजिटल गोपनीयता र व्यक्तिगत डाटालाई सुरक्षित गर्न [8 प्रयोगकर्ता अधिकारहरू](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) पनि परिभाषित गर्दछ?
* `१९७४`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - संघीय सरकारको व्यक्तिगत जानकारी सङ्कलन, प्रयोग, र खुलाशा नियमन गर्छ।
* `१९९६`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - व्यक्तिगत स्वास्थ्य डाटाको सुरक्षा गर्छ।
* `१९९८`, [US Children’s Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - १३ वर्ष मुनिका बच्चाहरूको डाटा गोपनीयता संरक्षण गर्छ।
* `२०१८`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - प्रयोगकर्ता अधिकार, डाटा संरक्षण, र गोपनीयता प्रदान गर्छ।
* `२०१८`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ले उपभोक्ताहरूलाई आफ्ना (व्यक्तिगत) डाटामा बढी _अधिकारहरू_ दिन्छ।
* `२०२१`, चीनको [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) भर्खरै पारित भयो, जुन विश्वव्यापी रूपमा सबैभन्दा कडा अनलाइन डाटा गोपनीयता नियमहरू मध्ये एक हो।
### 4. नैतिकता संस्कृति
> 🚨 युरोपियन युनियनले निर्दिष्ट गरेको GDPR (सामान्य डाटा संरक्षण नियमावली) आजका सबैभन्दा प्रभावकारी डाटा गोपनीयता नियमहरू मध्ये एक हो। के तपाईंलाई थाहा छ कि यसले [८ प्रयोगकर्ता अधिकारहरू](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) पनि परिभाषित गर्छ जसले नागरिकहरूको डिजिटल गोपनीयता र व्यक्तिगत डाटाको संरक्षण गर्छ? यी के हुन् र किन महत्त्वपूर्ण छन् जान्नुहोस्।
ध्यान दिनुहोस् कि _अनुपालन_ (कानूनको "अक्षर" पूरा गर्न पर्याप्त काम गर्नु) र [प्रणालीगत मुद्दाहरू](https://www.coursera.org/learn/data-science-ethics/home/week/4) लाई सम्बोधन गर्ने बीचमा अझै एक अमूर्त अन्तर छ।
### 4. एथिक्स संस्कृति
यसले [नैतिकता संस्कृतिहरू परिभाषित गर्न सहयोगात्मक दृष्टिकोणहरू](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) आवश्यक छ। यसले उद्योगमा _संगठनहरू_ बीच भावनात्मक सम्बन्ध र निरन्तर साझा मूल्यहरू निर्माण गर्दछ।
ध्यान दिनुहोस् कि _पालना_ (कानुनको अक्षर अनुरूप पर्याप्त गर्ने) र [प्रणालीगत मुद्दाहरू](https://www.coursera.org/learn/data-science-ethics/home/week/4) (जस्तै कठोरता, सूचना असमानता, र वितरणात्मक अन्याय) समाधान गर्नेबिच एक अमूर्त खालि ठाउँ अब पनि छ। यी मुद्दाहरूले एआईको हतियारबन्दीलाई तीव्र बनाउन सक्छ।
पछिल्लो कुरा [नैतिकता संस्कृतिहरू परिभाषित गर्न सहकारी दृष्टिकोणहरू](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) चाहिन्छ जसले भावना सम्बन्धहरू र उद्योगभर समान साझा मूल्यहरू निर्माण गर्छ। यसले संगठनहरूमा [औपचारिक डाटा एथिक्स संस्कृतिहरू](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) आवश्यक पर्छ - जसले _कुनै पनि व्यक्ति_ लाई [Andon cord तानेर](https://en.wikipedia.org/wiki/Andon_(manufacturing)) नैतिक चिन्ताहरू प्रक्रिया प्रारम्भमै उठाउन अनुमति दिन्छ र _नैतिक मुल्यांकन_ (जस्तै, भर्ती गर्दा) AI परियोजनाहरूमा टोली गठनको मुख्य मापदण्ड बनाउँछ।
---
## [पोस्ट-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## समीक्षा र आत्म अध्ययन
## [पोस्ट-लेक्चर क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## समीक्षा र स्व-अध्ययन
कोर्स र पुस्तकहरूले मुख्य नैतिकता अवधारणाहरू र चुनौतीहरू बुझ्न मद्दत गर्छन्, जबकि केस अध्ययनहरू र उपकरणहरूले वास्तविक विश्व सन्दर्भमा लागु एथिक्स अभ्यासहरूमा सहायता गर्छन्। सुरु गर्नका लागि केही स्रोतहरू यहाँ छन्।
पाठ्यक्रमहरू र पुस्तकहरूले मुख्य नैतिकता अवधारणाहरू र चुनौतीहरू बुझ्न मद्दत गर्छन्। केस स्टडीहरू र उपकरणहरूले वास्तविक संसारको सन्दर्भमा लागू नैतिकता अभ्यासहरूमा मद्दत गर्छन्। यहाँ केही स्रोतहरू छन्।
* [मेसिन लर्निङको सुरुवात](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - निष्पक्षताको पाठ, माइक्रोसफ्टबाट।
* [उत्तरदायी एआईका सिद्धान्तहरू](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - माइक्रोसफ्ट लर्नबाट निःशुल्क सिकाइ मार्ग।
* [नैतिकता र डाटा विज्ञान](https://resources.oreilly.com/examples/0636920203964) - ओ'रेली ईबुक (एम. लुकाइड्स, एच. मेसन आदि।)
* [डाटा विज्ञानको नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालयबाट अनलाइन पाठ्यक्रम।
* [नैतिकता अनर्‍याप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालयबाट केस अध्ययनहरू।
* [शुरुआतीहरूको लागि मशीन लर्निङ](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft बाट न्यानोपन विषयक पाठ।
* [जिम्मेवार AI का सिद्धान्तहरू](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn बाट निशुल्क सिकाइ मार्ग।
* [नैतिकता र डेटा विज्ञान](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (एम. लौकिडेस, एच. मेसन आदि)
* [डेटा विज्ञान नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालयबाट अनलाइन कोर्स।
* [नैतिकता अनव्रैप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालयबाट केस स्टडीहरू।
# असाइनमेन्ट
# असाइनमेन्ट
[डाटा नैतिकताको केस अध्ययन लेख्नुहोस्](assignment.md)
[डेटा नैतिकता केस स्टडी लेख्नुहोस्](assignment.md)
---
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। मूल दस्तावेज़ यसको मातृभाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुनेछैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
Write Preview
Loading…
Cancel
Save