# ការណែនាំអំពី គោរពទិន្នន័យ |![ Sketchnote ដោយ [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| |:---:| | គោរពទិន្នន័យវិទ្យា - _Sketchnote ដោយ [@nitya](https://twitter.com/nitya)_ | --- យើងទាំងអស់គ្នាគឺជាពលរដ្ឋទិន្នន័យនៅក្នុងពិភពដែលត្រូវបានរាប់បញ្ចូលទិន្នន័យ។ និន្នាការទីផ្សារប្រាប់យើងថា ដល់ឆ្នាំ ២០២២ ក្រុមហ៊ុនធំទូលាយ ១ ក្នុង ៣ នឹងទិញ និងលក់ទិន្នន័យរបស់ពួកគេតាមរយៈ [ទីផ្សារនិងប្ដូរ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) លើអ៊ីនធឺណិត។ ជា **អ្នកអភិវឌ្ឍកម្មវិធី** យើងនឹងឃើញថា វាងាយស្រួល និងថ្លៃថោកសម្រាប់រួមបញ្ចូលចំណេះដឹងផ្អែកលើទិន្នន័យ និងអូតូម៉ាទ័រដោយគណិតវិទ្យាទៅក្នុងបទពិសោធន៍ប្រើប្រាស់ប្រចាំថ្ងៃ។ ប៉ុន្តែពេល AI កាន់តែពេញនិយម យើងក៏ត្រូវតែយល់ដឹងអំពីគ្រោះថ្នាក់ដែលអាចបាត់បង់ដោយ [ការប្រើប្រាស់ជាឧបករណ៍សង្គ្រាម](https://www.youtube.com/watch?v=TQHs8SA1qpk) នៃគណិតវិទ្យាប្រភេទនេះនៅជំហានធំ។ និន្នាការបង្ហាញថា ដល់ឆ្នាំ ២០២៥ យើងនឹងបង្កើត និងប្រើប្រាស់លើស [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) នៃទិន្នន័យ។ សម្រាប់ **អ្នកវិទ្យាសាស្រ្តទិន្នន័យ** ការរីករាលដាលនៃព័ត៌មាននេះផ្តល់នូវឱកាសពិសេសសម្រាប់ទទួលបានទិន្នន័យផ្ទាល់ខ្លួន និងទិន្នន័យអាកប្បកិច្ច។ ជាមួយនឹងនេះ ក៏មានអំណាចក្នុងការបង្កើតប្រវត្តិរូបអ្នកប្រើប្រាស់លម្អិត និងលើកឡើងដោយស្និទស្នាលការប្រកាន់ខ្ជាប់ក្នុងការសម្រេចចិត្ត - ជាច្រើនតាមបែបដែលបង្កើត [រូបមន្ត​ពី​ការ​ជ្រើសរើសដោយឥតគិតថ្លៃ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ។ ខណៈពេលនេះវាអាចប្រើប្រាស់ក្នុងការជំរុញអ្នកប្រើទិសទៅលទ្ធផលដែលចូលចិត្ត វាក៏បង្កឡើងសំណួរសំខាន់ៗអំពីភាពឯកជនក្នុងទិន្នន័យ, អេសូស៊ីតា និងស្ថានភាពគោលការណ៍នៃការប៉ះពាល់គណិតវិទ្យា។ គោរពទិន្នន័យឥឡូវនេះគឺជា _ការការពារតម្រូវការរបស់វិទ្យាសាស្រ្តទិន្នន័យ និងវិស្វកម្ម_ ដែលជួយយើងកាត់បន្ថយគ្រោះថ្នាក់ និងផលប៉ះពាល់ច្របល់ពីសកម្មភាពផ្អែកលើទិន្នន័យ។ [Gartner Hype Cycle សម្រាប់ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) បានកំណត់និន្នាការពាក់ព័ន្ធនៅក្នុងគោលការណ៍ឌីជីថល, AI មានទំនួលខុសត្រូវ ហើយការគ្រប់គ្រង AI ជាជើងខ្លួនសំខាន់សម្រាប់និន្នាការធំៗជុំវិញ _ការប្រជាធិបតេយ្យ_ និង _ឧស្សាហកម្មកម្រិត_ របស់ AI។ ![វិញ្ញាបនប័ត្រ Hype Cycle របស់ Gartner សម្រាប់ AI - ២០២០](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) ក្នុងមេរៀននេះ យើងនឹងស្វែងយល់អំពីដែនកម្រិតគោរពទិន្នន័យដ៏គួរឱ្យចាប់អារម្មណ៍ - ចាប់ពីគោលការណ៍មូលដ្ឋាន និងបញ្ហា ជាមួយនឹងករណីសិក្សា និងគោលការណ៍ AI អនុវត្តដូចជា ការគ្រប់គ្រង - ដែលជួយបង្កើតវប្បធម៌គោរពនៅក្នុងក្រុម និងអង្គការដែលធ្វើការជាមួយទិន្នន័យ និង AI។ ## [ប្រលងមុនថ្នាក់](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯 ## សេចក្ដីនិយមន័យមូលដ្ឋាន យើងចាប់ផ្តើមដោយយល់ពីពាក្យបរិយាយមូលដ្ឋាន។ ពាក្យ "ethics" ដើមពី [ពាក្យហ្គ្រេក "ethikos"](https://en.wikipedia.org/wiki/Ethics) (និងឫសរបស់វា "ethos") មានន័យថា _អកប្បិរិយា ឬធម្មជាតិគុណធម៌_។ **គោរពធម៌** គឺជាអំពីតម្លៃរួម និងគោលការណ៍គុណធម៌ដែលគ្រប់គ្រងឥរិយាបថរបស់យើងនៅសង្គម។ គោរពធម៌មិនមែនផ្អែកលើច្បាប់ទេ ប៉ុន្តែផ្អែកលើស្តង់ដារដែលទទួលយកយ៉ាងទូលំទូលាយនៃអ្វីដែល "ត្រឹមត្រូវ ប្រៀបនឹង មិនត្រឹមត្រូវ"។ ទោះយ៉ាងណា ការពិចារណាអំពីគោរពធម៌អាចឥទ្ធិពលដល់ជំនួយការគ្រប់គ្រងក្រុមហ៊ុន និងបទបញ្ញត្តរដ្ឋាភិបាលដែលបង្កើតកម្រាស់លើការអនុវត្ត។ **គោរពទិន្នន័យ** គឺជា [សាខាថ្មីនៃគោរពធម៌](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ដែល "សិក្សា និងវាយតម្លៃបញ្ហាគុណធម៌ដែលពាក់ព័ន្ធនឹង _ទិន្នន័យ គណិតវិទ្យា និងអនុវត្តន៍ដែលពាក់ព័ន្ធ_"។ នៅទីនេះ **"ទិន្នន័យ"** ផ្ដោតកន្លែងលើសកម្មភាពដែលពាក់ព័ន្ធនឹងការបង្កើត ការថត ការថែទាំ ការប្រើប្រាស់ ការចែកចាយ ការចែករំលែក និងការប្រើប្រាស់, **"គណិតវិទ្យា"** ផ្ដោតលើ AI, អ្នកតំណាង, ការរៀងរាប់ដោយម៉ាស៊ីន និងរ៉ូបូត, អំឡុងដែល **"អនុវត្តន៍"** ផ្ដោតលើប្រធានបទដូចជា នវានុវត្តមានទទួលខុសត្រូវ ការសរសេរកូដ ការខhack ដៃ និងកូដគោរពធម៌។ **គោរពអនុវត្ត** គឺជាការអនុវត្ត [អាកប្បកិរិយាទាំងឡាយ](https://en.wikipedia.org/wiki/Applied_ethics) នៅក្នុងការសិក្សាបញ្ហាគុណធម៌នៅក្នុងបរិបទសកម្មភាព ពិតប្រាកដ និងផលិតផល ឬដំណើរការ និងយកវិធានការកែសម្រួលដើម្បីធ្វើឲ្យប្រាកដថា ការអនុវត្តទាំងនោះស្មើទៅតម្លៃគោរពធម៌ដែលបានកំណត់របស់យើង។ **វប្បធម៌គោរព** គឺជាការអំពាវនាវអំពី [_ការផ្លាស់ប្តូរផ្នែកអនុវត្តគោរពធម៌_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ដើម្បីធ្វើឲ្យប្រាកដថា គោលការណ៍ និងអនុវត្តសីលធម៌របស់យើងត្រូវបានទទួលយកយ៉ាងសំខាន់ និងអាចពង្រីកតាមវិធីសាស្រ្តទៅទាំងអង្គការជាទូទៅ។ វប្បធម៌គោរពដែលជោគជ័យ និយមន័យជាច្បាប់គោរពធម៌សារពាណិជ្ជកម្ម ទប់ស្កាត់ជំរុញសម្រួលបំពេញតាម និងលើកទឹកចិត្តយីហោដោយលើកទឹកចិត្ត និងពង្រីកឥរិយាបថចំបងក្នុងកម្រិតទាំងមូលនៃអង្គការ។ ## គោលការណ៍គោរពធម៌ ក្នុងផ្នែកនេះ យើងនឹងពិភាក្សាអំពីគោលការណ៍ដូចជា **តម្លៃរួម** (គោលការណ៍) និង **បញ្ហាគោរពធម៌** (បញ្ហា) សម្រាប់គោរពទិន្នន័យ - ហើយស្វែងយល់ពី **ករណីសិក្សា** ដែលជួយឱ្យអ្នកយល់ពីគោលការណ៍ទាំងនេះនៅក្នុងបរិបទជាក់ស្តែង។ ### ១. គោលការណ៍គោរពធម៌ យុទ្ធសាស្រ្តគោរពទិន្នន័យទាំងអស់ចាប់ផ្តើមពីការកំណត់ _គោលការណ៍ថែរក្សា_ - "តម្លៃរួម" ដែលពិពណ៌នាឥរិយាបថដែលអាចទទួលយកបាន និងណែនាំសកម្មភាពដែលគោរពបាន នៅក្នុងគម្រោងទិន្នន័យ និង AI របស់យើង។ អ្នកអាចកំណត់ទាំងនេះនៅកម្រិតផ្ទាល់ខ្លួនឬក្រុម។ ទោះយ៉ាងណា អង្គការធំជាងស្បៀងភាគច្រើននិយមដាក់ជាលេខាច្បាប់យុទ្ធសាស្រ្តនៅកម្រិតសហគ្រាសដែលគោរពគ្រប់ក្រុមជាប់តាមប្រក្រតី។ **ឧទាហរណ៍៖** ពាក្យបេសកកម្ម [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) របស់ Microsoft អានថា _"យើងខិតខំដើម្បីបង្កើតអាយអាយដោយគោរពតាមគោលការណ៍ដែលដាក់មនុស្សជាកំពូល"_ - ដែលកំណត់គោលការណ៍សីលធម៌ ៦ សម្រាប់ស៊ុមខាងក្រោម៖ ![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) យើងសកម្មស្វែងយល់ពីគោលការណ៍ទាំងនេះជាថ្មីម្តង។ _ភាពបើកចំហ_ និង _ការទទួលខុសត្រូវ_ គឺជាតម្លៃមូលដ្ឋាន ដែលគោលការណ៍ផ្សេងទៀតអាចសង់លើវា - ដូច្នេះយើងចាប់ផ្តើមនៅទីនេះ៖ * [**ការទទួលខុសត្រូវ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ធ្វើឲ្យអ្នកអនុវត្ត _ទទួលខុសត្រូវ_ ចំពោះសកម្មភាពទិន្នន័យ & AI របស់ពួកគេ និងការអនុវត្តគោលការណ៍សីលធម៌ទាំងនេះ។ * [**ភាពបើកចំហ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ប្រាកដថាសកម្មភាពទិន្នន័យ និង AI គឺ _អាចយល់បាន_ (អាចពន្យល់) ដល់អ្នកប្រើ បង្ហាញពីអ្វី និងហេតុផលខាងក្រោយការសម្រេចចិត្ត។ * [**ភាពស្មោះត្រង់**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ផ្ដោតលើការធានាថា AI ធ្វើដូចគ្នាទៅលើមនុស្សគ្រប់រូបដោយស្មើភាព យកចិត្តទុកដាក់បញ្ហាមិនត្រឹមត្រូវ ឬបំណងបិទមុខបែបសង្គម-បច្ចេកវិទ្យាក្នុងទិន្នន័យ និងប្រព័ន្ធ។ * [**ភាពអាចទុកចិត្ត និងសុវត្ថិភាព**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ប្រាកដថា AI មានឥរិយាបថ _ដូចគ្នា_ ជាមួយតម្លៃដែលបានកំណត់ កាត់បន្ថយគ្រោះថ្នាក់ ឬផលប៉ះពាល់ដែលមិនបានចង់បាន។ * [**ភាពឯកជន និងសុវត្ថិភាព**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ជាអំពីការយល់ពីដើមទិន្នន័យ និងផ្តល់នូវ _ភាពឯកជនក្នុងទិន្នន័យ និងការការពារដែលពាក់ព័ន្ធ_ ជូនអ្នកប្រើ។ * [**ភាពរួមបញ្ចូល**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ជាអំពីការរចនាដំណោះស្រាយ AI ជាមួយបំណងចិត្ត កែប្រែវាឲ្យអាចបំពេញតម្រូវការ _ជួរធំទូលាយនៃមនុស្ស និងសមត្ថភាព_ ។ > 🚨 សូមគិតអំពីអ្វីដែលផ្តល់ជាបេសកកម្មគោរពទិន្នន័យរបស់អ្នកអាចជាតម្រូវការ។ ស្វែងយល់ពីស៊ុមគោលការណ៍ AI ពីអង្គការផ្សេងៗ - ទីនេះគឺជាពីរោងតាំងពី [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), និង [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/)。 តម្លៃរួមណាមួយដែលពួកគេចែករំលែកគ្នា? គោលការណ៍ទាំងនេះទាក់ទងយ៉ាងដូចម្តេចទៅនឹងផលិតផល AI ឬឧស្សាហកម្មដែលពួកគេចាត់តាំង? ### ២. បញ្ហាគោរពធម៌ ពេលដែលយើងបានកំណត់គោលការណ៍គោរពហើយ ជំហានបន្ទាប់គឺវាយតម្លៃសកម្មភាពទិន្នន័យ និង AI របស់យើងថាតើវាស្របតាមតម្លៃរួមទាំងនោះឬទេ។ សូមគិតអំពីសកម្មភាពរបស់អ្នកចែកជា ២ ប្រភេទ៖ _ការប្រមូលទិន្នន័យ_ និង _ការរចនាគណិតវិទ្យា_។ ជាមួយការប្រមូលទិន្នន័យ សកម្មភាពភាគច្រើននឹងពាក់ព័ន្ធនឹង **ទិន្នន័យផ្ទាល់ខ្លួន** ឬព័ត៌មានអត្តសញ្ញាណផ្ទាល់ នៃបុគ្គលរស់នៅដែលអាចកំណត់បាន។ វារួមមាន [ទិន្នន័យមិនមែនផ្ទាល់ខ្លួន](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ដែល _សរុបបញ្ចូល_ អ្នកតំណាងម្នាក់មួយ។ បញ្ហាគោរពធម៌អាចទាក់ទងទៅនឹង _ភាពឯកជនទិន្នន័យ_ , _ម្ចាស់កម្មសិទ្ធទិន្នន័យ_ និងប្រធានបទពាក់ព័ន្ធដូចជា _ការយល់ព្រមដោយពិតប្រាកដ_ និង _សិទ្ធិបញ្ញាសិទ្ធិ_ សម្រាប់អ្នកប្រើ។ ជាមួយការរចនាគណិតវិទ្យា សកម្មភាពនឹងពាក់ព័ន្ធនឹងការប្រមូល និងថែរក្សា **សំណុំទិន្នន័យ** បន្ទាប់មកប្រើប្រាស់វាសម្រាប់បង្រៀន និងដំណើរការសំណុំម៉ូដែលទិន្នន័យដែលព្យាករថាលទ្ធផល ឬជំនួសសំរាប់សម្រេចចិត្តក្នុងបរិបទពិតប្រាកដ។ បញ្ហាគោរពធម៌អាចបណ្តាលមកពី _ភាពលម្អៀងនៅក្នុងសំណុំទិន្នន័យ_ , បញ្ហា _គុណភាពទិន្នន័យ_ , _ភាពមិនស្មើភាព_ , និង _ការបង្ហាញក្លែងក្លាយ_ នៅក្នុងគណិតវិទ្យា - រួមទាំងបញ្ហាខ្លះៗដែលមានអថេរតែមិនឆ្លៀតតែក្នុងសហគមន៍។ នៅក្នុងករណីទាំងពីរ បញ្ហាគោរពធម៌បង្ហាញពីតំបន់ដែលសកម្មភាពរបស់យើងអាចជួបការប្រឆាំងជាមួយតម្លៃរួមរបស់យើង។ ដើម្បីចាប់បញ្ហា កាត់បន្ថយ ឬបំបាត់បញ្ហាទាំងនេះ - យើងត្រូវសួរបញ្ហាគោរព"បាទ/ទេ" ដែលពាក់ព័ន្ធនឹងសកម្មភាពរបស់យើង ហើយចាត់វិធានការកែសម្រួលតាមតម្រូវការ។ យើងមកមើលបញ្ហាគោរពធម៌មួយចំនួន និងសំណួរគោរពដែលវាបង្កឡើង៖ #### ២.១ម្ចាស់កម្មសិទ្ធទិន្នន័យ ការប្រមូលទិន្នន័យភាគច្រើនពាក់ព័ន្ធនឹងទិន្នន័យផ្ទាល់ខ្លួនដែលអាចកំណត់អត្តសញ្ញាណអ្នកមានទិន្នន័យ។ [ម្ចាស់កម្មសិទ្ធទិន្នន័យ](https://permission.io/blog/data-ownership) គឺជាអំពី _ការគ្រប់គ្រង_ និង [_សិទ្ធិអ្នកប្រើ_](https://permission.io/blog/data-ownership) ដែលពាក់ព័ន្ធនឹងការបង្កើត ការកែសម្រួល និងការចែកចាយទិន្នន័យ។ សំណួរដែលយើងត្រូវសួរមាន៖ * តើអ្នកណាជាម្ចាស់ទិន្នន័យ? (អ្នកប្រើ ឬអង្គការ) * តើសិទ្ធិណាដែលមានសម្រាប់អ្នកមានទិន្នន័យ? (ឧ: ចូលដំណើរការ, លុបបំបាត់, បញ្ជូន) * តើអង្គការមានសិទ្ធិអ្វីខ្លះ? (ឧ: កែសម្រួលការពិនិត្យអ្នកប្រើប្រាស់អាក្រក់) #### ២.២ការយល់ព្រមដោយពិតប្រាកដ [ការយល់ព្រមដោយពិតប្រាកដ](https://legaldictionary.net/informed-consent/) កំណត់ហេតុការដែលអ្នកប្រើយល់ព្រមលើសកម្មភាព (ដូចជាការប្រមូលទិន្នន័យ) ជាមួយនឹងការយល់ដឹងពេញលេញអំពីការពិតដែលពាក់ព័ន្ធរួមមានគោលបំណង គ្រោះថ្នាក់ អាចកើត និងជម្រើសផ្សេងៗ។ សំណួរដែលត្រូវស្វែងយល់នៅទីនេះមាន៖ * តើអ្នកប្រើ(អ្នកមានទិន្នន័យ) បានផ្តល់រួចដំណើរការប្រមូល និងប្រើទិន្នន័យឬ? * តើអ្នកប្រើយល់ដឹងពីគោលបំណងដែលទិន្នន័យនោះត្រូវបានប្រមូលឬ? * តើអ្នកប្រើយល់ពីគ្រោះថ្នាក់អាចកើតពីការចូលរួមរបស់ពួកគេទេ? #### ២.៣សិទ្ធិបញ្ញាសិទ្ធិ [សិទ្ធិបញ្ញាសិទ្ធិ](https://en.wikipedia.org/wiki/Intellectual_property) បញ្ជាក់ពីការបង្កើតទ្រព្យសកម្មមិនមែនរូបបែបដែលបានបង្កើតដោយមនុស្ស ដែលអាចមាន _តម្លៃសេដ្ឋកិច្ច_ ទៅលើបុគ្គល ឬអាជីវកម្ម។ សំណួរដែលត្រូវស្វែងយល់មាន៖ * តើទិន្នន័យដែលបានប្រមូល មានតម្លៃសេដ្ឋកិច្ចសម្រាប់អ្នកប្រើ ឬអាជីវកម្មទេ? * តើ **អ្នកប្រើ** មានសិទ្ធិបញ្ញាសិទ្ធិនៅទីនេះទេ? * តើ **អង្គការ** មានសិទ្ធិបញ្ញាសិទ្ធិនៅទីនេះទេ? * ប្រសិនបើយើងមានសិទ្ធិនោះ យើងបានការពារយ៉ាងដូចម្តេច? #### ២.៤ភាពឯកជនទិន្នន័យ [ភាពឯកជនទិន្នន័យ](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ឬភាពឯកជនព័ត៌មាន គឺជាការការពារភាពឯកជន និងអត្តសញ្ញាណអ្នកប្រើប្រាស់ចំពោះព័ត៌មានអត្តសញ្ញាណឯកជន។ សំណួរដែលត្រូវស្វែងយល់មាន៖ * តើទិន្នន័យរបស់អ្នកប្រើ (ផ្ទាល់ខ្លួន) ត្រូវបានការពារពីការចូលបន្លំ និងហិរញ្ញវត្ថុ/រំលាយទេ? * តើអនុញ្ញាតឲ្យអ្នកបានចូលដំណើរការទិន្នន័យត្រឹមតែអ្នកមានសិទ្ធិក្នុងតំបន់ឬបរិបទដែលបានអនុញ្ញាតទេ? * តើភាពអនាម័យរបស់អ្នកត្រូវបានរក្សាទុកនៅពេលដែលទិន្នន័យត្រូវបានចែកចាយឬផ្សព្វផ្សាយទេ? * តើអាចសម្គាល់អ្នកប្រើប្រាស់ពីសំណុំទិន្នន័យបានអនាម័យឬ? #### ២.៥សិទ្ធិក្នុងការខ្វាចចោល [សិទ្ធិក្នុងការខ្វាចចោល](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ឬ [សិទ្ធិក្នុងការលុប](https://www.gdpreu.org/right-to-be-forgotten/) ផ្ដល់ការការពារផ្ទាល់ខ្លួនបន្ថែមដល់អ្នកប្រើ។ ជាក់លក្ខណៈ វាអនុញ្ញាតឲ្យអ្នកប្រើអាចស្នើសុំការលុប ឬដកចេញទិន្នន័យផ្ទាល់ខ្លួនចេញពីការស្វែងរកអ៊ីនធឺណិត និងកន្លែងផ្សេងៗទៀត _ក្រោមស្ថានភាពច្បាស់លាស់_ - ឲ្យពួកគេអាចចាប់ផ្តើមថ្មីដោយមិនមានសកម្មភាពចាស់ៗផ្ទាល់ខ្លួនមកបណ្តាល។ សំណួរដែលត្រូវស្វែងយល់មាន៖ * តើប្រព័ន្ធអនុញ្ញាតឲ្យអ្នកមានទិន្នន័យស្នើសុំការលុបទិន្នន័យឬ? * តើការដកខ្លួនចេញពីការយល់ព្រមរបស់អ្នកប្រើគួរតែបង្កើតការលុបស្វ័យប្រវត្តិឬ? * តើទិន្នន័យត្រូវបានប្រមូលដោយគ្មានការយល់ព្រម ឬដោយវិធីខុសច្បាប់ឬ? * តើយើងអនុវត្តស្របទៅនឹងបទបញ្ញត្តរដ្ឋាភិបាលដើម្បីការពារភាពឯកជនទិន្នន័យឬទេ? #### ២.៦ការលម្អៀងសំណុំទិន្នន័យ ការលម្អៀងសំណុំទិន្នន័យ ឬ [ការលម្អៀងក្នុងការប្រមូលទិន្នន័យ](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) គឺជាការជ្រើសរើសកំណត់ចំនួនទិន្នន័យដែល _មិនតំណាងឱ្យសមាសភាគ_ សម្រាប់ការអភិវឌ្ឍគណិតវិទ្យា បង្កើតភាពមិនស្មើភាពក្នុងលទ្ធផលសម្រាប់ក្រុមផ្សេងៗ។ ប្រភេទការលម្អៀងរួមមានការលម្អៀងជ្រើសរើស ឬឡើងតំលៃ ការលម្អៀងស្ម័គ្រចិត្ត និងការលម្អៀងឧបករណ៍។ សំណួរដែលត្រូវស្វែងយល់មាន៖ * តើយើងបានជ្រើសរើសអ្នកមានទិន្នន័យដែលតំណាងឱ្យសមាសភាគឬ? * តើយើងបានសាកល្បងសំណុំទិន្នន័យដែលបានប្រមូល ឬថែរក្សាសម្រាប់បញ្ហាទាំងនេះទេ? * តើយើងអាចកាត់បន្ថយ ឬដកចេញការលម្អៀងដែលរកឃើញឬ? #### ២.៧គុណភាពទិន្នន័យ [គុណភាពទិន្នន័យ](https://lakefs.io/data-quality-testing/) ពិនិត្យចំពោះភាពត្រឹមត្រូវនៃសំណុំទិន្នន័យដែលបានថែទាំក្នុងការអភិវឌ្ឍគណិតវិទ្យារបស់យើង ដើម្បីពិនិត្យថាតើលក្ខណៈ និងកំណត់ត្រាគ្រប់គ្រងតាមតម្រូវការសម្រាប់កម្រិតភាពត្រឹមត្រូវ និងការចងក្រងត្រូវការសម្រាប់គោលបំណង AI មានទេ។ សំណួរដែលត្រូវស្វែងយល់មាន៖ * តើយើងបានប្រមូលលក្ខណៈសម្បត្តិដែលត្រឹមត្រូវសម្រាប់ករណីប្រើប្រាស់របស់យើងឬ? * តើទិន្នន័យបានប្រមូលយ៉ាងសម្រាំងហើយនៅគ្រប់ប្រភពទិន្នន័យផ្សេងៗឬ? * តើសំណុំទិន្នន័យ _បានបំពេញគ្រប់លក្ខខណ្ឌ ឬសេណារីយ៉ូផ្សេងៗ_ ឬ? * តើព័ត៌មានបានថតយ៉ាងត្រឹមត្រូវក្នុងការតំណាងឱ្យរឿងពិតទេ? #### 2.8 សមភាពអាល់ហ្គោរីធម์ [សមភាពអាល់ហ្គោរីធម៍](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ពិនិត្យមើលថា ការរចនាអាល់ហ្គោរីធម៍មានការរើសអើងប្រព្រឹត្តទៅលើក្រុមរងគ្រោះជាក់លាក់ណាមួយនៃខ្នាតទិន្នន័យ យ៉ាងប្រព័ន្ធ ដែលនាំឲ្យមានការខូចខាតដែលអាចកើតមានបានក្នុង _ការចែកចាយ_ (កន្លែងដែលធនធានត្រូវបានបដិសេធឬពន្យារពេលចេញពីក្រុមនោះ) និង _គុណភាពសេវាកម្ម_ (កន្លែងដែល AI មិនត្រឹមត្រូវសម្រាប់ក្រុមខ្នាតមួយដូចជាសម្រាប់ក្រុមពីរឬច្រើនផ្សេងទៀត)។ សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ * តើយើងបានវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលសម្រាប់ក្រុមខ្នាត និង ស្ថានភាពផ្សេងៗយ៉ាងពហុមុខទេ? * តើយើងបានពិនិត្យប្រព័ន្ធសម្រាប់ការខូចខាតដែលអាចកើតមាន (ឧទាហរណ៍ ដូចជា ការបង្កើតរូបភាព stereotypical) ទេ? * តើយើងអាចកែប្រែទិន្នន័យឬបណ្តុះបណ្តាលម៉ូដែលឡើងវិញ ដើម្បីបន្ថយការខូចខាតដែលបានរកឃើញទេ? សម្រាប់អត្ថប្រយោជន៍បន្ថែម សូមស្វែងយល់ពីធនធានដូចជា [បញ្ជីត្រួតពិនិត្យសមភាព AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA)។ #### 2.9 ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ [ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) គឺជាការសួរថាតើយើងមានការទាក់ទងដើម្បីផ្ដល់ព័ត៌មានពីទិន្នន័យដែលបានរាយការណ៍យ៉ាងស្មោះត្រង់ឬទេ ដោយវិធីបោកប្រាស់ដើម្បីគាំទ្រយុទ្ធសាស្ត្រដែលចង់បាន។ សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ * តើយើងរាយការណ៍ទិន្នន័យមិនពេញលេញឬមិនត្រឹមត្រូវទេ? * តើយើងបង្ហាញទិន្នន័យដោយវិធីដែលបណ្តាលឲ្យអ្នកមើលទទួលបានការសន្និដ្ឋានច្រឡំទេ? * តើយើងប្រើប្រាស់បច្ចេកទេសស្ថិតិដែលជ្រើសរើស ដើម្បីក្លែងបោកកាលវិមាន? * មានអធិប្បាយជារូបមន្តផ្សេងទៀតដែលអាចផ្តល់នូវសន្និដ្ឋានផ្សេងទេ? #### 2.10 ជម្រើសដោយសេរី [វិញ្ញាណនៃជម្រើសដោយសេរី](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) កើតឡើងនៅពេលដែល "រចនាសម្ព័ន្ធជម្រើស" ស្ថាប័នប្រើការអាល់ហ្គោរីធម៍សម្រេចចិត្ត ដើម្បីបណ្តុះឲ្យមនុស្សផ្នូរព្យាយាមបានលទ្ធផលដែលពេញចិត្ត ខណៈដែលមើលទៅដូចជាអាចផ្ដល់ជម្រើសនិងការត្រួតពិនិត្យ។ [គំរូងងងឹតទាំងនេះ](https://www.darkpatterns.org/) អាចបង្កគ្រោះថ្នាក់សង្គម និងសេដ្ឋកិច្ចដល់អ្នកប្រើប្រាស់។ ពីព្រោះចំណាត់ថ្នាក់ការសម្រេចចិត្តរបស់អ្នកប្រើប្រាស់ប៉ះពាល់ដល់ប្រវត្តិការប្រព្រឹត្តិ អំពើទាំងនេះអាចជម្រុញជម្រើសអនាគត ដែលបង្កើតឬពង្រីកផលប៉ះពាល់នៃការខូចខាតទាំងនេះ។ សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ * តើអ្នកប្រើប្រាស់យល់ពីផលវិបាកនៃការធ្វើជម្រើសនោះទេ? * តើអ្នកប្រើប្រាស់ដឹងពីជម្រើស (ជម្រើសជំនួស) និងអត្ថប្រយោជន៍និងគុណវិបត្តិនៃមួយៗទេ? * តើអ្នកប្រើប្រាស់អាចត្រឡប់ការជ្រើសរើសដែលបានប៉ះពាល់ឬបញ្ជារដោយស្វ័យប្រវត្តិកាលក្រោយឬទេ? ### 3. ករណីសិក្សា ដើម្បីដាក់បញ្ហาจិត្តសាស្ត្រទាំងនេះក្នុងបរិបទពិភពលោកពិត វាជួយសម្រាប់មើលករណីសិក្សារួមបង្ហាញពីការខូចខាតនិងផលវិបាកដល់បុគ្គលនិងសង្គម នៅពេលដែលការបំពានលើចិត្តសាស្ត្រដូចនេះត្រូវបានគេចខ្លួនក្រោយ។ ឧទាហរណ៍មួយចំនួនមានដូចខាងក្រោម៖ | បញ្ហាចិត្តសាស្ត្រ | ករណីសិក្សា | |--- |--- | | **ការយល់ព្រមបានជាពន្លឺ** | 1972 - [ការសិក្សាពាក់ព័ន្ធស៊ីហ្វីលីស Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - បុរសអាមេរិកាអាហ្វ្រិកខាងត្បូង ដែលបានចូលរួមសិក្សា ត្រូវបានធានាទទួលការព្យាបាលវេជ្ជសាស្ត្រដោយឥតគិតថ្លៃ _ប៉ុន្តែត្រូវបានគេចខ្លួន_ ដោយអ្នកស្រាវជ្រាវ ដែលមិនបានប្រាប់អ្នកសិក្សាអំពីជម្ងឺរបស់ពួកគេ ឬរឿងកាលពីមានការព្យាបាល។ អ្នកជំនួរជាច្រើនបានស្លាប់ និងដៃគូឬកូនបានរងផលប៉ះពាល់; សិក្សានេះបានបន្តរយៈពេល ៤០ ឆ្នាំ។ | | **ភាពឯកជនទិន្នន័យ** | 2007 - [រង្វាន់ទិន្នន័យ Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) បានផ្ដល់ឲ្យអ្នកស្រាវជ្រាវ _ចំណាត់ថ្នាក់ទាំង១០លាន ដែលមិនស្គាល់អត្តសញ្ញាណពីភាគីរូបិយវត្ថុ ៥០,០០០ នាក់_ ដើម្បីជួយធ្វើឲ្យអាល់ហ្គូរីធម៍ផ្តល់អនុសាសន៍កាន់តែប្រសើរ។ ប៉ុន្តែ អ្នកស្រាវជ្រាវអាចភ្ជាប់ទិន្នន័យមិនអត្តសញ្ញាណជាមួយទិន្នន័យបុគ្គលក្នុង _ឧបករណ៍ទិន្នន័យខាងក្រៅ_ (ឧទាហរណ៍ បញ្ហា IMDb) - ដែលជាការធ្វើឲ្យអត្តសញ្ញាណរបស់អ្នកជាវិញ្ញាបនបត្រនៅ Netflix អាចត្រូវចុះបញ្ជីឡើងវិញ។| | **ការជ្រើសរើសមូលដ្ឋានទិន្នន័យ** | 2013 - ទីក្រុងបូស្ទុនបាន [អភិវឌ្ឍ Street Bump](https://www.boston.gov/transportation/street-bump) ដែលជាកម្មវិធីអនុញ្ញាតឲ្យប្រជាជនរាយការណ៍រន្ធផ្លូវ បង្កើតសុំទិន្នន័យផ្លូវល្អប្រសើរឡើងសម្រាប់រកនិងជួសជុលបញ្ហា។ ប៉ុន្តែ [មនុស្សក្នុងក្រុមប្រាក់ចំណូលទាបមានការចូលដល់ឡាននិងទូរស័ព្ទតិចជាង](https://hbr.org/2013/04/the-hidden-biases-in-big-data) បង្កើតឲ្យបញ្ហានៅផ្លូវរបស់ពួកគេមិនអាចមើលឃើញតាមកម្មវិធីនេះ។ អ្នកអភិវឌ្ឍបាន hợp tácជាមួយសកលវិទ្យាល័យ ដើម្បីដោះស្រាយបញ្ហាការចូលដល់យ៉ាងសមនឹងតុល្យភាពនិងចំណងជើងឌីជីថល ដើម្បីធានាសមភាព។ | | **សមភាពអាល់ហ្គោរីធម៍** | 2018 - MIT បានសិក្សា [Gender Shades](http://gendershades.org/overview.html) ដែលវាយតម្លៃភាពត្រឹមត្រូវនៃផលិតផលអារម្មណ៍យ جنسភាព AI បង្ហាញពីឧបសគ្គនៅក្នុងភាពត្រឹមត្រូវសម្រាប់ស្ត្រីនិងមនុស្សពូជផ្សេង។ ការប្រកាសពី [កាត Apple 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) បានធ្វើឲ្យឃើញថា ផ្តល់ឥណទានតិចសម្រាប់ស្ត្រីជាងបុរស។ ទាំងពីរនេះបង្ហាញពីបញ្ហាការរើសអើងអាល់ហ្គោរីធម៍ដែលនាំឲ្យមានការខូចខាតសង្គម-សេដ្ឋកិច្ចខ្លាំង។| | **ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ** | 2020 - ក្រសួងសុខាភិបាលរដ្ឋជនបទ[ដល់ពត៌មាន COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) បានបង្ហាញលើកទីស្តីពីការបំបែកចុះនៃករណីដែលផ្ទៀងផ្ទាត់ដោយរៀបចំតារាងប្លែកពីលំដាប់ពេលវេលាលើអ័ក្ស x។ នេះបង្ហាញពីការបំភ្លឺពីការបង្ហាញទិន្នន័យដោយបច្ចេកទេសប្លែកៗ។ | | **វិញ្ញាណនៃជម្រើសដោយសេរី** | 2020 - កម្មវិធីសិក្សា [ABCmouse បានបង់ប្រាក់ ១០លានដុល្លារ ដើម្បីដោះស្រាយការតវ៉ា FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ដែលឪពុកម្តាយត្រូវបានចាប់ខ្លួនក្នុងការទូរទាត់សម្រាប់សេវាកម្មមិនអាចរង់ចាំបាន។ នេះបង្ហាញពីគំរូងងងឹតក្នុងការរចនាជម្រើស ដែលអ្នកប្រើប្រាស់ត្រូវបានបណ្តុះឲ្យទៅរកជម្រើសដែលអាចបង្កគ្រោះថ្នាក់បាន។ | | **ភាពឯកជនទិន្នន័យ & សិទ្ធិអ្នកប្រើ** | 2021 - ករណី [ការល្បួងទិន្នន័យ Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) បានបង្ហាញទិន្នន័យពីអ្នកប្រើប្រាស់ចំនួន ៥៣០លាននាក់ បណ្តាលឲ្យមានការដោះស្រាយ ៥ ពាន់លានដុល្លារក្នុង FTC។ ទោះជាយ៉ាងណា Facebook បានបដិសេធការជូនដំណឹងទៅអ្នកប្រើប្រាស់អំពីការល្បួងទិន្នន័យ បំពានលើសិទ្ធិអ្នកប្រើប្រាស់ដែលទាក់ទងនឹងភាពត្រង់តាមទិន្នន័យ និងការចូលដំណើរការ។ | ចង់ស្វែងយល់គ្រប់ករណីសិក្សាបន្ថែមទេ? សូមពិនិត្យធនធានទាំងនេះ៖ * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - បញ្ហាចិត្តសាស្ត្រជាច្រើនក្នុងវិស័យផ្សេងៗ។ * [វគ្គសិក្សាគោលការណ៍ចិត្តសាស្ត្រទិន្នន័យ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ករណីសិក្សាសំខាន់ៗដែលបានពិនិត្យ។ * [ទីដែលរឿងបានខូចខាត](https://deon.drivendata.org/examples/) - បញ្ជីត្រួតពិនិត្យ deon ជាមួយឧទាហរណ៍។ > 🚨 សូមជ្រាបចិត្តពីករណីសិក្សាដែលអ្នកបានឃើញ - តើអ្នកធ្លាប់ជួបប្រទះ ឬរងផលប៉ះពាល់ពីបញ្ហាចិត្តសាស្ត្រដូចគ្នានៅក្នុងជីវិតអ្នកទេ? តើអ្នកអាចនឹកឃើញករណីសិក្សាមួយទៀតដែលបង្ហាញពីបញ្ហាចិត្តសាស្ត្រណាមួយដែលយើងបានពិភាក្សា​នៅក្នុងផ្នែកនេះទេ? ## ចិត្តសាស្ត្រប្រើប្រាស់ យើងបានពិភាក្សារឿងគំនិតចិត្តសាស្ត្រ បញ្ហា និងករណីសិក្សានៅក្នុងបរិបទពិភពលោកពិត។ តើយើងត្រូវចាប់ផ្តើមយ៉ាងដូចម្តេចក្នុងការអនុវត្តគោលការណ៍និងការអនុវត្តចិត្តសាស្ត្រ​នៅក្នុងគម្រោងរបស់យើង? ហើយតើយើងអាច _ប្រតិបត្ដិ_ វាថានៅជាការគ្រប់គ្រងល្អប្រសើរបានយ៉ាងដូចម្តេច? យើងមកស្ទាកស្ទង់ដំណោះស្រាយពិភពលោកពិត៖ ### 1. បទប្បញ្ញត្តិវិជ្ជាជីវៈ បទប្បញ្ញត្តិវិជ្ជាជីវៈផ្តល់ជម្រើសមួយសម្រាប់អង្គការដើម្បី "លើកទឹកចិត្ត" សមាជិកឲ្យគាំទ្រគោលការណ៍ចិត្តសាស្ត្រនិងប្រកាសបេសកកម្មរបស់ពួកគេ។ បទប្បញ្ញត្តិគឺជាគន្លងចិត្តសាស្ត្រសម្រាប់អាកប្បកិរិយាវិជ្ជាជីវៈ ជួយបុគ្គលិកឬសមាជិកធ្វើសេចក្តីសម្រេចចិត្តដែលស្របទៅនឹងគោលការណ៍អង្គការរបស់ពួកគេ។ វាគ្រាន់តែមានប្រសិទ្ធភាពដូចជាការចូលរួមដោយស្ម័គ្រចិត្តពីសមាជិក; ទោះជាយ៉ាងណា អង្គការច្រើនផ្តល់រង្វាន់ និងការផ្តន្ទាទោសបន្ថែមដើម្បីលើកទឹកចិត្តការអនុវត្តពីសមាជិក។ ឧទាហរណ៍រួមមាន៖ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) បទប្បញ្ញត្តិចិត្តសាស្ត្រ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) បទបញ្ញត្តិអាកប្បកិរិយាវិជ្ជាជីវៈ (បង្កើតឡើង 2013) * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (តាំងពីឆ្នាំ 1993) > 🚨 តើអ្នកជាសមាជិកនៅក្នុងអង្គការវិស្វកម្ម ឬវិទ្យាសាស្ត្រទិន្នន័យមួយទេ? សូមស្វែងយល់នៅគេហទំព័ររបស់ពួកគេ ប្រសិនបើពួកគេសរសេរបទប្បញ្ញត្តិចិត្តសាស្ត្រវិជ្ជាជីវៈ។ តើវាពន្យល់អំពីគោលការណ៍ចិត្តសាស្ត្រអ្វីខ្លះ? តើពួកគេ "លើកទឹកចិត្ត" ឲ្យសមាជិកគោរពបទប្បញ្ញត្តិយ៉ាងដូចម្តេច? ### 2. បញ្ជីត្រួតពិនិត្យចិត្តសាស្ត្រ ខណៈពេលដែលបទប្បញ្ញត្តិវិជ្ជាជីវៈកំណត់អាកប្បកិរិយាចិត្តសាស្ត្រដែលទាមទារពីអ្នកអនុវត្ត ប៉ុន្តែពួកវា [មានកំរិតដែនកំណត់បញ្ញត្តិ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ក្នុងការអនុវត្ត វិសាលពិសេសនៅក្នុងគម្រោងធំនានា។ ជំនួសពីនេះ អ្នកជំនាញវិទ្យាសាស្ត្រទិន្នន័យជាច្រើន [គាំទ្របញ្ជីត្រួតពិនិត្យ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ដែលអាច **ភ្ជាប់គោលការណ៍ទៅបច្ចេកវិទ្យា** ក្នុងវិធីដែលអាចទាយទុកបាននិងអាចអនុវត្តបាន។ បញ្ជីត្រួតពិនិត្យបម្លែងសំណួរឱ្យទៅជាការងារប្រភេទ "បាទ/ទេ" ដែលអាចអនុវត្តបានតាមប្រតិបត្តិការជាក់លាក់ ហើយអនុញ្ញាតឱ្យតាមដានជាផ្នែកមួយនៃដំណើរការចេញផលិតផលស្តង់ដា។ ឧទាហរណ៍រួមមាន៖ * [Deon](https://deon.drivendata.org/) - បញ្ជីត្រួតពិនិត្យចិត្តសាស្ត្រទិន្នន័យទូទៅ បង្កើតពី [ការផ្តល់អនុសាសន៍ឧស្សាហកម្ម](https://deon.drivendata.org/#checklist-citations) ជាមួយឧបករណ៍បញ្ជារបស់ Command-line សម្រាប់ការតភ្ជាប់បានងាយស្រួល។ * [បញ្ជីត្រួតពិនិត្យវាយតម្លៃភាពឯកជន](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ផ្តល់ការណែនាំទូទៅចំពោះអនុវត្តការគ្រប់គ្រងព័ត៌មានពីទិដ្ឋភាពផ្នែកច្បាប់ និងសង្គម។ * [បញ្ជីត្រួតពិនិត្យសមភាព AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - បង្កើតឡើងដោយអ្នកអនុវត្ត AI ដើម្បីគាំទ្រការអនុម័ត និងប្រើប្រាស់បច្ចេកទេសពិនិត្យសមភាពក្នុងវដ្តអភិវឌ្ឍ AI។ * [22 សំណួរសម្រាប់ចិត្តសាស្ត្រនៅក្នុងទិន្នន័យនិង AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ស៊ុមបើកចំហនៅក្នុងការស្ទង់មតិចិត្តសាស្ត្រ ក្នុងការរចនា សិក្សា និងបរិបទសហគ្រាស។ ### 3. ច្បាប់ចិត្តសាស្ត្រ ចិត្តសាស្ត្រគឺជាការបញ្ជាក់អំពីតម្លៃរួម និងធ្វើអ្វីដែលត្រឹមត្រូវ _ដោយស្ម័គ្រចិត្ត_។ **ការអនុវត្ត** គឺអំពី _ការតាមច្បាប់_ ប្រសិនបើនៅកន្លែងណាមួយដែលបានកំណត់។ **ការគ្រប់គ្រង** គ្របដណ្តប់ដល់គ្រប់វិធីសាស្ត្រដែលអង្គការប្រតិបត្តិ ដើម្បីអនុវត្តគោលការណ៍ចិត្តសាស្ត្រនិងគោរពច្បាប់ដែលបានកំណត់។ ថ្ងៃនេះ ការគ្រប់គ្រងមានពីរប្រភេទនៅក្នុងអង្គការ។ ដំបូងគឺ ស្តីពីការបញ្ជាក់គោលការណ៍ **AI ចិត្តសាស្ត្រ** និងបង្កើតអនុវត្តិការណ៍ដើម្បីអនុម័តនិងរីកចម្រើនជាសកលនៅគ្រប់គម្រោង AI ទាំងអស់នៅក្នុងអង្គការ។ ទីពីរគឺ ស្តីពីការអនុវត្តច្បាប់ការការពារទិន្នន័យដែលរដ្ឋាភិបាលកំណត់សម្រាប់តំបន់ដែលអង្គការប្រតិបត្តិ។ ឧទាហរណ៍នៃច្បាប់ការការពារទិន្នន័យនិងភាពឯកជន៖ * `1974`, [ច្បាប់ភាពឯកជនសហរដ្ឋអាមេរិក](https://www.justice.gov/opcl/privacy-act-1974) - គ្រប់គ្រងការប្រមូល ប្រើ និងបង្ហាញព័ត៌មានផ្ទាល់ខ្លួនរបស់រដ្ឋាភិបាល​សហព័ន្ធ។ * `1996`, [ច្បាប់អាហារូបករណ៍សុខភាពសហរដ្ឋអាមេរិក (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ការពារទិន្នន័យសុខភាពផ្ទាល់ខ្លួន។ * `1998`, [ច្បាប់ការការពារភាពឯកជនអន்லាញរបស់កុមារ (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - ការពារទិន្នន័យភាពឯកជនរបស់កុមារកាន់តិចជាង 13 ឆ្នាំ។ * `2018`, [បទបញ្ញត្តិការការពារទិន្នន័យទូទៅ (GDPR)](https://gdpr-info.eu/) - ផ្តល់សិទ្ធិអ្នកប្រើ ការការពារទិន្នន័យ និងភាពឯកជន។ * `2018`, [ច្បាប់ភាពឯកជនអ្នកប្រើកាលីហ្វ័រញា (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ផ្តល់សិទ្ធិបន្ថែមសម្រាប់អ្នកប្រើលើទិន្នន័យផ្ទាល់ខ្លួនរបស់ពួកគេ។ * `2021`, ច្បាប់ [ការការពារព័ត៌មានផ្ទាល់ខ្លួនរបស់ប្រទេសចិន](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ដែលកំពុងមានប្រសិទ្ធភាព បង្កើតច្បាប់ភាពឯកជនក្នុងអនឡាញរឹតតែខ្លាំងបំផុតមួយសកលលោក។ > 🚨 សហភាពអឺរ៉ុបបានកំណត់ GDPR (បទបញ្ញត្តិការការពារទិន្នន័យទូទៅ) ដែលនៅតែជា ច្បាប់ភាពឯកជនទិន្នន័យមានឥទ្ធិពលខ្លាំងបំផុតដល់ថ្ងៃនេះ។ តើអ្នកដឹងទេថាវាក៏កំណត់អំពី [8 សិទ្ធិអ្នកប្រើ](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ដើម្បីការពារភាពឯកជនឌីជីថល និងទិន្នន័យផ្ទាល់ខ្លួនរបស់ប្រជាជន? សូមស្វែងយល់អំពីវា និងហេតុអ្វីវាមានសារៈសំខាន់។ ### 4. វប្បធម៌ចិត្តសាស្ត្រ សូមចំណាំថា មានចន្លោះមួយដែលមិនអាចទាញយកបាន ជាងរវាង _ការអនុវត្ត_ (ធ្វើបានគ្រប់គ្រាន់សម្រាប់បំពេញ "អក្សរនៃច្បាប់") និងការដោះស្រាយ [បញ្ហាប្រព័ន្ធ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ដូចជា ossification, បារម្ភព័ត៌មាន, និងការរើសអើងចែកចាយ) ដែលអាចលឿនការប្រើអារម្មណ៍សិល្បៈ AI ជាឧបករណ៍ប្រយុទ្ធ។ វិធីសាស្ត្រចុងក្រោយកំពុងត្រូវការពិធីសាស្ត្រសហប្រតិបត្តិការសម្រាប់កំណត់វប្បធម៌ចិត្តសាស្ត្រ ដែលកសាងការតភ្ជាប់អារម្មណ៍ និងតម្លៃរួមជាចំណាំ _គ្រប់អង្គការជា​មួយគ្នា_ នៅឧស្សាហកម្ម។ វាចាំបាច់ការវប្បធម៌ចិត្តសាស្ត្រទិន្នន័យដែលកំណត់យ៉ាងផ្លូវការជាងមុន នៅក្នុងអង្គការ - អនុញ្ញាត _គ្រប់គ្នា_ [រុញខ្សែ Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (ដើម្បីរាយការណ៍បញ្ហាចិត្ដសាស្ត្រលឿននៅដំណាក់កាលដើម) និងធ្វើការវាយតម្លៃចិត្តសាស្ត្រ (ឧទាហរណ៍ នៅពេលជ្រើសរើសបុគ្គលិក) ជាកម្មវិធីសំខាន់សម្រាប់បង្កើតក្រុមក្នុងគម្រោង AI។ --- ## [កម្រងសំណួរបន្ទាប់បន្ទាត់](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯 ## បរិយាយ និងរៀនផ្ទាល់ខ្លួន វគ្គសិក្សានិងសៀវភៅជួយក្នុងការយល់ដឹងពីគំនិតមូលដ្ឋាននៃចិត្តសាស្ត្រ និងបញ្ហា ខណៈដែលករណីសិក្សានិងឧបករណ៍ជួយក្នុងការអនុវត្តចិត្តសាស្ត្រនៅក្នុងបរិបទពិភពលោកពិត។ យើងមានធនធានជាច្រើនសម្រាប់ចាប់ផ្តើម។ * [ការរៀនម៉ាស៊ីនសម្រាប់អ្នកចាប់ផ្តើម](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - មេរៀនអំពីភាពសមរម្យ, ពី Microsoft ។ * [គោលការណ៍នៃ AI ដ៏ទទួលខុសត្រូវ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ផ្លូវការរៀនឥតគិតថ្លៃពី Microsoft Learn ។ * [សីលធម៌ និងវិទ្យាសាស្រ្តទិន្នន័យ](https://resources.oreilly.com/examples/0636920203964) - សៀវភៅអេឡិចត្រូនិច O'Reilly (M. Loukides, H. Mason et. al) * [សីលធម៌វិទ្យាសាស្រ្តទិន្នន័យ](https://www.coursera.org/learn/data-science-ethics#syllabus) - មេរៀនជាអនឡាញពីសាកលវិទ្យាល័យមិចហ្គែន។ * [សីលធម៌អញ្ចេញ](https://ethicsunwrapped.utexas.edu/case-studies) - ករណីសិក្សាពីសាកលវិទ្យាល័យតិចសាស់។ # ការងារ [សរសេរជំនួញករណីសីលធម៌ទិន្នន័យ](assignment.md) --- **ការបដិសេធ**ៈ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលពួកយើងខិតខំសម្រាប់ភាពត្រឹមត្រូវ សូមយល់ឱ្យបានច្បាស់ថាការបកប្រែដោយស្វ័យប្រវត្តិកំណត់អាចមានកំហុសឬការមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាមាតិការបស់វាគួរត្រូវបានគ្រប់គ្រងជាថ្នាក់ដើម។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សវិជ្ជាជីវៈត្រូវបានផ្ដល់អនុសាសន៍។ ពួកយើងមិនទទួលខុសត្រូវលើការយល់ច្រឡំ ឬការបកប្រែខុសៗអ្វីដែលមកពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។