# தரவு நெறிமுறைகளுக்கு அறிமுகம் |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| |:---:| | தரவு அறிவியல் நெறிமுறைகள் - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | --- நாம் அனைவரும் தரவால் நிரம்பிய உலகில் வாழும் தரவு குடிமக்கள்தான். சந்தை போக்குகள் 2022 ஆம் ஆண்டுக்குள், 3 பெரிய நிறுவனங்களில் 1 நிறுவனமானது தங்களுடைய தரவை ஆன்லைன் [சந்தைகள் மற்றும் பரிமாற்றங்கள்](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) மூலம் வாங்கி விற்கிறது என்று கூறுகின்றன. **App Developers** ஆகிய நாம், தரவு சார்ந்த உண்மைகள் மற்றும் ஆல்கொரிதம் சார்ந்த தானியங்கி செயல்முறைகளை தினசரி பயனர் அனுபவங்களில் ஒருங்கிணைத்தல் எளிதும் குறைந்த செலவிலும் அமைக்க முடியும். ஆனால் AI பரவலாகும் போது, அவற்றின் [அதிவிருத்தி](https://www.youtube.com/watch?v=TQHs8SA1qpk) காரணமாக ஏற்படக்கூடிய சேதங்களை புரிந்துகொள்ளவும் தேவையும் உருவாகும். போக்குகள் 2025 ஆம் ஆண்டுக்குள், நாமும் [180 செட்டாபைட்டுகளுக்குக்கும்](https://www.statista.com/statistics/871513/worldwide-data-created/) மேல் தரவை உருவாக்கி பயன்படுத்து என்று காட்டுகிறது. **தரவு விஞ்ஞானிகள்** ஆகி, இந்த தகவல் வெடிப்பு தனிப்பட்ட மற்றும் நடத்தை சார்ந்த தரவுகளுக்கு முன் பகுதிகளை திறக்கிறது. இதன் மூலம் விரிவான பயனர் சுயவிவரங்களை உருவாக்கி, முடிவெடுக்கல் மீது ஊக்கத்தை சுலபமாகக் கொடுக்கக்கூடிய சக்தி வருகிறது—அதிகமாக இது [சுயத் தேர்வு மாயம்](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) உருவாக்குவதற்கும் வழிவகுக்கும். பயனர்களை விரும்பிய முடிவுகளுக்குக் கோற்றும் விதமாக இதை பயன்படுத்தினால், அதே நேரம் தரவு தனியுரிமை, தன்னாட்சி மற்றும் ஆல்கொரிதம்களின் நெறிமுறை தாக்கம் பற்றிய முக்கிய கேள்விகள் எழுமாறாகிறது. தரவு நெறிமுறைகள் இப்போது தரவு அறிவியல் மற்றும் பொறியியல் பணிகளில் தேவையான _பாதுகாப்புச் சட்டங்கள்_ ஆக இருந்து, நமது தரவு சார்ந்த செயல்களில் ஏற்படக்கூடிய சேதமும் எதிர்பாராத விளைவுகளும் குறைக்க உதவுகின்றன. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ஆனவை, டிஜிட்டல் நெறிமுறை, பொறுப்புள்ள AI, மற்றும் AI நிர்வாகம் ஆகியவை AI இன் _அரசியலை பொதுமக்கள் அனைவருக்கும்_, மற்றும் _தொழிற்‌மயமாக்கல்_ ஆகிய பெரிய போக்குகளை விசையமாக கருத்துகின்றன. ![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) இந்த பாடத்தில், நாம் தரவு நெறிமுறைகள் என்ற மிகவும் சுவாரஸ்யமான பகுதியை - சாரம்சக் கருத்துகள் மற்றும் சவால்கள், வழக்குகளும் AI Governance போன்ற செயல்படுத்தப்பட்ட AI கருத்துக்களும் உள்ளடங்கியவை - ஆராய்வோம்; இது தரவு மற்றும் AI உடன் பணியாற்றும் குழுக்கள் மற்றும் நிறுவனங்களில் நெறிமுறை கலாச்சாரத்தை உருவாக்க உதவும். ## [முன்-நூற்படிப்பு வினாடி கேள்வி](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯 ## அடிப்படை வரையறைகள் அடிப்படைக் கருத்துக்களை புரிந்துகொள்வதுடன் ஆரம்பிப்போம். "நெறிமுறை" என்ற சொல் [கிரேக்கேயான "ethikos"](https://en.wikipedia.org/wiki/Ethics) (மூலப்பெயர் "ethos") என்பதிலிருந்து வருகிறது, அதாவது _தொழிவு அல்லது நெறிவழிகாட்டி_ என்பதைக் குறிக்கிறது. **நெறிமுறை** என்பது சமுதாயத்தில் நமது நடத்தையை நிர்வகிக்கும் பகிரப்பட்ட மதிப்புகள் மற்றும் நெறிமுறைக் கொள்கைகளைக் குறிக்கும். இது சட்டங்களுக்கு பதிலாக, என்ன "சரி அல்லது தவறு" என்று பரவலாக அங்கீகாரம் பெற்ற கருத்துகளைக் கொண்டுள்ளது. இருப்பினும், நெறிமுறை பரிசீலனைகள் நிறுவன நிர்வாக முயற்சிகள் மற்றும் பண்பாட்டு அங்கீகாரங்களை மேம்படுத்தக் கூடிய அரசு விதிமுறைகளுக்கு உதவுகின்றன. **தரவு நெறிமுறை** என்பது [நெறிமுறையின் புதிய கிளை](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ஆகும், இது "_தரவு, ஆல்கொரிதங்கள் மற்றும் அவற்றுக்கேற்ப நடைமுறைகள்_ சார்ந்த பாடுபடும் மற்றும் மதிப்பீடு செய்வது" ஆகும். இங்கு, **"தரவு"** என்பது உருவாக்குதல், பதிவேற்றுதல், பராமரிப்பு, செயலாக்கம், பகிர்வு மற்றும் பயன்பாடுகளை குறிக்கிறது, **"ஆல்கொரிதங்கள்"** என்பது AI, முகவர்கள், மெஷின் லெர்னிங் மற்றும் ரோபோக்களை குறிக்கிறது, மற்றும் **"நடைமுறைகள்"** என்பது பொறுப்புள்ள கண்டுபிடிப்பு, நிரல் எழுதுதல், ஹேக்கிங் மற்றும் நெறிமுறை குறியீடுகள் போன்ற தலைப்புகளை குறிக்கிறது. **பயன்படுத்தப்பட்ட நெறிமுறை** என்பது [நிலைபேறான நெறிமுறை பரிசீலனையின் நடைமுறைப் பயன்பாடு](https://en.wikipedia.org/wiki/Applied_ethics) ஆகும். இது _உண்மையான செயல்கள், தயாரிப்புகள் மற்றும் செயல்முறைகளின்_ சூழலில் நெறிமுறை பிரச்சினைகளை ஆராய்ந்ததும், நமது நிர்ணயித்த நெறிமுறை மதிப்புகளுடன் அது ஒத்துப்போகச் சீர்செய்கிறது என்பதில் ஈடுபட குடிய கூட்டம் ஆகும். **நெறிமுறை கலாச்சாரம்** என்பது [_பயன்படுத்தப்பட்ட நெறிமுறையை_ செயல்படுத்துவது](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ஆகும், நமது நெறிமுறை கொள்கைகள் மற்றும் நடைமுறைகள் முழு நிறுவனம் முழுவதும் ஒத்திசைக்கப்பட்டு பரவ வைக்கப்படுவதை உறுதிப்படுத்துதல். வெற்றிகரமான நெறிமுறை கலாச்சாரங்கள் நிறுவனத்துக்கு பொதுவான நெறிமுறை கொள்கைகளை வரையறுக்கின்றன, பின்பற்றல் அதிகரிக்கக்கூடிய ஊக்கங்களை வழங்குகின்றன, மற்றும் நிறுவனத்தின் அனைத்து அடுக்குகளிலும் விரும்பிய நடத்தை ஊக்குவித்து வலுப்படுத்துகின்றன. ## நெறிமுறை கருத்துக்கள் இந்தப் பகுதியில், நாம் தரவு நெறிமுறை குறித்த கருத்துகள் - **பகிரப்பட்ட மதிப்புகள்** (கொள்கைகள்) மற்றும் **நெறிமுறை சவால்கள்** (பிரச்சினைகள்) - பற்றி பேசுவோம்; மற்றும் உண்மையான சூழலில் புரிந்துகொள்ள உதவும் **வழக்குப் படிப்புகள்** ஆராய்வோம். ### 1. நெறிமுறை கொள்கைகள் ஒவ்வொரு தரவு நெறிமுறைத் திட்டமும் _நெறிமுறை கொள்கைகளைக்_ கொண்டு தொடங்குகிறது - "பகிரப்பட்ட மதிப்புகள்" என்பது அனுமதிக்கப்பட்ட நடத்தை மற்றும் அதற்கான ஒத்துழைப்பு செயல்களை விவரிக்கிறது, நமது தரவு மற்றும் AI திட்டங்களில் வழிகாட்டுகிறது. இதை தனிநபர் அல்லது குழு நிலைமையில் வரையறுக்கலாம். இருப்பினும், பெரும் நிறுவனங்கள் பெரும்பாலும் இவை ஒரு _நெறிமுறை AI_ குறிக்கோள் அறிக்கை அல்லது அமைப்பில் வரையறுக்கப்பட்டு, அனைத்து குழுக்களிலும் ஒரே மாதிரியாக அமல்படுத்தப்படுகின்றன. **உதாரணம்:** Microsoft இன் [பொறுப்புள்ள AI](https://www.microsoft.com/en-us/ai/responsible-ai) குறிக்கோள் அண்ணாச்சியளிக்கிறது: _"மனிதர்களை முதன்மையாகக் கருதி நெறிமுறை கொள்கைகளால் இயக்கப்படும் AI மேம்பாட்டிற்கு நாங்கள் அர்ப்பணிக்கப்பட்டுள்ளோம்"_ என்று - கீழே காட்டியுள்ள அமைப்பில் 6 நெறிமுறை கொள்கைகள் அடங்கியுள்ளன: ![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) இவற்றை சிறிது விரலிழுக்கலாம். _தெளிவுத்தன்மை_ மற்றும் _கணக்கெடுப்பு_ அடிப்படையிலான மதிப்புகளாக இருக்கின்றன - அதனால் இங்கே ஆரம்பிப்போம்: * [**கணக்கெடுப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) பயனாளர்கள் தங்களுடைய தரவு & AI பணி மற்றும் இந்த நெறிமுறை கொள்கைகளை பின்பற்றுவதற்கு _பொறுப்பாளர்_ ஆக இருக்க வேண்டும். * [**தெளிவுத்தன்மை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகள் பயனாளருக்கு _புரிந்துகொள்ளக்கூடியவையாக_ இருக்க வேண்டும், முடிவுகள் ஏன் எங்கே எடுக்கப்பட்டது என்பதையும் விளக்க வேண்டும். * [**நீதி**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI எல்லா மனிதர்களை சமமாக கையாளும் என்பதை உறுதி செய்வதாகும், மற்றும் தரவு மற்றும் அமைப்புகளில் உள்ள எந்தவொரு அமைப்பு சார்ந்த அல்லது மறைமுக சமூக-தொழில்நுட்ப பாகுபாடுகளையும் சமாளிக்கும். * [**நம்பகத்தன்மை & பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI நிர்ணயிக்கப்பட்ட மதிப்புகளுடன் _தொடர்ந்து_ நடந்து கொள்ளும் என்பதை உறுதி செய்து, சேதங்களையோ எதிர்பாராத விளைவுகளையோ குறைக்கும். * [**தனியுரிமை & பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - தரவு வழித்தடத்தைப் புரிந்து கொண்டு பயனாளர்களுக்கு _தரவு தனியுரிமை மற்றும் சம்பந்தப்பட்ட பாதுகாப்புகளை_ வழங்குவது. * [**கூட்டுபிரவேசம்**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI தீர்வுகளை கண்காணித்து வடிவமைத்து, அதை மனிதர்களின் பரவலான தேவைகள் மற்றும் திறன்களுடன் _ஏற்றுக்கொள்ளும்_ வகையில் செயல்பட வைக்கிறது. > 🚨 உங்கள் தரவு நெறிமுறை குறிக்கோள் என்னவாக இருக்கலாம் என்று எண்ணுங்கள். பிற நிறுவனங்களின் நெறிமுறை AI அமைப்புகளை ஆராயுங்கள் - [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), மற்றும் [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) போன்ற உதாரணங்கள் உள்ளன. அவற்றின் பொதுவான பகிரப்பட்ட மதிப்புகள் என்ன? இந்த கொள்கைகள் அவர்கள் இயங்கும் AI தயாரிப்பு அல்லது துறைக்கு எப்படி பொருந்துகின்றன? ### 2. நெறிமுறை சவால்கள் நீங்கள் நெறிமுறை கொள்கைகள் வரையறுத்தபின், அடுத்த படி நமது தரவு மற்றும் AI நடவடிக்கைகள் அவை அந்த பகிரப்பட்ட மதிப்புகளுடன் ஒத்துப்போகிறதா என்று மதிப்பீடு செய்வது ஆகும். உங்கள் செயல்களை இரண்டு பிரிவுகளில் கவனிக்கவும்: _தரவு சேகரிப்பு_ மற்றும் _ஆல்கொரிதம் வடிவமைப்பு_. தரவு சேகரிப்பில், நடவடிக்கைகள் பெரும்பாலும் அறிமுகமாகக்கூடிய தனிப்பட்ட தரவோ அல்லது தனி நபர்களை அடையாளப்படுத்தக்கூடிய தகவல் (PII) தொடர்பாக இருக்கும். இதில் [பலவகை தனிப்பட்ட தகவல் அல்லாத தரவுகளும்](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) சேர்க்கப் பட்டுள்ளன, அவை _ஒட்டுமொத்தமாக_ ஒருவரை அடையாளப்படுத்துகின்றன. நெறிமுறை சவால்கள் தரவு தனியுரிமை, தரவு உரிமை மற்றும் பயனாளர்களுக்கான _தீர்மானமுடைய ஒப்புதலும்_, _बுத்திமுத்திரை உரிமைகளும்_ போன்ற தலைப்புகளை பாதிக்கும். ஆல்கொரிதம் வடிவமைப்பில், செயல்கள் **தரவுத்தொகுப்புகளை** சேகரித்து, பின்பு அத்தகைய தரவுத்தொகுப்புகளை பயிற்சி மற்றும் இடையே கொண்டு **தரவு மாதிரிகள்** ஐ உருவாக்கி நிகழ்நிலை முடிவுகளைக் கணிக்க அல்லது தானியங்கி முடிவுகளை எடுக்க பயன்படுத்துவதை அடக்குமாகும். நெறிமுறை சவால்கள் தரவுத்தொகுப்பு பாகுபாடு, தரவுத்தன்மை குறைபாடுகள், நியாயமற்ற தன்மை, மற்றும் ஆல்கொரிதங்களில் தவறான பிரதிநிதித்துவம் போன்றவை எழுப்பும் - சிலவற்றுக்கு அமைப்பு சார்ந்த பிரச்சினைகள் அடங்கும். இரு நிகழ்வுகளிலும் நெறிமுறை சவால்கள், நமது செயல்கள் பகிரப்பட்ட மதிப்புகளுடன் முரண்பாடு ஏற்படக்கூடிய இடங்களைக் காட்டுுகின்றன. அவற்றை கண்டுபிடிக்க, குறைக்க, குறைந்தபடுத்த அல்லது அகற்ற நமது செயல்களுக்கு தொடர்புடைய நெறிமுறை "ஆம்/இல்லை" கேள்விகள் கேட்டு, தேவையான சீர்திருத்த நடவடிக்கைகளை எடுக்க வேண்டும். சில நெறிமுறை சவால்களையும், அவை எழுப்பும் நெறிமுறை கேள்விகளையும் பார்ப்போம்: #### 2.1 தரவு உரிமை தரவு சேகரிப்பு பெரும்பாலும் தனித்துவமான நபர்களை அடையாளப்படுத்தக்கூடிய தனிப்பட்ட தரவுகளுடன் தொடர்புடையது. [தரவு உரிமை](https://permission.io/blog/data-ownership) என்பது தரவு உருவாக்கம், செயலாக்கம் மற்றும் பகிர்வு தொடர்பான _கட்டுப்பாடு_ மற்றும் [_பயனர் உரிமைகள்_](https://permission.io/blog/data-ownership) பற்றியதாகும். நமது கேள்விகள்: * தரவு யாருக்கு சொந்தம்? (பயனர் அல்லது நிறுவனம்) * தரவு நபர்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: அணுகல், அழிப்பு, மாற்றுத் திறன்) * நிறுவனங்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: தீய ரிவியூகளை திருத்துதல்) #### 2.2 தீர்மானம் பெற்ற ஒப்புதல் [தீர்மானம் பெற்ற ஒப்புதல்](https://legaldictionary.net/informed-consent/) என்பது பயனாளர் ஒருகாரணத்திற்காக (தரவு சேகரிப்பு போன்ற) முழுமையான விளக்கத்தோடு செயலில் ஒத்துக்கொள்வதைக் குறிக்கும். பரிசீலிக்க வேண்டிய கேள்விகள்: * பயனர் (தரவு நபர்) தரவைப் பெறவும் பயன்படுத்தவும் அனுமதித்தாரா? * அந்த தரவு எதற்கென்று பயனர் புரிந்ததா? * அவர்கள் பங்கேற்றதனால் ஏற்படும் அபாயங்களை பயனர் புரிந்தாரா? #### 2.3 புத்திமதி உரிமை [புத்திமதி உரிமை](https://en.wikipedia.org/wiki/Intellectual_property) என்பது மனித iniciative மூலம் உருவாக்கப்பட்ட, தனிமக்கள் மற்றும் வியாபாரங்களுக்கு _பொருளாதார மதிப்பு_ கொண்ட அம்பலம் உள்ள உருவாக்கங்களை குறிக்கிறது. பரிசீலனைக்கான கேள்விகள்: * சேகரிக்கப்பட்ட தரவுக்கு பயனர் அல்லது வியாபாரத்திற்கு பொருளாதார மதிப்பு இருந்ததா? * **பயனருக்கா** புத்திமதி உரிமை இருக்கிறதா? * **நிறுவனத்திற்கா** புத்திமதி உரிமை இருக்கிறதா? * இந்த உரிமைகள் இருந்தால் அவற்றை எவ்வாறு பாதுகாக்கிறோம்? #### 2.4 தரவு தனியுரிமை [தரவு தனியுரிமை](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) அல்லது தகவல் தனியுரிமை என்பது தனிப்பட்ட அடையாளத் தகவலுடன் தொடர்புடைய பயனர் தனியுரிமை மற்றும் அடையாள பாதுகாப்பை குறிக்கும். கேள்விகள்: * பயனர்களின் (தனிப்பட்ட) தரவு ஹேக்குகள் மற்றும் கசிவுகளுக்கு எதிராக பாதுகாக்கப்பட்டுள்ளதா? * பயனர்களின் தரவு அங்கீகாரப்பட்ட பயனாளர்களுக்கும் சூழலுக்குமட்டுமே கிடைக்கிறதா? * தரவு பகிரும் போது பயனர்களின் நாமரியக்கம் பாதுகாக்கப்படுகிறதா? * ஒரு பயனரை தனி நபராக அமானுஷ்யமாக்கப்பட்ட தொகுப்புகளிலிருந்து அடையாளம் காண முடியுமா? #### 2.5 மறக்கப்படு உரிமை [மறக்கப்படு உரிமை](https://en.wikipedia.org/wiki/Right_to_be_forgotten) அல்லது [அழிப்பு உரிமை](https://www.gdpreu.org/right-to-be-forgotten/) பயனர்களுக்கு தனிப்பட்ட தரவை இணையத் தேடல்களிலும் பிற இடங்களிலும் இருந்து அழிப்பதற்கான உரிமையை அளிக்கிறது, _கண்டிப்பான சூழ்நிலைகளில்_ - இது அவர்களுக்கு கடந்த செயல்களால் பின்பற்றப்படாமல் இணையத்தில் புதிய தொடக்கத்தை வழங்குகிறது. ஆராய வேண்டிய கேள்விகள்: * தரவு நபர்கள் தனது தரவை அழிக்க கோரிக்கை விடுத்திருக்கலாமா? * பயனர் ஒப்புதலை மீளப்பெறுதல் தானாகவே தரவு அழிப்பை தூண்டும் என இருக்குறதா? * பாதுகாப்பின்றி அல்லது சட்டப்பூர்வமல்லாமல் தரவு சேகரிக்கப்பட்டதா? * நாங்கள் அரசு விதிகளுடன் உடன்பட்டிருக்கிறோமா? #### 2.6 தரவுத்தொகுப்பு பாகுபாடு தரவுத்தொகுப்பு அல்லது [சேகரித்தல் பாகுபாடு](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) என்பது ஆல்கொரிதம் மேம்பாட்டிற்கு _முடிவுகளை பிரதிநிதித்துவம் செய்யாத தரவின் சிறிய பகுதியை_ தேர்ந்தெடுக்கிறதற்கு தான், இது பல சமூக குழுக்களுக்கு அரியவகையற்ற முடிவுகளை உருவாக்கும். பாகுபாடுகளுக்கு தேர்வு, மாதிரீக பாகுபாடு, தன்னார்வ பாகுபாடு மற்றும் கருவி பாகுபாடு ஆகியவையும் அடக்கம். பரிசீலனைக்கான கேள்விகள்: * பயனர்களின் பிரதிநிதித்துவமான தொகுப்பைப் பெற்றோமா? * பாகுபாடுகளுக்காக சேகரித்த அல்லது பரிசீலித்த தரவுத்தொகுப்பை சோதித்தோமா? * கண்டுபிடிக்கப்பட்ட பாகுபாடுகளை குறைக்க அல்லது அகற்றமுடிந்ததா? #### 2.7 தரவு தரம் [தரவு தரம்](https://lakefs.io/data-quality-testing/) என்பது நமது ஆல்கொரிதம் மேம்பாட்டிற்காக தயாரிக்கப்பட்ட தரவுத்தொகுப்பின் செல்லுபடியாகும் நிலையைப் பார்கிறது, அதன் பண்புகள் மற்றும் பதிவுகள் AI நோக்கத்துக்கான தேவையான துல்லியமும் ஒத்திசைவும் கொண்டுள்ளதா என்பதைக் கண்காணிக்கிறது. பரிசீலிக்க வேண்டிய கேள்விகள்: * நமது பயன்பாட்டிற்கான செல்லுபடியான _ பண்புகளை_ சேகரித்தோமா? * பல்வேறு தரவு மூலங்களிலே தரவை _ஒத்திசையாக_ சேகரித்தோமா? * பல்வேறு சூழல்களுக்கு ஏற்ப தரவுத்தொகுப்பு முழுமையானதா? * உண்மையை பிரதிபலிப்பதில் தகவல் _துல்லியமாக_ பதிவு செய்யப்பட்டுள்ளது? #### 2.8 ஆல்காரிதம் நீதித்தன்மை [ஆல்காரிதம் நீதித்தன்மை](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) அமைப்பு குறிப்பிட்ட தரவுக்குழுக்களை எதிரொலிக்கும் முறையில் செயற்கை நுண்ணறிவுப் பணி நடவடிக்கையில் உள்ள அநீதி இருப்பதை கண்டறிவது. இது _ஒதுக்கீடு_ (எந்த குழுவுக்கும் வளங்களை மறுக்கும் அல்லது தடுக்கப்படுவது) மற்றும் _சேவை தரம்_ (சில குழுக்களுக்கு செயற்கை நுண்ணறிவு மற்றவர்களைக் காட்டிலும் குறைவான துல்லியத்துடன் செயல்படுவது) எனக் காரணமாகத் தொலைபார்க்கும் [சாத்தியமான தீமைகள்](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ஏற்படுவதை அறிய உதவுகிறது. இங்கு ஆராய வேண்டிய கேள்விகள்: * பல்துறை குழுக்களுக்கும் மற்றும் நிலைகளுக்கும் மொடல் துல்லியம் மதிப்பீடு செய்தோமா? * அமைப்பை சாத்தியமான தீமைகள் (உதா., ஸ்டீரியோடைபிங்) குறித்து மாற்றீட்டுப்பார்த்தோமா? * கண்டறியப்பட்ட தீமைகளை குறைக்க தரவை திருத்த அல்லது மொடல்களை மறுதயாரிக்க முடியும் என்றாரா? [AI நீதித்தன்மை சரிபார்ப்பு பட்டியல்](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) போன்ற வளங்களை ஆராயவும். #### 2.9 தவறான பிரதிநிதித்துவம் [தரவு தவறான பிரதிநிதித்துவம்](https://www.sciencedirect.com/topics/computer-science/misrepresentation) என்பது நேர்மையாக அறிக்கை செய்யப்பட்ட தரவுகளிலிருந்து கிடைக்கும் நுணுக்கங்களை மோசமான முறையில் தொடர்பு கொண்டு ஒரு விரும்பிய கதைதொடருக்கு ஆதரவளிப்பதற்கானது. இங்கு ஆராய வேண்டிய கேள்விகள்: * முழுமையான அல்லது துல்லியமற்ற தரவு நாம் அறிக்கையிடுகிறோமா? * தரவுகளை தவறான முடிவுகளை உருவாக்கும் முறையில் காட்சிப்படுத்துகிறோமா? * முடிவுகளை சீரமைக்க தேர்ந்தெடுக்கப்பட்ட புள்ளியியல் முறைகள் பயன்படுத்தப்படுகிறனவா? * வேறொரு விளக்கம் வேறு முடிவை வழங்கலாம் என்ற வாய்ப்பு உள்ளதா? #### 2.10 இலவச தெரிவு [இலவச தேர்வு மோகம்](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) என்பது “தேர்வு கட்டமைப்புகள்” எனப்படும் அமைப்பின் முடிவெடுத்தல் ஆல்காரிதம்கள் மனிதரை விரும்பிய முடிவு பக்கமாக நகர்த்துவதற்காக கண்டிப்பான தேர்வுகள் மற்றும் கட்டுப்பாடுகளை வழங்கினால் காணப்படும் மோகம் ஆகும். இந்த [இருள்மயமான வடிவங்கள்](https://www.darkpatterns.org/) பயனாளர்களுக்கு சமூக மற்றும் பொருளாதார தீமைகளை ஏற்படுத்த முடியும். பயனர் முடிவுகள் நடத்தை விவரங்களை பாதிக்கும் காரணத்தால், இந்த நடவடிக்கைகள் எதிர்கால தேர்வுகளை மேலும் தீங்கு விளைவிக்கும் வகையில் தூண்டலாம். இங்கு ஆராய வேண்டிய கேள்விகள்: * அந்த தேர்வு செய்தல் என்ன விளைவுகளை ஏற்படுத்தும் என்று பயனர் புரிந்துகொண்டாரா? * பயனருக்கு (விகல்பு) தேர்வுகள் மற்றும் ஒவ்வொன்றின் நன்மை & தீமைகள் பற்றிய அறிவு இருந்ததா? * பயனர் பின்னர் ஒரு தானாகவே செய்யப்பட்ட அல்லது பாதிக்கப்பட்ட தேர்வை மாற்ற முடியுமா? ### 3. வழக்கு ஆய்வுகள் இந்த நெறிமுறை சவால்களை நிஜ உலக சூழ்நிலைகளில் பார்க்க, இத்தகைய ஒழுக்கவியல் மீறுதல்களைக் கண்காணிக்காதபோது தனிநபர்கள் மற்றும் சமுதாயத்திற்கு ஏற்படும் தீமைகள் மற்றும் விளைவுகளை வெளிப்படுத்தும் வழக்கு ஆய்வுகள் உதவுகின்றன. கீழே சில எடுத்துக்காட்டுகள்: | ஒழுக்கவியல் சவால் | வழக்கு ஆய்வு | |--- |--- | | **அறிந்த ஒப்புதல்** | 1972 - [டஸ்கீ கி சிபிலிஸ் ஆய்வு](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - பங்கேற்ற ஆபிரிக்க அமெரிக்க ஆண்களுக்கு இலவச மருத்துவ சிகிச்சை வாக்குறுதி வழங்கப்பட்டாலும், ஆராய்ச்சியாளர்கள் நோயினை தெரிவிக்காததும் சிகிச்சை கிடைப்பது பற்றியும் தெரியச் செய்யாததும் பொய்மையை ஏற்படுத்தியது. பலர் உயிரிழந்தனர் மற்றும் அவர்களின் துணைகள் அல்லது குழந்தைகள் பாதிக்கப்பட்டனர்; ஆய்வு 40 ஆண்டுகள் நீடித்தது. | | **தரவு தனியுரிமை** | 2007 - [நெட்ஃபிளிக்ஸ் தரவு பரிசு](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) 50,000 வாடிக்கையாளர்களிடமிருந்து 10 மில்லியன் பெயர் போடப்படாத திரைப்பட ரேங்கிங்களை ஆய்வாளர்கள் பெற்றனர், பரிந்துரை ஆல்காரிதங்களை மேம்படுத்த உதவ. ஆனால், ஆய்வாளர்கள் பெயர் மறைக்கப்பட்ட தரவை தனித்துவமான தரவுகளுடன் (IMDb கருத்துக்கள், போன்றவை) தொடர்புபடுத்தி சில நெட்ஃபிளிக்ஸ் சந்தாதாரர்களை "மறைத்துவிடாமல்" செய்தனர்.| | **ஆக்குவியல் வேறுபாடு** | 2013 - போஸ்டன் நகரம் [Street Bump](https://www.boston.gov/transportation/street-bump) என்ற செயலியை உருவாக்கி, மக்களுக்கு சாலை பழுதுகளை அறிக்கையிட வாய்ப்பு வழங்கியது. ஆனால், [குறைந்த வருமான குழுவினர் கார்கள் மற்றும் போன்களுக்கு குறைவான அணுகலைக் கொண்டனர்](https://hbr.org/2013/04/the-hidden-biases-in-big-data), அவர்களின் சாலை பிரச்சினைகள் இந்த செயலியில் பதியப்படவில்லை. டெவலப்பர்கள் சமூகவியல் நெருக்கடிகள் மற்றும் சமநிலை பிரச்சினைகளுக்காக அகாடமியர்களுடன் பணியாற்றினர். | | **ஆல்காரிதம் நீதித்தன்மை** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) லிங்க் பாலின வகைப்பாட்டுக் க künstை பாஸ்தੂயில் பிழைகளை வெளிப்படுத்தியது. [2019 ஆப்பிள் கார்டு](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) பெண்களுக்கு ஆண்களைவிட குறைவான கடன் வழங்கியது என்று தெரிந்தது. இரண்டும் நீதித்தன்மை குறைவathu காரணமாக சமூக பொருளாதார தீமைகளை அடையாளம் காட்டின.| | **தரவு தவறான பிரதிநிதித்துவம்** | 2020 - ஜார்ஜியா பொது சுகாதாரத் துறை COVID-19 வரைபடங்கள் [பகிர்ந்தது](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) என்றும், விஷயம் தவறுதலாக ஊடுருவியது போன்ற விமரிசனங்கள் வந்தன; தடங்கள் எந்தவரிசையிலும் இல்லாமல் காட்டப்பட்டது. இது காட்சிப்படுத்தலில் தவறான பிரதிநிதித்துவத்தை காட்டுகிறது. | | **இலவச தேர்வு மோகம்** | 2020 - ABCmouse [ஏப்ரிகேஷன் $10 மில்லியன் FTC புகாரை Settlement செய்தது](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) பெற்றோர் தள்ளுபடி கொள்ள முடியாத சந்தாக்களுக்கு முன்பே கட்டணமாகி இருந்தனர். இதனால் பயனர்கள் பிள்ளைகளிடமிருந்து அடிமையாகும் வழிகாட்டிகளை இந்த துறையில் காட்டியது. | | **தரவு தனியுரிமை மற்றும் பயனர் உரிமைகள்** | 2021 - ஃபேஸ்புக் [தரவு மீட்பு](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 மில்லியன் பயனாளர்களின் தரவுகளை வெளிப்படுத்தியது, $5 பில்லியன் FTC உடன் சமாதானம் அமைத்தது. ஆனால், பயனர்களுக்கு அதைக் குறித்து தெரியப்படுத்த மறுத்தது, இது தரவு வெளிப்படைத்தன்மை மற்றும் அணுகல் உரிமைகளை மீறியது. | மேலும் வழக்கு ஆய்வுகளை ஆராய விரும்புவீரா? இங்கே வளங்கள் உள்ளன: * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - பல துறைகளில் ஒழுக்கவியல் சிக்கல்கள். * [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - முக்கிய வழக்கு ஆய்வுகள். * [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon பட்டியலுடன் எடுத்துக்காட்டுகள். > 🚨 நீங்கள் பார்த்த வழக்கு ஆய்வுகளைப் பற்றி நினைக்கவும் - நீங்கள் இத்தகைய ஒழுக்க சவால்கள் உங்கள் வாழ்கையில் நேர்ந்துள்ளதா? இ நடையில் நாம் விவாதித்த ஒழுக்க சவால்களில் குறைந்தபட்சம் ஒரு வழக்கு ஆய்வை நினைத்தால்? ## நடைமுறை ஒழுக்கவியல் நாம் ஒழுக்கவியல் கருத்துக்கள், சவால்கள் மற்றும் வழக்கு ஆய்வுகளை உலகிலுள்ள சூழ்நிலைகளில் பற்றி பேசினோம். ஆனால் எப்படித் தொடங்க வேண்டும் _ஒழுக்கவியல் கொள்கைகளை_ மற்றும் நடைமுறைகளை எங்கள் திட்டங்களில் _பயன்படுத்த_? மேலும் தேர்ந்தெடுத்த நடைமுறைகளை சிறந்த ஆட்சிப்பணிக்காக எப்படித் _செயல்படுத்த_ செய்யலாம்? ஆறு உலகில் ஏற்படும் சில தீர்வுகளை ஆராய்வோம்: ### 1. தொழில்முறை குறியீடுகள் தொழில்முறை குறியீடுகள் அமைப்புக்களுக்கு உறுப்பினர்களை அவர்களுடைய ஒழுக்கவியல் கொள்கைகள் மற்றும் பணி இலக்கை ஆதரிக்க "ஊக்குவிப்பதற்கான" ஒரு விருப்பத்தை வழங்குகிறது. குறியீடுகள் _நீதி வழிகாட்டுதல்கள்_ ஆகும், தொழில்முறை நடத்தைக்கான, பணியாளர்களுக்கு அல்லது உறுப்பினர்களுக்கு அவரது அமைப்புக்களின் கொள்கைகளுக்கு ஒத்ததாக முடிவெடுக்க உதவும். அவை மட்டுமே உறுப்பினர்களின் தன்னார்வ ஒத்துழைப்பிற்கு நல்லவை; ஆனால், பல அமைப்புகள் உறுப்பினர்களே அமைய ஊக்கங்கள் மற்றும் தண்டனைகளை வழங்குகின்றன. உதாரணங்கள்: * [ஆக்ஸ்ஃபோர்டு முநிசிப்](http://www.code-of-ethics.org/code-of-conduct/) ஒழுக்கக் குறியீடு * [டேட்டா சயின்ஸ் அசோசியேஷன்](http://datascienceassn.org/code-of-conduct.html) நடப்பு விதிகள் (2013ல் உருவானது) * [ACM ஒழுக்கக் குறியீடு மற்றும் தொழில்முறை நடத்தை](https://www.acm.org/code-of-ethics) (1993இன்பின்பிருந்து) > 🚨 நீங்கள் தொழில்முறை பொறியியல் அல்லது தரவு அறிவியல் அமைப்பின் உறுப்பினரா? அவர்களின் இணையதளத்தை ஆராய்ந்தீர்களா, அங்கு அவர்கள் தொழில்முறை ஒழுக்கக் குறியீட்டை வரையறுத்துள்ளதா? அது அவர்களுடைய ஒழுக்கவியல் கொள்கைகளை பற்றி என்ன கூறுகிறது? அவர்கள் உறுப்பினர்களை இந்த குறியீட்டை பின்பற்ற "ஊக்குவிப்பது" எப்படி? ### 2. ஒழுக்கவியல் சரிபார்ப்பு பட்டியல்கள் தொழில்முறை குறியீடுகள் நடைமுறையில் இருந்து கேட்டறியும் _ஒழுக்க நடத்தை_ வரையறுக்கும் போது, பெரும்பாலான பணி திட்டங்களில் [அவற்றுக்கு வரையறுக்கப்பட்ட எல்லைகள்](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) உள்ளன. அதற்கு பதிலாக, பல தரவு அறிவியல் நிபுணர்கள் [சரிபார்ப்புப் பட்டியல்களை](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) பரிந்துரைக்கிறார்கள், அது **கொள்கைகளை நடைமுறைகளுடன் இணைக்க** வினாயகமான மற்றும் செயல்படும் முறையில் உதவுகிறது. சரிபார்ப்புப் பட்டியல்கள் கேள்விகளை "ஆம்/இல்லை" பணிகளாக மாற்றுகின்றன, இது செயல்படுத்தலாம், மற்றும் இவற்றை சாதாரண தயாரிப்பு வெளியீட்டு வேலைபடிகளின் ஒரு பகுதியாக கண்காணிக்க முடியும். உதாரணங்கள்: * [Deon](https://deon.drivendata.org/) - தொழிற்துறை பரிந்துரைகளில் இருந்து உருவாக்கப்பட்ட பொதுவான தரவுத்தொடர்பான ஒழுக்கவியல் சரிபார்ப்பு பட்டியல், மற்றும் எளிய ஒருங்கிணைக்க command-line கருவி. * [தனியுரிமைக் கணக்கில் சரிபார்ப்பு பட்டியல்](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - சட்ட மற்றும் சமூக வெளிப்பாட்டின் பார்வையில் தகவல் கையாளும் நடைமுறைகளுக்கான வழிகாட்டல். * [AI நீதித்தன்மை சரிபார்ப்பு பட்டியல்](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI இதழ்களால் உருவாக்கப்பட்ட, நீதித்தன்மை சோதனைகளை AI மேம்பாட்டுக் கட்டங்களில் இணைக்க ஆதரவளிக்கிறது. * [தரவு மற்றும் AIயில் ஒழுக்கத்துக்கான 22 கேள்விகள்](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ஆரம்பத்தில் ஒழுக்கவியல் சிக்கல்களை ஆராய விரிவான கட்டமைப்பு. ### 3. ஒழுக்கவியல் ஒழுங்கு விதிகள் ஒழுக்கவியல் என்பது _தன்னார்வமாக_ பகிர்ந்த பெறுமதிகளை வரையறுப்பு செய்தல் மற்றும் சரியான செயல்பாட்டை செய்வது ஆகும். **ஒத்துழைப்பு** என்பது சட்டத்தை பின்பற்றுதல் ஆகும். **ஆட்சிப் பணிகள்** அமைப்புகள் ஒழுக்கவியல் கொள்கைகளை அமையச் செய்து, சட்டங்களுடன் இணங்க செயல்பாடுகளைப் பொதுவாக குறிக்கின்றன. இன்று, ஆட்சி இரண்டு விதமாக அமைப்புகளில் கையென்கிறது. முதலில், **ஒழுக்கமான AI** கொள்கைகளை வரையறுத்து, அனைத்து AI தொடர்புடைய திட்டங்களில் ஏற்றுத்தெற்றல் நடைமுறைகளைக் கொண்டு செயல்படுத்துவது முக்கியம். இரண்டாக, அது நிறுவனம் செயல்படுகின்ற பகுதிகளில் அனைத்து அரசு கட்டாயப்படுத்திய **தரவு பாதுகாப்பு விதிகளுக்கு** இணங்கவும் நீடிக்கிறது. தரவு பாதுகாப்பு மற்றும் தனியுரிமை விதிகளின் சில எடுத்துக்காட்டுகள்: * `1974`, [அமெரிக்க தனியுரிமை சட்டம்](https://www.justice.gov/opcl/privacy-act-1974) - _அரசாங்கத்தின்_ தனிப்பட்ட தகவல் சேகரிப்பு, பயன்பாடு, மற்றும் வெளியீடுக்கு விதிகள். * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - தனிப்பட்ட உடல் நிலை தரவை பாதுகாக்கிறது. * `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 க்கும் கீழே உள்ள குழந்தைகளின் தனியுரிமையை பாதுகாக்கிறது. * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - பயனரின் உரிமைகள், தரவு பாதுகாப்பு மற்றும் தனியுரிமை. * `2018`, [காலிஃபோர்னியா நுகர்வு தனியுரிமை சட்டம் (CCPA)](https://www.oag.ca.gov/privacy/ccpa) தனிப்பட்ட தரவில் நுகர்வோர்களுக்கு கூடுதல் உரிமைகள் வழங்குகிறது. * `2021`, சீனாவின் [தனிப்பட்ட தகவல் பாதுகாப்பு சட்டம்](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) கடந்த ஆண்டு கடந்து, உலகிலேயே பலமான ஆன்லைன் தரவு தனியுரிமை விதிகளை உருவாக்கியது. > 🚨 ஐரோப்பிய ஒன்றியத்தின் GDPR (ஜனரல் டேட்டா பாதுகாப்பு ஒழுங்குமுறை) இன்று மிகவும் தாக்கம் மிகுந்த தனியுரிமை விதியாக இருக்கிறது. அதில் [8 பயனர் உரிமைகள்](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) உள்ளன என்பது தெரியுமா? அவை என்ன, ஏன் அவை முக்கியம் என்பது பற்றி கற்றுக்கொள்ளவும். ### 4. ஒழுக்க கலாச்சாரம் _ஒத்துழைப்பு_ (சட்டத்தின் எழுத்தை பூர்த்தி செய்தல்) மற்றும் [மூல பராமரிப்பு பிரச்சினைகள்](https://www.coursera.org/learn/data-science-ethics/home/week/4) (பூச்சியல், தகவல் முரண்பாடு, மற்றும் விநியோகத் தன்மை குறைபாடு போன்றவை) ஆகியவற்றுக்கு இடையேயான அவுதவாத இடைவெளி இன்னும் உள்ளது, இது AI ஆயுதப்படுத்தல் வேகம் அதிகரிக்க உதவுகிறது. இது [ஒழுக்க கலாச்சாரங்களில்](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ஒத்துழைப்பு நோக்கங்களை உருவாக்கி உணர்ச்சி பிணைப்புகளை மற்றும் ஒரேபோல் பகிர்ந்த பெறுமதிகளை _தொழில்துறைகளில்_ அமைக்கும் முறையை தேவைப்படுத்துகிறது. இதனால் அமைப்புகளில் [தனித்துவமிக்க தரவு ஒழுக்க கலாச்சாரங்களை](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) அதிகாரப் படுத்தல் தேவைப்படுகிறது - இதனால் எந்தவொரு நபரும் [Andon கேபிள்](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (பிரச்சினைகளை ஆழமாக முன்கூட்டியே எச்சரிக்க) இழுக்க முடியும் மேலும் _ஒழுக்க மதிப்பீடுகள்_ (எ.கா., பணியாளர்களை எடுத்துக்கொள்ளல்) AI திட்டங்களில் கோர் மற்றும் அடிப்படைக் கூறாக இருப்பதற்கானது. --- ## [பாட அனுப்பிற்குப் பிறகு வீடியோ கேள்வி](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯 ## பரிசீலனை மற்றும் சுய ஆய்வு பாடநெறிகள் மற்றும் புத்தகங்கள் அடிப்படை ஒழுக்கவியல் கருத்துக்களையும் சவால்களையும் புரிந்துகொள்ள உதவுகின்றன, வழக்கு ஆய்வுகள் மற்றும் கருவிகள் நிஜ உலக சூழ்நிலைகளில் நடைமுறை ஒழுக்கவியல் நடைமுறைகளுக்கு உதவுகின்றன. தொடங்க சில வளங்கள் கீழே: * [தொடக்கர்களுக்கான மெஷின் லெர்ணிங்](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft இல் இருந்து நீதித்தன்மை பாடம். * [பதில் பயனுள்ள AI விதிகள்](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft கற்றல் இலவச கற்றல் பாதை. * [நெறிமுறைகள் மற்றும் தரவு அறிவியல்](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason மற்றும் மற்றவர்கள்) * [தரவு அறிவியல் நெறிமுறைகள்](https://www.coursera.org/learn/data-science-ethics#syllabus) - மிச்சிகன் பல்கலைக்கழகத்தின் ஆன்லைன் பாடம். * [நெறிமுறைகள் அன்பட்டி](https://ethicsunwrapped.utexas.edu/case-studies) - டெக்சாஸ் பல்கலைக்கழகத்தின் வழக்கு ஆய்வுகள். # பணிப்புரை [ஒரு தரவு நெறிமுறை வழக்கு ஆய்வை எழுதுக](assignment.md) --- **மறுப்பு**: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.