# Pengenalan kepada Etika Data

|![ Sketchnote oleh [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:|
| Etika Sains Data - _Sketchnote oleh [@nitya](https://twitter.com/nitya)_ |

---

Kita semua adalah warga data yang hidup dalam dunia yang dipenuhi data.

Trend pasaran menunjukkan bahawa menjelang 2022, 1-dalam-3 organisasi besar akan membeli dan menjual data mereka melalui [Pasaran dan Pertukaran](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) dalam talian. Sebagai **Pembangun Aplikasi**, kita akan mendapati lebih mudah dan murah untuk mengintegrasikan pandangan berasaskan data dan automasi berasaskan algoritma ke dalam pengalaman pengguna harian. Tetapi apabila AI menjadi semakin meluas, kita juga perlu memahami potensi bahaya yang disebabkan oleh [penggunaan senjata](https://www.youtube.com/watch?v=TQHs8SA1qpk) algoritma tersebut pada skala besar.

Trend menunjukkan bahawa menjelang 2025, kita akan menghasilkan dan menggunakan lebih daripada [180 zettabyte](https://www.statista.com/statistics/871513/worldwide-data-created/) data. Bagi **Saintis Data**, letusan maklumat ini memberikan akses yang belum pernah terjadi sebelumnya kepada data peribadi dan tingkah laku. Dengan ini datang kuasa untuk membina profil pengguna yang terperinci dan mempengaruhi pengambilan keputusan secara halus—sering kali dengan cara yang mencipta [ilusi pilihan bebas](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). Walaupun ini boleh digunakan untuk mendorong pengguna ke arah hasil yang diingini, ia juga menimbulkan persoalan kritikal tentang privasi data, autonomi, dan batasan etika pengaruh algoritma.

Etika data kini menjadi _panduan yang diperlukan_ untuk sains data dan kejuruteraan, membantu kita meminimumkan potensi bahaya dan akibat yang tidak diingini daripada tindakan berasaskan data kita. [Gartner Hype Cycle untuk AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) mengenal pasti trend yang relevan dalam etika digital, AI yang bertanggungjawab, dan tadbir urus AI sebagai pemacu utama untuk megatrend yang lebih besar seperti _demokratisasi_ dan _perindustrian_ AI.

![Gartner's Hype Cycle untuk AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)

Dalam pelajaran ini, kita akan meneroka bidang menarik etika data - daripada konsep asas dan cabaran, kepada kajian kes dan konsep AI yang diterapkan seperti tadbir urus - yang membantu mewujudkan budaya etika dalam pasukan dan organisasi yang bekerja dengan data dan AI.




## [Kuiz pra-kuliah](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯

## Definisi Asas

Mari kita mulakan dengan memahami istilah asas.

Perkataan "etika" berasal daripada [perkataan Yunani "ethikos"](https://en.wikipedia.org/wiki/Ethics) (dan akarnya "ethos") yang bermaksud _watak atau sifat moral_. 

**Etika** adalah tentang nilai-nilai bersama dan prinsip moral yang mengawal tingkah laku kita dalam masyarakat. Etika tidak berdasarkan undang-undang tetapi pada norma yang diterima secara meluas tentang apa yang "betul vs. salah". Walau bagaimanapun, pertimbangan etika boleh mempengaruhi inisiatif tadbir urus korporat dan peraturan kerajaan yang mewujudkan lebih banyak insentif untuk pematuhan.

**Etika Data** adalah [cabang baru etika](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) yang "mengaji dan menilai masalah moral yang berkaitan dengan _data, algoritma dan amalan yang berkaitan_". Di sini, **"data"** memberi tumpuan kepada tindakan yang berkaitan dengan penjanaan, rakaman, kurasi, pemprosesan, penyebaran, perkongsian, dan penggunaan, **"algoritma"** memberi tumpuan kepada AI, agen, pembelajaran mesin, dan robot, dan **"amalan"** memberi tumpuan kepada topik seperti inovasi yang bertanggungjawab, pengaturcaraan, penggodaman, dan kod etika.

**Etika Terapan** adalah [aplikasi praktikal pertimbangan moral](https://en.wikipedia.org/wiki/Applied_ethics). Ia adalah proses menyiasat secara aktif isu etika dalam konteks _tindakan, produk dan proses dunia nyata_, dan mengambil langkah pembetulan untuk memastikan ia kekal selaras dengan nilai etika yang telah ditentukan.

**Budaya Etika** adalah tentang [_mengoperasikan_ etika terapan](https://hbr.org/2019/05/how-to-design-an-ethical-organization) untuk memastikan bahawa prinsip dan amalan etika kita diterima secara konsisten dan boleh diskalakan di seluruh organisasi. Budaya etika yang berjaya mentakrifkan prinsip etika di seluruh organisasi, menyediakan insentif yang bermakna untuk pematuhan, dan mengukuhkan norma etika dengan menggalakkan dan memperkuat tingkah laku yang diingini di setiap peringkat organisasi.


## Konsep Etika

Dalam bahagian ini, kita akan membincangkan konsep seperti **nilai bersama** (prinsip) dan **cabaran etika** (masalah) untuk etika data - dan meneroka **kajian kes** yang membantu anda memahami konsep ini dalam konteks dunia nyata.

### 1. Prinsip Etika

Setiap strategi etika data bermula dengan mentakrifkan _prinsip etika_ - "nilai bersama" yang menerangkan tingkah laku yang boleh diterima, dan membimbing tindakan yang mematuhi, dalam projek data & AI kita. Anda boleh mentakrifkan ini di peringkat individu atau pasukan. Walau bagaimanapun, kebanyakan organisasi besar menggariskan ini dalam kenyataan misi atau rangka kerja _AI etika_ yang ditakrifkan di peringkat korporat dan dikuatkuasakan secara konsisten di semua pasukan.

**Contoh:** Kenyataan misi [AI Bertanggungjawab](https://www.microsoft.com/en-us/ai/responsible-ai) Microsoft berbunyi: _"Kami komited kepada kemajuan AI yang didorong oleh prinsip etika yang mengutamakan manusia"_ - mengenal pasti 6 prinsip etika dalam rangka kerja di bawah:

![AI Bertanggungjawab di Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)

Mari kita terokai prinsip-prinsip ini secara ringkas. _Ketelusan_ dan _akauntabiliti_ adalah nilai asas yang membina prinsip lain - jadi mari kita mulakan di sana:

* [**Akauntabiliti**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) menjadikan pengamal _bertanggungjawab_ untuk operasi data & AI mereka, dan pematuhan kepada prinsip etika ini.
* [**Ketelusan**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) memastikan bahawa tindakan data dan AI _difahami_ (boleh ditafsirkan) oleh pengguna, menerangkan apa dan mengapa di sebalik keputusan.
* [**Keadilan**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - memberi tumpuan kepada memastikan AI melayan _semua orang_ secara adil, menangani sebarang bias sosio-teknikal sistemik atau tersirat dalam data dan sistem.
* [**Kebolehpercayaan & Keselamatan**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - memastikan bahawa AI berkelakuan _secara konsisten_ dengan nilai yang ditentukan, meminimumkan potensi bahaya atau akibat yang tidak diingini.
* [**Privasi & Keselamatan**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - adalah tentang memahami asal usul data, dan menyediakan _privasi data dan perlindungan berkaitan_ kepada pengguna.
* [**Keterangkuman**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - adalah tentang mereka bentuk penyelesaian AI dengan niat, menyesuaikannya untuk memenuhi _pelbagai keperluan & keupayaan manusia_.

> 🚨 Fikirkan tentang apa yang boleh menjadi kenyataan misi etika data anda. Terokai rangka kerja AI etika daripada organisasi lain - berikut adalah contoh daripada [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), dan [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Apakah nilai bersama yang mereka ada? Bagaimana prinsip ini berkaitan dengan produk AI atau industri yang mereka beroperasi?

### 2. Cabaran Etika

Setelah kita mentakrifkan prinsip etika, langkah seterusnya adalah menilai tindakan data dan AI kita untuk melihat sama ada ia selaras dengan nilai bersama tersebut. Fikirkan tentang tindakan anda dalam dua kategori: _pengumpulan data_ dan _reka bentuk algoritma_. 

Dengan pengumpulan data, tindakan mungkin melibatkan **data peribadi** atau maklumat yang boleh dikenal pasti secara peribadi (PII) untuk individu yang boleh dikenal pasti. Ini termasuk [pelbagai item data bukan peribadi](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) yang _secara kolektif_ mengenal pasti individu. Cabaran etika boleh berkaitan dengan _privasi data_, _pemilikan data_, dan topik berkaitan seperti _persetujuan yang dimaklumkan_ dan _hak harta intelek_ untuk pengguna.

Dengan reka bentuk algoritma, tindakan akan melibatkan pengumpulan & kurasi **set data**, kemudian menggunakannya untuk melatih & menggunakan **model data** yang meramalkan hasil atau mengautomasikan keputusan dalam konteks dunia nyata. Cabaran etika boleh timbul daripada _bias dataset_, isu _kualiti data_, _ketidakadilan_, dan _salah tafsir_ dalam algoritma - termasuk beberapa isu yang bersifat sistemik.

Dalam kedua-dua kes, cabaran etika menonjolkan kawasan di mana tindakan kita mungkin bertentangan dengan nilai bersama kita. Untuk mengesan, mengurangkan, meminimumkan, atau menghapuskan kebimbangan ini - kita perlu bertanya soalan moral "ya/tidak" berkaitan dengan tindakan kita, kemudian mengambil tindakan pembetulan seperti yang diperlukan. Mari kita lihat beberapa cabaran etika dan soalan moral yang mereka timbulkan:


#### 2.1 Pemilikan Data

Pengumpulan data sering melibatkan data peribadi yang boleh mengenal pasti subjek data. [Pemilikan data](https://permission.io/blog/data-ownership) adalah tentang _kawalan_ dan [_hak pengguna_](https://permission.io/blog/data-ownership) berkaitan dengan penciptaan, pemprosesan, dan penyebaran data. 

Soalan moral yang perlu kita tanya ialah: 
 * Siapa yang memiliki data? (pengguna atau organisasi)
 * Apakah hak yang dimiliki oleh subjek data? (contoh: akses, penghapusan, kebolehangkutan)
 * Apakah hak yang dimiliki oleh organisasi? (contoh: membetulkan ulasan pengguna yang berniat jahat)

#### 2.2 Persetujuan yang Dimaklumkan

[Persetujuan yang dimaklumkan](https://legaldictionary.net/informed-consent/) mentakrifkan tindakan pengguna bersetuju dengan tindakan (seperti pengumpulan data) dengan _pemahaman penuh_ tentang fakta yang relevan termasuk tujuan, risiko yang berpotensi, dan alternatif. 

Soalan untuk diterokai di sini ialah:
 * Adakah pengguna (subjek data) memberikan kebenaran untuk penangkapan dan penggunaan data?
 * Adakah pengguna memahami tujuan data itu ditangkap?
 * Adakah pengguna memahami risiko yang berpotensi daripada penyertaan mereka?

#### 2.3 Harta Intelek

[Harta intelek](https://en.wikipedia.org/wiki/Intellectual_property) merujuk kepada ciptaan tidak ketara yang terhasil daripada inisiatif manusia, yang mungkin _mempunyai nilai ekonomi_ kepada individu atau perniagaan. 

Soalan untuk diterokai di sini ialah:
 * Adakah data yang dikumpulkan mempunyai nilai ekonomi kepada pengguna atau perniagaan?
 * Adakah **pengguna** mempunyai harta intelek di sini?
 * Adakah **organisasi** mempunyai harta intelek di sini?
 * Jika hak ini wujud, bagaimana kita melindunginya?

#### 2.4 Privasi Data

[Privasi data](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) atau privasi maklumat merujuk kepada pemeliharaan privasi pengguna dan perlindungan identiti pengguna berkenaan dengan maklumat yang boleh dikenal pasti secara peribadi. 

Soalan untuk diterokai di sini ialah:
 * Adakah data (peribadi) pengguna dilindungi daripada penggodaman dan kebocoran?
 * Adakah data pengguna hanya boleh diakses oleh pengguna dan konteks yang diberi kuasa?
 * Adakah anonimiti pengguna dipelihara apabila data dikongsi atau disebarkan?
 * Bolehkah pengguna tidak dikenali daripada set data yang dianonimkan?


#### 2.5 Hak Untuk Dilupakan

[Hak Untuk Dilupakan](https://en.wikipedia.org/wiki/Right_to_be_forgotten) atau [Hak untuk Penghapusan](https://www.gdpreu.org/right-to-be-forgotten/) memberikan perlindungan data peribadi tambahan kepada pengguna. Secara khusus, ia memberikan pengguna hak untuk meminta penghapusan atau penyingkiran data peribadi daripada carian Internet dan lokasi lain, _di bawah keadaan tertentu_ - membolehkan mereka memulakan semula dalam talian tanpa tindakan lalu dipegang terhadap mereka.

Soalan untuk diterokai di sini ialah:
 * Adakah sistem membenarkan subjek data meminta penghapusan?
 * Adakah penarikan balik kebenaran pengguna mencetuskan penghapusan automatik?
 * Adakah data dikumpulkan tanpa kebenaran atau dengan cara yang tidak sah?
 * Adakah kita mematuhi peraturan kerajaan untuk privasi data?


#### 2.6 Bias Dataset

Bias Dataset atau [Bias Pengumpulan](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) adalah tentang memilih subset data yang _tidak mewakili_ untuk pembangunan algoritma, mencipta potensi ketidakadilan dalam hasil keputusan untuk kumpulan yang pelbagai. Jenis bias termasuk bias pemilihan atau pensampelan, bias sukarelawan, dan bias instrumen. 

Soalan untuk diterokai di sini ialah:
 * Adakah kita merekrut set subjek data yang mewakili?
 * Adakah kita menguji dataset yang dikumpulkan atau dikurasi untuk pelbagai bias?
 * Bolehkah kita mengurangkan atau menghapuskan sebarang bias yang ditemui?

#### 2.7 Kualiti Data

[Kualiti Data](https://lakefs.io/data-quality-testing/) melihat kesahihan dataset yang dikurasi yang digunakan untuk membangunkan algoritma kita, memeriksa untuk melihat sama ada ciri dan rekod memenuhi keperluan untuk tahap ketepatan dan konsistensi yang diperlukan untuk tujuan AI kita.

Soalan untuk diterokai di sini ialah:
 * Adakah kita menangkap ciri _sah_ untuk kes penggunaan kita?
 * Adakah data ditangkap _secara konsisten_ di seluruh sumber data yang pelbagai?
 * Adakah dataset _lengkap_ untuk keadaan atau senario yang pelbagai?
* Adakah maklumat yang ditangkap _tepat_ dalam mencerminkan realiti?

#### 2.8 Keadilan Algoritma

[Keadilan Algoritma](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) memeriksa sama ada reka bentuk algoritma secara sistematik mendiskriminasi kumpulan tertentu subjek data, yang membawa kepada [kemungkinan bahaya](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) dalam _pengagihan_ (di mana sumber ditolak atau ditahan daripada kumpulan tersebut) dan _kualiti perkhidmatan_ (di mana AI tidak seakurat untuk beberapa kumpulan berbanding yang lain).

Soalan untuk diterokai di sini adalah:
* Adakah kita menilai ketepatan model untuk kumpulan dan keadaan yang pelbagai?
* Adakah kita meneliti sistem untuk kemungkinan bahaya (contohnya, stereotaip)?
* Bolehkah kita menyemak semula data atau melatih semula model untuk mengurangkan bahaya yang dikenal pasti?

Terokai sumber seperti [Senarai Semak Keadilan AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) untuk mengetahui lebih lanjut.

#### 2.9 Salah Representasi

[Salah Representasi Data](https://www.sciencedirect.com/topics/computer-science/misrepresentation) adalah tentang bertanya sama ada kita menyampaikan wawasan daripada data yang dilaporkan dengan jujur secara menipu untuk menyokong naratif yang diinginkan.

Soalan untuk diterokai di sini adalah:
* Adakah kita melaporkan data yang tidak lengkap atau tidak tepat?
* Adakah kita memvisualisasikan data dengan cara yang mendorong kesimpulan yang mengelirukan?
* Adakah kita menggunakan teknik statistik terpilih untuk memanipulasi hasil?
* Adakah terdapat penjelasan alternatif yang mungkin menawarkan kesimpulan yang berbeza?

#### 2.10 Pilihan Bebas
[Ilusi Pilihan Bebas](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) berlaku apabila "senibina pilihan" sistem menggunakan algoritma membuat keputusan untuk mendorong orang mengambil hasil yang diinginkan sambil kelihatan memberi mereka pilihan dan kawalan. [Corak gelap](https://www.darkpatterns.org/) ini boleh menyebabkan bahaya sosial dan ekonomi kepada pengguna. Oleh kerana keputusan pengguna mempengaruhi profil tingkah laku, tindakan ini berpotensi mendorong pilihan masa depan yang boleh memperbesar atau memperpanjang kesan bahaya ini.

Soalan untuk diterokai di sini adalah:
* Adakah pengguna memahami implikasi membuat pilihan itu?
* Adakah pengguna sedar tentang pilihan (alternatif) dan kebaikan & keburukan setiap satu?
* Bolehkah pengguna membalikkan pilihan yang diotomatisasi atau dipengaruhi kemudian?

### 3. Kajian Kes

Untuk meletakkan cabaran etika ini dalam konteks dunia nyata, ia membantu untuk melihat kajian kes yang menonjolkan kemungkinan bahaya dan akibat kepada individu dan masyarakat apabila pelanggaran etika seperti ini diabaikan.

Berikut adalah beberapa contoh:

| Cabaran Etika | Kajian Kes | 
|--- |--- |
| **Persetujuan Maklumat** | 1972 - [Kajian Sifilis Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Lelaki Afrika Amerika yang mengambil bahagian dalam kajian ini dijanjikan rawatan perubatan percuma _tetapi ditipu_ oleh penyelidik yang gagal memberitahu subjek tentang diagnosis mereka atau tentang ketersediaan rawatan. Ramai subjek meninggal dunia & pasangan atau anak-anak terjejas; kajian ini berlangsung selama 40 tahun. | 
| **Privasi Data** | 2007 - [Hadiah data Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) memberikan penyelidik _10 juta penilaian filem tanpa nama daripada 50 ribu pelanggan_ untuk membantu meningkatkan algoritma cadangan. Walau bagaimanapun, penyelidik dapat mengaitkan data tanpa nama dengan data yang boleh dikenalpasti secara peribadi dalam _set data luaran_ (contohnya, komen IMDb) - secara efektif "membuka nama" beberapa pelanggan Netflix.|
| **Bias Pengumpulan** | 2013 - Bandar Boston [membangunkan Street Bump](https://www.boston.gov/transportation/street-bump), sebuah aplikasi yang membolehkan warga melaporkan lubang jalan, memberikan bandar data jalan raya yang lebih baik untuk mencari dan membaiki masalah. Walau bagaimanapun, [orang dalam kumpulan berpendapatan rendah mempunyai akses yang kurang kepada kereta dan telefon](https://hbr.org/2013/04/the-hidden-biases-in-big-data), menjadikan masalah jalan raya mereka tidak kelihatan dalam aplikasi ini. Pembangun bekerjasama dengan akademik untuk menangani isu _akses yang adil dan jurang digital_ untuk keadilan. |
| **Keadilan Algoritma** | 2018 - Kajian MIT [Gender Shades](http://gendershades.org/overview.html) menilai ketepatan produk AI klasifikasi jantina, mendedahkan jurang ketepatan untuk wanita dan orang berwarna. Kad Apple [2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) kelihatan menawarkan kredit yang kurang kepada wanita berbanding lelaki. Kedua-duanya menggambarkan isu bias algoritma yang membawa kepada bahaya sosio-ekonomi.|
| **Salah Representasi Data** | 2020 - Jabatan Kesihatan Awam Georgia [mengeluarkan carta COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) yang kelihatan mengelirukan rakyat tentang trend kes yang disahkan dengan susunan tidak kronologi pada paksi-x. Ini menggambarkan salah representasi melalui helah visualisasi. |
| **Ilusi pilihan bebas** | 2020 - Aplikasi pembelajaran [ABCmouse membayar $10 juta untuk menyelesaikan aduan FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) di mana ibu bapa terperangkap untuk membayar langganan yang mereka tidak dapat batalkan. Ini menggambarkan corak gelap dalam senibina pilihan, di mana pengguna didorong kepada pilihan yang berpotensi berbahaya. |
| **Privasi Data & Hak Pengguna** | 2021 - Facebook [Kebocoran Data](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) mendedahkan data daripada 530 juta pengguna, mengakibatkan penyelesaian $5 bilion kepada FTC. Walau bagaimanapun, ia enggan memberitahu pengguna tentang kebocoran tersebut, melanggar hak pengguna berkaitan ketelusan data dan akses. |

Ingin meneroka lebih banyak kajian kes? Lihat sumber berikut:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - dilema etika merentasi pelbagai industri. 
* [Kursus Etika Sains Data](https://www.coursera.org/learn/data-science-ethics#syllabus) - kajian kes penting diterokai.
* [Di mana perkara telah salah](https://deon.drivendata.org/examples/) - senarai semak deon dengan contoh.

> 🚨 Fikirkan tentang kajian kes yang telah anda lihat - adakah anda pernah mengalami, atau terjejas oleh, cabaran etika yang serupa dalam hidup anda? Bolehkah anda memikirkan sekurang-kurangnya satu lagi kajian kes yang menggambarkan salah satu cabaran etika yang telah kita bincangkan dalam bahagian ini?

## Etika Terapan

Kita telah membincangkan konsep etika, cabaran, dan kajian kes dalam konteks dunia nyata. Tetapi bagaimana kita memulakan _menerapkan_ prinsip dan amalan etika dalam projek kita? Dan bagaimana kita _mengoperasikan_ amalan ini untuk tadbir urus yang lebih baik? Mari kita terokai beberapa penyelesaian dunia nyata:

### 1. Kod Profesional

Kod Profesional menawarkan satu pilihan untuk organisasi "mendorong" ahli untuk menyokong prinsip etika mereka dan kenyataan misi. Kod adalah _panduan moral_ untuk tingkah laku profesional, membantu pekerja atau ahli membuat keputusan yang selaras dengan prinsip organisasi mereka. Ia hanya sebaik pematuhan sukarela daripada ahli; walau bagaimanapun, banyak organisasi menawarkan ganjaran dan penalti tambahan untuk memotivasi pematuhan daripada ahli.

Contoh termasuk:

* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kod Etika
* [Persatuan Sains Data](http://datascienceassn.org/code-of-conduct.html) Kod Tingkah Laku (dibuat pada 2013)
* [Kod Etika dan Tingkah Laku Profesional ACM](https://www.acm.org/code-of-ethics) (sejak 1993)

> 🚨 Adakah anda tergolong dalam organisasi kejuruteraan atau sains data profesional? Terokai laman web mereka untuk melihat sama ada mereka mentakrifkan kod etika profesional. Apa yang dikatakan tentang prinsip etika mereka? Bagaimana mereka "mendorong" ahli untuk mengikuti kod tersebut?

### 2. Senarai Semak Etika

Walaupun kod profesional mentakrifkan _tingkah laku etika_ yang diperlukan daripada pengamal, ia [mempunyai batasan yang diketahui](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) dalam penguatkuasaan, terutamanya dalam projek berskala besar. Sebaliknya, ramai pakar sains data [menganjurkan senarai semak](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), yang boleh **menghubungkan prinsip kepada amalan** dengan cara yang lebih deterministik dan boleh dilaksanakan.

Senarai semak menukar soalan kepada tugas "ya/tidak" yang boleh dioperasikan, membolehkan ia dijejaki sebagai sebahagian daripada aliran kerja pelepasan produk standard.

Contoh termasuk:
* [Deon](https://deon.drivendata.org/) - senarai semak etika data tujuan umum yang dibuat daripada [rekomendasi industri](https://deon.drivendata.org/#checklist-citations) dengan alat baris perintah untuk integrasi mudah.
* [Senarai Semak Audit Privasi](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - memberikan panduan umum untuk amalan pengendalian maklumat dari perspektif pendedahan undang-undang dan sosial.
* [Senarai Semak Keadilan AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - dibuat oleh pengamal AI untuk menyokong penerapan dan integrasi pemeriksaan keadilan ke dalam kitaran pembangunan AI.
* [22 soalan untuk etika dalam data dan AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - rangka kerja yang lebih terbuka, berstruktur untuk penerokaan awal isu etika dalam reka bentuk, pelaksanaan, dan konteks organisasi.

### 3. Peraturan Etika

Etika adalah tentang mentakrifkan nilai bersama dan melakukan perkara yang betul _secara sukarela_. **Pematuhan** adalah tentang _mengikuti undang-undang_ jika dan di mana ia ditakrifkan. **Tadbir urus** secara umum merangkumi semua cara organisasi beroperasi untuk menguatkuasakan prinsip etika dan mematuhi undang-undang yang ditetapkan.

Hari ini, tadbir urus mengambil dua bentuk dalam organisasi. Pertama, ia adalah tentang mentakrifkan prinsip **AI etika** dan mewujudkan amalan untuk mengoperasikan penerapan merentasi semua projek berkaitan AI dalam organisasi. Kedua, ia adalah tentang mematuhi semua **peraturan perlindungan data** yang diwajibkan oleh kerajaan untuk wilayah yang ia beroperasi.

Contoh peraturan perlindungan dan privasi data:

* `1974`, [Akta Privasi AS](https://www.justice.gov/opcl/privacy-act-1974) - mengawal selia pengumpulan, penggunaan, dan pendedahan maklumat peribadi oleh _kerajaan persekutuan_.
* `1996`, [Akta Portabiliti & Akauntabiliti Insurans Kesihatan AS (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - melindungi data kesihatan peribadi.
* `1998`, [Akta Perlindungan Privasi Dalam Talian Kanak-kanak AS (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - melindungi privasi data kanak-kanak di bawah umur 13 tahun.
* `2018`, [Peraturan Perlindungan Data Umum (GDPR)](https://gdpr-info.eu/) - memberikan hak pengguna, perlindungan data, dan privasi.
* `2018`, [Akta Privasi Pengguna California (CCPA)](https://www.oag.ca.gov/privacy/ccpa) memberikan pengguna lebih banyak _hak_ ke atas data (peribadi) mereka.
* `2021`, China [Undang-undang Perlindungan Maklumat Peribadi](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) baru sahaja diluluskan, mewujudkan salah satu peraturan privasi data dalam talian yang paling kuat di dunia.

> 🚨 Kesatuan Eropah mentakrifkan GDPR (Peraturan Perlindungan Data Umum) kekal sebagai salah satu peraturan privasi data yang paling berpengaruh hari ini. Adakah anda tahu ia juga mentakrifkan [8 hak pengguna](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) untuk melindungi privasi digital dan data peribadi warganegara? Ketahui tentang apa hak ini, dan mengapa ia penting.

### 4. Budaya Etika

Perlu diingat bahawa masih terdapat jurang tidak ketara antara _pematuhan_ (melakukan cukup untuk memenuhi "huruf undang-undang") dan menangani [isu sistemik](https://www.coursera.org/learn/data-science-ethics/home/week/4) (seperti pengukuhan, asimetri maklumat, dan ketidakadilan pengagihan) yang boleh mempercepatkan penggunaan AI sebagai senjata.

Yang terakhir memerlukan [pendekatan kolaboratif untuk mentakrifkan budaya etika](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) yang membina hubungan emosi dan nilai bersama yang konsisten _merentasi organisasi_ dalam industri. Ini memerlukan lebih banyak [budaya etika data yang formal](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) dalam organisasi - membolehkan _sesiapa sahaja_ untuk [menarik tali Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (untuk membangkitkan kebimbangan etika awal dalam proses) dan menjadikan _penilaian etika_ (contohnya, dalam pengambilan pekerja) sebagai kriteria utama pembentukan pasukan dalam projek AI.

---
## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## Ulasan & Kajian Kendiri

Kursus dan buku membantu memahami konsep dan cabaran etika teras, manakala kajian kes dan alat membantu dengan amalan etika terapan dalam konteks dunia nyata. Berikut adalah beberapa sumber untuk bermula.
* [Pembelajaran Mesin Untuk Pemula](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - pelajaran tentang Keadilan, dari Microsoft.  
* [Prinsip AI Bertanggungjawab](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - laluan pembelajaran percuma dari Microsoft Learn.  
* [Etika dan Sains Data](https://resources.oreilly.com/examples/0636920203964) - EBook O'Reilly (M. Loukides, H. Mason dan lain-lain)  
* [Etika Sains Data](https://www.coursera.org/learn/data-science-ethics#syllabus) - kursus dalam talian dari Universiti Michigan.  
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - kajian kes dari Universiti Texas.  

# Tugasan  

[Tulis Kajian Kes Etika Data](assignment.md)  

---

**Penafian**:  
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.