# ဒေတာသဘာဝတရား ဝိသေသလက္ခဏာမိတ်ဆက်ခြင်း |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| |:---:| | ဒေတာသိပ္ပံသဘာဝတရား - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | --- ကျွန်ုပ်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်နှက်နေသောကမ္ဘာတွင် ဒေတာပြည်သူများအနေဖြင့်နေထိုင်လျက်ရှိကြသည်။ စျေးကွက်ပေါ်မှလမ်းညွှန်ချက်များအရ ၂၀၂၂ ခုနှစ်အထိကြီးမားသောအဖွဲ့အစည်း ၃ ခုထဲမှ ၁ ခုသည် သူတို့၏ ဒေတာကို အွန်လိုင်း [စျေးကွက်နှင့်ချိန်းဆိုလိုက်ခြင်းများ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ဖြင့် ဝယ်ယူရောင်းချလိမ့်မည်။ အက်ပ်ဖန်တီးသူများအနေဖြင့် ဒေတာအခြေခံသိမြင်မှုများနှင့် အယ်လဂိုရီသည်မှုအလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ် အသုံးပြုသူအတွေ့အကြုံများထဲသို့ ပို၍လွယ်ကူစွာနှင့် စျေးနှုန်းသက်သာစွာ ပေါင်းစည်းနိုင်လိမ့်မည်။ သို့သော် AI သည် ကျယ်ပြန့်လာသည့်အခါ၌၊ ဤအယ်လဂိုရီသည်မှုများကို [လက်နက်ပြုလုပ်ခြင်း](https://www.youtube.com/watch?v=TQHs8SA1qpk)ဖြစ်ပေါ်စေနိုင်သော အန္တရာယ်များကို နားလည်ထားရန် လိုအပ်ပါလိမ့်မည်။ နောက်ထပ်လမ်းညွှန်ချက်အရ ၂၀၂၅ အထိကာလအတွင်း [၁၈၀ ဇက်တာဘိုက်(ဇက်တာမှာ ၁၀၂၁)ခန့်](https://www.statista.com/statistics/871513/worldwide-data-created/) ဒေတာ ထုတ်လုပ်သုံးစွဲမည်ဖြစ်သည်။ ဒေတာသိပ္ပံပညာရှင်များအတွက် ဤကြီးမားသော အချက်အလက်များ ပုဂ္ဂိုလ်ရေးနှင့်အပြုအမူဆိုင်ရာ ဒေတာများကို လွတ်လပ်စွာ အသုံးပြုနိုင်ရန် မည်သည့်အခွင့်အရေးမျှတအောင် ပေးပါသည်။ ၎င်းအားဖြင့် အသုံးပြုသူအသေးစိတ်ကိုယ်ရေးရာဇဝင်များကို သုံးသပ်ဆောက်လုပ်နိုင်ပြီး သဘောထားတစ်ခုတည်းကိုဖြစ်စေသည့် [အခွင့်ရွေးချယ်မှုတုတိ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ကို ဖန်တီးနိုင်ပေသည်။ ထိုကဲ့သို့ အသုံးပြုသူများကို လိုအပ်သည်များ ဆန္ဒဖြင့် ဦးတည်စေခြင်းအရ ယဉ်ကျေးစွာ နှုတ်ဆက်ပေးနိုင်သော်လည်း ဒေတာလုံခြုံမှု၊ ကိုယ်ပိုင်လွတ်လပ်ခွင့်နှင့် အယ်လဂိုရီသည်မှုဆိုင်ရာ သဘာဝတရား ကန့်သတ်ချက်များအပေါ် အရေးကြီးသော မေးခွန်းများကို ပြသပါသည်။ ဒေတာသဘာဝတရားသည် ဒေတာသိပ္ပံနှင့်အင်ဂျင်နီယာလုပ်ငန်းအတွက် _လိုအပ်သော လမ်းညွှန်တော်များ_ ဖြစ်လာပြီး၊ ဒေတာအခြေခံ လုပ်ဆောင်ချက်များမှ ဖြစ်တတ်သော ဆိုးကျိုးများနှင့် မရည်မှန်းထားသော သက်ရောက်မှုများကို နည်းနည်းလျော့ပါးစေရန် ကူညီပေးပါသည်။ [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) တွင် ဒစ်ဂျစ်တယ်သဘာဝတရား၊ တာဝန်ယူနိုင်သော AI နှင့် AI အုပ်ချုပ်မှုဆိုင်ရာ လမ်းညွှန်ချက်များကို AI ၏ _ဒီမိုကရေစီယင်း_ နှင့် _စက်မှုရပ်တည်မှု_ ဆိုင်ရာ မြန်မာ့အကြီးစားလမ်းကြောင်းများအတွက် အဓိက ဆွဲဆောင်သည့် အရာများအဖြစ် ဖော်ပြပါသည်။ ![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) ဤသင်ခန်းစာတွင် ဒေတာသဘာဝတရား၏ စိတ်ဝင်စားဖွယ်ကွက်ကွက်များကို – အခြေခံအယူအဆများနှင့် စိန်ခေါ်မှုများမှ စတင်၍ နမူနာ၊ လက်တွေ့ AI အကြောင်းအရာများဖြစ်သည့် အုပ်ချုပ်မှုအထိ စူးစမ်းလေ့လာပါမည်။ ဒေတာနှင့် AI နှင့်အလုပ်လုပ်သော အဖွဲ့အစည်းများတွင် သဘာဝတရား ယဉ်ကျေးမှု တည်ဆောက်ရန် ကူညီပေးပါသည်။ ## [စာမေးပွဲမတိုင်မီ စစ်ဆေးမှု](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯 ## အခြေခံအချက်အလက်များ ဖေါ်ပြချက် ကျွန်ုပ်တို့ အခြေခံအသုံးအနှုန်းများကို နားလည်ခြင်းဖြင့် စတင်ကြရအောင်။ "ethics" ဟုခေါ်သော စကားလုံးသည် [ဂရိစာ "ethikos"](https://en.wikipedia.org/wiki/Ethics) မှ ရှိပြီး၊ ၎င်း၏ အခြေခံ "ethos" သည် _ဇာတ်ကောင် သို့မဟုတ် ဂုဏ်သိက္ခာတည်း_ ဟု အဓိပ္ပါယ်ရသည်။ **သဘာဝတရား** သည် လူမှုအသိုင်းအဝိုင်းရှိ ကျင့်ဝတ်သမား နှင့် တရားဥပဒေမဟုတ်ပဲ _မှန်ကန်မှုနှင့် မမှန်ကန်မှု_ အားလုံးမှ ရရှိသော မျှဝေသောတန်ဖိုးကျသည့် သဘောထားများ ဖြစ်သည်။ သို့သော် သဘာဝတရားဆိုင်ရာ စဉ်းစားချက်များသည် ပူးပေါင်းလုပ်ငန်းစီမံခန့်ခွဲမှုနှင့် အစိုးရစည်းမျဉ်းများအား ထိရောက်မှုမြှင့်တင်ရန် ကူညီပေးပါသည်။ **ဒေတာသဘာဝတရား** သည် [သဘာဝတရားရဲ့ များစွာသော အပိုင်းအသစ်တခု](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ဖြစ်ကာ "ဒေတာ၊ အယ်လဂိုရီသည်မှုများနှင့် ပတ်သက်သည့် ကျင့်ဝတ်ပြဿနာများကို လေ့လာ သုံးသပ်သည်" ဟူသည်။ ဒီမှာ၊ **"ဒေတာ"** သည် ရိုက်နှိပ်ခြင်း၊ မှတ်တမ်းတင်ခြင်း၊ စီမံခန့်ခွဲခြင်း၊ ပြုလုပ်ခြင်း၊ ဖြန့်ဝေခြင်း၊ မျှဝေခြင်းနှင့် အသုံးပြုခြင်းဆိုင်ရာ လုပ်ဆောင်ချက်များကို ဦးတည်သည်၊ **"အယ်လဂိုရီသည်မှု"** သည် AI၊ ကိုယ်စားလှယ်များ၊ စက်လေ့လာမှုနှင့် ရုပ်ရှင်ကဏ္ဍတို့ကို ဦးတည့်ပြီး၊ **"လက်တွေ့လုပ်ငန်းများ"** သည် တာဝန်ယူတီထွင်မှု၊ ပရိုဂရမ်မင်းရေး၊ ဟပ်ကင်းနှင့် သဘာဝတရားကုဒ်များကဲ့သို့ အရာများကို ဦးတည်သည်။ **လက်တွေ့သဘာဝတရား** သည် [ကျင့်ဝတ် စဉ်းစားချက်များ လက်တွေ့အသုံးချခြင်း](https://en.wikipedia.org/wiki/Applied_ethics) ဖြစ်ပြီး၊ အမှန်တကယ်ရှိသော လုပ်ငန်းများ၊ ထုတ်လုပ်မှုများနှင့် လုပ်ငန်းစဉ်များ၏ သက်ရောက်မှုများအတွင်း၌ သဘာဝတရားဆိုင်ရာပြဿနာများကို စူးစမ်းလေ့လာသည့်ဖြစ်စဉ်ဖြစ်ပြီး၊ ကျင့်ဝတ်သဘောထားများနှင့် အညီဖြစ်နေပါစေရန် ပြုပြင်ပြောင်းလဲမှုများယူဆောင်သည်။ **သဘာဝတရားယဉ်ကျေးမှု** သည် [လက်တွေ့သဘာဝတရားကို လုပ်ငန်းတွင် တည်တံ့စေရန်လုပ်ဆောင်ခြင်း](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ဖြစ်ပြီး၊ ကျင့်ဝတ်ဆိုင်ရာ သဘောထားများနှင့် လုပ်ငန်းစဉ်များအား အဖွဲ့အစည်းတစ်ခုလုံးအတွင်း တညီတညွတ် တိုးတက်ပြုပြင်သွားရန် ဦးတည်သည်။ အောင်မြင်သော သဘာဝတရားယဉ်ကျေးမှုတွင် အဖွဲ့အစည်းစာရင်းတွင် စီမံခန့်ခွဲမှု သဘောထားများ ဖေါ်ပြခြင်း၊ ပေါင်းပေါင်းပါဝင်ခြင်းသည် အကျိုးရှိစေရန် ထောက်ပံ့ပေးခြင်းနှင့် ကျင့်ဝတ်နည်းလမ်းများအား အစဉ်အမြဲ ပံ့ပိုးအားပေးခြင်းတို့ ပါဝင်သည်။ ## သဘာဝတရားအယူအဆများ ဤအပိုင်းတွင် ဒေတာသဘာဝတရားအတွက် **မျှဝေ၍လိုက်နာရမည့် တန်ဖိုးများ** (နိယာမများ) နှင့် **သဘာဝတရားစိန်ခေါ်မှုများ** (ပြဿနာများ) ကိုဆွေးနွေးသွားပြီး၊ လက်တွေ့အခြေအနေများဖြင့် **နမူနာများ** ကိုလေ့လာပါမည်။ ### ၁။ သဘာဝတရားနိယာမများ ဒေတာသဘာဝတရားအတွက် သဘာဝတရားနိယာမများကို အဓိကထား သတ်မှတ်ခြင်းဖြင့် စတင်သည်။ ၎င်းသည် ဒေတာနှင့် AI စီမံကိန်းများအတွက် ညွှန်ကြားလမ်းညွှန်ချက်နှင့် ပြုသင့်သော အပြုအမှုများကို ဖေါ်ပြသည်။ ကိုယ်ပိုင်အဆင့် သို့မဟုတ် အဖွဲ့ဆိုင်ရာအဆင့်တွင် သတ်မှတ်နိုင်သော်လည်း၊ ကြီးမားသော အဖွဲ့အစည်းများသည် ကော်ပိုရေးရှင်းအဆင့်မှ သတ်မှတ်ပြီး အဖွဲ့အစည်းများအားလုံးတွင် တညီတညွတ် အကောင်အထည်ဖော်ရန် _သဘာဝတရား AI_ ပန်းတိုင်မက်ဆေ့ချျ နှင့် ဖရိမ်ဝတ်များအနေဖြင့် ဖော်ပြသည်။ **ဥပမာ** - Microsoft ၏ [တာဝန်ယူသော AI](https://www.microsoft.com/en-us/ai/responsible-ai) မက်ဆေ့ချ်မှာ _"လူသျှူးဦးစားပေးသည့် သဘာဝတရားနိယာမများဖြင့် AI တိုးတက်စေမှုအတွက် တာဝန်ယူဆောင်ရွက်နေပါသည်"_ ဟုဖော်ပြပြီး အောက်ပါ ၆ မူဝါဒရှိသည်- ![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) ဒီနိယာမများအနည်းငယ်ကို စတင်ရှင်းပြကြရအောင်။ _ပြတ်သားမြင်သာမှု_ နှင့် _တာဝန်ခံမှု_ သည် အခြေခံတန်ဖိုးဖြစ်ပြီး၊ အခြားနိယာမများသည် ၎င်းတို့ပေါ်တွင် ခုခံထားပါသည် – ၎င်းကြောင့် အစမှစတင်လေ့လာကြမယ်- * [**တာဝန်ခံမှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) မှာ ဒေတာနှင့် AI လုပ်ငန်းများတွင် ကျင့်သုံးသူများကို _တာဝန်ယူစေရန်_ နှင့် သဘာဝတရားနိယာမများနှင့် ကိုက်ညီမှုရှိစေရန်ဖြစ်သည်။ * [**ပြတ်သားမြင်သာမှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) သည် အသုံးပြုသူများအတွက် ဒေတာနှင့် AI လုပ်ဆောင်ချက်များကို _နားလည်နိုင်စေရန်_ ဖြစ်ပြီး ချမှတ်ချက်များ၏ အကြောင်းရင်းနှင့်အကြောင်းအရာကို ရှင်းပြပေးခြင်း ဖြစ်သည်။ * [**တရားမျှတမှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) – AI သည် _လူတိုင်းအား_ တရားမျှတစွာ ဆက်ဆောင်ရန်အတွက် အာရုံစိုက်ပြီး နိုင်ငံရေး၊ အသိုင်းအဝိုင်းနှင့် နည်းပညာရေးရာ အဖွဲ့အစည်းများတွင် ပါဝင်သော ရှုပ်ထွေးမှုများကို ဖြေရှင်းသည်။ * [**ယုံကြည်စိတ်ချမှုနှင့် ဘေးကင်းမှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – AI သည် သတ်မှတ်ထားသော တန်ဖိုးများနှင့် ညီညွတ်စွာ အပြုအမူ ပြုလုပ်ခြင်းဖြင့် ဖြစ်ပေါ်နိုင်သည့် အန္တရာယ်များနှင့် မရည်မှန်းထားသော ပြဿနာများကို လျော့ပါးစေသည်။ * [**ကိုယ်ရေးလုံခြုံမှုနှင့် လုံခြုံမှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – ဒေတာ လက်ခံမှု လမ်းကြောင်းကို နားလည်ပြီး အသုံးပြုသူများအတွက် _ကိုယ်ရေးလုံခြုံမှုနှင့် ဆက်စပ်ကာကွယ်မှုများ_ ပံ့ပိုးသည်။ * [**ထည့်သွင်းပါဝင်မှု**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – လူ့မူဝါဒအရ စွမ်းအား၊ တတ်နိုင်မှုများကို တွဲပြီး ဉာဏ်ရည် AI ဖြေရှင်းမှုများ ပုံဆွဲတည်ဆောက်ခြင်း။ > 🚨 သင့်ဒေတာသဘာဝတရား မက်ဆေ့ချ်ကို စဉ်းစားကြည့်ပါ။ အခြားအဖွဲ့အစည်းများ၏ သဘာဝတရား AI ဖရိမ်ဝတ်များကို ရှာဖွေရန် - အောက်ပါ IBM, Google နှင့် Facebook ၏ ဥပမာများ ပါဝင်သည်။ ၎င်းတို့တွင် မျှဝေရသော တန်ဖိုးများ လည်းပါဝင်သလား? ၎င်းနိယာမများသည် သူတို့ ထုတ်ကုန်သို့မဟုတ် လုပ်ငန်းခွင်တွင် နေရာဘယ်လိုရှိသနည်း? ### ၂။ သဘာဝတရား စိန်ခေါ်မှုများ သဘာဝတရားနိယာမများ သတ်မှတ်ပြီးသည့်နောက် ကျွန်ုပ်တို့၏ ဒေတာနှင့် AI လုပ်ဆောင်ချက်များကို ၎င်းတို့နှင့် ကိုက်ညီမှုရှိ/မရှိ စစ်ဆေးရမည်ဖြစ်သည်။ သင်၏ နေတတ်မှုများကို _ဒေတာစုဆောင်းခြင်း_ နှင့် _အယ်လဂိုရီသည်ဒီဇိုင်းရေးခြင်း_ ဟူသော အပိုင်း ၂ ချက်အဖြစ် ဆိုလိုရမည်။ ဒေတာစုဆောင်းခြင်းတွင် အဓိကအားဖြင့် ကိုယ်ရေးကိုယ်တာ ဒေတာများ သို့မဟုတ် လူနာမည်သိနိုင်သော အချက်အလက်များ ပါဝင်သည်။ ၎င်းတွင် [မူပိုင်ပုဂ္ဂိုလ်၏ မဟုတ်သော ဒေတာ အမျိုးမျိုး](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) တွေ ပါဝင်ပြီး တစ်ဦးချင်းသူကို လုံးဝသင့်တော်စွာ ဖော်ထုတ်နိုင်သည်။ သဘာဝတရားစိန်ခေါ်မှုများသည် _ဒေတာကိုယ်ရေးလုံခြုံမှု_, _ဒေတာပိုင်ဆိုင်မှု_ နှင့် _အသိပညာပိုင်ဆိုင်မှုခွင့်_ အစရှိသည့် နယ်ပယ်များနှင့် ဆက်စပ်သည်။ အယ်လဂိုရီသည်ဒီဇိုင်းတွင် စုဆောင်းပြီး စီမံမှုလုပ်ထားသည့် **ဒေတာစုစည်းမှုများ** ကို အသုံးပြု၍ ရလဒ်ခန့်မှန်းခြင်း သို့မဟုတ် ဆုံးဖြတ်ချက်များကို အလိုအလျောက်လုပ်ဆောင်မည့် **ဒေတာမော်ဒယ်များ** သတင်းအချက်အလက်များလုပ်ဆောင်ခြင်း ပါဝင်သည်။ သဘာဝတရားစိန်ခေါ်မှုများမှာ ဒေတာစုစည်းမှုအနက်လူမျိုးမတူမှု၊ ဒေတာအရည်အသွေးပြဿနာများ၊ မတရားမှု၊ မမှန်ကန်သောတင်ပြချက်များအပါအဝင် အယ်လဂိုရီသည်မှုများ၏ မတူညီသော လက်လီဖြစ်ရပ်များ ဖြစ်နိုင်သည်။ နှစ်ခုစလုံးတွင် သဘာဝတရား စိန်ခေါ်မှုများသည် ကျွန်ုပ်တို့၏ လုပ်ဆောင်ချက်များနှင့် မျှဝေထားသော တန်ဖိုးများကြား ပဋိပက္ခဖြစ်ပေါ်နိုင်သော နယ်မြေများကို ဖော်ပြပါသည်။ ၎င်းတို့ကို ရှာဖွေ၊ လျော့ပါး၊ လျော်ကြေးပြုစု၊ ဖယ်ရှားရန် ဦးတည်ပြီး ကျွန်ုပ်တို့၏ လုပ်ဆောင်ချက်များနှင့် သက်ဆိုင်သော "ဟုတ်/မဟုတ်" သဘာဝတရားမေးခွန်းများကို မေး၍ ပြင်ဆင်ရမည်ဖြစ်သည်။ အောက်ပါ သဘာဝတရားစိန်ခေါ်မှုများနှင့် ၎င်းမှ ထွက်ရှိသော သဘာဝတရားမေးခွန်းများကို ကြည့်ကြရအောင်- #### ၂.၁ ဒေတာပိုင်ဆိုင်မှု ဒေတာစုဆောင်းခြင်းသည် လူပုဂ္ဂိုလ်များကို ဖော်ထုတ်နိုင်သော ကိုယ်ရေးကိုယ်တာဒေတာများပါဝင်သည်။ [ဒေတာပိုင်ဆိုင်မှု](https://permission.io/blog/data-ownership) သည် ဒေတာ ဖန်တီးခြင်း၊ ပြုလုပ်ခြင်းနှင့် ဖြန့်ဝေခြင်းတို့တွင် ပိုင်ဆိုင်မှုနှင့် [_အသုံးပြုသူအခွင့်အရေး_](https://permission.io/blog/data-ownership) နှင့် ဆက်စပ်သည်။ မေးရမည့် သဘာဝတရားမေးခွန်းများမှာ - * ဒေတာပိုင်ရှင် အဘယ်သူနည်း? (အသုံးပြုသူ သို့မဟုတ် အဖွဲ့အစည်း) * ဒေတာပုဂ္ဂိုလ်များအတွက် အခွင့်အရေးများတွင် ဘာများ ပါဝင်သနည်း? (ဥပမာ - ဝင်ခွင့်၊ ဖျက်ပစ်ခွင့်၊ ကူးပြောင်းခွင့်) * အဖွဲ့အစည်းများအနေဖြင့် ဘာအခွင့်အရေးရှိသနည်း? (ဥပမာ - မကောင်းမွန်သော အသုံးပြုသူ သုံးသပ်ချက်များ ပြင်ဆင်ရန်) #### ၂.၂ အသိပညာပိုင်ဆိုင်မှုခွင့် [အသိပညာပိုင်ဆိုင်မှုခွင့်](https://legaldictionary.net/informed-consent/) သည် သက်ဆိုင်ရာ အချက်အလက်များနှင့် ရည်ရွယ်ချက်၊ အန္တရာယ်များ၊ နောက်တစ်ဆင့်ရွေးချယ်စရာများအပြည့်အစုံ နားလည်သဘောပေါက်မှုပြု၍ သဘောတူညီခြင်း ဖြစ်သည်။ ဤမှာ စစ်ဆေးရန် မေးခွန်းများမှာ - * အသုံးပြုသူ(ဒေတာပုဂ္ဂိုလ်)သည် ဒေတာမှတ်တမ်းတင်ခြင်းနှင့် အသုံးပြုခြင်းအတွက် သဘောတူပါသလား? * အသုံးပြုသူသည် ဤဒေတာကို ရည်ရွယ်ချက်ဘယ်လို သဘောပေါက်ပါသလား? * အသုံးပြုသူသည် စဉ်လက်ခံခြင်းမှ ဖြစ်ပေါ်နိုင်သည့် အန္တရာယ်များကို နားလည်သလား? #### ၂.၃ မူပိုင်ခွင့် [မူပိုင်ခွင့်](https://en.wikipedia.org/wiki/Intellectual_property) သည် လူ့ စူးစမ်းတီထွင်မှု၏ ရလဒ်များဖြစ်ပြီး ပုဂ္ဂိုလ်များ သို့မဟုတ် လုပ်ငန်းများ အတွက် _စီးပွားရေးတန်ဖိုးရှိနိုင်_ ပါသည်။ စစ်ဆေးရန် မေးခွန်းများမှာ - * စုဆောင်းထားသည့် ဒေတာသည် အသုံးပြုသူ သို့မဟုတ် လုပ်ငန်းအတွက် စီးပွားရေးတန်ဖိုးရှိပါသလား? * ဒီနေရာတွင် **အသုံးပြုသူ** ၏ မူပိုင်ခွင့် ရှိပါသလား? * ဒီနေရာတွင် **အဖွဲ့အစည်း** ၏ မူပိုင်ခွင့် ရှိပါသလား? * ယင်းအခွင့်အရေးများ ရှိပါက ကာကွယ်ထားပုံက ဘယ်လိုလဲ? #### ၂.၄ ဒေတာကိုယ်ရေးလုံခြုံမှု [ဒေတာကိုယ်ရေးလုံခြုံမှု](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) သည် ကိုယ်ရေးကိုယ်တာကိုယ်စားလှယ်အချက်အလက်များအပေါ် အသုံးပြုသူလုံခြုံမှုများနှင့် ကိုယ်ပိုင်မှတ်တမ်းများ ထိန်းသိမ်းထားခြင်း ဖြစ်သည်။ စစ်ဆေးရန် မေးခွန်းများမှာ - * အသုံးပြုသူများ၏ (ကိုယ်ရေးကိုယ်တာ) ဒေတာကို ဟက်ကင်းဆက်ကြိုးများနှင့် တဆက်တည်း ထိခိုက်မှုမှကာကွယ်ထားပါသလား? * အသုံးပြုသူများဒေတာကို သတ်မှတ်ထားသော သုံးစွဲသူများနှင့် လုပ်ငန်းများသာ တင်သွင်းဆက်သွယ်နိုင်ပါသလား? * ဒေတာမျှဝေသည့်အခါ အသုံးပြုသူများ၏ မှတ်မိမိအချက်အလက်ကင်းလွတ်မှုကို ထိန်းသိမ်းထားပါသလား? * အသုံးပြုသူများကို ဒေတာက အမည်လွတ်ကင်းစင်အဖြစ် အသုံးပြုနိုင်ဟု ခွင့်ပြုပါသလား? #### ၂.၅ ပျောက်ဆုံးခြင်း အခွင့်အရေး [ပျောက်ဆုံးခြင်း အခွင့်အရေး](https://en.wikipedia.org/wiki/Right_to_be_forgotten) သို့မဟုတ် [ဖျက်ပစ်ခြင်း အခွင့်အရေး](https://www.gdpreu.org/right-to-be-forgotten/) သည် အသုံးပြုသူများအား ပုဂ္ဂိုလ်ရေး ဒေတာများကို အင်တာနက်ရှာဖွေရေးနှင့်အခြားနေရာများမှ ဖျက်ပစ်ရန် တောင်းဆိုခွင့်ပေးသည်၊ _အထူးသဖြင့်_ သတ်မှတ်ထားသော အခြေအနေများ၌ပင်ဖြစ်သည်။ ထို့ကြောင့် သူတို့၏ အွန်လိုင်းဇာတ်ကောင်ကို ရှေးဟောင်းစွဲချက် မထားဘဲ ဝယ်လိုမှုအသစ်စတင်နိုင်သည်။ စစ်ဆေးရန် မေးခွန်းများမှာ - * စနစ်သည် ဒေတာပုဂ္ဂိုလ်များအား ဖျက်ပစ်မှု တောင်းဆိုခွင့် ပေးသနားပါသလား? * အသုံးပြုသူ သဘောတူညီမှု ထုတ်ယူမှုကို ရုပ်သိမ်းလျှင် အလိုအလျောက် ဖျက်ပစ်မှု စတင်သည့် မဟုတ်သလား? * စည်းမျဉ်းမရှိဘဲ သို့မဟုတ် တရားမဝင်သော နည်းလမ်းများဖြင့် ဒေတာ စုဆောင်းထားသလား? * ဒေတာကိုယ်ရေး လုံခြုံမှုဆိုင်ရာ အစိုးရစည်းမျဉ်းများနှင့် ကိုက်ညီမှုရှိပါသလား? #### ၂.၆ ဒေတာစုစည်းမှု ညစ်ပတ်မှု ဒေတာစုစည်းမှု သို့မဟုတ် [စုဆောင်းမှု ညစ်ပတ်မှု](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) သည် အယ်လဂိုရီသည်ဖွံ့ဖြိုးရေးအတွက် _မတူညီသော_ ဒေတာများရွေးချယ်ခြင်းဖြင့် လူမျိုး၊ လူ့အဖွဲ့အစည်း အမျိုးမျိုး၏ ရလဒ်များတွင် မတရားမှု ဖြစ်ပေါ်လာစေခြင်း ဖြစ်သည်။ ညစ်ပတ်မှုအမျိုးအစားများတွင် ရွေးချယ်မှု/ စမ်းသပ်မှုညစ်ပတ်မှု၊ စေတနာပူဇော်မှုညစ်ပတ်မှု၊ သဘောတူဆင်ခြင်းညစ်ပတ်မှုတို့ ပါဝင်သည်။ စစ်ဆေးရန် မေးခွန်းများမှာ - * ကျွန်ုပ်တို့ သက်ဆိုင်ရာ ဒေတာပုဂ္ဂိုလ်များကို ကိုယ်စားပြုနိုင်အောင် စနစ်တကျ ရှာဖွေခဲ့ပါသလား? * စုဆောင်းထားသော ဒေတာစုစည်းမှုကို သင့်တော်သော ညစ်ပတ်မှုများအတွက် စစ်ဆေးခဲ့ပါသလား? * ရရှိသည့် ညစ်ပတ်မှုများကို လျော့ပါးစေ၊ ဖယ်ရှားနိုင်ပါသလား? #### ၂.၇ ဒေတာအရည်အသွေး [ဒေတာအရည်အသွေး](https://lakefs.io/data-quality-testing/) သည် အယ်လဂိုရီသည် မော်ဒယ်ဖွံ့ဖြိုးရေးအတွက် အသုံးပြုသော ဒေတာစုစည်းမှုသည် တိကျမှုနှင့် တည်ငြိမ်မှုလိုအပ်ချက်များနှင့် ကိုက်ညီမှုရှိ/မရှိကို စစ်ဆေးခြင်း ဖြစ်သည်။ စစ်ဆေးရန် မေးခွန်းများမှာ - * ကျွန်ုပ်တို့၏ သုံးစွဲမှုအတွက် တိကျသော _အင်္ဂါရပ်များ_ ကို စုဆောင်းထားပါသလား? * မတူကွဲပြားသော ဒေတာရင်းမြစ်များမှ ဒေတာကို _ညီညာစွာ_ စုဆောင်းထားပါသလား? * မတူညီသောအခြေအနေများ သို့မဟုတ် အခြေအနေရပ်များအတွက် ဒေတာစုစည်းမှု _ပြည့်စုံ_ ပါသလား? * တကယ့် အခြေအနေများကို မှန်ကန်စွာ ဖော်ပြနိုင်စွမ်းရှိရပါသလား? #### 2.8 အယ်လ်ဂိုရီသမီ တရားမျှတမှု [အယ်လ်ဂိုရီသမီ တရားမျှတမှု](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) သည် အယ်လ်ဂိုရီသမီဒီဇိုင်းသည် ဒေတာအဖွဲ့အချို့ကို စနစ်တကျ မတရားခွဲခြားမှုဖြစ်ပေါ်စေပြီး၊ အရင်းအမြစ်များကို ထိုအဖွဲ့မှ ကန့်သတ်ပယ်ဖျက်ခြင်း (allocation) နှင့် ဝန်ဆောင်မှုအရည်အသွေး (quality of service) တွင် အချို့အဖွဲ့များအတွက် AI က တိကျမှုနည်းခြင်းကြောင့် ဖြစ်ပေါ်နိုင်သော [ဖြစ်နိုင်ချေ ထိခိုက်မှုများ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ရှိမရှိ စစ်ဆေးသည်။ ဒီမှာ စမ်းသပ်မေးမြန်းထောက်လှမ်းဖို့ မေးခွန်းတွေက: * မတူကွဲပြားသော အဖွဲ့အစည်းများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ခဲ့ပြီလား? * စနစ်အတွင်း ဖြစ်နိုင်သော ထိခိုက်မှုများ (ဥပမာ- အထင်ကြီးမြင်ချက်ချမှတ်ခြင်း) ကို စူးစမ်းစစ်ဆေးခဲ့ပြီလား? * ထိခိုက်မှုတွေကို လျော့နည်းစေရန် ဒေတာပြန်ပြင်ခြင်း ဒါမှမဟုတ် မော်ဒယ်ပြန်လေ့ကျင့်ခြင်းနှင့် ပြုလုပ်နိုင်မလား? [AI တရားမျှတမှု စစ်ဆေးစာရွက်စာတမ်းများ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) အစရှိသည့် အရင်းအမြစ်များကို လေ့လာနိုင်ပါသည်။ #### 2.9 ပြန်လည်ဖော်ပြမှု မှားယွင်းခြင်း [ဒေတာ ပြန်လည်ဖော်ပြမှု မှားယွင်းခြင်း](https://www.sciencedirect.com/topics/computer-science/misrepresentation) သည် ရှင်းလင်းတိကျစွာအသိပေးထားသော ဒေတာမှ နက်ရှိုင်းသော အတွေးအခေါ်များကို မမှန်ကန်သောနည်းဖြင့် ဆက်သွယ်ပေးခြင်းဖြင့် ဆန္ဒရှိသော ဇာတ်လမ်းတစ်ပုဒ်ကို ထောက်ပံ့ပေးခြင်းဖြစ်သည်။ ဒီမှာ စမ်းသပ်မေးမြန်းထောက်လှမ်းဖို့ မေးခွန်းတွေက: * ဒေတာအပြည့်အစုံ မခံပြုခြင်း ဒါမှမဟုတ် မမှန်ကန်သော ဒေတာကို စီစစ်ဖော်ပြနေပါသလား? * ဒေတာကို မမှန်ကန်သည့် နိဂုံးချုပ်များထုတ်လုပ်ရန် ရည်ရွယ်၍ မြင်ကွင်းဖော်ပြထားပါသလား? * ရလဒ်များကို ထိန်းချုပ်ရန် သီးသန့် စာရင်းရွေးချယ်မှု နည်းစနစ်များကို အသုံးပြုနေပါသလား? * အခြား နိဂုံးချုပ် လမ်းညွှန်ချက်တစ်ခုရရှိနိုင်သလား? #### 2.10 အခမဲ့ ရွေးချယ်ခွင့် မှားယွင်းမှု [အခမဲ့ ရွေးချယ်ခွင့် မှားယွင်းမှု](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) သည် စနစ်၏ "ရွေးချယ်မှု ဖွဲ့စည်းတည်ဆောက်မှုများ" အား ဆုံးဖြတ်ချက်ချခြင်း အယ်လ်ဂိုရီသမီများဖြင့် လူများကို ကြိုက်နှစ်သက်သည့် ရလဒ်ကို ပြေးဆွဲခိုင်းပေးသည့်အချိန်တွင် ရွေးချယ်ခွင့် နှင့် ထိန်းချုပ်ခွင့်ပေးသည့်အရာမျိုးဖြစ်နေသည့်ထင်မှတ်မှုဖြစ်သည်။ ၎င်း [မီးအိမ်မီးအိမ်ပုံစံများ](https://www.darkpatterns.org/) သည် အသုံးပြုသူများ၏ လူမှုအကျိုးအမြတ်နှင့် စီးပွားရေးထိခိုက်မှု ဖြစ်စေနိုင်သည်။ အသုံးပြုသူ မဲပေးမှုများသည် အပြုအမူပုံစံများကို ထိခိုက်စေသောကြောင့် အနာဂတ် ရွေးချယ်မှုများကို နှိုးဆွနိုင်ပြီး ထိခိုက်မှုများ တိုးပွားစေနိုင်ပါသည်။ ဒီမှာ စမ်းသပ်မေးမြန်းထောက်လှမ်းဖို့ မေးခွန်းတွေက: * အသုံးပြုသူသည် ထိုရွေးချယ်မှုပြုလုပ်ခြင်း၏ အကျိုးဆက်များကို နက်ရှိုင်းစွာ နားလည်ခဲ့ပါသလား? * အသုံးပြုသူသည် (အခြား) ရွေးချယ်မှုများနှင့် ၎င်းတို့၏ အားသာချက်နှင့်အားနည်းချက်တို့ကို သိရှိခဲ့ပါသလား? * အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်းပြန်လည် ရွေးချယ်နိုင်ပါသလား? ### 3. လေ့လာမှုကိစ္စများ ဤ သီအိုရီဆိုင်ရာ စိန်ခေါ်မှုများကို ကမ္ဘာ့အဖြစ်မှန်အခြေအနေများတွင် သဘောပေါက်ရန်၊ တစ်ဦးချင်းနှင့် လူမှုအသိုင်းအဝိုင်းအတွက် ဖြစ်နိုင်သော ထိခိုက်မှုများနှင့် ဆက်ဆံအကျိုးဆက်များကို ဖော်ပြသည့် လေ့လာမှုကိစ္စများကို ကြည့်ရှုသင့်သည်။ အောက်ပါနမူနာအချို့ကို လေ့လာနိုင်ပါသည် - | သီအိုရီ စိန်ခေါ်မှု | လေ့လာမှု ကိစ္စ | |--- |--- | | **သိရှိပြီး သဘောတူမှု** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - သုတေသနအတွင်း ပါဝင်ခဲ့သော အာဖရိကန်အမေရိကန် အမျိုးသားများအား အခမဲ့ ဆေးဘက်ဆိုင်ရာ ကုသမှုကို ကတိပေးခဲ့ပေမယ့် သူတို့၏ ရောဂါရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်း မသိပေးခဲ့သော သုတေသနအဖွဲ့ဝင်များက လိမ်လည်ခြင်းများ ဖြစ်ခဲ့သည်။ သုတေသနသည် ၄၀နှစ်ကြာပြီး လူများ အများအပြား သေဆုံးခဲ့ပြီး မိဘများသို့မဟုတ် ကလေးများ ထိခိုက်ခဲ့သည်။ | | **ဒေတာ ပုဂ္ဂလိကရေးရာ** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) သည် သုတေသနရှင်များအား ၅၀,၀၀၀ သုံးစွဲသူမှ ရထားသော ၁၀ မီလီယံ သီးသန့်ရှင်းလင်းထားသော ရုပ်ရှင် အဆင့်သတ်မှတ်ချက်များ အချက်အလက်များပေးခဲ့သည်။ သို့သော် သုတေသနရှင်များသည် IMDb မှ မိတ်ဆက်ချက်များကဲ့သို့သော ပြင်ပ ဒေတာများနှင့် ပတ်သက်သော ပုဂ္ဂိုလ်တစ်ဦးအရည်အသွေးအချက်အလက်များကို တွဲဖက်ကြည့်ရှုနိုင်ခဲ့ပြီး Netflix စာရင်း၀င်များ၏ မဖော်ပြသော အချက်အလက်များကို ရှာဖွေ ဖော်ထုတ်နိုင်ခဲ့သည်။ | | **စုဆောင်းမှု ခြားနားမှု** | 2013 - Boston မြို့သည် [Street Bump](https://www.boston.gov/transportation/street-bump) application တစ်ခု ဖန်တီးခဲ့ပြီး ပြည်သူများအား လမ်းကြောင်းတွင်ရှိသော ရှစ်ပေါက်များကို ရှာဖွေတင်ပြရန် ခွင့်ပြုသည်။ သို့သော် [နိမ့်နေနည်းသော ဝင်ငွေ အဖွဲ့များမှာ ကားနှင့် ဖုန်းများထိန်းသိမ်းမှု နည်းပါးသောကြောင့်](https://hbr.org/2013/04/the-hidden-biases-in-big-data) ၎င်းတို့၏ လမ်းကြောင်းပြဿနာများသည် ဤ application တွင် မမြင်သာခဲ့သည်။ ဖန်တီးသူများသည် တန်းတူရရှိခွင့်နှင့် ဒစ်ဂျစ်တယ်ဝေါဟာရခွဲခြားမှုဆိုင်ရာပြဿနာများကိုတည်ငြိမ်စေရန် ပညာရှင်များနှင့် ပူးပေါင်း၍ လုပ်ဆောင်ခဲ့သည်။ | | **အယ်လ်ဂိုရီသမီ တရားမျှတမှု** | 2018 - MIT ၏ [Gender Shades Study](http://gendershades.org/overview.html) သည် လိင်ခွဲခြား စိစစ်မှု AI ပစ္စည်းများ၏ တိကျမှုပမာဏ အတွက် အမျိုးသမီးများနှင့် အရောင်အမျိုးသားများအတွက် ကွာခြားချက်များကို ဖော်ထုတ်ခဲ့သည်။ 2019 ခုနှစ်တွင် [Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) တွင် အမျိုးသမီးများအပြင် လူထုအပေါ် အကြွေးပေးမှု နည်းပါးခြင်း ပြသခဲ့သည်။ ၎င်းတို့နှစ်ခုလုံးသည် ဆိုရှယ်-စီးပွားရေးထိခိုက်မှုများကို ဖြစ်ပေါ်စေနိုင်သည့် အယ်လ်ဂိုရီသမီ ဘိုင်ယက်အမှုများကို ဖော်ပြခဲ့သည်။ | | **ဒေတာ ပြန်လည်ဖော်ပြမှု မှားယွင်းခြင်း** | 2020 - [Georgia ပြည်နယ် ပြည်သူ့ကျန်းမာရေးဦးစီးဌာနမှ COVID-19 အချက်အလက်ဇယားများ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ကို ထုတ်ပြန်ခဲ့ပြီး အတည်ပြုထားသော ဖြစ်ရပ်များ၏ လှုပ်ရှားမှုများကို အချိန်ပိုင်း လိုက်ဖက်မှုမရှိပုံစံခုလေးတွင် ပြသ၍ ပြည်သူများအား မလွယ်ကူစေရန် ထင်မြင်မှားယွင်းမှု ဖြစ်စေခဲ့သည်။ ဤကိစ္စသည် မြင်ကွင်းဖော်ပြမှု သြဇာလွှမ်းမိုးမှုများဖြင့် ရုပ်ပုံမှားသည့် ဖော်ပြချက်ကို ပုံဖော်သည်။ | | **အခမဲ့ ရွေးချယ်ခွင့် မှားယွင်းမှု** | 2020 - ABCmouse သင်ယူရေး application သည် [FTC ၏ စွဲချက် တင်မှုကို $10M ဖြင့် ဖြေရှင်းခဲ့](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) အကြောင်းရင်းမှာ မိဘများကို မရပ်တန့်နိုင်သော subscription များအတွက် ငွေပေးချေမှုတွင် ဖမ်းဆီးထားခြင်း ဖြစ်သည်။ ဤကိစ္စသည် အသုံးပြုသူများကို ထိခိုက်နိုင်သော ရွေးချယ်မှုများသို့ နှိုးဆွနိုင်သည့် မီးအိမ်မီးအိမ်ပုံစံများကို ပြသသည်။ | | **ဒေတာ ပုဂ္ဂလိကရေး နှင့် အသုံးပြုသူ အခွင့်အရေးများ** | 2021 - Facebook မှ [ဒေတာလုံခြုံမှု ချို့ယွင်းမှု](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ကြောင့် အသုံးပြုသူ ၅၃၀ မီလီယံဦး၏ ဒေတာတွေဖော်ထုတ်လွှင့်ခြင်းနှင့် FTC သို့ $5B ငွေပေးချေမှု လုပ်ခဲ့သည်။ သို့သော် အသုံးပြုသူများအား ထိခိုက်မှုအကြောင်း အကြောင်းကြားပေးရန် ငြင်းဆန်ခဲ့ပြီး ဒေတာ ပျက်စီးမှုသတင်းပေးခြင်းနှင့် ဝင်ရောက်ကြည့်ရှုခွင့်များကို ပြဌာန်းထားသော အသုံးပြုသူ အခွင့်အရေးများကို ချိုးဖောက်ခဲ့သည်။ | နောက်ထပ် လေ့လာမှုကိစ္စများ စူးစမ်းလိုပါသလား? အောက်ပါ အရင်းအမြစ်များကို ကြည့်ရှုပါ - * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ကဏ္ဍအမျိုးမျိုးရှိ သီအိုရီဆိုင်ရာ စိန်ခေါ်မှုများ။ * [ဒေတာသိပ္ပံ သီအိုရီသင်တန်း](https://www.coursera.org/learn/data-science-ethics#syllabus) - ထင်ရှားသော လေ့လာမှုကိစ္စများ။ * [အမှားများဖြစ်ပွားခဲ့ရာနေရာများ](https://deon.drivendata.org/examples/) - deon စစ်ဆေးစာရင်းနမူနာများ။ > 🚨 ကြည့်ပြီးသား လေ့လာမှုကိစ္စများအကြောင်း တွေးကြည့်ပါ - သငျတို့ဘဝတွင် ထိုသီအိုရီဆိုင်ရာ စိန်ခေါ်မှုနှင့် ဆက်နွယ်နေရပါသလား၊ သင်တစ်လောကတ် သီအိုရီ စိန်ခေါ်မှုမှတ်သားစရာ ကိစ္စတစ်ခုခု စဉ်းစားနိုင်ပါသလား? ## တပ်ဆင်အသုံးချသည့် သီအိုရီများ ကျွန်ုပ်တို့သည် သီအိုရီအကြောင်း၊ စိန်ခေါ်မှုများ၊ နှင့် ကမ္ဘာ့အခြေအနေများတွင် လေ့လာမှုကိစ္စများကို ဆွေးနွေးခဲ့ပြီး ဖြစ်ပါသည်။ ဒါပေမယ့် ကျွန်တော်တို့၏ ပရောဂျက်များတွင် သီအိုရီဆိုင်ရာ 원칙များနှင့် လုပ်ထုံးလုပ်နည်းများကို မည်သို့ _အသုံးချ_ ပေးမည်နည်း? လုပ်ထုံးလုပ်နည်းများကို မည်သို့ _အဆင့်ဆင့်_ အကောင်အထည်ဖော်မည်နည်း? လက်တွေ့ ကမ္ဘာတွင် ဖြေရှင်းနည်း တချို့ကို စူးစမ်းကြည့်ကြစို့။ ### 1. ပရော်ဖက်ရှင်နယ် ကုဒ်များ ပရော်ဖက်ရှင်နယ် ကုဒ်များသည် အဖွဲ့အစည်းများအတွက် အဖွဲ့ဝင်များအား ၎င်းတို့၏ သီအိုရီ 원칙နှင့် မစ်ရှင် ထောက်ခံရန် "အားပေးခြင်း" ရင်းမြစ်တစ်ခုအဖြစ် လှုံ့ဆော်မှုဖြစ်စေသည်။ ကုဒ်များသည် ပရော်ဖက်ရှင်နယ် အပြုအမူရှိမှုအတွက် _စိတ်ပိုင်းဆိုင်ရာ လမ်းညွှန်ချက်_ ဖြစ်ပြီး အဖွဲ့ဝင်များ သို့မဟုတ် အလုပ်သမားများကို ၎င်းတို့၏ အဖွဲ့အစည်း 원칙နှင့် ကိုက်ညီသော ဆုံးဖြတ်ချက်များ ချရန် ကူညီပေးသည်။ ဤက ပြုမူခြင်းသည် အဖွဲ့ဝင်များ၏ စေတနာပြုလိုတတ်ခြင်းပမာဏပေါ် တင်ပြီး၊ ဂရုတစိုက် လုပ်ဆောင်ရန် အဖွဲ့အစည်းအများစုသည် ဆုလိမ်လိမ်မျိုးများ နှင့် ပြစ်ဒဏ်များပေးနိင်သည့် လမ်းများကို ပံ့ပိုးပေးသည်။ နမူနာများမှာ - * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) သီအိုရီကုဒ် * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) လုပ်ထုံးလုပ်နည်း ကုဒ် (၂၀၁၃ ခုနှစ်တွင် ဖန်တီးခဲ့သည်) * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (၁၉၉၃ ခုနှစ်မှစ၍) > 🚨 သင်သည် ပရော်ဖက်ရှင်နယ် အင်ဂျင်နီယာ သို့မဟုတ် ဒေတာ သိပ္ပံ အဖွဲ့အစည်းကို က်သူဝင်ပါသလား? ၎င်းတို့၏ ဆိုက်တွင် သွားပြီး ပရော်ဖက်ရှင်နယ် သီအိုရီကုဒ် ရှိ/မရှိ စစ်ဆေးပြီး ၎င်းတို့၏ သီအိုရီ 원칙များကို ဘာလဲဆိုတာ ကြည့်ရှုပါ။ အဖွဲ့ဝင်များကို ဤကုဒ်လိုက်နာရန် မည်သို့ "အားပေး" ဂရုစိုက်လဲ? ### 2. သီအိုရီ စစ်ဆေးစာရင်းများ ပရော်ဖက်ရှင်နယ် ကုဒ်များသည် လုပ်ငန်းရှင်များမှ လိုအပ်သော _သီအိုရီဆိုင်ရာ အပြုအမူ_ ကို သတ်မှတ်ပေးသော်လည်း [သိထားသော အားနည်းချက်များရှိသည်](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)၊ အထူးသဖြင့် အကြီးစား ပရောဂျက်များတွင် အကောင်အထည်ဖော်ဆောင်ရွက်ခြင်းတွင် အခက်အခဲများ ဖြစ်ပေါ်နိုင်သည့်အတွက်၊ ဒေတာသိပ္ပံ ကျွမ်းကျင်သူများစွာသည် [စစ်ဆေးစာရင်းများကို ကောင်းမွန်စွာ ထောက်ခံကြသည်](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md)၊ ၎င်းတို့သည် 원칙များနှင့် လုပ်ထုံးလုပ်နည်းများကို ပိုမို သိသာထင်ရှားပြီး အကောင်အထည်ဖော်နိုင်သော နည်းလမ်းများဖြင့် ချိတ်ဆက်ပေးပါသည်။ စစ်ဆေးစာရင်းများသည် မေးခွန်းများအား "ဟုတ်/မဟုတ်" လုပ်ဆောင်ရန် အလုပ်များသို့ ပြောင်းလဲပေး၍၊ မူတည်သော ထုတ်ကုန်ထုတ် လုပ်ငန်းစဉ်များတွင် ချည်းကြပ် ထိန်းသိမ်းနိုင်သည်။ နမူနာများမှာ - * [Deon](https://deon.drivendata.org/) - စက်မှုလုပ်ငန်းအကြံပြုချက်များမှ ဖန်တီးထားသော သုံးစွဲသူရပ်တည်နိုင်သော ဒေတာ သီအိုရီ စစ်ဆေးစာရင်းဖြစ်ကာ command-line ကိရိယာဖြင့် ပေါင်းစည်းခြင်းဖြစ်သည်။ * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - တရားဝင်နှင့် လူမှုကာကွယ်မှု ရှုမြင်ချက်များအရ သတင်းအချက်အလက် ကိုင်တွယ်မှု လုပ်ရပ်များအတွက် လမ်းညွှန်ချက်များပေးသည်။ * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ဖန်တီးသူများမှ AI ဖွံ့ဖြိုးတိုးတက်မှု ချိတ်ဆက်မည့် လုပ်ငန်းစဉ်များတွင် တရားမျှတမှုစစ်ဆေးခြင်းတို့ကို ထောက်ခံရန် ဖန်တီးခဲ့သည်။ * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ပိုမို ဖွင့်လင်းသော ဖရိမ်ဝွပ်ဖြစ်ပြီး ဒီဇိုင်း၊ အကောင်အထည် ဖော်ခြင်း၊ နှင့် အဖွဲ့အစည်း အခြေအနေများအတွက် သီအိုရီဆိုင်ရာ ကိစ္စများ စတင် စူးစမ်းရန် ဖွဲ့စည်းပုံရှိသည်။ ### 3. သီအိုရီ စည်းမျဉ်းများ သီအိုရီသည် လူတွေသဘောတူခဲ့သည့် တန်ဖိုးများကို သတ်မှတ်ခြင်းနှင့် ရိုးသားစွာ လုပ်ကိုင်ခြင်းဖြစ်သည်။ **လိုက်နာမှု** သည် သတ်မှတ်ထားသော ဥပဒေကို အကောင်အထည်ဖော်ခြင်း ဖြစ်သည်။ **အုပ်ချုပ်မှု** သည် သီအိုရီ 원칙များကို တင်းကြပ်စွာအကောင်အထည်ဖော်ခြင်းနှင့် သတ်မှတ်ထားသော ဥပဒေများနှင့် ကိုက်ညီစွာ လုပ်ဆောင်ခြင်း အားလုံးကို ဖွင့်ပြသည်။ ယနေ့တွင် အဖွဲ့အစည်းများတွင် အုပ်ချုပ်မှုကို နှစ်မျိုးအနေနှင့် ကြည့်နိုင်သည်။ ပထမတစ်ခုမှာ AI နှင့် ပတ်သက်သော အလုပ်များအားလုံးအတွင်း သီအိုရီဆိုင်ရာ AI 원칙များကို သတ်မှတ်ပြီး အကောင်အထည်ဖော်ရန် လုပ်ထုံးလုပ်နည်းများကို တည်ဆောက်ခြင်းဖြစ်သည်။ ဒုတိယတစ်ခုမှာ ၎င်းတို့ လုပ်ကိုင်သော ဒေသများအတွက် အစိုးရမှပိုင်းခွဲထားသည့် **ဒေတာကာကွယ်ရေး စည်းမျဉ်းများ**ကို လိုက်နာခြင်းဖြစ်သည်။ ဒေတာ ကာကွယ်ရေးနှင့် ပုဂ္ဂလိကရေး စည်းမျဉ်းဥပဒေ များ၏ နမူနာများ - * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ရုံးအဆောက်အအုံ ကုန်အမှတ်အသား ချမှတ်ချက်ဆိုင်ရာ_ ပုဂ္ဂိုလ်ရေးအချက်အလက် စုဆောင်းခြင်း၊ အသုံးပြုခြင်းနှင့် ထုတ်ပြန်ခြင်းကို ထိန်းချုပ်သည်။ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ပုဂ္ဂိုလိက ကျန်းမာရေးဒေတာကို ကာကွယ်ပေးသည်။ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - အသက် ၁၃ နှစ်အောက် ကလေးများ၏ ဒေတာ ပုဂ္ဂလိကရေးကို ကာကွယ်သည်။ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - အသုံးပြုသူ အခွင့်အရေးများ၊ ဒေတာကာကွယ်ရေးနှင့် ပုဂ္ဂလိကရေးကို ပံ့ပိုးပေးသည်။ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) သည် အသုံးပြုသူများအား ၎င်းတို့၏ (ပုဂ္ဂလိက) ဒေတာအပေါ် ပိုမိုသော _အခွင့်အရေး_ များပေးသည်။ * `2021`, တရုတ်နိုင်ငံ၏ [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) သည် မြောက်တောင်တန်းတွင် အင်တာနက် ဒေတာပုဂ္ဂလိကရေး စည်းမျဉ်းများအတွက် အကြီးမားဆုံး စည်းမျဉ်းဆိုင်ရာ ဥပဒေတစ်ရပ်ဖြစ်သည်။ > 🚨 ဥရောပသမဂ္ဂသည် ကနဦးသတ်မှတ်ထားသည့် GDPR (General Data Protection Regulation) သည် ယနေ့တိုင် ဒေတာ ပုဂ္ဂလိကရေး စည်းမျဉ်းများအနက် အတော်ဆုံး လှုံ့ဆော်မှု ရှိသေးသည်။ ထို GDPR သည် တိကျစွာ [အသုံးပြုသူ အခွင့်အရေး ၈ ချက်](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ကို ချရေးထားသည်ကို သင်သိပါသလား? ၎င်းတို့ဘာတွေလဲ၊ ဘာကြောင့် အရေးကြီးသလဲဆိုတာကို လေ့လာပါ။ ### 4. သီအိုရီ ယဉ်ကျေးမှု _လိုက်နာမှု_ (ဥပဒေ၏ စာကြောင်းအတိုင်း လိုက်နာခြင်း) နှင့် [စနစ်တကျ ထိခိုက်မှုများ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ဥပမာ - အဆင့်မတိုးမှု၊ သတင်းအချက်အလက် လုံလုံခြုံခြုံ မမျှတခြင်း၊ နှင့် ချှဲခွဲဝေဖန်မှု မျှတမှု မရှိခြင်း) ကြားတွင် မထင်ရှားသော ချောမွေ့ချက်တစ်ခု ရှိနေလေသည်။ ၎င်းတို့သည် AI ကိုလက်နက်သုံးခြင်းကို အရှိန်အဟုန်မြှင့်လျက်ရှိစေနိုင်သည်။ နောက်ဆက်တွဲ အချက်မှာ [သီအိုရီ ယဉ်ကျေးမှုများ ဖန်တီးရေး တက်ကြွ ပူးပေါင်းဆောင်ရွက်မှုများ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f)ဖြစ်ပြီး အဖွဲ့အစည်းအတွင်းအရသာမရှိသော စိတ်ဓာတ်ချိတ်ဆက်မှုများ နှင့် တူညီညီသော တန်ဖိုးများ မျှဝေရန် လိုအပ်သည်။ ၎င်းသည် အဖွဲ့အစည်းများတွင် ပို၍ တရားဝင် များသော ဒေတာသီအိုရီ ယဉ်ကျေးမှုများ ဖန်တီးရန် လိုအပ်သည် [formalizing an ethical data culture](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) - လူတိုင်းကို [Andon ဖောင်းကြိုး](https://en.wikipedia.org/wiki/Andon_(manufacturing)) ကို ဆွဲရန် (သီအိုရီ လုပ်ထုံးလုပ်နည်းများ အကြောင်း စောင့်ကြည့်ထုတ်ဖော်ရန်) ခွင့်ပြုခြင်း၊ နှင့် AI ပရောဂျက်များတွင် ဆူညံခံရသူ ရွေးချယ်ရန် သီအိုရီဆိုင်ရာ သုံးသပ်မှုများ (ဥပမာ- အလုပ်ခန့်ခွင့်အခါ)ကို အဓိက သတ်မှတ်ခြင်းဖြစ်သည်။ --- ## [စာမေးပွဲပြီးဆော့မည်](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯 ## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု သီအိုရီတွင် အဓိက အကြောင်းအရာများနှင့် စိန်ခေါ်မှုများကို သဘောပေါက်ရန် သင်တန်းများနှင့် စာအုပ်များကူညီပေးပြီး၊ ကမ္ဘာ့လက်တွေ့အခြေအနေများတွင် သီအိုရီဆိုင်ရာ လုပ်ထုံးလုပ်နည်းများကို လေ့လာရန် သင်ယူမှုကိစ္စများနှင့် ကိရိယာများကူညီပေးပါသည်။ အစမှစပြီး လေ့လာစရာ အရင်းအမြစ်အချို့မှာ - * [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft မှ တရားမျှတမှု အပေါ် သင်ခန်းစာ။ * [တာဝန်ရှိသော AI ၏ စည်းကမ်းချက်များ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn မှ အခမဲ့ သင်ယူရန်လမ်းကြောင်း။ * [ကျင့်ဝတ်နှင့် ဒေတာသိပ္ပံ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly အီးဘုတ် (M. Loukides, H. Mason et. al) * [ဒေတာသိပ္ပံကျင့်ဝတ်](https://www.coursera.org/learn/data-science-ethics#syllabus) - University of Michigan မှ အွန်လိုင်း သင်တန်း။ * [ကျင့်ဝတ် မဖုံးကွယ်ထားသော](https://ethicsunwrapped.utexas.edu/case-studies) - University of Texas ၏ အမှုလေ့လာမှုများ။ # အပ်ငြမ်းမတ် [ဒေတာကျင့်ဝတ် အမှုလေ့လာမှု တစ်ခု ရေးပါ](assignment.md) --- **ပြောကြားချက်** ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။