Translation for chunk 1 of 'README.md' skipped due to timeout.
 * വിവരങ്ങൾ യാഥാർത്ഥ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നതിൽ _സത്യസന്ധമായി_ പിടിച്ചെടുത്തിട്ടുണ്ടോ?

#### 2.8 ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം

[ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) പരിശോധിക്കുന്നത് ആൽഗോരിതം രൂപകൽപ്പന പ്രത്യേക ഡാറ്റാ സബ്ഗ്രൂപ്പുകളെ വ്യത്യസ്തമായി വേർതിരിക്കുന്നുണ്ടോ എന്ന് കാണാനാണ്, ഇത് _വിഭജനം_ (ആ ഗ്രൂപ്പിൽ നിന്നുള്ള വിഭവങ്ങൾ നിഷേധിക്കപ്പെടുകയോ തടയപ്പെടുകയോ ചെയ്യുന്നത്) കൂടാതെ _സേവന ഗുണമേന്മ_ (കുറഞ്ഞ ചില സബ്ഗ്രൂപ്പുകൾക്ക് AI മറ്റുള്ളവരെക്കാൾ കൃത്യമായില്ല) എന്നിവയിൽ [സാധ്യമായ ഹാനികൾ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ഉണ്ടാക്കുന്നു.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
 * വ്യത്യസ്ത സബ്ഗ്രൂപ്പുകൾക്കും സാഹചര്യങ്ങൾക്കും മോഡൽ കൃത്യത ഞങ്ങൾ വിലയിരുത്തിയോ?
 * സിസ്റ്റത്തിൽ സാധ്യതയുള്ള ഹാനികൾ (ഉദാ: സ്റ്റീരിയോടൈപ്പിംഗ്) പരിശോധിച്ചോ?
 * തിരിച്ചറിയപ്പെട്ട ഹാനികൾ കുറയ്ക്കാൻ ഡാറ്റ തിരുത്തുകയോ മോഡലുകൾ പുനരുപയോഗം ചെയ്യുകയോ ചെയ്യാമോ?

കൂടുതൽ അറിയാൻ [AI നീതിമാന്മാർഗ്ഗ ചെക്ക്ലിസ്റ്റുകൾ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) പോലുള്ള വിഭവങ്ങൾ പരിശോധിക്കുക.

#### 2.9 തെറ്റായ പ്രതിനിധാനം

[ഡാറ്റ തെറ്റായ പ്രതിനിധാനം](https://www.sciencedirect.com/topics/computer-science/misrepresentation) എന്നത് നമുക്ക് സത്യസന്ധമായി റിപ്പോർട്ട് ചെയ്ത ഡാറ്റയിൽ നിന്നുള്ള洞察ങ്ങൾ വഞ്ചനാപരമായി പ്രദർശിപ്പിച്ച് ഒരു ആഗ്രഹിച്ച നാരേറ്റീവ് പിന്തുണയ്ക്കുന്നുണ്ടോ എന്ന് ചോദിക്കുന്നതാണ്.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
 * നാം അപൂർണ്ണമോ തെറ്റായോ ഡാറ്റ റിപ്പോർട്ട് ചെയ്യുകയാണോ?
 * തെറ്റിദ്ധരിപ്പിക്കുന്ന നിഗമനങ്ങൾ സൃഷ്ടിക്കുന്ന രീതിയിൽ ഡാറ്റ ദൃശ്യവൽക്കരിക്കുകയാണോ?
 * ഫലങ്ങൾ നിയന്ത്രിക്കാൻ തിരഞ്ഞെടുക്കപ്പെട്ട സാംഖ്യിക സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുകയാണോ?
 * വ്യത്യസ്ത നിഗമനങ്ങൾ നൽകുന്ന മറ്റ് വ്യാഖ്യാനങ്ങൾ ഉണ്ടോ?

#### 2.10 സ്വതന്ത്ര തിരഞ്ഞെടുപ്പ്
[സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) സംഭവിക്കുന്നത് സിസ്റ്റം "തിരഞ്ഞെടുപ്പ് ഘടനകൾ" തീരുമാനമെടുക്കൽ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ആളുകളെ ഒരു ഇഷ്ടപ്പെട്ട ഫലത്തിലേക്ക് നയിക്കുമ്പോൾ അവർക്ക് ഓപ്ഷനുകളും നിയന്ത്രണവും നൽകുന്ന പോലെ തോന്നിക്കുന്നതാണ്. ഈ [ഡാർക്ക് പാറ്റേണുകൾ](https://www.darkpatterns.org/) ഉപയോക്താക്കൾക്ക് സാമൂഹിക-ആര്ത്ഥിക ഹാനി ഉണ്ടാക്കാം. ഉപയോക്തൃ തീരുമാനങ്ങൾ പെരുമാറ്റ പ്രൊഫൈലുകളെ ബാധിക്കുന്നതിനാൽ, ഈ പ്രവർത്തനങ്ങൾ ഭാവിയിലെ തിരഞ്ഞെടുപ്പുകൾക്ക് പ്രേരകമാകുകയും ഹാനികൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യാം.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:
 * ആ തിരഞ്ഞെടുപ്പ് ചെയ്യുന്നതിന്റെ ഫലങ്ങൾ ഉപയോക്താവ് മനസ്സിലാക്കിയിരുന്നോ?
 * ഉപയോക്താവ് (മറ്റു) തിരഞ്ഞെടുപ്പുകളും അവയുടെ ഗുണദോഷങ്ങളും അറിയാമോ?
 * ഉപയോക്താവ് പിന്നീട് സ്വയംമാറ്റം ചെയ്യാനോ സ്വയം നിയന്ത്രിക്കാനോ കഴിയുമോ?

### 3. കേസ്സ് സ്റ്റഡികൾ

ഈ നൈതിക വെല്ലുവിളികൾ യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിൽ എങ്ങനെ പ്രതിഫലിക്കുന്നു എന്ന് കാണാൻ, വ്യക്തികൾക്കും സമൂഹത്തിനും സംഭവിക്കുന്ന ഹാനികളും ഫലങ്ങളും വ്യക്തമാക്കുന്ന കേസ്സ് സ്റ്റഡികൾ സഹായിക്കുന്നു.

ചില ഉദാഹരണങ്ങൾ:

| നൈതിക വെല്ലുവിളി | കേസ്സ് സ്റ്റഡി  | 
|--- |--- |
| **അറിയിപ്പോടെ സമ്മതം** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - പഠനത്തിൽ പങ്കെടുത്ത ആഫ്രിക്കൻ അമേരിക്കൻ പുരുഷന്മാർക്ക് സൗജന്യ മെഡിക്കൽ പരിചരണം വാഗ്ദാനം ചെയ്തിരുന്നെങ്കിലും, രോഗനിർണയം അല്ലെങ്കിൽ ചികിത്സ ലഭ്യതയെക്കുറിച്ച് അറിയിക്കാതെ ഗവേഷകർ വഞ്ചിച്ചു. പലർ മരിച്ചു, പങ്കാളികൾക്കും കുട്ടികൾക്കും ബാധിച്ചു; പഠനം 40 വർഷം നീണ്ടു. | 
| **ഡാറ്റാ സ്വകാര്യത** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) 50,000 ഉപഭോക്താക്കളിൽ നിന്നുള്ള _10M അനോണിമൈസ്ഡ് മൂവി റാങ്കിംഗുകൾ_ ഗവേഷകർക്ക് നൽകി ശുപാർശ ആൽഗോരിതങ്ങൾ മെച്ചപ്പെടുത്താൻ സഹായിച്ചു. എന്നാൽ, ഗവേഷകർ അനോണിമൈസ്ഡ് ഡാറ്റയെ വ്യക്തിഗതമായി തിരിച്ചറിയാവുന്ന ഡാറ്റയുമായി (ഉദാ: IMDb കമന്റുകൾ) ബന്ധിപ്പിച്ച് ചില Netflix ഉപഭോക്താക്കളെ "ഡീ-അനോണിമൈസ്" ചെയ്തു.|
| **സംഗ്രഹണ പാകം** | 2013 - ബോസ്റ്റൺ നഗരം [Street Bump](https://www.boston.gov/transportation/street-bump) എന്ന ആപ്പ് വികസിപ്പിച്ചു, പാതയിലെ പാളങ്ങൾ റിപ്പോർട്ട് ചെയ്യാൻ പൗരന്മാർക്ക് അനുവദിച്ചു, നഗരത്തിന് റോഡുകളുടെ മെച്ചപ്പെടുത്തലിന് മികച്ച ഡാറ്റ ലഭിച്ചു. എന്നാൽ, [കുറഞ്ഞ വരുമാനമുള്ളവർക്ക് കാറുകളും ഫോണുകളും കുറവായിരുന്നു](https://hbr.org/2013/04/the-hidden-biases-in-big-data), അവരുടെ റോഡ് പ്രശ്നങ്ങൾ ആ ആപ്പിൽ കാണാനാകാതെ പോയി. വികസിപ്പിച്ചവർ അക്കാദമികരുമായി ചേർന്ന് _സമതുല്യ ആക്‌സസ്_ പ്രശ്നങ്ങളും ഡിജിറ്റൽ വിഭജനം പരിഹരിക്കാൻ പ്രവർത്തിച്ചു. |
| **ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ലിംഗ തിരിച്ചറിയൽ AI ഉൽപ്പന്നങ്ങളുടെ കൃത്യത വിലയിരുത്തി, സ്ത്രീകൾക്കും വർണ്ണജാതി വ്യക്തികൾക്കും കൃത്യതയിൽ വ്യത്യാസങ്ങൾ കണ്ടെത്തി. 2019-ലെ [Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) സ്ത്രീകൾക്ക് പുരുഷന്മാരേക്കാൾ കുറവ് ക്രെഡിറ്റ് നൽകുന്നതായി തോന്നി. ഇരുവരും ആൽഗോരിതം പാകം മൂലം സാമൂഹ്യ-ആര്ത്ഥിക ഹാനികൾ ഉണ്ടാകുന്നതിന്റെ ഉദാഹരണങ്ങൾ.|
| **ഡാറ്റ തെറ്റായ പ്രതിനിധാനം** | 2020 - [ജോർജിയ പബ്ലിക് ഹെൽത്ത് വകുപ്പ് COVID-19 ചാർട്ടുകൾ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) പുറത്തിറക്കി, സ്ഥിരീകരിച്ച കേസുകളുടെ പ്രവണതയെക്കുറിച്ച് പൗരന്മാരെ തെറ്റിദ്ധരിപ്പിക്കുന്നതായി തോന്നി, x-അക്ഷത്തിൽ ക്രമരഹിതമായ ഓർഡറിംഗ് ഉപയോഗിച്ചു. ഇത് ദൃശ്യവൽക്കരണ തന്ത്രങ്ങളിലൂടെ തെറ്റായ പ്രതിനിധാനത്തിന്റെ ഉദാഹരണമാണ്. |
| **സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം** | 2020 - പഠന ആപ്പ് [ABCmouse FTC പരാതിയിൽ $10M തീർപ്പു](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) നൽകി, രക്ഷിതാക്കൾക്ക് റദ്ദാക്കാനാകാത്ത സബ്സ്ക്രിപ്ഷനുകൾക്ക് പണം നൽകേണ്ടി വന്നു. ഇത് തിരഞ്ഞെടുപ്പ് ഘടനകളിലെ ഡാർക്ക് പാറ്റേണുകളുടെ ഉദാഹരണമാണ്, ഉപയോക്താക്കളെ ഹാനികരമായ തിരഞ്ഞെടുപ്പുകളിലേക്ക് നയിക്കുന്നു. |
| **ഡാറ്റാ സ്വകാര്യത & ഉപയോക്തൃ അവകാശങ്ങൾ** | 2021 - Facebook [ഡാറ്റാ ലംഘനം](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530M ഉപയോക്താക്കളുടെ ഡാറ്റ പുറത്തുവിട്ടു, FTC-യുമായി $5B തീർപ്പ് ഉണ്ടായി. എന്നാൽ, ലംഘനത്തെക്കുറിച്ച് ഉപയോക്താക്കളെ അറിയിക്കാൻ Facebook തള്ളിപ്പറഞ്ഞു, ഡാറ്റാ പരദർശിത്വവും ആക്‌സസും സംബന്ധിച്ച ഉപയോക്തൃ അവകാശങ്ങൾ ലംഘിച്ചു. |

കൂടുതൽ കേസ്സ് സ്റ്റഡികൾ അന്വേഷിക്കണോ? ഈ വിഭവങ്ങൾ പരിശോധിക്കുക:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - വ്യത്യസ്ത വ്യവസായങ്ങളിലെ നൈതിക പ്രശ്നങ്ങൾ.
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - പ്രധാനപ്പെട്ട കേസ്സ് സ്റ്റഡികൾ.
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon ചെക്ക്ലിസ്റ്റ് ഉദാഹരണങ്ങളോടെ.

> 🚨 നിങ്ങൾ കണ്ട കേസ്സ് സ്റ്റഡികൾക്കുറിച്ച് ചിന്തിക്കുക - നിങ്ങൾ ജീവിതത്തിൽ സമാനമായ നൈതിക വെല്ലുവിളി അനുഭവിച്ചിട്ടുണ്ടോ? ഈ വിഭാഗത്തിൽ ചർച്ച ചെയ്ത നൈതിക വെല്ലുവിളികളിൽ ഒന്നിനെ പ്രതിപാദിക്കുന്ന മറ്റൊരു കേസ്സ് സ്റ്റഡി നിങ്ങൾക്ക് ഓർക്കാമോ?

## പ്രയോഗാത്മക നൈതികത

നാം നൈതിക ആശയങ്ങൾ, വെല്ലുവിളികൾ, യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ കേസ്സ് സ്റ്റഡികൾ ചർച്ച ചെയ്തു. എന്നാൽ നമുക്ക് എങ്ങനെ നൈതിക സിദ്ധാന്തങ്ങളും പ്രയോഗങ്ങളും നമ്മുടെ പ്രോജക്ടുകളിൽ _പ്രയോഗിക്കാം_? മികച്ച ഭരണത്തിനായി ഈ പ്രയോഗങ്ങൾ എങ്ങനെ _പ്രവർത്തനക്ഷമമാക്കാം_? യാഥാർത്ഥ്യ പരിഹാരങ്ങൾ പരിശോധിക്കാം:

### 1. പ്രൊഫഷണൽ കോഡുകൾ

പ്രൊഫഷണൽ കോഡുകൾ സംഘടനകൾക്ക് അംഗങ്ങളെ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളും ദൗത്യം പ്രസ്താവനയും പിന്തുണയ്ക്കാൻ "പ്രേരിപ്പിക്കാൻ" ഒരു മാർഗമാണ്. കോഡുകൾ പ്രൊഫഷണൽ പെരുമാറ്റത്തിനുള്ള _നൈതിക മാർഗ്ഗനിർദ്ദേശങ്ങളാണ്_, ജീവനക്കാർക്ക് അല്ലെങ്കിൽ അംഗങ്ങൾക്ക് അവരുടെ സംഘടനയുടെ സിദ്ധാന്തങ്ങളുമായി പൊരുത്തപ്പെടുന്ന തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു. അംഗങ്ങളുടെ സ്വമേധയാ അനുസരണമാണ് ഇവയുടെ ഗുണമേന്മ; എന്നാൽ, പല സംഘടനകളും അംഗങ്ങളെ പ്രേരിപ്പിക്കാൻ അധിക ബഹുമതികളും ശിക്ഷകളും നൽകുന്നു.

ഉദാഹരണങ്ങൾ:

 * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) നൈതിക കോഡ്
 * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) പെരുമാറ്റ കോഡ് (2013-ൽ സൃഷ്ടിച്ചത്)
 * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 മുതൽ)

> 🚨 നിങ്ങൾ പ്രൊഫഷണൽ എഞ്ചിനീയറിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ സയൻസ് സംഘടനയുടെ അംഗമാണോ? അവരുടെ സൈറ്റ് പരിശോധിച്ച് അവർ പ്രൊഫഷണൽ നൈതിക കോഡ് നിർവചിച്ചിട്ടുണ്ടോ എന്ന് നോക്കൂ. അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളെക്കുറിച്ച് ഇത് എന്ത് പറയുന്നു? അംഗങ്ങളെ കോഡ് പാലിക്കാൻ അവർ എങ്ങനെ "പ്രേരിപ്പിക്കുന്നു"?

### 2. നൈതിക ചെക്ക്ലിസ്റ്റുകൾ

പ്രൊഫഷണൽ കോഡുകൾ പ്രയോഗകരിൽ നിന്നുള്ള ആവശ്യമായ _നൈതിക പെരുമാറ്റം_ നിർവചിക്കുന്നുവെങ്കിലും, വലിയ പ്രോജക്ടുകളിൽ [അവയ്ക്ക് പരിധികൾ അറിയപ്പെടുന്നു](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). പകരം, പല ഡാറ്റാ സയൻസ് വിദഗ്ധരും [ചെക്ക്ലിസ്റ്റുകൾ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) പ്രോത്സാഹിപ്പിക്കുന്നു, അവ **സിദ്ധാന്തങ്ങളെ പ്രയോഗങ്ങളുമായി ബന്ധിപ്പിക്കുന്നു** കൂടുതൽ നിർണായകവും പ്രായോഗികവുമായ രീതിയിൽ.

ചെക്ക്ലിസ്റ്റുകൾ ചോദ്യങ്ങളെ "അതെ/ഇല്ല" പ്രവർത്തനങ്ങളായി മാറ്റുന്നു, ഇത് സാധാരണ ഉൽപ്പന്ന റിലീസ് പ്രവൃത്തികളിൽ ട്രാക്ക് ചെയ്യാൻ കഴിയും.

ഉദാഹരണങ്ങൾ:
 * [Deon](https://deon.drivendata.org/) - വ്യവസായ ശുപാർശകളിൽ നിന്നുള്ള [സാമാന്യ ഡാറ്റാ നൈതിക ചെക്ക്ലിസ്റ്റ്](https://deon.drivendata.org/#checklist-citations) സൃഷ്ടിച്ച കമാൻഡ്-ലൈൻ ടൂൾ.
 * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - നിയമപരവും സാമൂഹ്യപരവുമായ വിവര കൈകാര്യം മാർഗ്ഗനിർദ്ദേശങ്ങൾ.
 * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI വികസന ചക്രങ്ങളിൽ നീതിമാന്മാർഗ്ഗ പരിശോധനകൾ ഉൾപ്പെടുത്താൻ AI പ്രയോഗകർ സൃഷ്ടിച്ചത്.
 * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - കൂടുതൽ തുറന്ന ഘടന, രൂപകൽപ്പന, നടപ്പാക്കൽ, സംഘടനാ സാഹചര്യങ്ങളിൽ നൈതിക പ്രശ്നങ്ങൾ ആദ്യമായി പരിശോധിക്കാൻ.

### 3. നൈതിക നിയമങ്ങൾ

നൈതികത എന്നത് പങ്കുവെക്കുന്ന മൂല്യങ്ങൾ നിർവചിച്ച് ശരിയായത് സ്വമേധയാ ചെയ്യുന്നതാണ്. **അനുസരണം** എന്നാൽ നിയമം പാലിക്കുന്നതും അതിന്റെ പരിധിയിൽ പ്രവർത്തിക്കുന്നതുമാണ്. **ഭരണസംവിധാനം** സംഘടനകൾ നൈതിക സിദ്ധാന്തങ്ങൾ നടപ്പിലാക്കാനും നിയമങ്ങൾ പാലിക്കാനും ഉപയോഗിക്കുന്ന എല്ലാ മാർഗ്ഗങ്ങളും ഉൾക്കൊള്ളുന്നു.

ഇന്ന്, ഭരണസംവിധാനം രണ്ട് രൂപത്തിലാണ്. ഒന്നാമത്, സംഘടനയിലെ എല്ലാ AI-സംബന്ധപ്പെട്ട പ്രോജക്ടുകളിലും **നൈതിക AI** സിദ്ധാന്തങ്ങൾ നിർവചിച്ച് അവ സ്വീകരിക്കാൻ പ്രയോഗങ്ങൾ സ്ഥാപിക്കുന്നതും. രണ്ടാമത്, പ്രവർത്തിക്കുന്ന പ്രദേശങ്ങളിലെ എല്ലാ സർക്കാർ നിർദ്ദേശിച്ച **ഡാറ്റാ സംരക്ഷണ നിയമങ്ങൾ** പാലിക്കുന്നതും.

ഡാറ്റാ സംരക്ഷണവും സ്വകാര്യതയും സംബന്ധിച്ച നിയമങ്ങളുടെ ഉദാഹരണങ്ങൾ:

 * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - ഫെഡറൽ സർക്കാർ വ്യക്തിഗത വിവരങ്ങൾ ശേഖരിക്കൽ, ഉപയോഗം, വെളിപ്പെടുത്തൽ നിയന്ത്രിക്കുന്നു.
 * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - വ്യക്തിഗത ആരോഗ്യ ഡാറ്റ സംരക്ഷിക്കുന്നു.
 * `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 വയസ്സിന് താഴെയുള്ള കുട്ടികളുടെ ഡാറ്റാ സ്വകാര്യത സംരക്ഷിക്കുന്നു.
 * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ഉപയോക്തൃ അവകാശങ്ങൾ, ഡാറ്റ സംരക്ഷണം, സ്വകാര്യത നൽകുന്നു.
 * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ഉപഭോക്താക്കൾക്ക് അവരുടെ (വ്യക്തിഗത) ഡാറ്റയിൽ കൂടുതൽ _അവകാശങ്ങൾ_ നൽകുന്നു.
 * `2021`, ചൈനയുടെ [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ഏറ്റവും ശക്തമായ ഓൺലൈൻ ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിൽ ഒന്നായി.

> 🚨 യൂറോപ്യൻ യൂണിയൻ നിർവചിച്ച GDPR (General Data Protection Regulation) ഇന്നും ഏറ്റവും സ്വാധീനമുള്ള ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിലൊന്നാണ്. ഇത് [8 ഉപയോക്തൃ അവകാശങ്ങളും](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) നിർവചിക്കുന്നു എന്ന് നിങ്ങൾ അറിയാമോ? ഇവ എന്തൊക്കെയാണ്, എന്തുകൊണ്ട് അവ പ്രധാനമാണെന്ന് പഠിക്കൂ.

### 4. നൈതിക സംസ്കാരം

_അനുസരണം_ (നിയമത്തിന്റെ "അക്ഷരം" പാലിക്കുന്നത്) 与 [സിസ്റ്റമാറ്റിക് പ്രശ്നങ്ങൾ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ഉദാ: ഒസ്സിഫിക്കേഷൻ, വിവര അസമത്വം, വിതരണ നീതിമാന്മാർഗ്ഗം) ഇടയിൽ അദൃശ്യമായ ഒരു ഇടവേള ഇപ്പോഴും നിലനിൽക്കുന്നു, ഇത് AI ആയുധമാക്കൽ വേഗത്തിലാക്കാം.

അവസാനത്തെ പരിഹരിക്കാൻ [നൈതിക സംസ്കാരങ്ങൾ നിർവചിക്കുന്ന സഹകരണ സമീപനങ്ങൾ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ആവശ്യമാണ്, ഇത് വ്യവസായത്തിലെ _സംഘടനകളിലുടനീളം_ മാനസിക ബന്ധങ്ങളും സ്ഥിരതയുള്ള പങ്കുവെച്ച മൂല്യങ്ങളും സൃഷ്ടിക്കുന്നു. ഇത് സംഘടനകളിൽ കൂടുതൽ [ഫോർമലൈസ്ഡ് ഡാറ്റാ നൈതിക സംസ്കാരങ്ങൾ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ആവശ്യപ്പെടുന്നു - _ഏതെങ്കിലും_ ആളുകൾക്ക് [അണ്ടോൺ കോർഡ് പുള്‍ ചെയ്യാൻ](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (പ്രക്രിയയിൽ നൈതിക പ്രശ്നങ്ങൾ നേരത്തെ ഉയർത്താൻ) അനുവദിക്കുകയും, AI പ്രോജക്ടുകളിൽ _നൈതിക വിലയിരുത്തലുകൾ_ (ഉദാ: നിയമനം) ഒരു പ്രധാന മാനദണ്ഡമാക്കുകയും ചെയ്യുന്നു.

---
## [പോസ്റ്റ്-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## അവലോകനം & സ്വയം പഠനം

കോഴ്സുകളും പുസ്തകങ്ങളും അടിസ്ഥാന നൈതിക ആശയങ്ങളും വെല്ലുവിളികളും മനസ്സിലാക്കാൻ സഹായിക്കുന്നു, കേസ്സ് സ്റ്റഡികളും ഉപകരണങ്ങളും യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ പ്രയോഗാത്മക നൈതികതയിൽ സഹായിക്കുന്നു. തുടങ്ങാൻ ചില വിഭവങ്ങൾ ഇവിടെ.
* [ആരംഭക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ്](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - മൈക്രോസോഫ്റ്റിൽ നിന്നുള്ള ഫെയർനെസ്സ് പാഠം.
* [ഉത്തരവാദിത്വമുള്ള AI ന്റെ സിദ്ധാന്തങ്ങൾ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - മൈക്രോസോഫ്റ്റ് ലേണിൽ നിന്നുള്ള സൗജന്യ പഠന പാത.
* [നൈതികതയും ഡാറ്റാ സയൻസും](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ഇബുക്ക് (എം. ലൂക്കിഡസ്, എച്ച്. മേസൺ എന്നിവരാൽ)
* [ഡാറ്റാ സയൻസ് നൈതികത](https://www.coursera.org/learn/data-science-ethics#syllabus) - മിഷിഗൺ സർവകലാശാലയിൽ നിന്നുള്ള ഓൺലൈൻ കോഴ്സ്.
* [എതിക്സ് അൺവ്രാപ്പഡ്](https://ethicsunwrapped.utexas.edu/case-studies) - ടെക്സാസ് സർവകലാശാലയിൽ നിന്നുള്ള കേസ് സ്റ്റഡികൾ.

# അസൈൻമെന്റ് 

[ഡാറ്റാ എതിക്സ് കേസ് സ്റ്റഡി എഴുതുക](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:  
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->