# ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਪਰਚੇ | ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/02-Ethics.png)| |:---:| | ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ | --- ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਦੇ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿੰਦੇ ਹਾਂ। ਬਾਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1-ਵਿੱਚ-3 ਵੱਡੇ ਸੰਗਠਨ ਆਪਣਾ ਡਾਟਾ ਆਨਲਾਈਨ [ਬਾਜ਼ਾਰਾਂ ਅਤੇ ਐਕਸਚੇਂਜ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। **ਐਪ ਡਿਵੈਲਪਰਾਂ** ਵਜੋਂ, ਸਾਨੂੰ ਡਾਟਾ-ਚਲਿਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਐਲਗੋਰਿਦਮ-ਚਲਿਤ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਅਤੇ ਸਸਤਾ ਲੱਗੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਹਰ ਜਗ੍ਹਾ ਹੋ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ [ਇਨ੍ਹਾਂ ਐਲਗੋਰਿਦਮਾਂ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹਥਿਆਰਕਰਨ ਨਾਲ ਕੀ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ। ਰੁਝਾਨ ਇਹ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ ਅਸੀਂ [180 ਜੈਟਾਬਾਈਟ](https://www.statista.com/statistics/871513/worldwide-data-created/) ਤੋਂ ਵੱਧ ਡਾਟਾ ਬਣਾਉਣ ਅਤੇ ਖਪਤ ਕਰਨਗੇ। **ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ** ਵਜੋਂ, ਇਹ ਸਾਨੂੰ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਤੱਕ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਪ੍ਰਭਾਵ ਪਾਉਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਨਾਲ [ਮੁਕਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਬਣ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਅਸੀਂ ਪਸੰਦ ਕਰਦੇ ਹਾਂ। ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਸੁਰੱਖਿਆ ਦੇ ਵਿਆਪਕ ਸਵਾਲ ਵੀ ਖੜ੍ਹੇ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਨੈਤਿਕਤਾ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ _ਜ਼ਰੂਰੀ ਰੱਖਵਾਲ_ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਚਲਿਤ ਕਾਰਵਾਈਆਂ ਤੋਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹਨ। [ਗਾਰਟਨਰ ਹਾਈਪ ਸਾਈਕਲ ਫਾਰ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ਡਿਜ਼ੀਟਲ ਨੈਤਿਕਤਾ, ਜ਼ਿੰਮੇਵਾਰ AI, ਅਤੇ AI ਗਵਰਨੈਂਸ ਵਿੱਚ ਸਬੰਧਤ ਰੁਝਾਨਾਂ ਨੂੰ ਵੱਡੇ ਮੈਗਾਟ੍ਰੈਂਡਸ ਲਈ ਮੁੱਖ ਚਾਲਕ ਵਜੋਂ ਪਛਾਣਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ AI ਦੀ _ਲੋਕਤੰਤਰਤਾ_ ਅਤੇ _ਉਦਯੋਗੀਕਰਨ_।  ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ - ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਤੋਂ ਲੈ ਕੇ ਕੇਸ ਸਟੱਡੀਜ਼ ਅਤੇ ਲਾਗੂ ਕੀਤੇ AI ਧਾਰਨਾਵਾਂ ਜਿਵੇਂ ਕਿ ਗਵਰਨੈਂਸ - ਜੋ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹਨ। ## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 ## ਮੁੱਢਲੀ ਪਰਿਭਾਸ਼ਾਵਾਂ ਆਓ ਮੁੱਢਲੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਸਮਝਣ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ। "ਨੈਤਿਕਤਾ" ਸ਼ਬਦ [ਯੂਨਾਨੀ ਸ਼ਬਦ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ਅਤੇ ਇਸਦੀ ਜੜ "ethos") ਤੋਂ ਆਉਂਦਾ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ _ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਪ੍ਰਕਿਰਤੀ_। **ਨੈਤਿਕਤਾ** ਉਹ ਸਾਂਝੇ ਮੁੱਲ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਹਨ ਜੋ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਵਿਵਹਾਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਨੈਤਿਕਤਾ ਕਾਨੂੰਨਾਂ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਗੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਕਿ ਕੀ "ਸਹੀ ਵਿਰੁੱਧ ਗਲਤ" ਹੈ। ਹਾਲਾਂਕਿ, ਨੈਤਿਕ ਵਿਚਾਰ ਕਾਰਪੋਰੇਟ ਗਵਰਨੈਂਸ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਅਧਿਕਤਮ ਪਾਲਣਾ ਲਈ ਹੋਰ ਪ੍ਰੇਰਨਾ ਪੈਦਾ ਕਰਦੇ ਹਨ। **ਡਾਟਾ ਨੈਤਿਕਤਾ** ਇੱਕ [ਨਵਾਂ ਨੈਤਿਕਤਾ ਦਾ ਸ਼ਾਖਾ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ਹੈ ਜੋ "_ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸਾਂ_" ਨਾਲ ਸੰਬੰਧਿਤ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇੱਥੇ, **"ਡਾਟਾ"** ਜਨਰੇਸ਼ਨ, ਰਿਕਾਰਡਿੰਗ, ਕਿਊਰੇਸ਼ਨ, ਪ੍ਰੋਸੈਸਿੰਗ, ਪ੍ਰਸਾਰਣ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤਣ ਨਾਲ ਸੰਬੰਧਿਤ ਕਾਰਵਾਈਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, **"ਐਲਗੋਰਿਦਮ"** AI, ਏਜੰਟ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਰੋਬੋਟ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਅਤੇ **"ਅਭਿਆਸ"** ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨਤਾ, ਪ੍ਰੋਗਰਾਮਿੰਗ, ਹੈਕਿੰਗ ਅਤੇ ਨੈਤਿਕਤਾ ਕੋਡ ਜਿਵੇਂ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ। **ਲਾਗੂ ਨੈਤਿਕਤਾ** [ਨੈਤਿਕ ਵਿਚਾਰਾਂ ਦੀ ਵਿਵਹਾਰਕ ਲਾਗੂ](https://en.wikipedia.org/wiki/Applied_ethics) ਹੈ। ਇਹ _ਅਸਲ ਦੁਨੀਆ ਦੇ ਕਾਰਵਾਈਆਂ, ਉਤਪਾਦ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ_ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸਰਗਰਮ ਜਾਂਚ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਸਹੀ ਕਦਮ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਕਿ ਇਹ ਸਾਡੇ ਨਿਰਧਾਰਤ ਨੈਤਿਕ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਰਹੇ। **ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ** [_ਲਾਗੂ ਨੈਤਿਕਤਾ ਨੂੰ ਕਾਰਗਰ ਬਣਾਉਣ](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ਬਾਰੇ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਸਾਡੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਸੰਗਠਨ ਦੇ ਹਰ ਪੱਧਰ 'ਤੇ ਲਗਾਤਾਰ ਅਤੇ ਵਿਆਪਕ ਤਰੀਕੇ ਨਾਲ ਅਪਨਾਏ ਜਾਂਦੇ ਹਨ। ਸਫਲ ਨੈਤਿਕਤਾ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਸੰਗਠਨ-ਵਿਆਪਕ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ, ਪਾਲਣਾ ਲਈ ਅਰਥਪੂਰਨ ਪ੍ਰੇਰਨਾ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਹਰ ਪੱਧਰ 'ਤੇ ਚਾਹੀਦੇ ਵਿਵਹਾਰਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਅਤੇ ਵਧਾ ਕੇ ਨੈਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀਆਂ ਹਨ। ## ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ **ਸਾਂਝੇ ਮੁੱਲ** (ਸਿਧਾਂਤ) ਅਤੇ **ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ** (ਸਮੱਸਿਆਵਾਂ) ਜਿਵੇਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ 'ਤੇ ਚਰਚਾ ਕਰਾਂਗੇ - ਅਤੇ **ਕੇਸ ਸਟੱਡੀਜ਼** ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ ਜੋ ਤੁਹਾਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਇਹ ਧਾਰਨਾਵਾਂ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। ### 1. ਨੈਤਿਕ ਸਿਧਾਂਤ ਹਰ ਡਾਟਾ ਨੈਤਿਕਤਾ ਰਣਨੀਤੀ ਦੀ ਸ਼ੁਰੂਆਤ _ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ_ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਨਾਲ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਸਵੀਕਾਰਯੋਗ ਵਿਵਹਾਰਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਪ੍ਰਾਜੈਕਟਾਂ ਵਿੱਚ ਪਾਲਣਾ ਕਰਨ ਵਾਲੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਦਿੰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਟੀਮ ਪੱਧਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਜ਼ਿਆਦਾਤਰ ਵੱਡੇ ਸੰਗਠਨ ਇਹਨਾਂ ਨੂੰ ਇੱਕ _ਨੈਤਿਕ AI_ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਜਾਂ ਫਰੇਮਵਰਕ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ ਕਰਦੇ ਹਨ ਜੋ ਕਾਰਪੋਰੇਟ ਪੱਧਰ 'ਤੇ ਨਿਰਧਾਰਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਟੀਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। **ਉਦਾਹਰਨ:** ਮਾਈਕਰੋਸਾਫਟ ਦਾ [ਜ਼ਿੰਮੇਵਾਰ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕਹਿੰਦਾ ਹੈ: _"ਅਸੀਂ AI ਦੇ ਅਗਾਂਹ ਵਧਾਉਣ ਲਈ ਵਚਨਬੱਧ ਹਾਂ ਜੋ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਪਹਿਲਾਂ ਰੱਖਦਾ ਹੈ"_ - ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ:  ਆਓ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਦੀ ਸੰਖੇਪ ਵਿੱਚ ਪੜਚੋਲ ਕਰੀਏ। _ਪਾਰਦਰਸ਼ਤਾ_ ਅਤੇ _ਜਵਾਬਦੇਹੀ_ ਮੁੱਢਲੇ ਮੁੱਲ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਹੋਰ ਸਿਧਾਂਤ ਬਣੇ ਹਨ - ਇਸ ਲਈ ਆਓ ਇੱਥੇ ਸ਼ੁਰੂ ਕਰੀਏ: * [**ਜਵਾਬਦੇਹੀ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਲਈ, ਅਤੇ ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਲਈ _ਜਵਾਬਦੇਹ_ ਬਣਾਉਂਦੀ ਹੈ। * [**ਪਾਰਦਰਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਸਮਝਣਯੋਗ_ ਹਨ, ਫੈਸਲਿਆਂ ਦੇ ਪਿੱਛੇ ਕੀ ਅਤੇ ਕਿਉਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀਆਂ ਹਨ। * [**ਨਿਆਂ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ ਕਿ AI _ਸਾਰੇ ਲੋਕਾਂ_ ਨਾਲ ਨਿਆਂ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਪ੍ਰਣਾਲੀਕ ਜਾਂ ਅਸਪਸ਼ਟ ਸਮਾਜ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ। * [**ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI _ਲਗਾਤਾਰ_ ਨਿਰਧਾਰਤ ਮੁੱਲਾਂ ਨਾਲ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ, ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। * [**ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਡਾਟਾ ਦੀ ਲੀਨਿਏਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ_ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ। * [**ਸਮਾਵੇਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਇਰਾਦੇ ਨਾਲ AI ਹੱਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਬਾਰੇ ਹੈ, ਇਹਨਾਂ ਨੂੰ _ਵਿਆਪਕ ਮਨੁੱਖੀ ਜ਼ਰੂਰਤਾਂ_ ਅਤੇ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। > 🚨 ਸੋਚੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਨੈਤਿਕਤਾ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕੀ ਹੋ ਸਕਦਾ ਹੈ। ਹੋਰ ਸੰਗਠਨਾਂ ਦੇ ਨੈਤਿਕ AI ਫਰੇਮਵਰਕ ਦੀ ਪੜਚੋਲ ਕਰੋ - ਇੱਥੇ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), ਅਤੇ [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ਦੇ ਉਦਾਹਰਨ ਹਨ। ਉਹਨਾਂ ਦੇ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ? ### 2. ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੈਤਿਕ ਸਿਧਾਂਤ ਨਿਰਧਾਰਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਉਹ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਹਨ। ਆਪਣੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸੋਚੋ: _ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ_ ਅਤੇ _ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ_। ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ **ਵਿਅਕਤੀਗਤ ਡਾਟਾ** ਜਾਂ ਪਹਿਚਾਣਯੋਗ ਜੀਵਤ ਵਿਅਕਤੀਆਂ ਲਈ ਵਿਅਕਤੀਗਤ ਪਹਿਚਾਣਯੋਗ ਜਾਣਕਾਰੀ (PII) ਸ਼ਾਮਲ ਹੋਵੇਗੀ। ਇਸ ਵਿੱਚ [ਗੈਰ-ਵਿਅਕਤੀਗਤ ਡਾਟਾ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ਦੇ ਵੱਖ-ਵੱਖ ਆਈਟਮ ਸ਼ਾਮਲ ਹਨ ਜੋ _ਸਾਂਝੇ ਤੌਰ 'ਤੇ_ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪਹਿਚਾਣ ਕਰਦੇ ਹਨ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ_, _ਡਾਟਾ ਮਾਲਕੀ_, ਅਤੇ ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ _ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ_ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਬੌਧਿਕ ਸੰਪਤੀ ਅਧਿਕਾਰ_ ਨਾਲ ਸੰਬੰਧਿਤ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ **ਡਾਟਾਸੈਟ** ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਕਿਊਰੇਟ ਕਰਨ, ਫਿਰ **ਡਾਟਾ ਮਾਡਲ** ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਜਾਂ ਫੈਸਲੇ ਆਟੋਮੇਟ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਅਤੇ ਤੈਨਾਤ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੀਆਂ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾਸੈਟ ਪੱਖਪਾਤ_, _ਡਾਟਾ ਗੁਣਵੱਤਾ_ ਦੇ ਮੁੱਦਿਆਂ, _ਅਨਿਆਂ_ ਅਤੇ _ਗਲਤ ਪੇਸ਼ਕਾਰੀ_ ਵਿੱਚ ਉਤਪੰਨ ਹੋ ਸਕਦੀਆਂ ਹਨ - ਜਿਸ ਵਿੱਚ ਕੁਝ ਮੁੱਦੇ ਪ੍ਰਣਾਲੀਕ ਪ੍ਰਕਿਰਤੀ ਦੇ [Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ਇਹ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਥਮ ਡਿਜ਼ਾਈਨ ਸਿਸਟਮੈਟਿਕ ਤੌਰ 'ਤੇ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੇ ਖਾਸ ਉਪ-ਸਮੂਹਾਂ ਦੇ ਖਿਲਾਫ ਭੇਦਭਾਵ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ _ਵੰਡ_ (ਜਿੱਥੇ ਸਾਧਨ ਉਸ ਸਮੂਹ ਤੋਂ ਰੋਕੇ ਜਾਂ ਵਾਪਸ ਲਏ ਜਾਂਦੇ ਹਨ) ਅਤੇ _ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ_ (ਜਿੱਥੇ AI ਕੁਝ ਉਪ-ਸਮੂਹਾਂ ਲਈ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਸਹੀ ਹੁੰਦੀ ਹੈ) ਵਿੱਚ [ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ਹੁੰਦੇ ਹਨ। ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ: * ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਉਪ-ਸਮੂਹਾਂ ਅਤੇ ਹਾਲਾਤਾਂ ਲਈ ਮਾਡਲ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਨ ਕੀਤਾ? * ਕੀ ਅਸੀਂ ਸਿਸਟਮ ਨੂੰ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟਿਰਿਓਟਾਈਪਿੰਗ) ਲਈ ਗਹਿਰਾਈ ਨਾਲ ਦੇਖਿਆ? * ਕੀ ਅਸੀਂ ਪਛਾਣੇ ਗਏ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡਾਟਾ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ ਜਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ? [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ਵਰਗੇ ਸਰੋਤਾਂ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। #### 2.9 ਗਲਤ ਪੇਸ਼ਕਾਰੀ [ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ਇਸ ਗੱਲ ਦਾ ਮੁਲਾਂਕਨ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚਾਈ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੇ ਡਾਟਾ ਤੋਂ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਇੱਕ ਚਾਹੀਦੀ ਕਹਾਣੀ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਪੇਸ਼ ਕਰ ਰਹੇ ਹਾਂ। ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ: * ਕੀ ਅਸੀਂ ਅਧੂਰਾ ਜਾਂ ਗਲਤ ਡਾਟਾ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹਾਂ? * ਕੀ ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵਿਜੁਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ? * ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਹੇਰਫੇਰ ਕਰਨ ਲਈ ਚੁਣਵਾਂ ਸਾਂਖਿਕ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ? * ਕੀ ਹੋਰ ਵਿਵਸਥਾਵਾਂ ਹਨ ਜੋ ਵੱਖਰੇ ਨਤੀਜੇ ਪੇਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ? #### 2.10 ਮੁਫ਼ਤ ਚੋਣ [ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਸਟਮ "ਚੋਣ ਆਰਕੀਟੈਕਚਰ" ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਥਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਾ ਦਿੱਤਾ ਜਾਵੇ, ਜਦੋਂ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ [ਡਾਰਕ ਪੈਟਰਨ](https://www.darkpatterns.org/) ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਚੋਣਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਨੁਕਸਾਨਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਲੰਬਾ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ: * ਕੀ ਉਪਭੋਗਤਾ ਨੇ ਉਸ ਚੋਣ ਨੂੰ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਿਆ? * ਕੀ ਉਪਭੋਗਤਾ (ਵਿਕਲਪਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਤੋਂ ਜਾਣੂ ਸੀ? * ਕੀ ਉਪਭੋਗਤਾ ਬਾਅਦ ਵਿੱਚ ਇੱਕ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹੈ? ### 3. ਕੇਸ ਸਟੱਡੀਜ਼ ਇਹ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਜੋ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ ਲਈ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੀਆਂ ਹਨ, ਜਦੋਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਨੈਤਿਕ ਉਲੰਘਣਾਵਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨ ਹਨ: | ਨੈਤਿਕ ਚੁਣੌਤੀ | ਕੇਸ ਸਟੱਡੀ | |--- |--- | | **ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ** | 1972 - [ਟਸਕੀਗੀ ਸਿਫਿਲਿਸ ਸਟੱਡੀ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ਅਫਰੀਕੀ ਅਮਰੀਕੀ ਪੁਰਸ਼ਾਂ ਨੂੰ ਜੋ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਏ, ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਦੇਖਭਾਲ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ _ਪਰ ਧੋਖਾ ਦਿੱਤਾ_ ਗਿਆ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਬਿਮਾਰੀ ਜਾਂ ਇਲਾਜ ਦੀ ਉਪਲਬਧਤਾ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨਹੀਂ ਦਿੱਤੀ। ਕਈ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋ ਗਈ ਅਤੇ ਸਾਥੀ ਜਾਂ ਬੱਚੇ ਪ੍ਰਭਾਵਿਤ ਹੋਏ; ਅਧਿਐਨ 40 ਸਾਲ ਤੱਕ ਚੱਲਿਆ। | | **ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ** | 2007 - [Netflix ਡਾਟਾ ਇਨਾਮ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ਨੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ _50K ਗਾਹਕਾਂ ਤੋਂ 10M ਅਨਾਮਿਤ ਫਿਲਮ ਰੈਂਕਿੰਗ_ ਦਿੱਤੀਆਂ ਤਾਂ ਜੋ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਥਮਾਂ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾ ਸਕੇ। ਹਾਲਾਂਕਿ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਅਨਾਮਿਤ ਡਾਟਾ ਨੂੰ _ਬਾਹਰੀ ਡਾਟਾਸੈਟਾਂ_ (ਜਿਵੇਂ IMDb ਟਿੱਪਣੀਆਂ) ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਪਛਾਣਯੋਗ ਡਾਟਾ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ - ਕੁਝ Netflix ਗਾਹਕਾਂ ਨੂੰ "ਡੀ-ਅਨਾਨਿਮਾਈਜ਼" ਕਰਨਾ। | | **ਕਲੈਕਸ਼ਨ ਪੱਖਪਾਤ** | 2013 - ਬੋਸਟਨ ਸ਼ਹਿਰ ਨੇ [Street Bump](https://www.boston.gov/transportation/street-bump) ਵਿਕਸਿਤ ਕੀਤਾ, ਇੱਕ ਐਪ ਜਿਸ ਨੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਪੋਥੋਲ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ, ਜਿਸ ਨਾਲ ਸ਼ਹਿਰ ਨੂੰ ਬਿਹਤਰ ਸੜਕ ਡਾਟਾ ਮਿਲਿਆ। ਹਾਲਾਂਕਿ, [ਘੱਟ ਆਮਦਨ ਵਾਲੇ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਕੋਲ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਤੱਕ ਘੱਟ ਪਹੁੰਚ ਸੀ](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੇ ਸੜਕ ਦੇ ਮੁੱਦੇ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ ਹੋ ਗਏ। ਡਿਵੈਲਪਰਾਂ ਨੇ ਅਕਾਦਮਿਕ ਵਿਦਵਾਨਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ ਤਾਂ ਜੋ _ਸਮਾਨ ਪਹੁੰਚ ਅਤੇ ਡਿਜ਼ੀਟਲ ਵੱਖ-ਵੱਖਤਾ_ ਦੇ ਮੁੱਦਿਆਂ ਨੂੰ ਨੈਤਿਕਤਾ ਲਈ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕੇ। | | **ਐਲਗੋਰਿਥਮਿਕ ਨੈਤਿਕਤਾ** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ਨੇ ਜੈਂਡਰ ਕਲਾਸੀਫਿਕੇਸ਼ਨ AI ਉਤਪਾਦਾਂ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਨ ਕੀਤਾ, ਜੋ ਮਹਿਲਾਵਾਂ ਅਤੇ ਰੰਗ ਦੇ ਵਿਅਕਤੀਆਂ ਲਈ ਸਹੀਤਾ ਵਿੱਚ ਖਾਮੀਆਂ ਨੂੰ ਬੇਨਕਾਬ ਕਰਦਾ ਹੈ। ਇੱਕ [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ਨੇ ਮਹਿਲਾਵਾਂ ਨੂੰ ਪੁਰਸ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਕਰਜ਼ਾ ਦਿੱਤਾ। ਦੋਵੇਂ ਨੇ ਐਲਗੋਰਿਥਮਿਕ ਪੱਖਪਾਤ ਵਿੱਚ ਮੁੱਦਿਆਂ ਨੂੰ ਦਰਸਾਇਆ ਜਿਸ ਨਾਲ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਨੁਕਸਾਨ ਹੋਏ। | | **ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ** | 2020 - [ਜਾਰਜੀਆ ਡਿਪਾਰਟਮੈਂਟ ਆਫ਼ ਪਬਲਿਕ ਹੈਲਥ ਨੇ COVID-19 ਚਾਰਟ ਜਾਰੀ ਕੀਤੇ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ਜੋ ਪੁਸ਼ਟੀ ਕੀਤੇ ਕੇਸਾਂ ਵਿੱਚ ਰੁਝਾਨਾਂ ਬਾਰੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਨ ਲਈ ਗਲਤ ਲਗਦੇ ਸਨ। ਇਹ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਂ ਰਾਹੀਂ ਗਲਤ ਪੇਸ਼ਕਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। | | **ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ** | 2020 - ਸਿੱਖਣ ਵਾਲੇ ਐਪ [ABCmouse ਨੇ FTC ਸ਼ਿਕਾਇਤ ਨੂੰ ਸੈਟਲ ਕਰਨ ਲਈ $10M ਦਾ ਭੁਗਤਾਨ ਕੀਤਾ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ਜਿੱਥੇ ਮਾਪੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਲਈ ਫਸੇ ਹੋਏ ਸਨ ਜਿਸ ਨੂੰ ਉਹ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇਹ ਚੋਣ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਡਾਰਕ ਪੈਟਰਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦਾਇਕ ਚੋਣਾਂ ਵੱਲ ਧੱਕਿਆ ਗਿਆ। | | **ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ** | 2021 - Facebook [ਡਾਟਾ ਬ੍ਰੀਚ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ਨੇ 530M ਉਪਭੋਗਤਾਵਾਂ ਤੋਂ ਡਾਟਾ ਨੂੰ ਬੇਨਕਾਬ ਕੀਤਾ, ਜਿਸ ਨਾਲ FTC ਨੂੰ $5B ਦਾ ਸੈਟਲਮੈਂਟ ਹੋਇਆ। ਹਾਲਾਂਕਿ, ਇਸ ਨੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਬ੍ਰੀਚ ਦੀ ਸੂਚਨਾ ਦੇਣ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ, ਜੋ ਡਾਟਾ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਪਹੁੰਚ ਦੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ। | ਹੋਰ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਖੋਜ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ: * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕ ਦਿਲੇਮਾਂ। * [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਪ੍ਰਸਿੱਧ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਖੋਜ। * [Where things have gone wrong](https://deon.drivendata.org/examples/) - ਡਿਓਨ ਚੈਕਲਿਸਟ ਨਾਲ ਉਦਾਹਰਨ। > 🚨 ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਦੇਖੀਆਂ ਹਨ - ਕੀ ਤੁਸੀਂ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੋਰ ਕੇਸ ਸਟੱਡੀ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ? ## ਲਾਗੂ ਨੈਤਿਕਤਾ ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਅਵਧਾਰਨਾ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ। ਪਰ ਅਸੀਂ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰਦੇ ਹਾਂ? ਅਤੇ ਅਸੀਂ ਬਿਹਤਰ ਸ਼ਾਸਨ ਲਈ ਇਨ੍ਹਾਂ ਅਭਿਆਸਾਂ ਨੂੰ ਕਿਵੇਂ "ਚਾਲੂ" ਕਰਦੇ ਹਾਂ? ਆਓ ਕੁਝ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਹੱਲਾਂ ਦੀ ਖੋਜ ਕਰੀਏ: ### 1. ਪੇਸ਼ੇਵਰ ਕੋਡ ਪੇਸ਼ੇਵਰ ਕੋਡ ਸੰਗਠਨਾਂ ਨੂੰ ਆਪਣੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮੈਂਬਰਾਂ ਨੂੰ "ਪ੍ਰੇਰਿਤ" ਕਰਨ ਦਾ ਇੱਕ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਿਵਹਾਰ ਲਈ _ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼_ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਆਪਣੇ ਸੰਗਠਨ ਦੇ ਸਿਧਾਂਤਾਂ ਦੇ ਅਨੁਕੂਲ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਹ ਸਿਰਫ ਮੈਂਬਰਾਂ ਦੀ ਸਵੈ-ਇੱਛਾ ਅਨੁਕੂਲਤਾ ਦੇ ਤੌਰ 'ਤੇ ਹੀ ਚੰਗੇ ਹਨ; ਹਾਲਾਂਕਿ, ਕਈ ਸੰਗਠਨ ਮੈਂਬਰਾਂ ਤੋਂ ਅਨੁਕੂਲਤਾ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਨ ਲਈ ਵਾਧੂ ਇਨਾਮ ਅਤੇ ਸਜ਼ਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) ਕੋਡ ਆਫ਼ ਕੰਡਕਟ (2013 ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ) * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 ਤੋਂ) > 🚨 ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਪੇਸ਼ੇਵਰ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਂ ਡਾਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਦੇ ਮੈਂਬਰ ਹੋ? ਉਨ੍ਹਾਂ ਦੀ ਸਾਈਟ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕੀ ਉਹ ਪੇਸ਼ੇਵਰ ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੇਰਿਤ" ਕਰ ਰਹੇ ਹਨ? ### 2. ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟ ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਅਭਿਆਸਕਰਤਾਵਾਂ ਤੋਂ ਲੋੜੀਂਦੇ _ਨੈਤਿਕ ਵਿਵਹਾਰ_ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਹ [ਜਾਣੇ-ਪਛਾਣੇ ਸੀਮਾਵਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਵਿੱਚ ਵੱਡੇ-ਪੱਧਰ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਹਨ। ਇਸ ਦੇ ਬਦਲੇ, ਕਈ ਡਾਟਾ ਸਾਇੰਸ ਵਿਦਵਾਨ [ਚੈਕਲਿਸਟਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ, ਜੋ **ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਭਿਆਸਾਂ ਨਾਲ** ਹੋਰ ਨਿਰਧਾਰਤ ਅਤੇ ਕਾਰਗਰ ਤਰੀਕੇ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹਨ। ਚੈਕਲਿਸਟ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ/ਨਹੀਂ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੇ ਹਨ ਜੋ ਚਾਲੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਆਰੀ ਉਤਪਾਦ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਟ੍ਰੈਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: * [Deon](https://deon.drivendata.org/) - ਉਦਯੋਗ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਤੋਂ ਬਣਾਈ ਗਈ ਇੱਕ ਜਨਰਲ-ਪPurpose ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟ [ਚੈਕਲਿਸਟ-ਸਿਟੇਸ਼ਨ](https://deon.drivendata.org/#checklist-citations) ਨਾਲ ਇੱਕ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਲਈ ਆਸਾਨ ਇੰਟੀਗ੍ਰੇਸ਼ਨ। * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਪੱਖਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਸੰਭਾਲਣ ਦੇ ਅਭਿਆਸਾਂ ਲਈ ਆਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ਵਿਕਾਸ ਚ * [ਜਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ ਤੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਪਾਠ। * [ਨੈਤਿਕਤਾ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ਦੀ ਇਬੁੱਕ (M. Loukides, H. Mason ਆਦਿ)। * [ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਮਿਸ਼ੀਗਨ ਯੂਨੀਵਰਸਿਟੀ ਦਾ ਆਨਲਾਈਨ ਕੋਰਸ। * [ਨੈਤਿਕਤਾ ਅਨਵਰਾਪਡ](https://ethicsunwrapped.utexas.edu/case-studies) - ਟੈਕਸਸ ਯੂਨੀਵਰਸਿਟੀ ਵੱਲੋਂ ਕੇਸ ਅਧਿਐਨ। # ਅਸਾਈਨਮੈਂਟ [ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਕੇਸ ਅਧਿਐਨ ਲਿਖੋ](assignment.md) --- **ਅਸਵੀਕਾਰਨਾ**: ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।