# Utangulizi wa Maadili ya Takwimu | ](../../sketchnotes/02-Ethics.png)| |:---:| | Maadili ya Sayansi ya Takwimu - _Sketchnote na [@nitya](https://twitter.com/nitya)_ | --- Sote ni raia wa takwimu tunaoishi katika ulimwengu uliojaa data. Mwelekeo wa soko unaonyesha kwamba kufikia mwaka wa 2022, shirika moja kati ya matatu kubwa litanunua na kuuza data yake kupitia [Masoko na Mabadilishano ya Mtandaoni](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kama **Watengenezaji wa Programu**, tutapata urahisi na gharama nafuu ya kuunganisha maarifa yanayotokana na data na otomatiki inayotokana na algorithimu katika uzoefu wa kila siku wa watumiaji. Lakini kadri AI inavyoenea, tutahitaji pia kuelewa madhara yanayoweza kusababishwa na [utumiaji mbaya](https://www.youtube.com/watch?v=TQHs8SA1qpk) wa algorithimu hizo kwa kiwango kikubwa. Mwelekeo pia unaonyesha kwamba tutazalisha na kutumia zaidi ya [zettabyte 180](https://www.statista.com/statistics/871513/worldwide-data-created/) za data kufikia mwaka wa 2025. Kama **Wanasayansi wa Takwimu**, hii inatupa viwango vya kipekee vya ufikiaji wa data ya kibinafsi. Hii inamaanisha tunaweza kujenga maelezo ya tabia za watumiaji na kushawishi maamuzi kwa njia zinazounda [udanganyifu wa chaguo huru](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) huku tukiwashawishi watumiaji kuelekea matokeo tunayopendelea. Pia inazua maswali mapana kuhusu faragha ya data na ulinzi wa watumiaji. Maadili ya takwimu sasa ni _miongozo muhimu_ kwa sayansi ya takwimu na uhandisi, yakitusaidia kupunguza madhara yanayoweza kutokea na matokeo yasiyotarajiwa kutoka kwa vitendo vyetu vinavyotegemea data. [Mzunguko wa Hype wa Gartner kwa AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) unataja mwelekeo muhimu katika maadili ya kidijitali, AI inayowajibika, na usimamizi wa AI kama vichochezi vikuu vya mwelekeo mkubwa wa _demokrasia_ na _viwanda_ vya AI.  Katika somo hili, tutachunguza eneo la kuvutia la maadili ya takwimu - kuanzia dhana za msingi na changamoto, hadi masomo ya kesi na dhana za AI zinazotumika kama usimamizi - ambazo husaidia kuanzisha utamaduni wa maadili katika timu na mashirika yanayofanya kazi na data na AI. ## [Jaribio la awali la somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 ## Ufafanuzi wa Msingi Tuanzie kwa kuelewa istilahi za msingi. Neno "maadili" linatokana na [neno la Kigiriki "ethikos"](https://en.wikipedia.org/wiki/Ethics) (na mzizi wake "ethos") linalomaanisha _tabia au asili ya maadili_. **Maadili** yanahusu maadili ya pamoja na kanuni za kimaadili zinazotawala tabia yetu katika jamii. Maadili hayategemei sheria bali yanategemea kanuni zinazokubalika kwa ujumla kuhusu kile kilicho "sahihi dhidi ya makosa". Hata hivyo, masuala ya kimaadili yanaweza kuathiri mipango ya usimamizi wa mashirika na kanuni za serikali zinazounda motisha zaidi ya kufuata. **Maadili ya Takwimu** ni [tawi jipya la maadili](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) linalochunguza na kutathmini matatizo ya kimaadili yanayohusiana na _data, algorithimu na mazoea yanayohusiana_. Hapa, **"data"** inazingatia vitendo vinavyohusiana na uzalishaji, kurekodi, kutunza, kuchakata, kusambaza, kushiriki, na matumizi, **"algorithimu"** inazingatia AI, mawakala, kujifunza kwa mashine, na roboti, na **"mazoea"** yanazingatia mada kama uvumbuzi unaowajibika, programu, udukuzi, na kanuni za maadili. **Maadili Yanayotumika** ni [matumizi ya vitendo ya masuala ya kimaadili](https://en.wikipedia.org/wiki/Applied_ethics). Ni mchakato wa kuchunguza masuala ya kimaadili kwa bidii katika muktadha wa _vitendo halisi, bidhaa na michakato_, na kuchukua hatua za kurekebisha ili kuhakikisha kwamba zinabaki kulingana na maadili yetu yaliyofafanuliwa. **Utamaduni wa Maadili** unahusu [_utekelezaji_ wa maadili yanayotumika](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ili kuhakikisha kwamba kanuni na mazoea yetu ya kimaadili yanapitishwa kwa njia thabiti na inayoweza kupanuka katika shirika zima. Utamaduni wa maadili uliofanikiwa hufafanua kanuni za kimaadili za shirika, hutoa motisha yenye maana ya kufuata, na kuimarisha kanuni za maadili kwa kuhimiza na kukuza tabia zinazotakiwa katika kila ngazi ya shirika. ## Dhana za Maadili Katika sehemu hii, tutajadili dhana kama **maadili ya pamoja** (kanuni) na **changamoto za kimaadili** (matatizo) kwa maadili ya takwimu - na kuchunguza **masomo ya kesi** yanayokusaidia kuelewa dhana hizi katika muktadha wa ulimwengu halisi. ### 1. Kanuni za Maadili Kila mkakati wa maadili ya takwimu huanza kwa kufafanua _kanuni za kimaadili_ - "maadili ya pamoja" yanayoelezea tabia zinazokubalika, na kuongoza vitendo vinavyofuata sheria, katika miradi yetu ya data na AI. Unaweza kufafanua hizi katika ngazi ya mtu binafsi au timu. Hata hivyo, mashirika makubwa mengi hufafanua hizi katika taarifa ya dhamira ya _AI inayowajibika_ au mfumo unaofafanuliwa katika ngazi ya shirika na kutekelezwa kwa uthabiti katika timu zote. **Mfano:** Taarifa ya dhamira ya [AI inayowajibika](https://www.microsoft.com/en-us/ai/responsible-ai) ya Microsoft inasema: _"Tumejitolea kuendeleza AI inayotokana na kanuni za kimaadili zinazoweka watu mbele"_ - ikitambua kanuni 6 za kimaadili katika mfumo ulio hapa chini:  Hebu tuchunguze kwa ufupi kanuni hizi. _Uwajibikaji_ na _uwazi_ ni maadili ya msingi ambayo kanuni nyingine zinajengwa juu yake - kwa hivyo tuanze hapo: * [**Uwajibikaji**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) huwafanya watendaji _wajibike_ kwa shughuli zao za data na AI, na kufuata kanuni hizi za kimaadili. * [**Uwazi**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) huhakikisha kwamba vitendo vya data na AI vinaweza kueleweka (kufasiriwa) na watumiaji, kuelezea nini na kwa nini nyuma ya maamuzi. * [**Haki**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - inazingatia kuhakikisha AI inawatendea _watu wote_ kwa haki, ikishughulikia upendeleo wowote wa kijamii au wa kiufundi katika data na mifumo. * [**Uaminifu na Usalama**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - huhakikisha kwamba AI inatenda _kwa uthabiti_ kulingana na maadili yaliyofafanuliwa, ikipunguza madhara yanayoweza kutokea au matokeo yasiyotarajiwa. * [**Faragha na Usalama**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - inahusu kuelewa mwelekeo wa data, na kutoa _faragha ya data na ulinzi unaohusiana_ kwa watumiaji. * [**Ujumuishi**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - inahusu kubuni suluhisho za AI kwa makusudi, kuzibadilisha ili kukidhi _mahitaji na uwezo mbalimbali ya binadamu_. > 🚨 Fikiria kuhusu taarifa yako ya dhamira ya maadili ya takwimu inaweza kuwa nini. Chunguza mifumo ya AI inayowajibika kutoka kwa mashirika mengine - hapa kuna mifano kutoka [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), na [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Ni maadili gani ya pamoja wanayo? Kanuni hizi zinahusiana vipi na bidhaa za AI au sekta wanayofanya kazi ndani yake? ### 2. Changamoto za Maadili Mara tu tunapokuwa na kanuni za kimaadili zilizofafanuliwa, hatua inayofuata ni kutathmini vitendo vyetu vya data na AI ili kuona kama vinakubaliana na maadili hayo ya pamoja. Fikiria kuhusu vitendo vyako katika makundi mawili: _ukusanyaji wa data_ na _muundo wa algorithimu_. Katika ukusanyaji wa data, vitendo vinaweza kuhusisha **data ya kibinafsi** au taarifa zinazoweza kumtambua mtu (PII) kwa watu wanaotambulika. Hii inajumuisha [vitu mbalimbali vya data isiyo ya kibinafsi](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ambavyo _kwa pamoja_ vinaweza kumtambua mtu. Changamoto za kimaadili zinaweza kuhusiana na _faragha ya data_, _umiliki wa data_, na mada zinazohusiana kama _idhini ya taarifa_ na _haki za mali ya kiakili_ kwa watumiaji. Katika muundo wa algorithimu, vitendo vitahusisha kukusanya na kutunza **seti za data**, kisha kuzitumia kufundisha na kupeleka **miundo ya data** inayotabiri matokeo au kuendesha maamuzi katika muktadha wa ulimwengu halisi. Changamoto za kimaadili zinaweza kutokea kutokana na _upendeleo wa seti ya data_, _masuala ya ubora wa data_, _kutokuwa na haki_, na _upotoshaji_ katika algorithimu - ikiwa ni pamoja na masuala mengine ambayo ni ya mfumo. Katika hali zote mbili, changamoto za maadili zinaonyesha maeneo ambapo vitendo vyetu vinaweza kukutana na migogoro na maadili yetu ya pamoja. Ili kugundua, kupunguza, kupunguza, au kuondoa wasiwasi huu - tunahitaji kuuliza maswali ya kimaadili ya "ndiyo/hapana" yanayohusiana na vitendo vyetu, kisha kuchukua hatua za kurekebisha inapohitajika. Hebu tuangalie baadhi ya changamoto za kimaadili na maswali ya kimaadili wanayozua: #### 2.1 Umiliki wa Data Ukusanyaji wa data mara nyingi unahusisha data ya kibinafsi inayoweza kumtambua mhusika wa data. [Umiliki wa data](https://permission.io/blog/data-ownership) unahusu _udhibiti_ na [_haki za mtumiaji_](https://permission.io/blog/data-ownership) zinazohusiana na uundaji, uchakataji, na usambazaji wa data. Maswali ya kimaadili tunayotakiwa kuuliza ni: * Nani anamiliki data? (mtumiaji au shirika) * Ni haki gani walizonazo wahusika wa data? (mfano: ufikiaji, kufutwa, kubebeka) * Ni haki gani mashirika yanayo? (mfano: kurekebisha hakiki za watumiaji zenye nia mbaya) #### 2.2 Idhini ya Taarifa [Idhini ya taarifa](https://legaldictionary.net/informed-consent/) inafafanua kitendo cha watumiaji kukubali hatua (kama ukusanyaji wa data) kwa _ufahamu kamili_ wa ukweli muhimu ikiwa ni pamoja na madhumuni, hatari zinazoweza kutokea, na mbadala. Maswali ya kuchunguza hapa ni: * Je, mtumiaji (mhusika wa data) alitoa ruhusa ya kukamata na kutumia data? * Je, mtumiaji alielewa madhumuni ya kukamatwa kwa data hiyo? * Je, mtumiaji alielewa hatari zinazoweza kutokea kutokana na ushiriki wao? #### 2.3 Mali ya Kiakili [Mali ya kiakili](https://en.wikipedia.org/wiki/Intellectual_property) inahusu ubunifu usioonekana unaotokana na juhudi za binadamu, ambao unaweza _kuwa na thamani ya kiuchumi_ kwa watu binafsi au biashara. Maswali ya kuchunguza hapa ni: * Je, data iliyokusanywa ilikuwa na thamani ya kiuchumi kwa mtumiaji au biashara? * Je, **mtumiaji** ana mali ya kiakili hapa? * Je, **shirika** lina mali ya kiakili hapa? * Ikiwa haki hizi zipo, tunazilindaje? #### 2.4 Faragha ya Data [Faragha ya data](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) au faragha ya taarifa inahusu uhifadhi wa faragha ya mtumiaji na ulinzi wa utambulisho wa mtumiaji kuhusiana na taarifa zinazoweza kumtambua mtu. Maswali ya kuchunguza hapa ni: * Je, data ya kibinafsi ya watumiaji imelindwa dhidi ya udukuzi na uvujaji? * Je, data ya watumiaji inapatikana tu kwa watumiaji na muktadha walioidhinishwa? * Je, kutokujulikana kwa mtumiaji kunahifadhiwa wakati data inashirikiwa au kusambazwa? * Je, mtumiaji anaweza kutotambulika kutoka kwa seti za data zilizofichwa? #### 2.5 Haki ya Kusahaulika [Haki ya Kusahaulika](https://en.wikipedia.org/wiki/Right_to_be_forgotten) au [Haki ya Kufutwa](https://www.gdpreu.org/right-to-be-forgotten/) hutoa ulinzi wa ziada wa data ya kibinafsi kwa watumiaji. Hasa, inawapa watumiaji haki ya kuomba kufutwa au kuondolewa kwa data ya kibinafsi kutoka kwa tafuta za mtandaoni na maeneo mengine, _chini ya hali maalum_ - ikiwapa mwanzo mpya mtandaoni bila matendo ya zamani kushikiliwa dhidi yao. Maswali ya kuchunguza hapa ni: * Je, mfumo unaruhusu wahusika wa data kuomba kufutwa? * Je, uondoaji wa idhini ya mtumiaji unapaswa kusababisha kufutwa kiotomatiki? * Je, data ilikusanywa bila idhini au kwa njia zisizo halali? * Je, tunafuata kanuni za serikali kuhusu faragha ya data? #### 2.6 Upendeleo wa Seti ya Data Upendeleo wa seti ya data au [Upendeleo wa Ukusanyaji](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) unahusu kuchagua sehemu _isiyowakilisha_ ya data kwa ajili ya maendeleo ya algorithimu, na kuunda kutokuwa na haki kwa matokeo ya matokeo kwa vikundi mbalimbali. Aina za upendeleo ni pamoja na upendeleo wa uteuzi au sampuli, upendeleo wa kujitolea, na upendeleo wa chombo. Maswali ya kuchunguza hapa ni: * Je, tulikusanya seti ya wahusika wa data inayowakilisha? * Je, tulijaribu seti yetu ya data iliyokusanywa au iliyotunzwa kwa upendeleo mbalimbali? * Je, tunaweza kupunguza au kuondoa upendeleo wowote uliogunduliwa? #### 2.7 Ubora wa Data [Ubora wa Data](https://lakefs.io/data-quality-testing/) huangalia uhalali wa seti ya data iliyotunzwa inayotumika kuendeleza algorithimu zetu, ikichunguza kuona kama vipengele na rekodi zinakidhi mahitaji ya kiwango cha usahihi na uthabiti kinachohitajika kwa madhumuni yetu ya AI. Maswali ya kuchunguza hapa ni: * Je, tulikamata vipengele halali kwa kesi yetu ya matumizi? * Je, data ilikamatwa kwa _uthabiti_ katika vyanzo mbalimbali vya data? * [Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) inachunguza kama muundo wa algorithimu unawabagua kwa mfumo maalum makundi fulani ya watu, na kusababisha [madhara yanayoweza kutokea](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) katika _ugawaji_ (ambapo rasilimali zinanyimwa au hazitolewi kwa kundi hilo) na _ubora wa huduma_ (ambapo AI haifanyi kazi kwa usahihi kwa baadhi ya makundi kama inavyofanya kwa mengine). Maswali ya kuzingatia hapa ni: * Je, tulipima usahihi wa modeli kwa makundi na hali mbalimbali? * Je, tulichunguza mfumo kwa madhara yanayoweza kutokea (mfano, ubaguzi)? * Je, tunaweza kurekebisha data au kufundisha upya modeli ili kupunguza madhara yaliyotambuliwa? Chunguza rasilimali kama [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ili kujifunza zaidi. #### 2.9 Upotoshaji [Upotoshaji wa Data](https://www.sciencedirect.com/topics/computer-science/misrepresentation) unahusu kujiuliza kama tunawasilisha maarifa kutoka kwa data iliyoripotiwa kwa uaminifu kwa njia ya udanganyifu ili kuunga mkono simulizi inayotakiwa. Maswali ya kuzingatia hapa ni: * Je, tunaripoti data isiyo kamili au isiyo sahihi? * Je, tunaonyesha data kwa njia inayosababisha hitimisho la kupotosha? * Je, tunatumia mbinu za takwimu za kuchagua ili kudanganya matokeo? * Je, kuna maelezo mbadala yanayoweza kutoa hitimisho tofauti? #### 2.10 Uchaguzi Huru [Udanganyifu wa Uchaguzi Huru](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) hutokea pale ambapo "miundo ya uchaguzi" ya mfumo hutumia algorithimu za kufanya maamuzi kuwashawishi watu kuchukua matokeo yanayopendelewa huku wakionekana kuwa na chaguo na udhibiti. [Mifumo ya giza](https://www.darkpatterns.org/) inaweza kusababisha madhara ya kijamii na kiuchumi kwa watumiaji. Kwa kuwa maamuzi ya watumiaji yanaathiri wasifu wa tabia, vitendo hivi vinaweza kuendesha chaguo za baadaye ambazo zinaweza kuongeza au kupanua madhara haya. Maswali ya kuzingatia hapa ni: * Je, mtumiaji alielewa athari za kufanya uchaguzi huo? * Je, mtumiaji alikuwa na ufahamu wa chaguo (mbadala) na faida & hasara za kila moja? * Je, mtumiaji anaweza kubatilisha uchaguzi uliofanywa kiotomatiki au ulioathiriwa baadaye? ### 3. Uchunguzi wa Matukio Ili kuweka changamoto hizi za kimaadili katika muktadha wa ulimwengu halisi, inasaidia kuangalia uchunguzi wa matukio unaoonyesha madhara na matokeo yanayoweza kutokea kwa watu binafsi na jamii, pale ambapo ukiukaji wa maadili hauzingatiwi. Hapa kuna mifano kadhaa: | Changamoto ya Maadili | Uchunguzi wa Tukio | |--- |--- | | **Idhini ya Habari** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Wanaume wa Kiafrika-Amerika waliokuwa washiriki wa utafiti waliahidiwa huduma ya matibabu _lakini walidanganywa_ na watafiti ambao hawakuwajulisha washiriki kuhusu utambuzi wao au upatikanaji wa matibabu. Washiriki wengi walikufa & wenzi au watoto waliathirika; utafiti ulidumu miaka 40. | | **Faragha ya Data** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) iliwapa watafiti _alama za filamu milioni 10 zilizofichwa kutoka kwa wateja 50,000_ ili kusaidia kuboresha algorithimu za mapendekezo. Hata hivyo, watafiti waliweza kuhusisha data iliyofichwa na data inayotambulika kibinafsi katika _seti za data za nje_ (mfano, maoni ya IMDb) - kwa ufanisi "kufichua" baadhi ya wateja wa Netflix.| | **Upendeleo wa Ukusanyaji** | 2013 - Jiji la Boston [liliunda Street Bump](https://www.boston.gov/transportation/street-bump), programu iliyowaruhusu raia kuripoti mashimo, ikilipa jiji data bora ya barabara kutambua na kurekebisha matatizo. Hata hivyo, [watu katika makundi ya kipato cha chini walikuwa na upatikanaji mdogo wa magari na simu](https://hbr.org/2013/04/the-hidden-biases-in-big-data), na kufanya matatizo yao ya barabara kuwa yasiyoonekana katika programu hii. Waendelezaji walifanya kazi na wasomi kushughulikia _masuala ya upatikanaji sawa na mgawanyiko wa kidijitali_ kwa haki. | | **Haki ya Algorithimu** | 2018 - Utafiti wa MIT [Gender Shades Study](http://gendershades.org/overview.html) ulitathmini usahihi wa bidhaa za AI za uainishaji wa jinsia, ukifichua mapungufu ya usahihi kwa wanawake na watu wa rangi. [Kadi ya Apple ya 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ilionekana kutoa mkopo mdogo kwa wanawake kuliko wanaume. Zote zilionyesha masuala ya upendeleo wa algorithimu yanayosababisha madhara ya kijamii na kiuchumi.| | **Upotoshaji wa Data** | 2020 - [Idara ya Afya ya Georgia ilitoa chati za COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ambazo zilionekana kupotosha raia kuhusu mwenendo wa kesi zilizothibitishwa kwa mpangilio usio wa kimaandishi kwenye mhimili wa x. Hii inaonyesha upotoshaji kupitia mbinu za kuonyesha. | | **Udanganyifu wa uchaguzi huru** | 2020 - Programu ya kujifunza [ABCmouse ililipa $10M kumaliza malalamiko ya FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ambapo wazazi walinaswa kulipa kwa usajili ambao hawakuweza kufuta. Hii inaonyesha mifumo ya giza katika miundo ya uchaguzi, ambapo watumiaji walishawishiwa kuchukua chaguo zinazoweza kuwa na madhara. | | **Faragha ya Data & Haki za Watumiaji** | 2021 - [Uvujaji wa Data wa Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ulifichua data kutoka kwa watumiaji milioni 530, na kusababisha makubaliano ya $5B na FTC. Hata hivyo, ilikataa kuwajulisha watumiaji kuhusu uvujaji huo, ikikiuka haki za watumiaji kuhusu uwazi wa data na upatikanaji. | Unataka kuchunguza uchunguzi zaidi wa matukio? Angalia rasilimali hizi: * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - changamoto za maadili katika sekta mbalimbali. * [Kozi ya Maadili ya Sayansi ya Data](https://www.coursera.org/learn/data-science-ethics#syllabus) - uchunguzi wa matukio muhimu unachunguzwa. * [Mahali mambo yameenda vibaya](https://deon.drivendata.org/examples/) - orodha ya Deon yenye mifano. > 🚨 Fikiria kuhusu uchunguzi wa matukio uliyoona - je, umewahi kukumbana au kuathiriwa na changamoto ya kimaadili kama hiyo maishani mwako? Je, unaweza kufikiria angalau uchunguzi mmoja wa tukio unaoonyesha mojawapo ya changamoto za kimaadili tulizojadili katika sehemu hii? ## Maadili ya Kazi Tumeelezea dhana za maadili, changamoto, na uchunguzi wa matukio katika muktadha wa ulimwengu halisi. Lakini tunaanzaje _kutumia_ kanuni na mazoea ya kimaadili katika miradi yetu? Na tunafanyaje _utekelezaji_ wa mazoea haya kwa utawala bora? Hebu tuchunguze suluhisho za ulimwengu halisi: ### 1. Kanuni za Kitaaluma Kanuni za Kitaaluma zinatoa chaguo moja kwa mashirika "kuhamasisha" wanachama kuunga mkono kanuni zao za kimaadili na taarifa ya dhamira. Kanuni ni _miongozo ya kimaadili_ kwa tabia ya kitaaluma, kusaidia wafanyakazi au wanachama kufanya maamuzi yanayolingana na kanuni za shirika lao. Zinategemea utii wa hiari kutoka kwa wanachama; hata hivyo, mashirika mengi hutoa tuzo na adhabu za ziada kuhamasisha utii kutoka kwa wanachama. Mifano ni pamoja na: * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kanuni za Maadili * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kanuni za Tabia (iliundwa 2013) * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (tangu 1993) > 🚨 Je, wewe ni mwanachama wa shirika la uhandisi au sayansi ya data? Chunguza tovuti yao ili kuona kama wanataja kanuni za kitaaluma za maadili. Hii inasema nini kuhusu kanuni zao za kimaadili? Wanahamasishaje wanachama kufuata kanuni hizo? ### 2. Orodha za Maadili Wakati kanuni za kitaaluma zinafafanua tabia ya _kimaadili_ inayohitajika kutoka kwa wataalamu, [zina mapungufu yanayojulikana](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) katika utekelezaji, hasa katika miradi mikubwa. Badala yake, wataalamu wengi wa Sayansi ya Data [wanapendekeza orodha za ukaguzi](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ambazo zinaweza **kuunganisha kanuni na mazoea** kwa njia za kimaamuzi na zinazoweza kutekelezwa. Orodha za ukaguzi hubadilisha maswali kuwa kazi za "ndiyo/hapana" zinazoweza kutekelezwa, na kuruhusu kufuatiliwa kama sehemu ya mtiririko wa kazi wa kawaida wa kutolewa bidhaa. Mifano ni pamoja na: * [Deon](https://deon.drivendata.org/) - orodha ya ukaguzi ya maadili ya data ya matumizi ya jumla iliyoundwa kutoka kwa [mapendekezo ya sekta](https://deon.drivendata.org/#checklist-citations) na zana ya mstari wa amri kwa urahisi wa ujumuishaji. * [Orodha ya Ukaguzi wa Ukaguzi wa Faragha](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - inatoa mwongozo wa jumla kwa mazoea ya kushughulikia taarifa kutoka kwa mitazamo ya kisheria na kijamii. * [Orodha ya Ukaguzi wa Haki ya AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - iliyoundwa na wataalamu wa AI kusaidia kupitishwa na ujumuishaji wa ukaguzi wa haki katika mizunguko ya maendeleo ya AI. * [Maswali 22 kwa maadili katika data na AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - mfumo wa wazi zaidi, uliopangwa kwa uchunguzi wa awali wa masuala ya kimaadili katika muundo, utekelezaji, na muktadha wa shirika. ### 3. Kanuni za Maadili Maadili yanahusu kufafanua maadili ya pamoja na kufanya jambo sahihi _kwa hiari_. **Utii** unahusu _kufuata sheria_ ikiwa na pale inapofafanuliwa. **Utawala** kwa ujumla unahusu njia zote ambazo mashirika yanafanya kazi kutekeleza kanuni za kimaadili na kufuata sheria zilizowekwa. Leo, utawala unachukua aina mbili ndani ya mashirika. Kwanza, ni kuhusu kufafanua kanuni za **AI ya kimaadili** na kuanzisha mazoea ya kutekeleza kupitishwa kwa miradi yote inayohusiana na AI katika shirika. Pili, ni kuhusu kufuata kanuni zote za serikali zinazohitajika za **ulinzi wa data** kwa maeneo inayoendesha. Mifano ya kanuni za ulinzi wa data na faragha: * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - inasimamia _serikali ya shirikisho_ ukusanyaji, matumizi, na ufichuzi wa taarifa za kibinafsi. * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - inalinda data ya afya ya kibinafsi. * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - inalinda faragha ya data ya watoto chini ya miaka 13. * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - inatoa haki za watumiaji, ulinzi wa data, na faragha. * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) inawapa watumiaji haki zaidi juu ya data yao (ya kibinafsi). * `2021`, Sheria ya [Ulinzi wa Taarifa za Kibinafsi ya China](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) imepitishwa, ikianzisha mojawapo ya kanuni kali zaidi za faragha ya data mtandaoni duniani. > 🚨 Umoja wa Ulaya ulifafanua GDPR (Kanuni ya Ulinzi wa Data ya Jumla) ambayo inabaki kuwa mojawapo ya kanuni zenye ushawishi mkubwa wa faragha ya data leo. Je, unajua pia inafafanua [haki 8 za watumiaji](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) kulinda faragha ya kidijitali na data ya kibinafsi ya raia? Jifunze kuhusu haki hizi ni zipi, na kwa nini zinajali. ### 4. Utamaduni wa Maadili Kumbuka kuwa kuna pengo lisiloonekana kati ya _utii_ (kufanya vya kutosha kufikia "barua ya sheria") na kushughulikia [masuala ya kimfumo](https://www.coursera.org/learn/data-science-ethics/home/week/4) (kama ugumu, usawa wa taarifa, na kutokuwepo kwa usawa wa usambazaji) ambayo yanaweza kuharakisha silaha ya AI. Hili linahitaji [njia za ushirikiano za kufafanua utamaduni wa maadili](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) zinazojenga uhusiano wa kihisia na maadili ya pamoja yanayolingana _katika mashirika_ katika sekta hiyo. Hii inahitaji zaidi [utamaduni rasmi wa maadili ya data](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) katika mashirika - kuruhusu _mtu yeyote_ [kuvuta kamba ya Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (kuibua wasiwasi wa kimaadili mapema katika mchakato) na kufanya _tathmini za kimaadili_ (mfano, katika kuajiri) kuwa kigezo cha msingi cha uundaji wa timu katika miradi ya AI. --- ## [Jaribio la baada ya somo](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯 ## Mapitio & Kujisomea Kozi na vitabu husaidia kuelewa dhana za msingi za maadili na changamoto, wakati uchunguzi wa matukio na zana husaidia na mazoea ya maadili yanayotumika katika muktadha wa ulimwengu halisi. Hapa kuna rasilimali chache za kuanza nazo. * [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - somo kuhusu Haki, kutoka Microsoft. * [Kanuni za AI Inayowajibika](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - njia ya kujifunza bila malipo kutoka Microsoft Learn. * [Maadili na Sayansi ya Takwimu](https://resources.oreilly.com/examples/0636920203964) - Kitabu cha O'Reilly (M. Loukides, H. Mason na wengineo) * [Maadili ya Sayansi ya Takwimu](https://www.coursera.org/learn/data-science-ethics#syllabus) - kozi ya mtandaoni kutoka Chuo Kikuu cha Michigan. * [Maadili Yaliyofafanuliwa](https://ethicsunwrapped.utexas.edu/case-studies) - masomo ya kesi kutoka Chuo Kikuu cha Texas. # Kazi [Andika Kisa cha Maadili ya Takwimu](assignment.md) --- **Kanusho**: Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati asilia katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.