# Úvod do datové etiky | ](../../sketchnotes/02-Ethics.png)| |:---:| | Etika datové vědy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | --- Jsme všichni datoví občané žijící v datovém světě. Tržní trendy naznačují, že do roku 2022 bude 1 z 3 velkých organizací nakupovat a prodávat svá data prostřednictvím online [tržišť a burz](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Jako **vývojáři aplikací** zjistíme, že je snazší a levnější integrovat poznatky založené na datech a automatizaci řízenou algoritmy do každodenních uživatelských zkušeností. Ale jak se AI stává všudypřítomnou, budeme také muset pochopit potenciální škody způsobené [zneužitím](https://www.youtube.com/watch?v=TQHs8SA1qpk) těchto algoritmů ve velkém měřítku. Trendy také naznačují, že do roku 2025 vytvoříme a spotřebujeme přes [180 zettabajtů](https://www.statista.com/statistics/871513/worldwide-data-created/) dat. Jako **datoví vědci** získáme bezprecedentní přístup k osobním údajům. To znamená, že můžeme vytvářet behaviorální profily uživatelů a ovlivňovat rozhodování způsoby, které vytvářejí [iluzi svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), zatímco potenciálně směřujeme uživatele k výsledkům, které preferujeme. To také vyvolává širší otázky týkající se ochrany soukromí a práv uživatelů. Datová etika je nyní _nezbytným ochranným opatřením_ pro datovou vědu a inženýrství, které nám pomáhá minimalizovat potenciální škody a nechtěné důsledky našich akcí založených na datech. [Gartnerův Hype Cycle pro AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuje relevantní trendy v digitální etice, odpovědné AI a správě AI jako klíčové faktory pro větší megatrendy kolem _demokratizace_ a _industrializace_ AI.  V této lekci prozkoumáme fascinující oblast datové etiky - od základních konceptů a výzev, přes případové studie až po aplikované koncepty AI, jako je správa - které pomáhají vytvořit kulturu etiky v týmech a organizacích pracujících s daty a AI. ## [Kvíz před přednáškou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 ## Základní definice Začněme pochopením základní terminologie. Slovo "etika" pochází z [řeckého slova "ethikos"](https://en.wikipedia.org/wiki/Ethics) (a jeho kořene "ethos"), což znamená _charakter nebo morální povaha_. **Etika** se týká sdílených hodnot a morálních principů, které řídí naše chování ve společnosti. Etika není založena na zákonech, ale na široce přijímaných normách toho, co je "správné vs. špatné". Etické úvahy však mohou ovlivnit iniciativy firemního řízení a vládní regulace, které vytvářejí více pobídek k dodržování pravidel. **Datová etika** je [nová odnož etiky](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), která "studuje a hodnotí morální problémy související s _daty, algoritmy a odpovídajícími praktikami_". Zde se **"data"** zaměřují na akce související s generováním, zaznamenáváním, kurátorstvím, zpracováním, šířením, sdílením a používáním, **"algoritmy"** se zaměřují na AI, agenty, strojové učení a roboty, a **"praktiky"** se zaměřují na témata jako odpovědné inovace, programování, hacking a etické kodexy. **Aplikovaná etika** je [praktická aplikace morálních úvah](https://en.wikipedia.org/wiki/Applied_ethics). Je to proces aktivního zkoumání etických otázek v kontextu _reálných akcí, produktů a procesů_ a přijímání nápravných opatření, aby tyto zůstaly v souladu s našimi definovanými etickými hodnotami. **Kultura etiky** se týká [_operacionalizace_ aplikované etiky](https://hbr.org/2019/05/how-to-design-an-ethical-organization), aby bylo zajištěno, že naše etické principy a praktiky jsou přijímány konzistentním a škálovatelným způsobem napříč celou organizací. Úspěšné kultury etiky definují celopodnikové etické principy, poskytují smysluplné pobídky k dodržování pravidel a posilují etické normy tím, že podporují a zesilují žádoucí chování na každé úrovni organizace. ## Koncepty etiky V této sekci budeme diskutovat koncepty jako **sdílené hodnoty** (principy) a **etické výzvy** (problémy) pro datovou etiku - a prozkoumáme **případové studie**, které vám pomohou pochopit tyto koncepty v reálných kontextech. ### 1. Principy etiky Každá strategie datové etiky začíná definováním _etických principů_ - "sdílených hodnot", které popisují přijatelné chování a řídí dodržování pravidel v našich projektech týkajících se dat a AI. Tyto principy můžete definovat na individuální nebo týmové úrovni. Nicméně většina velkých organizací je uvádí v _etickém AI_ prohlášení nebo rámci, který je definován na korporátní úrovni a důsledně prosazován napříč všemi týmy. **Příklad:** Prohlášení Microsoftu o [odpovědné AI](https://www.microsoft.com/en-us/ai/responsible-ai) zní: _"Jsme odhodláni k rozvoji AI řízené etickými principy, které staví lidi na první místo"_ - identifikující 6 etických principů v níže uvedeném rámci:  Pojďme si stručně prozkoumat tyto principy. _Transparentnost_ a _odpovědnost_ jsou základní hodnoty, na kterých jsou postaveny ostatní principy - začněme tedy zde: * [**Odpovědnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) činí praktiky _odpovědnými_ za jejich operace s daty a AI a za dodržování těchto etických principů. * [**Transparentnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zajišťuje, že akce týkající se dat a AI jsou _srozumitelné_ uživatelům, vysvětlující co a proč za rozhodnutími. * [**Spravedlnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - zaměřuje se na zajištění, že AI zachází _se všemi lidmi_ spravedlivě, řešící jakékoli systémové nebo implicitní socio-technické předsudky v datech a systémech. * [**Spolehlivost a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - zajišťuje, že AI se chová _konzistentně_ s definovanými hodnotami, minimalizuje potenciální škody nebo nechtěné důsledky. * [**Soukromí a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se týká pochopení původu dat a poskytování _ochrany soukromí a souvisejících práv_ uživatelům. * [**Inkluzivita**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se týká navrhování AI řešení s úmyslem, přizpůsobení je tak, aby splňovala _širokou škálu lidských potřeb_ a schopností. > 🚨 Zamyslete se nad tím, jaké by mohlo být vaše prohlášení o datové etice. Prozkoumejte etické AI rámce jiných organizací - zde jsou příklady od [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) a [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Jaké sdílené hodnoty mají společné? Jak se tyto principy vztahují k AI produktům nebo odvětvím, ve kterých působí? ### 2. Výzvy etiky Jakmile máme definované etické principy, dalším krokem je vyhodnotit naše akce týkající se dat a AI, zda jsou v souladu s těmito sdílenými hodnotami. Zamyslete se nad svými akcemi ve dvou kategoriích: _sběr dat_ a _návrh algoritmů_. Při sběru dat budou akce pravděpodobně zahrnovat **osobní údaje** nebo osobně identifikovatelné informace (PII) pro identifikovatelné živé jednotlivce. To zahrnuje [různé položky neosobních dat](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), které _společně_ identifikují jednotlivce. Etické výzvy se mohou týkat _ochrany soukromí_, _vlastnictví dat_ a souvisejících témat, jako je _informovaný souhlas_ a _práva duševního vlastnictví_ uživatelů. Při návrhu algoritmů budou akce zahrnovat sběr a kurátorství **datových sad**, poté jejich použití k trénování a nasazení **datových modelů**, které předpovídají výsledky nebo automatizují rozhodování v reálných kontextech. Etické výzvy mohou vzniknout z _předsudků v datových sadách_, _problémů s kvalitou dat_, _nespravedlnosti_ a _zkreslení_ v algoritmech - včetně některých problémů, které jsou systémové povahy. V obou případech etické výzvy zdůrazňují oblasti, kde naše akce mohou narazit na konflikt s našimi sdílenými hodnotami. Abychom tyto obavy odhalili, zmírnili, minimalizovali nebo odstranili, musíme si klást morální otázky typu "ano/ne" týkající se našich akcí a poté přijmout nápravná opatření podle potřeby. Podívejme se na některé etické výzvy a morální otázky, které vyvolávají: #### 2.1 Vlastnictví dat Sběr dat často zahrnuje osobní údaje, které mohou identifikovat subjekty dat. [Vlastnictví dat](https://permission.io/blog/data-ownership) se týká _kontroly_ a [_práv uživatelů_](https://permission.io/blog/data-ownership) souvisejících s vytvářením, zpracováním a šířením dat. Morální otázky, které je třeba si položit, jsou: * Kdo vlastní data? (uživatel nebo organizace) * Jaká práva mají subjekty dat? (např. přístup, vymazání, přenositelnost) * Jaká práva mají organizace? (např. oprava škodlivých uživatelských recenzí) #### 2.2 Informovaný souhlas [Informovaný souhlas](https://legaldictionary.net/informed-consent/) definuje akt, kdy uživatelé souhlasí s akcí (např. sběrem dat) s _plným pochopením_ relevantních faktů, včetně účelu, potenciálních rizik a alternativ. Otázky k prozkoumání zde jsou: * Dal uživatel (subjekt dat) povolení ke sběru a použití dat? * Rozuměl uživatel účelu, pro který byla data sbírána? * Rozuměl uživatel potenciálním rizikům z účasti? #### 2.3 Duševní vlastnictví [Duševní vlastnictví](https://en.wikipedia.org/wiki/Intellectual_property) se týká nehmotných výtvorů vzniklých z lidské iniciativy, které mohou mít _ekonomickou hodnotu_ pro jednotlivce nebo firmy. Otázky k prozkoumání zde jsou: * Měla shromážděná data ekonomickou hodnotu pro uživatele nebo firmu? * Má zde **uživatel** duševní vlastnictví? * Má zde **organizace** duševní vlastnictví? * Pokud tato práva existují, jak je chráníme? #### 2.4 Ochrana soukromí dat [Ochrana soukromí dat](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) nebo informační soukromí se týká zachování soukromí uživatelů a ochrany identity uživatelů ve vztahu k osobně identifikovatelným informacím. Otázky k prozkoumání zde jsou: * Jsou data uživatelů (osobní) zabezpečena proti hackům a únikům? * Jsou data uživatelů přístupná pouze autorizovaným uživatelům a kontextům? * Je anonymita uživatelů zachována při sdílení nebo šíření dat? * Lze uživatele de-identifikovat z anonymizovaných datových sad? #### 2.5 Právo být zapomenut [Právo být zapomenut](https://en.wikipedia.org/wiki/Right_to_be_forgotten) nebo [právo na vymazání](https://www.gdpreu.org/right-to-be-forgotten/) poskytuje uživatelům dodatečnou ochranu osobních údajů. Konkrétně dává uživatelům právo požadovat smazání nebo odstranění osobních údajů z internetových vyhledávání a jiných míst, _za specifických okolností_ - umožňující jim nový začátek online bez toho, aby byly jejich minulé akce proti nim použity. Otázky k prozkoumání zde jsou: * Umožňuje systém subjektům dat požádat o vymazání? * Měl by odvolání souhlasu uživatele automaticky spustit vymazání? * Byla data sbírána bez souhlasu nebo nezákonnými prostředky? * Jsme v souladu s vládními regulacemi pro ochranu soukromí dat? #### 2.6 Předsudky v datových sadách Předsudky v datových sadách nebo [předsudky při sběru](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) se týkají výběru _nereprezentativního_ podmnožiny dat pro vývoj algoritmů, což může vytvářet potenciální nespravedlnost ve výsledcích pro různé skupiny. Typy předsudků zahrnují výběrové nebo vzorkovací předsudky, dobrovolnické předsudky a předsudky nástrojů. Otázky k prozkoumání zde jsou: * Rekrutovali jsme reprezentativní sadu subjektů dat? * Testovali jsme naši shromážděnou nebo kurátorovanou datovou sadu na různé předsudky? * Můžeme zmírnit nebo odstranit jakékoli objevené předsudky? #### 2.7 Kvalita dat [Kvalita dat](https://lakefs.io/data-quality-testing/) se zaměřuje na platnost kurátorované datové sady použité k vývoji našich algoritmů, kontroluje, zda funkce a záznamy splňují požadavky na úroveň přesnosti a konzistence potřebnou pro náš AI účel. Otázky k prozk [Algorithmická spravedlnost](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) zkoumá, zda návrh algoritmu systematicky nediskriminuje specifické podskupiny subjektů dat, což může vést k [potenciálním škodám](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) v _alokaci_ (kdy jsou zdroje odepřeny nebo zadrženy této skupině) a _kvalitě služeb_ (kdy AI není tak přesná pro některé podskupiny jako pro jiné). Otázky k zamyšlení: * Hodnotili jsme přesnost modelu pro různé podskupiny a podmínky? * Zkoumali jsme systém kvůli možným škodám (např. stereotypizaci)? * Můžeme upravit data nebo znovu natrénovat modely, abychom zmírnili identifikované škody? Prozkoumejte zdroje, jako jsou [kontrolní seznamy spravedlnosti AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), abyste se dozvěděli více. #### 2.9 Zkreslení dat [Zkreslení dat](https://www.sciencedirect.com/topics/computer-science/misrepresentation) se týká otázky, zda komunikujeme poznatky z poctivě hlášených dat klamavým způsobem, abychom podpořili požadovaný narativ. Otázky k zamyšlení: * Zveřejňujeme neúplná nebo nepřesná data? * Vizualizujeme data způsobem, který vede k zavádějícím závěrům? * Používáme selektivní statistické techniky k manipulaci s výsledky? * Existují alternativní vysvětlení, která mohou nabídnout jiný závěr? #### 2.10 Svobodná volba [Iluze svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) nastává, když "architektury volby" systému používají algoritmy rozhodování k ovlivnění lidí, aby přijali preferovaný výsledek, zatímco se zdá, že jim dávají možnosti a kontrolu. Tyto [temné vzory](https://www.darkpatterns.org/) mohou způsobit sociální a ekonomické škody uživatelům. Protože rozhodnutí uživatelů ovlivňují profily chování, tyto akce mohou potenciálně řídit budoucí volby, které mohou zesílit nebo rozšířit dopad těchto škod. Otázky k zamyšlení: * Rozuměl uživatel důsledkům svého rozhodnutí? * Byl uživatel informován o (alternativních) možnostech a jejich výhodách a nevýhodách? * Může uživatel později zvrátit automatizované nebo ovlivněné rozhodnutí? ### 3. Případové studie Abychom uvedli tyto etické výzvy do kontextu reálného světa, je užitečné podívat se na případové studie, které zdůrazňují potenciální škody a důsledky pro jednotlivce a společnost, pokud jsou tyto etické problémy přehlíženy. Zde je několik příkladů: | Etická výzva | Případová studie | |--- |--- | | **Informovaný souhlas** | 1972 - [Studie syfilis v Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroameričtí muži, kteří se studie zúčastnili, byli slibováni bezplatnou lékařskou péči, _ale byli podvedeni_ výzkumníky, kteří jim neřekli o jejich diagnóze nebo dostupnosti léčby. Mnoho subjektů zemřelo a jejich partneři či děti byli ovlivněni; studie trvala 40 let. | | **Ochrana dat** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) poskytla výzkumníkům _10M anonymizovaných hodnocení filmů od 50K zákazníků_, aby pomohla zlepšit doporučovací algoritmy. Výzkumníci však byli schopni propojit anonymizovaná data s osobně identifikovatelnými daty v _externích datových sadách_ (např. komentáře na IMDb) - efektivně "de-anonymizovali" některé předplatitele Netflixu.| | **Sběr dat s předsudky** | 2013 - Město Boston [vyvinulo Street Bump](https://www.boston.gov/transportation/street-bump), aplikaci, která umožnila občanům hlásit výmoly, čímž město získalo lepší údaje o silnicích pro řešení problémů. Nicméně [lidé z nižších příjmových skupin měli menší přístup k autům a telefonům](https://hbr.org/2013/04/the-hidden-biases-in-big-data), což činilo jejich problémy na silnicích neviditelnými v této aplikaci. Vývojáři spolupracovali s akademiky na _problémech rovného přístupu a digitálních rozdílů_ pro spravedlnost. | | **Algoritmická spravedlnost** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) hodnotila přesnost AI produktů pro klasifikaci pohlaví, odhalila mezery v přesnosti pro ženy a osoby jiné barvy pleti. [Apple Card z roku 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) se zdála nabízet méně úvěru ženám než mužům. Oba případy ilustrují problémy algoritmické zaujatosti vedoucí k socio-ekonomickým škodám.| | **Zkreslení dat** | 2020 - [Ministerstvo zdravotnictví státu Georgia zveřejnilo grafy COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), které se zdály zavádět občany ohledně trendů potvrzených případů s nechronologickým uspořádáním na ose x. To ilustruje zkreslení prostřednictvím vizualizačních triků. | | **Iluze svobodné volby** | 2020 - Vzdělávací aplikace [ABCmouse zaplatila 10M USD za urovnání stížnosti FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kde rodiče byli uvězněni v platbách za předplatné, které nemohli zrušit. To ilustruje temné vzory v architekturách volby, kde byli uživatelé ovlivněni k potenciálně škodlivým rozhodnutím. | | **Ochrana dat a práva uživatelů** | 2021 - Facebook [Únik dat](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) odhalil data 530M uživatelů, což vedlo k urovnání ve výši 5B USD s FTC. Nicméně odmítl informovat uživatele o úniku, čímž porušil práva uživatelů na transparentnost a přístup k datům. | Chcete prozkoumat více případových studií? Podívejte se na tyto zdroje: * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etické dilemata napříč různými odvětvími. * [Kurz etiky datové vědy](https://www.coursera.org/learn/data-science-ethics#syllabus) - přehled klíčových případových studií. * [Kde se věci pokazily](https://deon.drivendata.org/examples/) - kontrolní seznam Deon s příklady. > 🚨 Zamyslete se nad případovými studiemi, které jste viděli - zažili jste nebo byli ovlivněni podobnou etickou výzvou ve svém životě? Dokážete si vzpomenout na alespoň jednu další případovou studii, která ilustruje jednu z etických výzev, o kterých jsme diskutovali v této sekci? ## Aplikovaná etika Diskutovali jsme o etických konceptech, výzvách a případových studiích v kontextu reálného světa. Ale jak začít _aplikovat_ etické principy a praktiky ve svých projektech? A jak _zavést_ tyto praktiky pro lepší řízení? Pojďme prozkoumat některá řešení z reálného světa: ### 1. Profesní kodexy Profesní kodexy nabízejí jednu možnost, jak organizace mohou "motivovat" členy k podpoře svých etických principů a poslání. Kodexy jsou _morálními pokyny_ pro profesní chování, které pomáhají zaměstnancům nebo členům činit rozhodnutí v souladu s principy jejich organizace. Jsou účinné pouze tehdy, pokud členové dobrovolně dodržují; mnoho organizací však nabízí další odměny a sankce, aby motivovaly členy k dodržování. Příklady zahrnují: * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Etický kodex * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kodex chování (vytvořen 2013) * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (od roku 1993) > 🚨 Jste členem profesní organizace pro inženýry nebo datové vědce? Prozkoumejte jejich web, zda definují profesní kodex etiky. Co říká o jejich etických principech? Jak motivují členy k dodržování kodexu? ### 2. Kontrolní seznamy etiky Zatímco profesní kodexy definují požadované _etické chování_ od praktikujících, mají [známá omezení](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) v prosazování, zejména u rozsáhlých projektů. Místo toho mnoho odborníků na datovou vědu [doporučuje kontrolní seznamy](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), které mohou **propojit principy s praxí** deterministickým a akčním způsobem. Kontrolní seznamy převádějí otázky na úkoly "ano/ne", které lze operacionalizovat, což umožňuje jejich sledování jako součást standardních pracovních postupů při vydávání produktů. Příklady zahrnují: * [Deon](https://deon.drivendata.org/) - obecný kontrolní seznam etiky dat vytvořený na základě [doporučení z průmyslu](https://deon.drivendata.org/#checklist-citations) s nástrojem příkazového řádku pro snadnou integraci. * [Kontrolní seznam auditu ochrany soukromí](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - poskytuje obecné pokyny pro postupy nakládání s informacemi z právního a sociálního hlediska. * [Kontrolní seznam spravedlnosti AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - vytvořený odborníky na AI na podporu přijetí a integrace kontrol spravedlnosti do vývojových cyklů AI. * [22 otázek pro etiku v datech a AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otevřenější rámec, strukturovaný pro počáteční zkoumání etických problémů v designu, implementaci a organizačních kontextech. ### 3. Regulace etiky Etika je o definování sdílených hodnot a dobrovolném dělání správných věcí. **Dodržování předpisů** je o _dodržování zákona_, pokud je definován. **Řízení** obecně pokrývá všechny způsoby, jakými organizace fungují, aby prosazovaly etické principy a dodržovaly stanovené zákony. Dnes řízení nabývá dvou forem v rámci organizací. Za prvé, jde o definování principů **etické AI** a zavedení praktik pro operacionalizaci přijetí napříč všemi projekty souvisejícími s AI v organizaci. Za druhé, jde o dodržování všech vládou nařízených **regulací ochrany dat** pro regiony, ve kterých organizace působí. Příklady regulací ochrany dat a soukromí: * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - reguluje _federální vládu_ při sběru, používání a zveřejňování osobních informací. * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - chrání osobní zdravotní údaje. * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - chrání soukromí dat dětí mladších 13 let. * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - poskytuje práva uživatelů, ochranu dat a soukromí. * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - dává spotřebitelům více _práv_ nad jejich (osobními) daty. * `2021`, Čína [Zákon o ochraně osobních údajů](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) právě schválila, čímž vytvořila jednu z nejsilnějších regulací online ochrany dat na světě. > 🚨 Evropská unie definovala GDPR (General Data Protection Regulation), který zůstává jednou z nejvlivnějších regulací ochrany dat dnes. Věděli jste, že také definuje [8 práv uživatelů](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) na ochranu digitálního soukromí a osobních dat občanů? Zjistěte, co to jsou a proč jsou důležitá. ### 4. Etická kultura Je třeba poznamenat, že stále existuje nehmotná mezera mezi _dodržováním předpisů_ (děláním dostatečného pro splnění "litery zákona") a řešením [systémových problémů](https://www.coursera.org/learn/data-science-ethics/home/week/4) (jako je zkostnatělost, informační asymetrie a distribuční nespravedlnost), které mohou urychlit zneužití AI. To druhé vyžaduje [spolupráci na definování etických kultur](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), které budují emocionální spojení a konzistentní sdílené hodnoty _napříč organizacemi_ v průmyslu. To volá po více [formalizovaných kulturách etiky dat](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizacích - umožňující _komukoliv_ [zatáhnout za Andon šňůru](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (aby včas upozornil na etické problémy) a učinit _etické hodnocení_ (např. při náboru) klíčovým kritériem pro formování týmů v projektech AI. --- ## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ds/) 🎯 ## Přehled a samostudium Kurzy a knihy pomáhají pochopit základní etické koncepty a výzvy, zatímco případové studie a nástroje pomáhají s aplikovanými etickými praktikami v reálném světě. Zde je několik zdrojů, se kterými můžete začít. * [Strojové učení pro začátečníky](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekce o spravedlnosti od Microsoftu. * [Principy odpovědné AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - bezplatná vzdělávací cesta od Microsoft Learn. * [Etika a datová věda](https://resources.oreilly.com/examples/0636920203964) - EBook od O'Reilly (M. Loukides, H. Mason a kol.) * [Etika datové vědy](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurz od University of Michigan. * [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - případové studie od University of Texas. # Úkol [Sepsání případové studie o etice dat](assignment.md) --- **Prohlášení**: Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.