You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
229 lines
58 KiB
229 lines
58 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
|
|
"translation_date": "2025-10-11T15:37:09+00:00",
|
|
"source_file": "1-Introduction/02-ethics/README.md",
|
|
"language_code": "ta"
|
|
}
|
|
-->
|
|
# தரவுத் தார்மீகத்தின் அறிமுகம்
|
|
|
|
| ](../../sketchnotes/02-Ethics.png)|
|
|
|:---:|
|
|
| தரவியல் தார்மீகம் - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
---
|
|
|
|
நாம் அனைவரும் தரவுகளால் நிரம்பிய உலகில் வாழும் தரவுப் பிரஜைகள்.
|
|
|
|
சந்தை போக்குகள் 2022க்குள், பெரிய நிறுவனங்களில் 1-ல் 3 தரவுகளை ஆன்லைன் [சந்தைகள் மற்றும் பரிமாற்றங்கள்](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) மூலம் வாங்கவும் விற்கவும் செய்யும் என்று கூறுகின்றன. **ஆப் டெவலப்பர்கள்** ஆக, தரவுகளின் அடிப்படையில் உள்ள பார்வைகள் மற்றும் ஆல்கொரிதம் சார்ந்த தானியக்கத்தை தினசரி பயனர் அனுபவங்களில் ஒருங்கிணைப்பது எளிதாகவும் மலிவாகவும் இருக்கும். ஆனால் AI பரவலாக மாறும்போது, இவ்வாறான ஆல்கொரிதங்களை [ஆயுதமாக்கல்](https://www.youtube.com/watch?v=TQHs8SA1qpk) மூலம் ஏற்படும் பாதிப்புகளை புரிந்துகொள்ளவும் தேவைப்படும்.
|
|
|
|
2025க்குள், நாம் [180 ஜெட்டாபைட்ஸ்](https://www.statista.com/statistics/871513/worldwide-data-created/) அளவிலான தரவுகளை உருவாக்கி, பயன்படுத்துவோம் என்று போக்குகள் கூறுகின்றன. **தரவியல் விஞ்ஞானிகள்** க்காக, இந்த தகவல்களின் வெடிப்பு தனிப்பட்ட மற்றும் நடத்தை சார்ந்த தரவுகளுக்கு முன்னெப்போதும் இல்லாத அளவிலான அணுகலை வழங்குகிறது. இதன் மூலம் பயனர் சுயவிவரங்களை விரிவாக உருவாக்கவும், முடிவெடுப்பதில் நுண்ணிய தாக்கத்தை ஏற்படுத்தவும் சக்தி கிடைக்கிறது—இது [சுதந்திரமான தேர்வின் மாயை](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) உருவாக்குவதற்கான வழிகளில் பெரும்பாலும் பயன்படுத்தப்படுகிறது. இது பயனர்களை விரும்பிய முடிவுகளுக்கு தூண்டுவதற்காக பயன்படுத்தப்படலாம், ஆனால் இது தரவின் தனியுரிமை, சுயாதீனம் மற்றும் ஆல்கொரிதம் தாக்கத்தின் தார்மீக எல்லைகள் பற்றிய முக்கியமான கேள்விகளை எழுப்புகிறது.
|
|
|
|
தரவுத் தார்மீகங்கள் இப்போது தரவியல் மற்றும் பொறியியல் துறைகளுக்கு _தேவையான பாதுகாப்பு வழிகாட்டுதல்களாக_ மாறியுள்ளன, இது தரவின் அடிப்படையில் எடுக்கப்படும் நடவடிக்கைகளால் ஏற்படும் பாதிப்புகள் மற்றும் எதிர்பாராத விளைவுகளை குறைக்க உதவுகிறது. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) டிஜிட்டல் தார்மீகம், பொறுப்பான AI மற்றும் AI ஆளுமை ஆகியவற்றில் தொடர்புடைய போக்குகளை அடையாளம் காண்கிறது, இது AI-யின் _மக்களுக்கான_ மற்றும் _தொழில்துறைமயமாக்கல்_ போன்ற பெரிய போக்குகளுக்கு முக்கிய இயக்கிகளாக உள்ளது.
|
|
|
|
|
|
|
|
இந்த பாடத்தில், தரவுத் தார்மீகத்தின் ஆர்வமூட்டும் பகுதியை ஆராய்வோம் - முக்கிய கருத்துகள் மற்றும் சவால்கள் முதல், வழக்குக் கதைகள் மற்றும் ஆளுமை சார்ந்த AI கருத்துகள் வரை - இது தரவுகள் மற்றும் AI-யுடன் பணிபுரியும் குழுக்கள் மற்றும் நிறுவனங்களில் தார்மீக கலாச்சாரத்தை நிறுவ உதவுகிறது.
|
|
|
|
|
|
|
|
|
|
## [பாடத்திற்கு முன் வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
|
|
|
## அடிப்படை வரையறைகள்
|
|
|
|
முதலில் அடிப்படை சொற்களைப் புரிந்துகொள்வோம்.
|
|
|
|
"தார்மீகம்" என்ற சொல் [கிரேக்க சொல் "ethikos"](https://en.wikipedia.org/wiki/Ethics) (அதன் மூலமான "ethos") என்பதிலிருந்து வந்தது, இது _குணம் அல்லது நெறிமுறை இயல்பு_ என்று பொருள்.
|
|
|
|
**தார்மீகம்** என்பது சமுதாயத்தில் நமது நடத்தைக்கு வழிகாட்டும் பகிர்ந்த மதிப்புகள் மற்றும் நெறிமுறைகள் பற்றியது. தார்மீகம் சட்டங்களின் அடிப்படையில் அல்ல, ஆனால் "சரியானது vs. தவறானது" என்று பரவலாக ஏற்றுக்கொள்ளப்பட்ட தரநிலைகளின் அடிப்படையில் உள்ளது. இருப்பினும், தார்மீகக் கருத்துக்கள் நிறுவன ஆளுமை முயற்சிகள் மற்றும் அரசாங்க விதிமுறைகளைத் தாக்கம் செலுத்தி, இணக்கத்திற்கான அதிக ஊக்கங்களை உருவாக்க உதவலாம்.
|
|
|
|
**தரவுத் தார்மீகம்** என்பது [_தரவு, ஆல்கொரிதங்கள் மற்றும் தொடர்புடைய நடைமுறைகள்_](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) தொடர்பான நெறிமுறை சிக்கல்களை "ஆராய்ந்து மதிப்பீடு செய்யும்" [_புதிய தார்மீகக் கிளை_](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ஆகும். இங்கு, **"தரவு"** என்பது உருவாக்கம், பதிவு, பராமரிப்பு, செயலாக்கம், பரவல், பகிர்வு மற்றும் பயன்பாட்டுடன் தொடர்புடைய நடவடிக்கைகளை மையமாகக் கொண்டது, **"ஆல்கொரிதங்கள்"** என்பது AI, முகவர்கள், இயந்திரக் கற்றல் மற்றும் ரோபோக்களை மையமாகக் கொண்டது, மற்றும் **"நடைமுறைகள்"** என்பது பொறுப்பான புதுமை, நிரலாக்கம், ஹாக்கிங் மற்றும் தார்மீகக் குறியீடுகள் போன்ற தலைப்புகளை மையமாகக் கொண்டது.
|
|
|
|
**பயன்பாட்டு தார்மீகம்** என்பது [_நெறிமுறை கருத்துக்களின் நடைமுறை பயன்பாடு_](https://en.wikipedia.org/wiki/Applied_ethics) ஆகும். இது _உண்மையான உலக நடவடிக்கைகள், தயாரிப்புகள் மற்றும் செயல்முறைகள்_ தொடர்பான தார்மீக சிக்கல்களைச் சுறுசுறுப்பாக ஆராய்வதற்கும், அவை நமது வரையறுக்கப்பட்ட தார்மீக மதிப்புகளுடன் இணைந்திருப்பதை உறுதிப்படுத்துவதற்கும் திருத்த நடவடிக்கைகளை எடுப்பதற்கும் உள்ள செயல்முறையாகும்.
|
|
|
|
**தார்மீக கலாச்சாரம்** என்பது [_பயன்பாட்டு தார்மீகத்தை செயல்படுத்துவது_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) பற்றியது, இது நமது தார்மீகக் கொள்கைகள் மற்றும் நடைமுறைகள் முழு நிறுவனத்திலும் ஒரே மாதிரியான மற்றும் பரவலாக ஏற்றுக்கொள்ளப்படுவதை உறுதிப்படுத்துகிறது. வெற்றிகரமான தார்மீக கலாச்சாரங்கள் நிறுவன அளவிலான தார்மீகக் கொள்கைகளை வரையறுக்கின்றன, இணக்கத்திற்கான பொருத்தமான ஊக்கங்களை வழங்குகின்றன, மற்றும் நிறுவனத்தின் ஒவ்வொரு நிலைமையிலும் விரும்பிய நடத்தை ஊக்குவித்து மற்றும் வலுப்படுத்துவதன் மூலம் தார்மீக தரநிலைகளை உறுதிப்படுத்துகின்றன.
|
|
|
|
|
|
## தார்மீகக் கருத்துக்கள்
|
|
|
|
இந்த பிரிவில், **பகிர்ந்த மதிப்புகள்** (கொள்கைகள்) மற்றும் **தார்மீக சவால்கள்** (சிக்கல்கள்) போன்ற கருத்துக்களைத் தரவுத் தார்மீகத்திற்காக விவாதிப்போம் - மற்றும் **வழக்குக் கதைகள்** மூலம் இந்த கருத்துக்களை உண்மையான உலக சூழல்களில் புரிந்துகொள்ள உதவுவோம்.
|
|
|
|
### 1. தார்மீகக் கொள்கைகள்
|
|
|
|
ஒவ்வொரு தரவுத் தார்மீகத் திட்டமும் _தார்மீகக் கொள்கைகளை_ வரையறுத்து தொடங்குகிறது - இது "பகிர்ந்த மதிப்புகள்" ஆகும், இது ஏற்றுக்கொள்ளக்கூடிய நடத்தை மற்றும் நமது தரவு மற்றும் AI திட்டங்களில் இணக்கமான நடவடிக்கைகளை வழிகாட்டுகிறது. நீங்கள் இதை தனிநபர் அல்லது குழு மட்டத்தில் வரையறுக்கலாம். இருப்பினும், பெரும்பாலான பெரிய நிறுவனங்கள் இதை _தார்மீக AI_ மிஷன் அறிக்கையிலோ அல்லது அமைப்பின் அளவிலான தார்மீகக் கட்டமைப்பிலோ வரையறுத்து, அனைத்து குழுக்களிலும் ஒரே மாதிரியான முறையில் அமல்படுத்துகின்றன.
|
|
|
|
**உதாரணம்:** Microsoft இன் [பொறுப்பான AI](https://www.microsoft.com/en-us/ai/responsible-ai) மிஷன் அறிக்கை: _"நாங்கள் மனிதர்களை முதலில் வைக்கும் தார்மீகக் கொள்கைகளால் இயக்கப்படும் AI முன்னேற்றத்திற்கு அர்ப்பணிக்கப்பட்டுள்ளோம்"_ - என 6 தார்மீகக் கொள்கைகளை கீழே உள்ள கட்டமைப்பில் அடையாளம் காண்கிறது:
|
|
|
|
|
|
|
|
இந்த கொள்கைகளை சுருக்கமாக ஆராய்வோம். _தெளிவுத்தன்மை_ மற்றும் _கணக்கெடுப்பு_ ஆகியவை அடிப்படை மதிப்புகள், மற்ற கொள்கைகள் இவற்றின் மீது கட்டமைக்கப்பட்டுள்ளன - எனவே இவற்றிலிருந்து தொடங்குவோம்:
|
|
|
|
* [**கணக்கெடுப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகளுக்கான பொறுப்பை மேற்கொள்வதற்கும், இந்த தார்மீகக் கொள்கைகளுடன் இணக்கமாக செயல்படுவதற்கும் பயிற்சியாளர்களை _பொறுப்பாளராக_ ஆக்குகிறது.
|
|
* [**தெளிவுத்தன்மை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகள் பயனர்களுக்கு _புரிந்துகொள்ளக்கூடிய_ (விளக்கக்கூடிய)தாக இருக்க வேண்டும், முடிவுகளின் பின்னால் உள்ள என்ன மற்றும் ஏன் என்பதை விளக்குகிறது.
|
|
* [**நியாயம்**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI அனைத்து மக்களையும் _நியாயமாக_ நடத்துவதை உறுதிப்படுத்துகிறது, தரவுகள் மற்றும் அமைப்புகளில் உள்ள எந்த அமைப்புசார் அல்லது மறைமுக சமூக-தொழில்நுட்ப பாகுபாடுகளையும் தீர்க்கிறது.
|
|
* [**நம்பகத்தன்மை மற்றும் பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI வரையறுக்கப்பட்ட மதிப்புகளுடன் _சீராக_ நடந்து கொள்வதை உறுதிப்படுத்துகிறது, சாத்தியமான பாதிப்புகள் அல்லது எதிர்பாராத விளைவுகளை குறைக்கிறது.
|
|
* [**தனியுரிமை மற்றும் பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - தரவின் வரலாற்றை புரிந்துகொள்வது மற்றும் பயனர்களுக்கு _தரவு தனியுரிமை மற்றும் தொடர்புடைய பாதுகாப்புகளை_ வழங்குவது பற்றியது.
|
|
* [**ஒப்புமை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI தீர்வுகளை நோக்கத்துடன் வடிவமைப்பது, அவற்றை _பெரிய அளவிலான மனித தேவைகள்_ மற்றும் திறன்களை பூர்த்தி செய்யத் தகுந்ததாக மாற்றுவது பற்றியது.
|
|
|
|
> 🚨 உங்கள் தரவுத் தார்மீக மிஷன் அறிக்கை என்னவாக இருக்க முடியும் என்று யோசிக்கவும். பிற நிறுவனங்களின் தார்மீக AI கட்டமைப்புகளை ஆராயவும் - இங்கே [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), மற்றும் [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ஆகியவற்றின் உதாரணங்கள் உள்ளன. அவற்றில் பொதுவாக உள்ள பகிர்ந்த மதிப்புகள் என்ன? அவற்றின் கொள்கைகள் அவர்கள் செயல்படும் AI தயாரிப்பு அல்லது தொழில்துறைக்கு எப்படி தொடர்புடையவை?
|
|
|
|
### 2. தார்மீக சவால்கள்
|
|
|
|
தார்மீகக் கொள்கைகளை வரையறுத்த பிறகு, அடுத்த படி, நமது தரவு மற்றும் AI நடவடிக்கைகள் அந்த பகிர்ந்த மதிப்புகளுடன் இணக்கமாக உள்ளதா என்பதை மதிப்பீடு செய்வது. உங்கள் நடவடிக்கைகளை இரண்டு வகைகளில் யோசிக்கவும்: _தரவு சேகரிப்பு_ மற்றும் _ஆல்கொரிதம் வடிவமைப்பு_.
|
|
|
|
தரவு சேகரிப்பில், நடவடிக்கைகள் **தனிப்பட்ட தரவுகள்** அல்லது தனிப்பட்ட அடையாளத் தகவல்கள் (PII) உடன் தொடர்புடையதாக இருக்கும், இது வாழும் தனிப்பட்ட நபர்களை அடையாளம் காண முடியும். இது [_தனிப்பட்ட தரவுகளின் பல்வேறு உருப்படிகள்_](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) உடையது, இது _கூட்டு_ ஒரு நபரை அடையாளம் காண்கிறது. தார்மீக சவால்கள் _தரவு தனியுரிமை_, _தரவு உரிமை_, மற்றும் _தகவலறிந்த ஒப்புதல்_ மற்றும் _மூலதன உரிமைகள்_ போன்ற தொடர்புடைய தலைப்புகளுடன் தொடர்புடையதாக இருக்கலாம்.
|
|
|
|
ஆல்கொரிதம் வடிவமைப்பில், நடவடிக்கைகள் **தரவுத் தொகுப்புகளை** சேகரித்து மற்றும் பராமரித்து, பின்னர் அவற்றை **தரவு மாதிரிகளை** பயிற்சி மற்றும் வெளியிடுவதற்காக பயன்படுத்தி, உண்மையான உலக சூழல்களில் முடிவுகளை கணிக்க அல்லது தானியக்க முடிவுகளை எடுக்க பயன்படுத்தப்படும். _தரவுத் தொகுப்பு பாகுபாடு_, _தரவு தரம்_ சிக்கல்கள், _நியாயமின்மை_, மற்றும் _தவறான விளக்கம்_ ஆகியவற்றால் ஏற்படும் சவால்கள் - சில சிக்கல்கள் அமைப்புசார் இயல்புடையவை.
|
|
|
|
இரண்டு வழிகளிலும், தார்மீக சவால்கள் நமது நடவடிக்கைகள் பகிர்ந்த மதிப்புகளுடன் முரண்படக்கூடிய பகுதிகளை வெளிப்படுத்துகின்றன. இந்த கவலைகளை கண்டறிய, குறைக்க, குறைக்க அல்லது நீக்க, நமது நடவடிக்கைகளுடன் தொடர்புடைய தார்மீக "ஆம்/இல்லை" கேள்விகளை கேட்கவும், பின்னர் தேவையான திருத்த நடவடிக்கைகளை எடுக்கவும். சில தார்மீக சவால்களையும் அவை எழுப்பும் தார்மீக கேள்விகளையும் பார்ப்போம்:
|
|
|
|
|
|
#### 2.1 தரவு உரிமை
|
|
|
|
தரவு சேகரிப்பு பெரும்பாலும் தரவுப் பொருட்களை அடையாளம் காணக்கூடிய தனிப்பட்ட தரவுகளை உள்ளடக்கியது. [தரவு உரிமை](https://permission.io/blog/data-ownership) என்பது தரவின் உருவாக்கம், செயலாக்கம் மற்றும் பரவலுடன் தொடர்புடைய [_கட்டுப்பாடு_](https://permission.io/blog/data-ownership) மற்றும் [_பயனர் உரிமைகள்_](https://permission.io/blog/data-ownership) பற்றியது.
|
|
|
|
நாம் கேட்க வேண்டிய தார்மீக கேள்விகள்:
|
|
* தரவின் உரிமை யாருக்கு? (பயனர் அல்லது நிறுவனம்)
|
|
* தரவுப் பொருட்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: அணுகல், நீக்கம், இடமாற்றம்)
|
|
* நிறுவனங்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: தீங்கிழைக்கும் பயனர் மதிப்பீடுகளை திருத்துதல்)
|
|
|
|
#### 2.2 தகவலறிந்த ஒப்புதல்
|
|
|
|
[தகவலறிந்த ஒப்புதல்](https://legaldictionary.net/informed-consent/) என்பது பயனர்கள் (_தரவு சேகரிப்பு_ போன்ற) நடவடிக்கைக்கு ஒப்புதல் அளிக்கும் செயலை, _சம்பந்தப்பட்ட உண்மைகளை முழுமையாக புரிந்துகொண்டு_ (எ.கா.: நோக்கம், சாத்தியமான அபாயங்கள், மாற்றுகள்) வரையறுக்கிறது.
|
|
|
|
இங்கு ஆராய வேண்டிய கேள்விகள்:
|
|
* பயனர் (தரவுப் பொருள்) தரவின் பிடிப்பு மற்றும் பயன்பாட்டிற்கு அனுமதி அளித்தாரா?
|
|
* தரவு பிடிக்கப்பட்ட நோக்கத்தை பயனர் புரிந்துகொண்டாரா?
|
|
* அவர்களின் பங்கேற்பால் ஏற்படும் சாத்தியமான அபாயங்களை பயனர் புரிந்துகொண்டாரா?
|
|
|
|
#### 2.3 மூலதன உரிமை
|
|
|
|
[மூலதன உரிமை](https://en.wikipedia.org/wiki/Intellectual_property) என்பது மனித முயற்சியால் உருவாக்கப்பட்ட, தனிநபர்கள் அல்லது நிறுவனங்களுக்கு _பொருளாதார மதிப்பு_ கொண்ட இருக்கக்கூடிய மெய்யற்ற படைப்புகளை குறிக்கிறது.
|
|
|
|
இங்கு ஆராய வேண்டிய கேள்விகள்:
|
|
* சேகரிக்கப்பட்ட தரவுகள் பயனர் அல்லது நிறுவனத்திற்கு பொருளாதார மதிப்பு கொண்டதா?
|
|
* **பயனர்** இங்கு மூலதன உரிமை கொண்டுள்ளாரா?
|
|
* **நிறுவனம்** இங்கு மூலதன உரிமை கொண்டுள்ளதா?
|
|
* இந்த உரிமைகள் உள்ளனவெனில், அவற்றை எவ்வாறு பாதுகாக்கிறோம்?
|
|
|
|
#### 2.4 தரவு தனியுரிமை
|
|
|
|
[தரவு தனியுரிமை](https://www.northeastern.edu/graduate
|
|
* தகவல் _உண்மையாக_ நிஜத்தை பிரதிபலிக்கப் பதிவு செய்யப்படுகிறதா?
|
|
|
|
#### 2.8 அல்கோரிதம் நியாயம்
|
|
|
|
[அல்கோரிதம் நியாயம்](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) என்பது ஒரு அல்கோரிதம் வடிவமைப்பு குறிப்பிட்ட தரவுக் குழுக்களை முறையாக புறக்கணிக்கிறதா என்பதைச் சரிபார்க்கிறது, இது _வினியோகம்_ (அந்தக் குழுவுக்கு வளங்கள் மறுக்கப்படுவது அல்லது விலக்கப்படுவது) மற்றும் _சேவை தரம்_ (AI சில குழுக்களுக்கு மற்றவர்களை விட குறைவாக துல்லியமாக செயல்படுவது) ஆகியவற்றில் [சாத்தியமான தீமைகளை](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ஏற்படுத்துகிறது.
|
|
|
|
இங்கு ஆராய வேண்டிய கேள்விகள்:
|
|
* பல்வேறு தரவுக் குழுக்களுக்கும் நிலைகளுக்கும் மாடல் துல்லியத்தை மதிப்பீடு செய்தோமா?
|
|
* சாத்தியமான தீமைகளுக்காக (எ.கா., சித்தரிப்பு) அமைப்பை ஆராய்ந்தோமா?
|
|
* கண்டறியப்பட்ட தீமைகளை குறைக்க தரவுகளை திருத்தவோ அல்லது மாடல்களை மறுபயிற்சி செய்யவோ முடிகிறதா?
|
|
|
|
மேலும் அறிய [AI நியாயம் சரிபார்ப்பு பட்டியல்களை](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ஆராயுங்கள்.
|
|
|
|
#### 2.9 தவறான பிரதிபலிப்பு
|
|
|
|
[தரவு தவறான பிரதிபலிப்பு](https://www.sciencedirect.com/topics/computer-science/misrepresentation) என்பது நியாயமாகப் பதிவு செய்யப்பட்ட தரவிலிருந்து உள்ளடக்கங்களை ஒரு விருப்பமான கதைசொல்லலை ஆதரிக்க ஏமாற்றமாகத் தெரிவிக்கிறோமா என்பதைப் பற்றி கேட்கிறது.
|
|
|
|
இங்கு ஆராய வேண்டிய கேள்விகள்:
|
|
* நாம் முழுமையற்ற அல்லது தவறான தரவுகளைப் பதிவு செய்கிறோமா?
|
|
* தவறான முடிவுகளை உருவாக்கும் வகையில் தரவுகளை காட்சிப்படுத்துகிறோமா?
|
|
* முடிவுகளை மாற்றுவதற்கு தேர்ந்தெடுக்கப்பட்ட புள்ளியியல் தொழில்நுட்பங்களைப் பயன்படுத்துகிறோமா?
|
|
* வேறு விளக்கங்கள் உள்ளதா, இது வேறொரு முடிவை வழங்கக்கூடும்?
|
|
|
|
#### 2.10 சுதந்திரமான தேர்வு
|
|
[சுதந்திரமான தேர்வின் மாயை](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) என்பது "தேர்வு கட்டமைப்புகள்" என்ற அமைப்பு முடிவெடுக்கும் அல்கோரிதங்களைப் பயன்படுத்தி மக்களை விருப்பமான முடிவை எடுக்க தூண்டுகிறது, ஆனால் அவர்களுக்கு விருப்பங்கள் மற்றும் கட்டுப்பாடுகளை வழங்குவது போல தோன்றுகிறது. இந்த [இருண்ட வடிவங்கள்](https://www.darkpatterns.org/) பயனாளர்களுக்கு சமூக மற்றும் பொருளாதார தீமைகளை ஏற்படுத்தக்கூடும். பயனாளர் முடிவுகள் நடத்தை சுயவிவரங்களை பாதிக்கின்றன, இந்த நடவடிக்கைகள் எதிர்கால தேர்வுகளை அதிகரிக்க அல்லது நீட்டிக்க முடியும்.
|
|
|
|
இங்கு ஆராய வேண்டிய கேள்விகள்:
|
|
* அந்த தேர்வை எடுப்பதன் விளைவுகளை பயனர் புரிந்துகொண்டாரா?
|
|
* பயனர் (மாற்று) தேர்வுகள் மற்றும் ஒவ்வொன்றின் நன்மைகள் & தீமைகள் பற்றி அறிந்திருந்தாரா?
|
|
* பயனர் ஒரு தானியங்கமாக அல்லது பாதிக்கப்பட்ட தேர்வை பின்னர் மாற்ற முடியுமா?
|
|
|
|
### 3. வழக்குக் களங்கள்
|
|
|
|
இந்த நெறிமுறை சவால்களை நிஜ உலக சூழல்களில் வைக்க, இந்த நெறிமுறை மீறல்களை கவனிக்காமல் விட்டால் தனிநபர்கள் மற்றும் சமுதாயத்திற்கு ஏற்படும் சாத்தியமான தீமைகள் மற்றும் விளைவுகளை வெளிப்படுத்தும் வழக்குக் களங்களைப் பார்ப்பது உதவுகிறது.
|
|
|
|
இங்கே சில உதாரணங்கள்:
|
|
|
|
| நெறிமுறை சவால் | வழக்குக் களம் |
|
|
|--- |--- |
|
|
| **தகவலறிந்த ஒப்புதல்** | 1972 - [டஸ்கீஜி சிபிலிஸ் ஆய்வு](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ஆய்வில் பங்கேற்ற ஆப்பிரிக்க அமெரிக்க ஆண்களுக்கு இலவச மருத்துவ பராமரிப்பு வழங்கப்படும் என்று வாக்குறுதி அளிக்கப்பட்டது, ஆனால் அவர்களின் நோயறிதல் அல்லது சிகிச்சை கிடைப்பது பற்றி ஆய்வாளர்கள் _ஏமாற்றம்_ செய்தனர். பலர் இறந்தனர் & துணையர்கள் அல்லது குழந்தைகள் பாதிக்கப்பட்டனர்; ஆய்வு 40 ஆண்டுகள் நீடித்தது. |
|
|
| **தரவு தனியுரிமை** | 2007 - [Netflix தரவுப் பரிசு](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ஆராய்ச்சியாளர்களுக்கு _50K வாடிக்கையாளர்களின் 10M பெயரில்லா திரைப்பட மதிப்பீடுகளை_ வழங்கியது, பரிந்துரை அல்கோரிதங்களை மேம்படுத்த உதவ. ஆனால், ஆராய்ச்சியாளர்கள் பெயரில்லா தரவுகளை _வெளிப்புற தரவுத்தொகுப்புகளில்_ (எ.கா., IMDb கருத்துக்கள்) தனிப்பட்ட அடையாள தரவுடன் தொடர்புபடுத்த முடிந்தது - Netflix சந்தாதாரர்களை "பெயரில்லாமல்" மாற்றியது.|
|
|
| **சேகரிப்பு பாகுபாடு** | 2013 - Boston நகரம் [Street Bump](https://www.boston.gov/transportation/street-bump) என்ற செயலியை உருவாக்கியது, இது குடிமக்களுக்கு பள்ளங்களைப் புகாரளிக்க அனுமதித்தது, நகரத்திற்கு சாலையின் தரவுகளை மேம்படுத்த உதவியது. ஆனால், [குறைந்த வருமானக் குழுக்களில் உள்ள மக்களுக்கு கார்கள் மற்றும் தொலைபேசிகளுக்கு குறைந்த அணுகல் இருந்தது](https://hbr.org/2013/04/the-hidden-biases-in-big-data), இது இந்த செயலியில் அவர்களின் சாலைப் பிரச்சனைகளை மறைத்தது. டெவலப்பர்கள் சமத்துவ அணுகல் மற்றும் டிஜிட்டல் பாகுபாடு பிரச்சனைகளுக்காக கல்வியாளர்களுடன் பணியாற்றினர். |
|
|
| **அல்கோரிதம் நியாயம்** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) பாலின வகைப்பாட்டைச் சரிபார்க்கும் AI தயாரிப்புகளின் துல்லியத்தை மதிப்பீடு செய்தது, பெண்கள் மற்றும் வண்ணமக்களுக்கான துல்லியத்தில் உள்ள இடைவெளிகளை வெளிப்படுத்தியது. [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ஆண்களை விட பெண்களுக்கு குறைவான கடன் வழங்கியது போல தோன்றியது. இரண்டும் அல்கோரிதம் பாகுபாட்டில் உள்ள பிரச்சனைகளை வெளிப்படுத்தியது, இது சமூக-பொருளாதார தீமைகளை ஏற்படுத்தியது.|
|
|
| **தரவு தவறான பிரதிபலிப்பு** | 2020 - [ஜார்ஜியா பொது சுகாதாரத் துறை COVID-19 வரைபடங்களை வெளியிட்டது](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), இது உறுதிப்படுத்தப்பட்ட வழக்குகளில் உள்ள போக்குகளைப் பற்றி குடிமக்களை தவறாக வழிநடத்தியது, x-அச்சில் காலவரிசை இல்லாத ஒழுங்கமைப்புடன். இது காட்சிப்படுத்தல் தந்திரங்கள் மூலம் தவறான பிரதிபலிப்பை விளக்குகிறது. |
|
|
| **சுதந்திரமான தேர்வின் மாயை** | 2020 - ABCmouse கற்றல் செயலி [FTC புகாரைத் தீர்க்க $10M செலுத்தியது](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), பெற்றோர்கள் ரத்து செய்ய முடியாத சந்தாக்களை செலுத்த வலுக்கட்டாயமாக்கப்பட்டது. இது தேர்வு கட்டமைப்புகளில் இருண்ட வடிவங்களை விளக்குகிறது, பயனாளர்கள் தீமையான தேர்வுகளை எடுக்க தூண்டப்பட்டனர். |
|
|
| **தரவு தனியுரிமை & பயனர் உரிமைகள்** | 2021 - Facebook [தரவு கசிவு](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530M பயனாளர்களின் தரவுகளை வெளிப்படுத்தியது, FTCக்கு $5B தீர்வை ஏற்படுத்தியது. ஆனால், தரவு கசிவை பயனாளர்களுக்கு அறிவிக்க மறுத்தது, தரவு வெளிப்படைத்தன்மை மற்றும் அணுகல் தொடர்பான பயனர் உரிமைகளை மீறியது. |
|
|
|
|
மேலும் வழக்குக் களங்களை ஆராய விரும்புகிறீர்களா? இந்த வளங்களைச் சரிபார்க்கவும்:
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - பல்வேறு தொழில்களில் உள்ள நெறிமுறை சிக்கல்கள்.
|
|
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - முக்கிய வழக்குக் களங்கள் ஆராயப்பட்டது.
|
|
* [எங்கு தவறுகள் நடந்துள்ளன](https://deon.drivendata.org/examples/) - deon சரிபார்ப்பு பட்டியலுடன் உதாரணங்கள்.
|
|
|
|
> 🚨 நீங்கள் பார்த்த வழக்குக் களங்களைப் பற்றி சிந்தியுங்கள் - உங்கள் வாழ்க்கையில் இதே போன்ற நெறிமுறை சவாலால் பாதிக்கப்பட்டதா அல்லது அனுபவித்ததா? இந்த பிரிவில் நாம் விவாதித்த நெறிமுறை சவால்களில் ஒன்றை விளக்க ஒரு வேறு வழக்குக் களத்தை நினைவில் கொள்ள முடியுமா?
|
|
|
|
## நடைமுறை நெறிமுறை
|
|
|
|
நாம் நெறிமுறை கருத்துக்கள், சவால்கள் மற்றும் நிஜ உலக சூழல்களில் வழக்குக் களங்களைப் பற்றி பேசினோம். ஆனால் நமது திட்டங்களில் நெறிமுறைக் கோட்பாடுகள் மற்றும் நடைமுறைகளை _பயன்படுத்த_ தொடங்குவது எப்படி? மேலும், இந்த நடைமுறைகளை சிறந்த நிர்வாகத்திற்காக _செயல்படுத்துவது_ எப்படி? சில நிஜ உலக தீர்வுகளை ஆராய்வோம்:
|
|
|
|
### 1. தொழில்முறை விதிமுறைகள்
|
|
|
|
தொழில்முறை விதிமுறைகள் அமைப்புகளுக்கு தங்கள் நெறிமுறை கோட்பாடுகள் மற்றும் பணி அறிக்கையை ஆதரிக்க உறுப்பினர்களை "ஊக்குவிக்க" ஒரு விருப்பத்தை வழங்குகின்றன. விதிமுறைகள் தொழில்முறை நடத்தைக்கான _நெறிமுறை வழிகாட்டுதல்கள்_, இது ஊழியர்கள் அல்லது உறுப்பினர்கள் தங்கள் அமைப்பின் கோட்பாடுகளுடன் ஒத்திணைந்த முடிவுகளை எடுக்க உதவுகிறது. இது உறுப்பினர்களின் தன்னார்வ ஒழுங்குமுறைக்கு மட்டுமே பொருந்தும்; இருப்பினும், பல அமைப்புகள் உறுப்பினர்களின் ஒழுங்குமுறையை ஊக்குவிக்க கூடுதல் பரிசுகள் மற்றும் தண்டனைகளை வழங்குகின்றன.
|
|
|
|
உதாரணங்கள்:
|
|
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) நெறிமுறை விதிமுறைகள்
|
|
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) நடத்தை விதிமுறைகள் (2013ல் உருவாக்கப்பட்டது)
|
|
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 முதல்)
|
|
|
|
> 🚨 நீங்கள் ஒரு தொழில்முறை பொறியியல் அல்லது தரவுத் அறிவியல் அமைப்பின் உறுப்பினராக உள்ளீர்களா? அவர்களின் தளத்தை ஆராய்ந்து, அவர்கள் தொழில்முறை நெறிமுறை விதிமுறைகளை வரையறுக்கிறார்களா என்பதைப் பாருங்கள். இது அவர்களின் நெறிமுறை கோட்பாடுகள் பற்றி என்ன சொல்கிறது? அவர்கள் உறுப்பினர்களை விதிமுறைகளை பின்பற்ற "ஊக்குவிக்க" என்ன செய்கிறார்கள்?
|
|
|
|
### 2. நெறிமுறை சரிபார்ப்பு பட்டியல்கள்
|
|
|
|
தொழில்முறை விதிமுறைகள் நடைமுறை நெறிமுறை நடத்தைக்கான தேவைகளை வரையறுக்கின்றன, ஆனால் அவை [சிறந்த திட்டங்களில்](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) அமல்படுத்துவதில் _குறைகள்_ உள்ளன. இதற்கு பதிலாக, பல தரவுத் அறிவியல் நிபுணர்கள் [சரிபார்ப்பு பட்டியல்களை](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ஆதரிக்கின்றனர், இது **கோட்பாடுகளை நடைமுறைகளுடன் இணைக்க** முடியும், மேலும் தீர்மானமான மற்றும் செயல்படக்கூடிய வழிகளில்.
|
|
|
|
சரிபார்ப்பு பட்டியல்கள் கேள்விகளை "ஆம்/இல்லை" பணிகளாக மாற்றுகின்றன, அவற்றை செயல்படுத்த முடியும், மேலும் அவற்றை நிலையான தயாரிப்பு வெளியீட்டு பணிச்சூழல்களில் பின்தொடர அனுமதிக்கின்றன.
|
|
|
|
உதாரணங்கள்:
|
|
* [Deon](https://deon.drivendata.org/) - [தொழில்துறை பரிந்துரைகளிலிருந்து](https://deon.drivendata.org/#checklist-citations) உருவாக்கப்பட்ட பொதுவான தரவுத் நெறிமுறை சரிபார்ப்பு பட்டியல், எளிதான ஒருங்கிணைப்புக்கான கட்டளை வரி கருவியுடன்.
|
|
* [தனியுரிமை ஆடிட் சரிபார்ப்பு பட்டியல்](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - சட்ட மற்றும் சமூக வெளிப்பாடு கோணங்களில் தகவல் கையாளும் நடைமுறைகளுக்கான பொதுவான வழிகாட்டுதல்களை வழங்குகிறது.
|
|
* [AI நியாயம் சரிபார்ப்பு பட்டியல்](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI practitioners மூலம் உருவாக்கப்பட்டது, AI மேம்பாட்டு சுழற்சிகளில் நியாயம் சரிபார்ப்புகளை ஒருங்கிணைக்க ஆதரிக்க.
|
|
* [தரவு மற்றும் AI நெறிமுறைகளுக்கான 22 கேள்விகள்](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - தொடக்க ஆராய்ச்சிக்கான திறந்த முடிவுகளுடன் கூடிய கட்டமைப்பு, வடிவமைப்பு, செயல்படுத்தல் மற்றும் அமைப்பு சூழல்களில் நெறிமுறை சிக்கல்களை ஆராய.
|
|
|
|
### 3. நெறிமுறை விதிகள்
|
|
|
|
நெறிமுறை என்பது பகிர்ந்த மதிப்புகளை வரையறுத்து சரியானதை _தன்னார்வமாக_ செய்வது. **ஒழுங்குமுறை** என்பது _சட்டத்தை பின்பற்றுவது_ (அது வரையறுக்கப்பட்டால்). **நிர்வாகம்** என்பது அமைப்புகள் நெறிமுறை கோட்பாடுகளை அமல்படுத்த மற்றும் நிறுவப்பட்ட சட்டங்களை பின்பற்ற செயல்படும் அனைத்து வழிகளையும் பரந்த அளவில் உள்ளடக்குகிறது.
|
|
|
|
இன்றைய நிர்வாகம் அமைப்புகளில் இரண்டு வடிவங்களில் உள்ளது. முதலில், இது **AI நெறிமுறை** கோட்பாடுகளை வரையறுத்து, அமைப்பில் உள்ள அனைத்து AI தொடர்பான திட்டங்களிலும் ஏற்றத்தை செயல்படுத்துவதற்கான நடைமுறைகளை நிறுவுவது பற்றியது. இரண்டாவது, இது அமைப்பு செயல்படும் பிராந்தியங்களுக்கான அரசு-மனதளிக்கப்பட்ட **தரவு பாதுகாப்பு விதிகளை** பின்பற்றுவது பற்றியது.
|
|
|
|
தரவு பாதுகாப்பு மற்றும் தனியுரிமை விதிகளின் உதாரணங்கள்:
|
|
|
|
* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _அமெரிக்க அரசு_ தனிப்பட்ட தகவலின் சேகரிப்பு, பயன்பாடு மற்றும் வெளிப்பாட்டை ஒழுங்குபடுத்துகிறது.
|
|
* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - தனிப்பட்ட சுகாதார தரவுகளைப் பாதுகாக்கிறது.
|
|
* `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 வயதிற்குட்பட்ட குழந்தைகளின் தரவு தனியுரிமையைப் பாதுகாக்கிறது.
|
|
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - பயனர் உரிமைகள், தரவு பாதுகாப்பு மற்றும் தனியுரிமையை வழங்குகிறது.
|
|
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - பயனாளர்களுக்கு (தனிப்பட்ட) தரவின் மீது அதிக உரிமைகளை வழங்குகிறது.
|
|
* `2021`, சீனாவின் [தனிப்பட்ட தகவல் பாதுகாப்பு சட்டம்](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) சமீபத்தில் நிறைவேற்றப்பட்டது, உலகளவில் மிக வலுவான ஆன்லைன் தரவு தனியுரிமை விதிகளை உருவாக்குகிறது.
|
|
|
|
> 🚨 ஐரோப்பிய ஒன்றியம் வரையறுத்த GDPR (General Data Protection Regulation) இன்று மிகவும் தாக்கம் செலுத்தும் தரவு தனியுரிமை விதிகளில் ஒன்றாக உள்ளது. இது [8 பயனர் உரிமைகளை](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) வரையறுக்கிறது, இது குடிமக்களின் டிஜிட்டல் தனியுரிமை மற்றும் தனிப்பட்ட தரவுகளைப் பாதுகாக்க உதவுகிறது என்பதை நீங்கள் அறிந்தீர்களா? இவை என்னவென்று, ஏன் அவை முக்கியம் என்பதைப் பற்றி அறியுங்கள்.
|
|
|
|
### 4. நெறிமுறை கலாச்சாரம்
|
|
|
|
குறிப்பு: _ஒழுங்குமுறை_ (சட்டத்தின் "எழுத்து" பூர்த்தி
|
|
* [தொடக்க நிலை இயந்திரக் கற்றல்](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft-இன் நியாயமான செயல்பாடுகள் பற்றிய பாடம்.
|
|
* [பொறுப்பான AI-யின் கொள்கைகள்](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn-இன் இலவச கற்றல் பாதை.
|
|
* [நெறிமுறைகள் மற்றும் தரவியல் அறிவியல்](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason மற்றும் மற்றவர்கள்)
|
|
* [தரவியல் அறிவியலின் நெறிமுறைகள்](https://www.coursera.org/learn/data-science-ethics#syllabus) - மிச்சிகன் பல்கலைக்கழகத்தின் ஆன்லைன் பாடநெறி.
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - டெக்சாஸ் பல்கலைக்கழகத்தின் வழக்குக் கற்பனைகள்.
|
|
|
|
# பணிக்குறிப்பு
|
|
|
|
[தரவு நெறிமுறைகள் வழக்குக் கற்பனை எழுதுங்கள்](assignment.md)
|
|
|
|
---
|
|
|
|
**குறிப்பு**:
|
|
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல. |