Data-Science-For-Beginners/translations/kn/1-Introduction/02-ethics/README.md

# ಡೇಟಾ ನೈತಿಕತೆಯ ಪರಿಚಯ

|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಖೆಚ್ನೋಟ್ ](../../sketchnotes/02-Ethics.png)|
|:---:|
| ಡೇಟಾ ಸೈನ್ಸ್ ನೈತಿಕತೆ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಖೆಚ್ನೋಟ್_ |

---

ನಾವು ಎಲ್ಲರೂ ಡೇಟಾಫೈಡ್ ಜಗತ್ತಿನಲ್ಲಿ ಡೇಟಾ ನಾಗರಿಕರಾಗಿ ಜೀವನ ಸಾಗಿಸುತ್ತಿದ್ದೇವೆ.

ಮಾರುಕಟ್ಟೆ ಪ್ರವಣತೆಗಳು 2022 ರ ಒಳಗೆ, ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳ 1-ನಲ್ಲಿ 3 ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಡೇಟಾವನ್ನು ಆನ್ಲೈನ್ [ಮಾರ್ಕೆಟ್‌ಪ್ಲೇಸ್‌ಗಳು ಮತ್ತು ಎಕ್ಸ್ಚೇಂಜ್‌ಗಳ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ಮೂಲಕ ಖರೀದಿ ಮತ್ತು ಮಾರಾಟ ಮಾಡುವುದನ್ನು ಸೂಚಿಸುತ್ತವೆ. **ಆಪ್ ಡೆವಲಪರ್‌ಗಳು** ಆಗಿ, ನಾವು ದಿನನಿತ್ಯದ ಬಳಕೆದಾರ ಅನುಭವಗಳಲ್ಲಿ ಡೇಟಾ-ಚಾಲಿತ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಅಲ್ಗೋರಿದಮ್-ಚಾಲಿತ ಸ್ವಯಂಚಾಲಿತತೆಗಳನ್ನು ಹೊಂದಿಸಲು ಸುಲಭ ಮತ್ತು ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ. ಆದರೆ AI ವ್ಯಾಪಕವಾಗಿ ಬಳಕೆಯಲ್ಲಾದಂತೆ, ನಾವು ಆ ಅಲ್ಗೋರಿದಮ್‌ಗಳ [ಾಯುಧೀಕರಣ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ನಿಂದ ಉಂಟಾಗಬಹುದಾದ ಹಾನಿಗಳಿಗೆ ಸಹ ಅರಿವು ಹೊಂದಬೇಕಾಗುತ್ತದೆ.

ಪ್ರವಣತೆಗಳು 2025 ರೊಳಗೆ ನಾವು [180 ಸೆಟಾಬೈಟ್‌ಗಳಿಂದ ಹೆಚ್ಚು](https://www.statista.com/statistics/871513/worldwide-data-created/) ಡೇಟಾ ಸೃಷ್ಟಿಸುವುದೂ, ಬಳಕೆಮಾಡುವುದೂ ಸೂಚಿಸುತ್ತವೆ. **ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು**ಮತ್ತು ಅವರಿಗಾಗುವ ಈ ಮಾಹಿತಿಯ ಸ್ಫೋಟವು ವೈಯಕ್ತಿಕ ಮತ್ತು ವರ್ತನಾ ಡೇಟಾಗೆ ಅದೃಷ್ಟವಂತ ಪ್ರವೇಶವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದರೊಂದಿಗೆ, ವಿವರವಾದ ಬಳಕೆದಾರ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ರಚಿಸುವ ಶಕ್ತಿ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆಗೊಳ್ಳುವಿಕೆಯನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಪ್ರಭಾವಿತ ಮಾಡುವ ಶಕ್ತಿ ಬರುತ್ತದೆ—ಅತಿ ಬಾರಿಗೆ [ಸ್ವತಂತ್ರ ಆಯ್ಕೆ ಭ್ರಮೆ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ಮೂಡಿಸುವ ರೀತಿಯಲ್ಲಿ. ಇದನ್ನು ಬಳಕೆದಾರರನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ಫಲಿತಾಂಶಗಳತ್ತ ಪ್ರೇರೇಪಿಸಲು ಉಪಯೋಗಿಸಬಹುದು, ಆದರೆ ಇದು ಡೇಟಾ ಗೌಪ್ಯತೆ, ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಅಲ್ಗೋರಿದಮ್ ಪ್ರಭಾವದ ನೈತಿಕ ಮಿತಿಗಳ ಕುರಿತು ಮಹತ್ವದ ಪ್ರಶ್ನೆಗಳು ಉದಯಿಸಬಹುದು.

ಡೇಟಾ ನೈತಿಕತೆ ಈಗ ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಅಂಕಣಶಾಸ್ರಕ್ಕೆ _ಅತ್ಯಾವಶ್ಯಕ ಗಾರ್ಡ್‌ರೇಲ್‌ಗಳು_, ನಮಗೆ ಡೇಟಾ ಚಲಿತ ಕ್ರಿಯೆಗಳಿಂದ ಉಂಟಾಗಬಹುದಾದ ಸಾಧ್ಯ ಹಾನಿ ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತಿದೆ. [ಗಾರ್ಟ್ನರ್ ಹೈಪ್ ಸೈಕಲ್ ಫಾರ್ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ಡಿಜಿಟಲ್ ನೈತಿಕತೆ, ಜವಾಬ್ದಾರಿ AI ಮತ್ತು AI ರಾಜ್ಯ ನಿಯಂತ್ರಣಗಳ ಸಂಬಂಧಿತ ಪ್ರವೃತಿಗಳನ್ನು ಗುರುತಿಸಿದೆ, ಇದು AI ಯ _ಜನತೀಕರಣ_ ಮತ್ತು _ಉದ್ಯಮೀಕರಣ_ ಬೃಹತ್ ಪ್ರವೃತ್ತಿಗಳ ಪ್ರಮುಖ ಚಾಲಕಗಳಾಗಿವೆ.

![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)

ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಡೇಟಾ ನೈತಿಕತೆ ಎಂಬ ರೋಚಕ ಕ್ಷೇತ್ರವನ್ನು ಅಧ್ಯಯನ ಮಾಡೋಣ - ಮೂಲ ಸಾಂಕೇತಿಕತೆಗಳು ಮತ್ತು ಸವಾಲುಗಳಿಂದ ಆರಂಭಿಸಿ, ಕೇಸ್ ಸ್ಟಡಿಗಳು ಮತ್ತು ಆಡಳಿತ ಸಂಧಾನದಂತಹ AI ಆವೃತ್ತಿಯೊಂದಿಗೆ ಕಾರ್ಯನೈತಿಕತೆಯ ವಾತಾವರಣವನ್ನು ನಿರ್ಮಿಸುವ ತಂಡಗಳ ಮತ್ತು ಸಂಸ್ಥೆಗಳಿಗಾಗಿ ಸಹಾಯ ಮಾಡುತ್ತವೆ.




## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯

## ಮೂಲ ಆವರ್ತನೆಗಳು

ನಾವು ಮೂಲ ಪದ್ಯಾತ್ಮಕ ಪದಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸೋಣ.

"ನೈತಿಕತೆ" ಪದವು [ಗೂಟದ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ಮತ್ತು ಅದರ ಮೂಲ "ethos") ಎಂಬ ಪದದಿಂದ ಬಂದಿದೆ, ಅಂದರೆ _ಚರಿತ್ರೆ ಅಥವಾ ನೈತಿಕ ಸ್ವಭಾವ_. 

**ನೈತಿಕತೆ** ಎನ್ನುವುದು ಸಮಾಜದಲ್ಲಿ ನಮ್ಮ ವರ್ತನೆಯ ನಿಯಂತ್ರಣದ ಹಂಚಿದ ಮೌಲ್ಯಗಳು ಮತ್ತು ನೈತಿಕ ತತ್ವಗಳ ಬಗ್ಗೆ. ನೈತಿಕತೆ ಕಾನೂನುಗಳ ಮೇಲೆ ಆಧಾರಿತವಲ್ಲ, ಬದಲಿಗೆ "ಸರಿಯಾದದು ಮತ್ತು ತಪ್ಪು" ಆಗಿರುವವುಗಳ ವಿಶ್ವಾದೃತ ಮಾನ್ಯತೆಗಳಲ್ಲಿ ಆಧರಿಸಿದೆ. ಆದರೂ, ನೈತಿಕ ವಿಚಾರಣೆಗಳು ಸಂಸ್ಥೆಯ ಆಡಳಿತ ಅಧಿನಿಯಮಗಳು ಮತ್ತು ಸರ್ಕಾರದ ನಿಯಮಗಳು ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ, ಇದರಿಂದ ಅನುಗುಣತೆಯನ್ನು ಮರಳಿ ಉತ್ತೇಜನಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

**ಡೇಟಾ ನೈತಿಕತೆ** [ನೈತಿಕತೆಯ ಹೊಸ ಶಾಖೆ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), ಇದು "_ಡೇಟಾ, ಅಲ್ಗೋರಿದಮ್‌ಗಳು ಮತ್ತು ಸಂಬಂಧಿಸಿದ ಪ್ರಕ್ರಿಯೆಗಳ_ ನೈತಿಕ ಸಮಸ್ಯೆಗಳ ಅಧ್ಯಯನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ" ಮಾಡುತ್ತದೆ. ಇಲ್ಲಿ, **ಡೇಟಾ** ಸೃಷ್ಟಿ, ದಾಖಲೆ, ಸಂಗ್ರಹ, ಪ್ರಕ್ರಿಯೆ, ಪ್ರಚಾರ, ಹಂಚಿಕೆ ಮತ್ತು ಬಳಕೆಯ ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ, **ಅಲ್ಗೋರಿದಮ್‌ಗಳು** AI, ಏಜೆಂಟ್‌ಗಳು, ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು ರೋಬೋಟ್‌ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಿದೆ, ಮತ್ತು **ಪ್ರಕ್ರಿಯೆಗಳು** ಜವಾಬ್ದಾರಿತ್ವದ ಹೊಸ ಆವಿಷ್ಕಾರ, ಪ್ರೋಗ್ರಾಮಿಂಗ್, ಹ್ಯಾಕಿಂಗ್ ಮತ್ತು ನೈತಿಕತೆಯ ನಿಯಮಾವಳಿಗಳಂತಹ ವಿಷಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ.

**ಅನುಷ್ಠಿತ ನೈತಿಕತೆ** [ನೈತಿಕ ವಿಚಾರಣೆಯ ಅನುಷ್ಠಾನ](https://en.wikipedia.org/wiki/Applied_ethics). ಇದು _ವಾಸ್ತವಿಕ ಕ್ರಿಯೆಗಳು, ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳ_ ಪರಿಪ्रेಕ್ಷ್ಯದಲ್ಲಿ ನೈತಿಕ ವಿಷಯಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಪರಿಶೀಲಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ, ಮತ್ತು ನಮ್ಮ ನಿರ್ಧರಿಸಿದ ನೈತಿಕ ಮೌಲ್ಯಗಳಿಗೆ ಹೊಂದಾಣಿಕೆ ಆಗಿರುವಂತೆ ಸರಿಪಡಿಸುವ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು.

**ನೈತಿಕತೆಯ ಸಂಸ್ಕೃತಿ** [_ಅನುಷ್ಠಿತ ನೈತಿಕತೆಯನ್ನು ಕಾರ್ಯಕ್ಷಮಗೊಳಿಸುವಿಕೆ_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ಬಗ್ಗೆ ಆಗಿದ್ದು, ನಮ್ಮ ನೈತಿಕ ತತ್ವಗಳು ಮತ್ತು ಅಭ್ಯಾಸವನ್ನು ಸಂಸ್ಥೆಯಾದ್ಯಾಂತ ಸತತ ಮತ್ತು ಪ್ರಮಾಣಾರ್ಹ ವಿಧಾನದಲ್ಲಿ ಅಂಗೀಕರಿಸುವಿಕೆಯನ್ನೊಳಗೊಂಡಿದೆ. ಯಶಸ್ವೀ ನೈತಿಕತೆ ಸಂಸ್ಕೃತಿಗಳು ಸಂಸ್ಥೆ-ವ್ಯಾಪ್ತ ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ, ಅನುಗುಣತೆಯಿಗಾಗಿ ಅರ್ಥಪೂರ್ಣ ಪ್ರೋತ್ಸಾಹಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಮತ್ತು ಸಂಘಟನೆಯ ಪ್ರತಿ ಮಟ್ಟದಲ್ಲಿಯೂ ಅಗ್ರಹಿತ ವರ್ತನೆಯನ್ನು ಉತ್ತೇಜಿಸುವ ಮೂಲಕ ನೈತಿಕತಾ ಪ್ರಮಾಣಿಕತೆಯನ್ನು ಬಲಗೊಳಿಸುತ್ತವೆ.


## ನೈತಿಕತೆಯ ಸಂಯೋಜನೆಗಳು

ಈ ವಿಭಾಗದಲ್ಲಿ, ನಾವು ಡೇಟಾ ನೈತಿಕತೆಗಾಗಿ **ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳು** (ತತ್ತ್ವಗಳು) ಮತ್ತು **ನೈತಿಕ ಸವಾಲುಗಳು** (ಸಮಸ್ಯೆಗಳು) ಎಂಬ ಸಂಯೋಜನೆಗಳನ್ನು ಚರ್ಚಿಸುವೆವು - ಮತ್ತು ಈ ಸಂಯೋಜನೆಗಳನ್ನು ನೈತಿಕತೆಯ ಬೇಸಿಕ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ **ಕೇಸ್ ಸ್ಟಡಿ**ಗಳನ್ನು ಅನ್ವೇಷಿಸುವೆವು.

### 1. ನೈತಿಕ ತತ್ತ್ವಗಳು

ಪ್ರತಿ ಡೇಟಾ ನೈತಿಕತೆಯ ಕಾರ್ಯತಂತ್ರವು _ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು_ ವ್ಯಾಖ್ಯಾನಿಸುವುದರಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ - "ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳು" ಯಾವವು ಸಹನವಿರುವ ವರ್ತನೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ ಮತ್ತು ನಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಯೋಜನೆಗಳಲ್ಲಿ ಅನುಗುಣತೆಯ ಕ್ರಿಯೆಗಳನ್ನು ಮಾರ್ಗದರ್ಶಿಸುತ್ತವೆ. ನೀವು ಅವುಗಳನ್ನು ವೈಯಕ್ತಿಕ ಅಥವಾ ತಂಡ ಮಟ್ಟದಲ್ಲಿ ನಿರ್ಧಾರ ಮಾಡಬಹುದು. ಆದರೆ, ಹೆಚ್ಚಿನ ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳು ಇದನ್ನು _ನೈತಿಕ AI_ ಮಿಷನ್ ಹೇಳಿಕೆ ಅಥವಾ ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ, ಎಲ್ಲ ತಂಡಗಳಿಗೂ ಸಮಾನವಾಗಿ ಜಾರಿ ಮಾಡುತ್ತವೆ.

**ಉದಾಹರಣೆ:** Microsoft ನ [ಜವಾಬ್ದಾರಿ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ಮಿಷನ್ ಹೇಳಿಕೆ: _"ನಾವು ಜನರನ್ನು ಮೊದಲಿಗಾಗಿಸುವ ನೈತಿಕ ತತ್ತ್ವಗಳಿಂದ ಚಾಲಿತ AI ನ ಪ್ರಗತಿಗೆ ಬದ್ಧರಿದ್ದೇವೆ"_, ಕೆಳಗಿನ 6 ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ:

![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)

ಈ ತತ್ತ್ವಗಳನ್ನು ತಲೆಮೇಲೆ ನೋಡೋಣ. _ಪಾರದರ್ಶಕತೆ_ ಮತ್ತು _ಲೆಕ್ಕವಾಳಿಕೆ_ ಸ್ಥಾಪಕ ಮೌಲ್ಯಗಳಾಗಿವೆ ಮತ್ತು ಇತರೆ ತತ್ತ್ವಗಳು ಅವಶ್ಯವಾಗಿ ಅವುಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ - ಆದ್ದರಿಂದ ಇಲ್ಲಿಂದ ಪ್ರಾರಂಭಿಸೋಣ:

* [**ಲೆಕ್ಕವಾಳಿಕೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ಪ್ರಾಯೋಗಿಕರನ್ನು ತಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಕಾರ್ಯಚಟುವಟಿಕೆಗಳಿಗಾಗಿ _ಜವಾಬ್ದಾರಿಯುತ_ ಆಗಿರಿಸುವುದು ಮತ್ತು ಈ ನೈತಿಕ ತತ್ತ್ವಗಳಿಗೆ ಅನುಗುಣವಾಗಿರಿಸುವುದು.
* [**ಪಾರದರ್ಶಕತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ಡೇಟಾ ಮತ್ತು AI행ಗಳು ಬಳಕೆದಾರರಿಗೆ _ಅರ್ಥವಾಗುವಂತ_ (ವಿವರಣಾತ್ಮಕ) ಆಗಿರಬೇಕು, ನಿರ್ಧಾರಗಳ ಹಿಂದೆ ಏನು ಮತ್ತು ಯಾಕೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವುದು.
* [**ನ್ಯಾಯ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI ಎಲ್ಲರೂ ಸಮನಾಗಿ _ನ್ಯಾಯವಾಗಿಯೇ_ ನಡೆಸಿಕೊಳ್ಳುವುದಕ್ಕೆ ಒತ್ತು ನೀಡುತ್ತದೆ, ಡೇಟಾ ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳ ಯಾವುದೇ ಸಿಸ್ಟಮಿಕ್ ಅಥವಾ ಅಸ್ಪಷ್ಟ ಸಾಮಾಜಿಕ-ತಂತ್ರಜ್ಞಾನಾತ್ಮಕ ಪಕ್ಷಣಗಳಿಗೆ ಸ್ಪಂದಿಸುತ್ತದೆ.
* [**ನಂಬಿಕೆಗೆ ತಕ್ಕ ಹಾಗೂ ಭದ್ರತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯಗಳಿಗೆ _ಸ್ಥಿರವಾಗಿ_ ನಡತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಸಂಭವನೀಯ ಹಾನಿ ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
* [**ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ಡೇಟಾ ಮೂಲವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ _ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಸಂಬಂಧಿತ ರಕ್ಷಣೆಗಳನ್ನು_ ಒದಗಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ.
* [**ಸಮಾವೇಶತೆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ಪರಿಹಾರಗಳನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸುವುದು, ಅವುಗಳನ್ನು _ವ್ಯಾಪಕ ಮಾನವ ಅಗತ್ಯಗಳು ಹಾಗೂ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ_ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾಡುವುದು.

> 🚨 ನಿಮ್ಮ ಡೇಟಾ ನೈತಿಕತೆಯ ಮಿಷನ್ ಹೇಳಿಕೆ ಏನಾಗಿರಬಹುದು ಎಂದು ಯೋಚಿಸಿ. ಇತರೆ ಸಂಸ್ಥೆಗಳ ನೈತಿಕ AI ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ - ಇಲ್ಲಿ IBM, Google ಮತ್ತು Facebook ನ ಉದಾಹರಣೆಗಳಿವೆ. ಅವರು共有哪些共享价值观？这些原则与他们运作的AI产品或行业有什么关系？

### 2. ನೈತಿಕ ಸವಾಲುಗಳು

ನಾವು ನೈತಿಕ ತತ್ತ್ವಗಳನ್ನು ನಿರ್ಧರಿಸಿದ ನಂತರ, ಮುಂದಿನ ಹಂತವೆಂದರೆ ನಮ್ಮ ಡೇಟಾ ಮತ್ತು AI ಕ್ರಿಯೆಗಳು ಆ ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಂಡಿದ್ದರೆ ಎಂದು ಪರಿಶೀಲಿಸುವುದು. ನಿಮ್ಮ ಕ್ರಿಯೆಗಳನ್ನು ಎರಡು ವಿಭಾಗಗಳಲ್ಲಿ ಪರಿಗಣಿಸಿ: _ಡೇಟಾ ಸಂಗ್ರಹಣೆ_ ಮತ್ತು _ಅಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸ_.

ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ, ಕ್ರಿಯೆಗಳು ಬಹುಶಃ **ವೈಯಕ್ತಿಕ ಡೇಟಾ** ಅಥವಾ ಪರ್ಸನಳಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಮಾಹಿತಿ (PII) ಸಂಬಂಧಗೊಳ್ಳುತ್ತದೆ. ಇದರಲ್ಲಿ [ವೈವಿಧ್ಯಮಯ ಅ-ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಂಶಗಳು](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ಸೇರಿವೆ, ಅವು _ಒಟ್ಟಾರೆ_ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸುವಂತಿವೆ. ನೈತಿಕ ಸವಾಲುಗಳು _ಡೇಟಾ ಗೌಪ್ಯತೆ_, _ಡೇಟಾ ಹೊಂದಿಕೆಯಲ್ಲಿ_, ಮತ್ತು ಸಂಬಂಧಿತ ವಿಷಯಗಳಾದ _ಸೂಚನಾ ಒಪ್ಪಿಗೆ_ ಮತ್ತು _ಬೌದ್ಧಿಕ ಸಂಪತ್ತಿನ ಹಕ್ಕುಗಳು_ ಇತ್ಯಾದಿ ಎದುರಾಗಬಹುದು.

ಅಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸದಲ್ಲಿ, ಕ್ರಿಯೆಗಳು ಸಂಗ್ರಹ, ಸಂಗ್ರಹಣೆ ಮಾಡಲಾದ **ಡೇಟಾಸೆಟ್‌ಗಳು** ಯನ್ನು ಸಂಗ್ರಹಿಸಿ, ನಂತರ ಅವುಗಳನ್ನು ಉಪಯೋಗಿಸಿ ನಿರ್ಧಾರಗಳನ್ನು ಊಹಿಸಿ ಅಥವಾ ನೈಜ ಜಗತಿನಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ಸಂಚಲನವನ್ನು ಸಾಧಿಸುವ **ಡೇಟಾ ಮಾದರಿಗಳನ್ನು** ತರಬೇತಿ ಮತ್ತು ಜಾರಿ ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ನೈತಿಕ ಸವಾಲುಗಳು _ಡೇಟಾಸೆಟ್ ಪಕ್ಷಪಾತ_, _ಡೇಟಾ ಗುಣಮಟ್ಟ ಸಮಸ್ಯೆಗಳು_, _ಅನ್ಯಾಯ_, ಮತ್ತು ಅಲ್ಗೋರಿದಮ್‌ಗಳಲ್ಲಿ _ತಪ್ಪು ಪ್ರತಿನಿಧಾನ_ ಹೀಗೆ ಕೆಲವು ವ್ಯವಸ್ಥಾಪಕ ಸ್ವಭಾವದ ಸಮಸ್ಯೆಗಳಿಗೂ ಕಾರಣವಾಗಬಹುದು.

ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನೈತಿಕ ಸವಾಲುಗಳು ನಮ್ಮ ಕ್ರಿಯೆಗಳು ಹಂಚಿಕೆಯ ಮೌಲ್ಯಗಳಿಗೆ ವಿರೋಧವಾಗಬಹುದು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಗುರುತಿಸಲು, ತಗ್ಗಿಸಲು, ಕಡಿಮೆಗೊಳಿಸಲು ಅಥವಾ ನಿವಾರಣೆಗೆ, ನಾವು ನಮಗೆ ಸಂಬಂಧಿಸಿದ ಕ್ರಿಯೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ ನೈತಿಕ "ಹೌದು/ಇಲ್ಲ" ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬೇಕು ಮತ್ತು ಅಗತ್ಯ ವಿದ್ದರೆ ಸರಿಪಡಿಸುವ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಕೆಲವು ನೈತಿಕ ಸವಾಲುಗಳು ಮತ್ತು ಅವು ಮೂಡಿಸುವ ನೈತಿಕ ಪ್ರಶ್ನೆಗಳು ಇಲ್ಲಿ ಟಿಕೆಟ್ ಆಗಿವೆ:


#### 2.1 ಡೇಟಾ ಹೊಂದಿಕೆಯಲ್ಲಿ ಹಕ್ಕುಗಳು

ಡೇಟಾ ಸಂಗ್ರಹಣೆ ತಲೆಕೆಳಗೆ ವೈಯುಕ್ತಿಕ ಡೇಟಾ ಸೃಷ್ಟಿಯಾಗಬಹುದು ಮತ್ತು ಡೇಟಾದ ವಿಷಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. [ಡೇಟಾ ಹೊಂದಿಕೆಯ](https://permission.io/blog/data-ownership) ಅರ್ಥವು ಡೇಟಾ ಸೃಷ್ಟಿ, ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಪ್ರಸಾರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ _ನಿಯಂತ್ರಣ_ ಮತ್ತು [_ಬಳಕೆದಾರ ಹಕ್ಕುಗಳು_](https://permission.io/blog/data-ownership).

ಮತ್ತು ನಾವು ಕೇಳಬೇಕಾದ ನೈತಿಕ ಪ್ರಶ್ನೆಗಳು: 
 * ಡೇಟಾ ಯಾರ ಹಕ್ಕಿಗೆ ಸೇರಿದೆ? (ಬಳಕೆದಾರ ಅಥವಾ ಸಂಸ್ಥೆ)
 * ಡೇಟಾ ವಿಷಯಗಳಿಗೆ ಯಾವ ಹಕ್ಕುಗಳಿವೆ? (ಉದಾ: ಪ್ರವೇಶ, ಅಳಿಕೆ, ವರ್ಗಾವಣೆ)
 * ಸಂಸ್ಥೆಗಳ ಹಕ್ಕುಗಳು ಯಾವುವು? (ಉದಾ: ಕೆಟ್ಟ ಉದ್ದೇಶದ ಬಳಕೆದಾರ ವಿಮರ್ಶೆಗಳನ್ನು ಸರಿಪಡಿಸುವುದು)

#### 2.2 ಸೂಚನಾರ್ಹ ಒಪ್ಪಿಗೆ

[ಸೂಚನಾರ್ಹ ಒಪ್ಪಿಗೆ](https://legaldictionary.net/informed-consent/) ಎಂದರೆ ಬಳಕೆದಾರರು (ಜೀವಂತ ವ್ಯಕ್ತಿಗಳು) ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಹಾಗು ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಪ್ರাসಂಗಿಕ ಕಾರ್ಯಕ್ರಮಗಳು, ಸಾಧ್ಯ ತೊಂದರೆಗಳು ಮತ್ತು ಪರ್ಯಾಯಗಳನ್ನು _ಪೂರ್ಣ ಅರ್ಥಮಾಡಿಕೊಂಡು_ ಒಪ್ಪಿಗೆಯನ್ನು ನೀಡುವ ಕ್ರಿಯೆ.

ಇಲ್ಲಿ ವಿಚಾರಿಸಲು:
 * ಬಳಕೆದಾರಳು ಡೇಟಾ ಬಂಧನ ಮತ್ತು ಬಳಕೆಗೆ ಅನುಮತಿ ನೀಡಿದೀರಾ?
 * ಆ ಡೇಟಾ ಬಂಧನದ ಉದ್ದೇಶವನ್ನು ಬಳಕೆದಾರರು ಅರ್ಥಮಾಡಿಕೊಂಡಾರಾ?
 * ಭಾಗವಹಿಸುವಿಕೆಯಿಂದ ಆಗಬಹುದಾದ ಅಪಾಯಗಳನ್ನು ವಿವರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಾರಾ?

#### 2.3 ಬೌದ್ಧಿಕ ಸಂಪತ್ತು

[ಬೌದ್ಧಿಕ ಸಂಪತ್ತು](https://en.wikipedia.org/wiki/Intellectual_property) ಎಂದರೆ ಮಾನವ ಆವಿಷ್ಕಾರದ ಪರಿಣಾಮವಾಗಿ ಸಂಭವಿಸಿರುವ, ಅಸ್ಪಷ್ಟ, ಆರ್ಥಿಕ ಮೌಲ್ಯವುಳ್ಳ ರಚನೆಗಳು.

ಇಲ್ಲಿ ಪ್ರಶ್ನೆಗಳು:
 * ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾಕ್ಕೆ ಬಳಕೆದಾರ ಅಥವಾ ವಾಣಿಜ್ಯಕ್ಕೆ ಆರ್ಥಿಕ ಮೌಲ್ಯವಿದೆಯೇ?
 * **ಬಳಕೆದಾರನ** ಬೌದ್ಧಿಕ ಸಂಪತ್ತು ಇದರಲ್ಲಿ ಇದೆಯೇ?
 * **ಸಂಸ್ಥೆಯ** ಬೌದ್ಧಿಕ ಸಂಪತ್ತು ಇದರಲ್ಲಿ ಇದೆಯೇ?
 * ಹಕ್ಕುಗಳಿವೆಂದರೆ ನಾವು ಅವನ್ನು ಹೇಗೆ ರಕ್ಷಿಸುತ್ತಿದ್ದೇವೆ?

#### 2.4 ಡೇಟಾ ಗೌಪ್ಯತೆ

[ಡೇಟಾ ಗೌಪ್ಯತೆ](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ಅಥವಾ ಮಾಹಿತಿ ಗೌಪ್ಯತೆ ಎಂದರೆ ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಲಾಗಬಹುದಾದ ವಿಷಯದ ಪರಿಗಣನೆ ಮತ್ತು ಬಳಕೆದಾರರ ಗೌಪ್ಯತೆ ಮತ್ತು ಗುರುತಿನ ರಕ್ಷಣೆ.

ಚರ್ಚಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
 * ಬಳಸುವವರ (ವೈಯಕ್ತಿಕ) ಡೇಟಾ ಹ್ಯಾಕ್ ಮತ್ತು ಜೋಪಾನಗಳ ವಿರುದ್ಧ ಸುರಕ್ಷಿತವಾಗಿದೆ?
 * ಬಳಕೆದಾರರ ಡೇಟಾ ಸಾಂಪ್ರದಾಯಿಕ ವೀಕ್ಷಣೆಯಲ್ಲಿ ಮಾತ್ರ ಲಭ್ಯವಿದ್ದೇ?
 * ಹೊರಗೆ ಹಂಚಿದಾಗ ಬಳಕೆದಾರರ ಅನಾಮಿಕತೆ ಕಾಯ್ದುಕೊಳ್ಳಲಾಗಿದೆ?
 * ಅನಾಮಿಕರಣಗೊಂಡ ಡೇಟಾ ಸೆಟ್‌ಗಳಿಂದ ಬಳಕೆದಾರರನ್ನು ಗುರುತಿಸಬಹುದೇ?

#### 2.5 ಮರೆತುಹೋಗುವ ಹಕ್ಕು

[ಮರೆತುಹೋಗುವ ಹಕ್ಕು](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ಅಥವಾ [ಅಳಿಸುವ ಹಕ್ಕು](https://www.gdpreu.org/right-to-be-forgotten/) ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾ ರಕ್ಷಣೆಯ ಹೆಚ್ಚುವರಿ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ವಿಶೇಷವಾಗಿ, ಇಂಟರ್‌ನೆಟ್ ಶೋಧನೆಗಳು ಮತ್ತು ಇತರ ಸ್ಥಳಗಳಲ್ಲಿ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಳಿಸುವಿಕೆ ಅಥವಾ ತೆಗೆದುಹಾಕಲು ವಿನಂತಿ ಮಾಡುವ ಹಕ್ಕು ನೀಡುತ್ತದೆ, _ನಿಶ್ಚಿತ ಸಂದರ್ಭಗಳಲ್ಲಿ_ - ಹೀಗೆ ಬಳಕೆದಾರರು ತಮ್ಮ ಹಳೆಯ ಕ್ರಮಗಳಿಂದ ಮುಕ್ತವಾಗಿ ಹೊಸ ಪ್ರಾರಂಭ ಮಾಡಬಹುದು.

ವಿಚಾರಿಸುವ ಪ್ರಶ್ನೆಗಳು:
 * ವ್ಯವಸ್ಥೆ ಡೇಟಾ ವಿಷಯಗಳಿಗೆ ಅಳಿಸುವಿಕೆ ವಿನಂತಿ ಮಾಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ?
 * ಬಳಕೆದಾರರ ಒಪ್ಪಿಗೆಯನ್ನು ಹಿಂಪಡೆಯುವಾಗ ಸ್ವಯಂಚಾಲಿತ ಅಳಿಸುವಿಕೆ ಪ್ರಾರಂಭವಾಗಬೇಕೇ?
 * ಒಪ್ಪಿಗೆಯಿಲ್ಲದೆ ಅಥವಾ ಅಕ್ರಮ ಆದಾಯದಿಂದ ಡೇಟಾ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ?
 * ನಾವು ಸರ್ಕಾರದ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾನುಗುಣತೆಯಿಂದ ಅನುಗುಣರಿದ್ದೇವೇ?

#### 2.6 ಡೇಟಾಸೆಟ್ ಪಕ್ಷಪಾತ

ಡೇಟಾಸೆಟ್ ಅಥವಾ [ಸಂಗ್ರಹ ಪಕ್ಷಪಾತ](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) ಅಲ್ಗೋರಿದಮ್ ಅಭಿವೃದ್ಧಿಗಾಗಿ _ಪ್ರಾತಿನಿಧ್ಯವಿಲ್ಲದ_ ಡೇಟಾ ಉಪಸಮೂಹವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು, ಇದು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆಯ ಗುಂಪುಗಳಿಗೆ ಅನ್ಯಾಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. ಪಕ್ಷಪಾತದ ವಿಧಗಳು ಆಯ್ಕೆ ಅಥವಾ ಮಾದರಿ ಪಕ್ಷಪಾತ, ಸ್ವಯಂಸೇವಕ ಪಕ್ಷಪಾತ ಮತ್ತು ಸಾಧನ ಪಕ್ಷಪಾತ.

ಪ್ರಶ್ನೆಗಳು:
 * ನಾವು ಪ್ರಾತಿನಿಧ್ಯವಿರಲು ಡೇಟಾ ವಿಷಯಗಳನ್ನು ನೇಮಕಮಾಡಿದ್ದಿವೆಯೇ?
 * ನಮ್ಮ ಸಂಗ್ರಹಿಸಿದ ಅಥವಾ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾಸೆಟ್ ವಿಭಿನ್ನ ಪಕ್ಷಪಾತಗಳಿಗೆ ಪರೀಕ್ಷಿಸಲಾಗಿದೆವೇ?
 * ಕಂಡುಹಿಡಿದ ಪಕ್ಷಪಾತಗಳನ್ನು ನಾವು ತಗ್ಗಿಸಬಲ್ಲವೆಯೇ ಅಥವಾ ದೂರ ಮಾಡಬಲ್ಲವೆಯೇ?

#### 2.7 ಡೇಟಾ ಗುಣಮಟ್ಟ

[ಡೇಟಾ ಗುಣಮಟ್ಟ](https://lakefs.io/data-quality-testing/) ನಮ್ಮ ಅಲ್ಗೋರಿದಮ್‌ಗಳ ಅಭಿವೃದ್ಧಿಗಾಗಿ ಉಪಯೋಗಿಸುವ ಡೇಟಾಸೆಟ್‌ನ ಮಾನ್ಯತೆ, ಸರಳತೆ ಮತ್ತು ಪ್ರಾಮಾಣಿಕತೆ ಪರೀಕ್ಷಿಸುವುದಾಗಿದೆ.

ಪ್ರಶ್ನೆಗಳು:
 * ನಾವು ನಮ್ಮ ಬಳಕೆಗೆ ಮಾನ್ಯವಾದ _ಲಕ್ಷಣಗಳನ್ನು_ ಹಿಡಿದಿದ್ದಿವೆಯೇ?
 * ಬಿವಿಧ ಡೇಟಾ ಮೂಲಗಳಲ್ಲಿ ಡೇಟಾ _ಸ್ಥಿರವಾಗಿ_ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ?
 * ಡೇಟಾಸೆಟ್ ಬಿವಿಧ ಪರಿಸ್ಥಿತಿಗಳಿಂದ ಸಂಪೂರ್ಣವೇಕೆ?
 * ವಾಸ್ತವದ ಸ್ವರೂಪವನ್ನು ನಿಖರವಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆವೇ?
#### 2.8 ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣೆ

[ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣೆ](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ಆಲ್ಗೋರಿದಮ್ ವಿನ್ಯಾಸವು ನಿರ್ದಿಷ್ಟ ಉಪಸಮೂಹಗಳ ವಿರುದ್ಧ ಕ್ರಮಬದ್ಧವಾಗಿ ಭೇದಭಾವವನ್ನು ಮಾಡುತ್ತಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಅದು _ವಿಭಾಗಾವಣೆ_ (ಅಲ್ಲಿ ಆ ಗುಂಪಿನಿಂದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರಾಕರಿಸಲಾಗುವುದು ಅಥವಾ ಇರಿಸಿಡಲಾಗುವುದು) ಮತ್ತು _ಸೇವಾ ಗುಣಮಟ್ಟ_ (ಅಲ್ಲಿ ಏಐ ಕೆಲವು ಉಪಸಮೂಹಗಳಿಗೆ ಇತರರಂತೆ ನಿಖರವಾಗಿರುವುದಿಲ್ಲ) ನಲ್ಲಿ ಸಂಭವನೀಯ ಹಾನಿಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. 

ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
 * ನಾವು ವೈವಿಧ್ಯಮಯ ಉಪಸಮೂಹ ಮತ್ತು ಸ್ಥಿತಿಗಳಿಗಾಗಿ ಮಾದರಿ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿಸಿದ್ದೇವೆನಾ?
 * ನಾವು ಸಿಸ್ಟಂ ಅನ್ನು ಸಂಭವನೀಯ ಹಾನಿಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇವಾ (ಉದಾ. სტಿರಿಯೋಟ್ೈಪಿಂಗ್)?
 * ಪತ್ತೆಯಾದ ಹಾನಿಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲೆಂದು ಡೇಟಾಗೆ ಪರಿಷ್ಕರಣೆ ಮಾಡಿ ಅಥವಾ ಮಾದರಿಗಳನ್ನು ಮರುಪ್ರಶಿಕ್ಷಿತ ಮಾಡುವ ಸಾಧ್ಯತೆಗಳಿವೆಯೇ?

ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಲು [AI ನ್ಯಾಯತೀಕ್ಷಣೆಯ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ಮೊದಲಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.

#### 2.9 ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ

[ಡೇಟಾ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ಎಂದರೆ ನಾವು ಸತ್ಯವಾಗಿ ವರದಿಯಾದ ಡೇಟೆಯಿಂದ洞察ಗಳನ್ನು ಮೋಸಪೂರಿತ ರೀತಿಯಲ್ಲಿ ಸಂವಹನ ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ಕೇಳುವುದು, ಒಂದು ಬಯಸಿದ ಕಥನವನ್ನು ಬೆಂಬಲಿಸಲು.

ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
 * ನಾವು ಅಪೂರ್ಣ ಅಥವಾ ತಪ್ಪು ಡೇಟಾಗೆ ವರದಿ ಮಾಡುತ್ತಿದೇವಾ?
 * ನಾವು ಡೇಟಾವನ್ನು ತಪ್ಪು ನಿರ್ಣಯಗಳಿಗೆ ದಾರಿತీసುವ ರೀತಿಯಲ್ಲಿ ದೃಶ್ಯೀಕರಿಸುತ್ತಿದೇವಾ?
 * ನಾವು ಫಲಿತಾಂಶಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಆಯ್ಕೆಮಾಡಿದ ಸಾಂಕೇತಿಕ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದೇವಾ?
 * ವಿಭಿನ್ನ ನಿರ್ಣಯ ನೀಡಬಹುದಾದ ಪರ್ಯಾಯ ವಿವರಣೆಗಳಿವೆಯೇ?

#### 2.10 ಸ್ವತಂತ್ರ ಆಯ್ಕೆ
[ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಮೋಹನ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ಸಂಭವಿಸುತ್ತದೆಂದು ತಿಳಿದುಕೊಳ್ಳಿ, ಅಂದರೆ ಸಿಸ್ಟಂ "ಆಯ್ಕೆ ನಿರ್ಮಾಣಗಳು" ನಿರ್ಧಾರ ಮುಖಾಂತರ ಆಲ್ಗೋರಿದಮ್ಗಳನ್ನು ಬಳಸಿ ಜನರನ್ನು ಇಚ್ಛಿತ ಫಲಿತಾಂಶದ ಕಡೆ "ಹಿಗ್ಗಿಸುವುದಾಗಿ" ನೋಡಿಸಿ ಅವರಿಗೆ ಆಯ್ಕೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಣ ಇರಿಸುವಂತೆ ಕಾಣಿಸುತ್ತದೆ. ಈ [ಕತ್ತಲೆ ಮಾದರಿಗಳು](https://www.darkpatterns.org/) ಬಳಕೆದಾರರಿಗೆ ಸಾಮಾಜಿಕ ಮತ್ತು ಆರ್ಥಿಕ ಹಾನಿ ಉಂಟುಮಾಡಬಹುದು. ಬಳಕೆದಾರರ ನಿರ್ಧಾರಗಳು ವರ್ತನೆ ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ಪ್ರಭಾವಿಸುವುದರಿಂದ, ಇವು ಭವಿಷ್ಯದ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತವೆ ಮತ್ತು ಹಾನಿ ವ್ಯಾಪ್ತಿಯನ್ನು ವೃದ್ಧಿಸುವ ಸಾಧ್ಯತೆಗಳಿವೆ.

ಇದರಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು:
 * ಬಳಕೆದಾರನು ಆ ಆಯ್ಕೆಯನ್ನು ಮಾಡಿದ್ದಾಗ ಅದರ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದಾನಾ?
 * ಬಳಕೆದಾರನು (ಪರ್ಯಾಯ) ಆಯ್ಕೆಗಳನ್ನು ಮತ್ತು ಪ್ರತಿ ಆಯ್ಕೆಯ ಪ್ರೋತ್ಸಾಹಗಳು ಮತ್ತು ನೂಕಚ್ಚುಗಳನ್ನು ತಿಳಿದಿದ್ದಾನಾ?
 * ಬಳಕೆದಾರನು ಸ್ವಯಂಚಾಲಿತ ಅಥವಾ ಪ್ರಭಾವಿತ ಆಯ್ಕೆಗಳನ್ನು ನಂತರ ಹಿಂದಕ್ಕೆ ತಿರುಗಿಸಬಹುದೇ?

### 3. ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು

ಈ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ನೈಜ ಬಾಳಿನಲ್ಲಿ ಹೇಗೆ ಕಾಣಬಹುದು ಎಂದು ತಿಳಿಯಲು, ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಸಮಾಜಕ್ಕೆ ಸಂಭವನೀಯ ಹಾನಿಗಳ ಮತ್ತು ಪರಿಣಾಮಗಳ ಮೇಲೆ ಬೆಳಕು ಬೀರುವ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ನೋಡುವುದು ಸಹಾಯಕ.

ಕೆಲವು ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:

| ನೈತಿಕ ಸವಾಲು | ಪ್ರಕರಣ ಅಧ್ಯಯನ  | 
|--- |--- |
| **ಮಾಹಿತಿ ಕೊಡುವ ಅನುಮತಿ** | 1972 - [ಟಸ್ಕೆಗಿ ಸಿಫಿಲಿಸ್ ಅಧ್ಯಯನ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಿದ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ ಪುರುಷರಿಗೆ ಉಚಿತ ವೈದ್ಯಕೀಯ ಸೇವೆಯನ್ನು ಭರವಸೆ ನೀಡಲಾಯಿತು, ಆದರೆ ಅವರ ರೋಗನಿರ್ಣಯ ಅಥವಾ ಚಿಕಿತ್ಸೆ ಲಭ್ಯತೆಯ ಬಗ್ಗೆ ತಿಳಿಯದಿರಿಸಲು ಸಂಶೋಧಕರು ಮೋಸ ಮಾಡಿದರು. ಅನೇಕರು ಮೃತಪಟ್ಟರು ಮತ್ತು ಅವರ ಸಂಗಾತಿಗಳು ಅಥವಾ ಮಕ್ಕಳೂ ಪ್ರಭಾವಿತರಾದರು; ಅಧ್ಯಯನವು 40 ವರ್ಷಗಳ ಕಾಲ ಮುಂದುವರಿದಿತು.| 
| **ಡೇಟಾ ಗೌಪ್ಯತೆ** | 2007 - [ನೆಟ್‌ಫ್ಲಿಕ್ಸ್ ಡೇಟಾ ಬಹುಮಾನ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ಸಂಶೋಧಕರಿಗೆ _50,000 ಗ್ರಾಹಕರಿಂದ 10 ಮಿಲಿಯನ್ ಅನಾಮಿಕ ಚಿತ್ರ ರ್ಯಾಂಕಿಂಗ್ಸ್_ ನೀಡಿದವು, ಶಿಫಾರಸು ಆಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಸುಧಾರಿಸುವುದಕ್ಕೆ. ಆದರೆ ಸಂಶೋಧಕರು ಅನಾಮಿಕ ಡೇಟಾವನ್ನು ವ್ಯಕ್ತಿತ್ವದೊಂದಿಗೆ ಹೊಂದಿಕೆ ಮಾಡಿ _ಬಾಹ್ಯ ಡೇಟಾಸೆಟ್‌ಗಳ_ (ಉದಾ. IMDb ಕಾಮೆಂಟ್‌ಗಳು) ಸಹಾಯದಿಂದ ಕೆಲವು ನೆಟ್‌ಫ್ಲಿಕ್ಸ್ ಸದಸ್ಯರನ್ನು "ಅನಾಮಿಕತೆಯನ್ನು ತೆಗೆಯುವ" ಕಾರ್ಯ ಮಾಡಬಲ್ಲರು.| 
| **ಸಂಗ್ರಹ ಭೇದಭಾವ** | 2013 - ಬೊಸ್ಟ್‍ನ್ ನಗರ [ಸ್ಟ್ರೀಟ್ ಬಂಪ್ ಅ್ಯಪ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು](https://www.boston.gov/transportation/street-bump), ಅದು ನಾಗರಿಕರನ್ನು ರಸ್ತೆ上的 ಬಿರುಕುಗಳನ್ನು ವರದಿ ಮಾಡಲು ಅವಕಾಶ ನೀಡಿತು, ಈ ಮೂಲಕ ನಗರಕ್ಕೆ ಉತ್ತಮ ರಸ್ತೆ ಡೇಟಾ ಸಿಗಲಾಯಿತು. ಆದರೆ [ತಗ್ಗು ಆದಾಯ ವర్గದ ಜನರು ಕಾರು ಮತ್ತು ಫೋನ್ಗಳಿಗೆ ಕಡಿಮೆ ಪ್ರವೇಶ ಹೊಂದಿದ್ದರು](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ಅದರಲ್ಲಿ ಅವರನ್ನು ಮಾತ್ರ ರೋಡಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಅಪ್ರತ്യക്ഷವಾಗಿರಿಸಿಕೊಂಡಿತು. ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಅಕಾಡೆಮಿಕ್‌ಗಳೊಂದಿಗೆ ಸಮಾನ ಪ್ರವೇಶ ಮತ್ತು ಡಿಜಿಟಲ್ ಬೇಧಭಾವ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡಿದರು.| 
| **ಆಲ್ಗೋರಿದಮ್ ನ್ಯಾಯತೀಕ್ಷಣಾ** | 2018 - MIT [ಲಿಂಗ ಛಾಯಾಚಿತ್ರ ಅಧ್ಯಯನ](http://gendershades.org/overview.html) AI ಲಿಂಗ ವರ್ಗೀಕರಣ ಉತ್ಪನ್ನಗಳ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಹೆಣ್ಮಕ್ಕಳು ಮತ್ತು ಬಣ್ಣದವರುಮೇಲೆ ನಿಖರತೆಯಲ್ಲಿ ಖಾಲಿ ಇರುವುದನ್ನು ಬಹಿರಂಗಪಡಿಸಿದವು. [2019 ಆಪಲ್ ಕಾರ್ಡ್](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ಮಹಿಳೆಯರಿಗೆ ಗಂಡಸಿಗಿಂತ ಕಡಿಮೆ ಕ್ರೆಡಿಟ್ ಕೊಡುತ್ತದೆ ಎಂದು ಕಂಡುಬಂದಿತು. ಇವು ಇಬ್ಬವೂ ಆಲ್ಗೋರಿದಮ್ ಭೇದಭಾವದಿಂದ ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ಹಾನಿಗಳನ್ನು ತೋರಿಸುತ್ತವೆ.| 
| **ಡೇಟಾ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆ** | 2020 - [ಜಾರ್ಜಿಯಾದ ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಇಲಾಖೆ COVID-19 ಚಾರ್ಟ್‌ಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ಅದು ಖಚಿತ ಪ್ರಕರಣಗಳ ನಿರೀಕ್ಷಣೆಯ ಬಗ್ಗೆ ಸಾರ್ವಜನಿಕರನ್ನು ತಪ್ಪು ಮಾರ್ಗದರ್ಶನ ಮಾಡಿತು, x-ಅಕ್ಷದಲ್ಲಿ ಕಾಲಕ್ರಮವಿಲ್ಲದ ಕ್ರಮದ ಮೂಲಕ. ಇದು ದೃಶ್ಯೀಕರಣದ ಮೂಲಕ ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವಿಕೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.| 
| **ಸ್ವತಂತ್ರ ಆಯ್ಕೆಯ ಮೋಹನ** | 2020 - [ABCmouse ಕಲಿಕಾ ಅ್ಯಪ್ 10 ಮಿಲಿಯನ್ ಡಾಲರ್ FTC ದೂರು ಮರುಪಾವತಿ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ನಿರ್ದಿಷ್ಟ ಪೋಷಕರು ತಮ್ಮ ಚಂದಾದಾರಿಕೆಯನ್ನು ರದ್ದುಪಡಿಸಲು ಸಾಧ್ಯವಾಗದೆ ಪಾವತಿ ಮಾಡಲು ಬಿರುಸಾದರು. ಇದು ಆಯ್ಕೆ ನಿರ್ಮಾಣಗಳಲ್ಲಿ ಕತ್ತಲೆ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಬಳಕೆದಾರರನ್ನು ಹಾನಿಕರ ಆಯ್ಕೆಗಳಿಗೆ ಹಿಗ್ಗಿಸಲಾಗುತ್ತದೆ.| 
| **ಡೇಟಾ ಗೌಪ್ಯತೆ & ಬಳಕೆದಾರ ಹಕ್ಕುಗಳು** | 2021 - ಫೇಸ್ಬುಕ್ [ಡೇಟಾ ಲಂಘನೆ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 ಮಿಲಿಯನ್ ಬಳಕೆದಾರರ ಡೇಟಾಗೆ ಹಾನಿ ಮಾಡಿತು, ಮತ್ತು $5 ಬಿಲಿಯನ್ FTC ನೊಂದಣಿಗೆ ನೀಡಬೇಕಾಯಿತು. ಆದಾಗ್ಯೂ ಅವರು ಬಳಕೆದಾರರಿಗೆ ಈ ಲಂಘನೆ ಬಗ್ಗೆ ತಿಳಿಸುವುದನ್ನು ತಿರಸ್ಕರಿಸಿದರು, ಇದರಿಂದ ಡೇಟಾ ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಪ್ರವೇಶ ಹಕ್ಕುಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿದರು.|

ಹೆಚ್ಚು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಈ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಿ:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿನ ನೈತಿಕ ದ್ವಂದ್ವಗಳು.
* [ಡೇಟಾ ವಿಜ್ಞಾನ ನೈತಿಕತೆ ಕೋರ್ಸ್](https://www.coursera.org/learn/data-science-ethics#syllabus) - ಪ್ರಮುಖ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು.
* [ಚೆನ್ನಾಗಿ ತಪ್ಪಿರುವ ಸ್ಥಳಗಳು](https://deon.drivendata.org/examples/) - ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಡಿಯಾನ್ ತಪಾಸಣಾ ಪಟ್ಟಿ

> 🚨 ನೀವು ಕಂಡಿದ್ದ ಘಟನೆಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ - ನಿಮ್ಮ ಜೀವನದಲ್ಲಿ ಇಂತಹ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸಿದ್ದೀರಾ? ನಾವು ಈ ವಿಭಾಗದಲ್ಲಿ ಚರ್ಚಿಸಿದ್ದ ನೈತಿಕ ಸವಾಲುಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಮತ್ತೊಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ನೀವು ಗೊತ್ತುಮಾಡಲು ಸಾಧ್ಯವೇ?

## ಅನ್ವಯಿಸಿದ ನೈತಿಕತೆ

ನಾವು ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳು, ಸವಾಲುಗಳು ಮತ್ತು ವಾಸ್ತವಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ. ಆದರೆ ನಾವು ನಮ್ಮ ಯೋಜನೆಗಳಲ್ಲಿ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು _ಅಳವಡಿಸುವುದು_ ಹೇಗೆ ಆರಂಭಿಸಬೇಕೆನು? ಹಾಗೂ ಉತ್ತಮ ಆಡಳಿತಕ್ಕಾಗಿ ಈ ಅಭ್ಯಾಸಗಳನ್ನು _ಕಾರ್ಯಗತಗೊಳಿಸುವುದು_ ಹೇಗೆ? ಕೆಲವು ವಾಸ್ತವಿಕ ಪರಿಹಾರಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳೋಣ:

### 1. ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು

ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಸದಸ್ಯರನ್ನು ಅವರ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು ಮತ್ತು ಗುರಿಕಿಐನೆಟನ್ನು ಬೆಂಬಲಿಸುವಂತೆ _ಪ್ರೋತ್ಸಾಹಿಸಲು_ ಒಪ್ಪಿಗೆಯೊಂದು. ಸಂಹಿತೆಗಳು ವೃತ್ತಿಪರ ವರ್ತನೆಯ _ನೈತಿಕ ಮಾರ್ಗದರ್ಶಿಗಳು_, ಯೋಜನೆ ಅಥವಾ ಸದಸ್ಯರಿಗೆ ತನ್ನ ಸಂಸ್ಥೆಯ ಸಿದ್ದಾಂತಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಅವು ಸದಸ್ಯರಿಂದ ಸ್ವಯಮ್ಪೂರ್ಣ ಅನುಸರಣೆ ಸೇರಿದಂತೆ ಇರುತ್ತವೆ; ಬಹುನೊಂದು ಸಂಸ್ಥೆಗಳು ಹೆಚ್ಚಿನ ಪ್ರೋತ್ಸಾಹಗಳು ಮತ್ತು ಶಿಕ್ಷೆಗಳ ಮೂಲಕ ಅನುಸರಣೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತವೆ.

ಉದಾಹರಣೆಗಳು:

 * [ಆಕ್ಸ್ಫರ್ಡ್ ಮುನಿಚ್](http://www.code-of-ethics.org/code-of-conduct/) ನೈತಿಕ ಸಂಹಿತೆ
 * [ಡೇಟಾ ವಿಜ್ಞಾನ ಸಂಸ್ಥಾನ](http://datascienceassn.org/code-of-conduct.html) ವರ್ತನ ಚಟುವಟಿಕೆ ಸಂಹಿತೆ (2013 ರಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ)
 * [ACM ನೈತಿಕತೆ ಮತ್ತು ವೃತ್ತಿಪರ ಸಂಹಿತೆ](https://www.acm.org/code-of-ethics) (1993 ರಿಂದ)

> 🚨 ನೀವು ವೃತ್ತಿಪರ ಎಂಜಿನಿಯರಿಂಗ್ ಅಥವಾ ಡೇಟಾ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಗೆ ಸೇರಿದವರಾ? ಅವರ ವೆಬ್ಸೈಟ್ ನೋಡಿ ಅವರು ವೃತ್ತಿಪರ ನೈತಿಕ ಸಂಹಿತೆಯನ್ನು ವರ್ಣಿಸುತ್ತಿದೆಯೇ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಿ. ಅವರ ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳ ಬಗ್ಗೆ ಏನು ಹೇಳುತ್ತದೆ? ಅವರು ಸದಸ್ಯರನ್ನು ಈ ಸಂಹಿತೆ ಪಾಲಿಸಲು ಹೇಗೆ _ಪ್ರೋತ್ಸಾಹಿಸುತ್ತಿದ್ದಾರೆ_?

### 2. ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿಗಳು

ವೃತ್ತಿಪರ ಸಂಹಿತೆಗಳು ಪ್ರಾಯೋಗಿಕರಿಂದ ಅವಶ್ಯಕ _ನೈತಿಕ ವರ್ತನೆಯನ್ನು_ ವ್ಯಾಖ್ಯಾನಿಸುವಾಗ, ಅವುಗಳ ಏರ್ಪಡಿಕೆ ದೊಡ್ಡ ಯೋಜನೆಗಳಲ್ಲಿ [ದೋಷಪೂರಿತವಾಗಿದೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). ಅದಕ್ಕೆ ಬದಲಾಗಿ, ಹಲವು ಡೇಟಾ ವಿಜ್ಞಾನ ತಜ್ಞರು [ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿಗಳನ್ನು](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ಪರಿಗಣಿಸುತ್ತಾರೆ, ಅದು **ಸಿದ್ಧಾಂತಗಳನ್ನು ಅಭ್ಯಾಸಗಳಿಗೆ** ನಿರ್ವಚಿತ ಮತ್ತು ಕಾರ್ಯತ್ಮಕ ರೀತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ.

ತಪಾಸಣಾ ಪಟ್ಟಿಗಳು ಪ್ರಶ್ನೆಗಳನ್ನು "ಹೌದು/ಇಲ್ಲ" ಕಾರ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತವೆ, ಅವುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯ ಉತ್ಪನ್ನ ಬಿಡುಗಡೆ ಕಾರ್ಯವಾಹಕಗಳ ಭಾಗವಾಗಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಬಹುದು.

ಉದಾಹರಣೆಗಳು:
 * [Deon](https://deon.drivendata.org/) - ಸಾಮಾನ್ಯ ಉದ್ದೇಶ ಡೇಟಾ ನೈತಿಕತೆ ತಪಾಸಣಾ ಪಟ್ಟಿ, [ಉದ್ಯಮ ಶಿಫಾರಸುಗಳಿಂದ](https://deon.drivendata.org/#checklist-citations) ರಚಿಸಲಾಗಿದೆ, ಸುಲಭ ಏಕೀಕರಣಕ್ಕಾಗಿ ಕಮಾಂಡ್-ಲೈನ್ ಉಪಕರಣವಿದೆ.
 * [ಗೌಪ್ಯತೆ ಪರಿಶೀಲನಾ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ಕಾನೂನು ಮತ್ತು ಸಾಮಾಜಿಕ ತೆರೆದಿಕೆ ದೃಷ್ಟಿಯಿಂದ ಮಾಹಿತಿ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳಿಗೆ ಸಾಮಾನ್ಯ ಮಾರ್ಗದರ್ಶಿ.
 * [AI ನ್ಯಾಯತೀಕ್ಷಣೆ ತಪಾಸಣಾ ಪಟ್ಟಿ](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ಅಭಿವೃದ್ಧಿ ಚಕ್ರಗಳಲ್ಲಿ ನ್ಯಾಯತೀಕ್ಷಣೆ ಪರಿಶೀಲನೆಗಳನ್ನು ಸ್ವೀಕರಿಸಲು AI ತಜ್ಞರಿಂದ ರಚಿಸಲಾಗಿದೆ.
 * [ಡೇಟಾ ಮತ್ತು AI ನೈತಿಕತೆಗೆ 22 ಪ್ರಶ್ನೆಗಳು](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ಹೆಚ್ಚು ತೆರೆಯಾದ ಧೋರಣೆ; ವಿನ್ಯಾಸ, ಅನುಷ್ಠಾನ ಮತ್ತು ಸಂಸ್ಥೆಗಳ ಸಂದರ್ಭಗಳಲ್ಲಿ ನೈತಿಕ ಎಸೆಲೆಗಳ ಮೊದಲ ಅಧ್ಯಯನಕ್ಕೆ ಸಂರಚಿಸಲಾಗಿದೆ.

### 3. ನೈತಿಕ ನಿಯಮಾವಳಿ

ನೈತಿಕತೆ ಹ зачемಾಗ್ರಹಿತ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸರಿಯಾದುದನ್ನು _ಸ್ವಯಂಚಾಲಿತವಾಗಿ_ ಮಾಡುವುದಾಗಿದೆ. **ಅನುಕ್ರಮಣ** ಎಂದರೆ ನಿಯಮಿತವಾಗಿದ್ದಲ್ಲಿ ಕಾನೂನನ್ನು _ಅನುಸರಿಸುವುದು_. **ಆಡಳಿತ** ಸಂಸ್ಥೆಗಳು ನೈತಿಕ ಸಿದ್ಧಾಂತಗಳನ್ನು ಪ್ರಾಯೋಗಿಕಗೊಳಿಸುವ ಎಲ್ಲಾ ಮಾರ್ಗಗಳನ್ನು ಮತ್ತು ಕಾನೂನಿಗೆ ಅನುಕ್ರಮಣ ಮಾಡುವ ಎಲ್ಲ ವಿಧಾನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

ಇప్పుడు, ಸಂಸ್ಥೆಗಳೊಳಗಿರುವ ಆಡಳಿತ ಎರಡು ರೂಪಗಳಲ್ಲಿ ಇರುತ್ತದೆ. ಮೊದಲು, ಅದು **ನೈತಿಕ AI** ಸಿದ್ಧಾಂತಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಸಂಸ್ಥೆಯ ಎಲ್ಲಾ AI ಸಂಬಂಧಿತ ಯೋಜನೆಗಳಲ್ಲಿ ಅಳವಡಿಕೆ ಮಾಡೋದಕ್ಕೆ ಅಭ್ಯಾಸಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು. ಎರಡನೇದು, ಅದು ಸಂಸ್ಥೆಯ ಕಾರ್ಯಾಚರಣೆ ಇರುವ ಪ್ರದೇಶಗಳ ಎಲ್ಲಾ ಸರ್ಕಾರ ಮಾನ್ಯಕರಿಸಿದ **ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿಗಳನ್ನು** ಅನುಸರಿಸುವುದಾಗಿದೆ.

ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆ ನಿಯಮಾವಳಿ ಉದಾಹರಣೆಗಳು:

 * `1974`, [US ಗೌಪ್ಯತಾ ವಿಧಿ](https://www.justice.gov/opcl/privacy-act-1974) - _ಸಂಘ ಸರ್ಕಾರದ_ ವ್ಯಕ್ತಿಗತ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆ, ಬಳಕೆ ಮತ್ತು ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ.
 * `1996`, [US ಆರೋಗ್ಯ ಜಾತಿ ಪರಿಶೀಲನಾ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಕಾಯ್ದಾ (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ವೈಯಕ್ತಿಕ ಆರೋಗ್ಯ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
 * `1998`, [US ಮಕ್ಕಳ ಆನ್‌ಲೈನ್ ಗೌಪ್ಯತಾ ರಕ್ಷಣೆ ಕಾಯ್ದೆ (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 ವರುಷಕ್ಕಿಂತ ಕಡಿಮೆ ಮಕ್ಕಳ ಡೇಟಾ ಗೌಪ್ಯತೆಯನ್ನು ರಕ್ಷಿಸುತ್ತದೆ.
 * `2018`, [ಸಾಮಾನ್ಯ ಡೇಟಾ ಸಂರಕ್ಷಣೆ ನಿಯಮಾವಳಿ (GDPR)](https://gdpr-info.eu/) - ಬಳಕೆದಾರರ ಹಕ್ಕುಗಳು, ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
 * `2018`, [ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ಒಳ್ಳೆಯ ಬಳಕೆದಾರರ ಗೌಪ್ಯತಾ ಕಾಯ್ದೆ (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ಬಳಕೆದಾರರಿಗೆ ಅವರ (ವ್ಯಕ್ತಿಗತ) ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚು _ಹಕ್ಕುಗಳನ್ನು_ ನೀಡುತ್ತದೆ.
 * `2021`, ಚೀನಾ [ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯ ರಕ್ಷಣಾ ಕಾಯ್ದೆ](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ಹೊಸದಾಗಿ ಜಾರಿಗೊಂಡವು, ಇದು ಜಾಗತಿಕವಾಗಿ ಅತ್ಯಂತ ಬಲವಾದ ಆನ್ಲೈನ್ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾವಳಿಗಳನ್ನು ನಿರ್ಮಿಸಿದೆ.

> 🚨 ಯುರೋಪಿಯನ್ ಯೂನಿಯನ್ ವ್ಯಾಖ್ಯಾನಿಸಿದ GDPR (ಸಾಮಾನ್ಯ ಡೇಟಾ ರಕ್ಷಣೆ ನಿಯಮಾವಳಿ) ಇಂದಿಗೂ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಡೇಟಾ ಗೌಪ್ಯತಾ ನಿಯಮಾವಳಿಗಳಲ್ಲಿ ಒಂದು. ಇದು [8 ಬಳಕೆದಾರ ಹಕ್ಕುಗಳನ್ನು](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ಸಿಟಿಜನ್‌ಗಳ ಡಿಜಿಟಲ್ ಗೌಪ್ಯತೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಲು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ. ಇವು ಏನ್ನುಂದು ತಿಳಿದುಕೊಳ್ಳಿ ಮತ್ತು ಏಕೆ ಮಹತ್ವವಾಗಿದೆ ಎಂದು ತಿಳಿಯಿರಿ.

### 4. ನೈತಿಕ ಸಂಸ್ಕೃತಿ

ಮತ್ತೆ ಗಮನಿಸಬೇಕು, _ಅನುಕ್ರಮಣ_ (ಕಾನೂನಿನ "ಅಕ್ಷರ" ಅನುಸರಿಸುವುದು) ಮತ್ತು [ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಗಳು](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ಒಗ್ಗಟ್ಟಿನ ವ್ಯತ್ಯಾಸ, ಮಾಹಿತಿ ಅಸಮಾನತೆ, ವಿತರಣೆ ನ್ಯಾಯತೀವ್ರತೆಯಂತಹವು) ನಡುವೆ ಪರೋಕ್ಷ ವ್ಯತ್ಯಾಸ ಇರುತ್ತದೆ, ಇದು AI ಯ ಶಸ್ತ್ರೀಯೀಕರಣವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ.

ಇದಕ್ಕಾಗಿ [ನೈತಿಕ ಸಂಸ್ಕೃತಿಗಳನ್ನು ಹೊಂದಿಸುವ ಸಹಯೋಗಾತ್ಮಕ ವಿಧಾನಗಳು](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ಅಗತ್ಯವಾಗಿವೆ, ಅವು ಉದ್ಯಮದ ಸಂಸ್ಥೆಗಳ ನಡುವೆ ಭಾವನಾತ್ಮಕ ಸಂಪರ್ಕಗಳನ್ನು ಮತ್ತು ಸಾಂಕೇತಿಕ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತವೆ. ಇದಕ್ಕಾಗಿ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಹೆಚ್ಚು [ನೈತಿಕ ಡೇಟಾ ಸಂಸ್ಕೃತಿ ರೂಪಿಸುವಿಕೆ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ಮೂರ್ತಿಯಾಗಬೇಕು - _ಯಾರಿಗೂ_ [ ಅಂಡನ್ ಕಂಬವನ್ನು ](https://en.wikipedia.org/wiki/Andon_(manufacturing)) ಎಳೆದೊಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ (ನೈತಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ತಡವಾಗಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಉದ್ಭವಿಸುವುದರಿಂದ ತಪ್ಪಿಸಲು), ಮತ್ತು _ನೈತಿಕ ಮೌಲ್ಯಮಾಪನಗಳು_ (ಉದಾ. ನೇಮಕಾತಿಯಲ್ಲಿ) AI ಯೋಜನೆಗಳಲ್ಲಿ ತಂಡ ರಚನೆಗೆ ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿರುತ್ತದೆ.

---
## [ಪೋಷಟ್‌-ಲೆಕ್ಚರ್ ಕುಯಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ 

ನೈತಿಕ ತತ್ತ್ವಗಳು ಮತ್ತು ಸವಾಲುಗಳ ಅರ್ಥೈಸಿಕೆಗೆ ಕೋರ್ಸ್‌ಗಳು ಮತ್ತು ಪುಸ್ತಕಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಹಾಗೆಯೇ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ಮತ್ತು ಸಾಧನಗಳು ನೈತಿಕತೆ ಅಭ್ಯಾಸಗಳನ್ನು ನೈಜ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಪ್ರಾರಂಭಿಸಲು ಕೆಲವು ಸಂಪನ್ಮೂಲಗಳು ಇಲ್ಲಿವೆ.

* [ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft ನಿಂದ ನ್ಯಾಯತೀಕ್ಷಣೆ ಬೋಧನೆ.
* [ಜವಾಬ್ದಾರಿಯಾದ AI ತತ್ವಗಳು](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್‌ನಿಂದ ಉಚಿತ ಕಲಿಕೆಯ ಮಾರ್ಗ.
* [ನೈತಿಕತೆ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನ](https://resources.oreilly.com/examples/0636920203964) - ಒ'ರೈಲಿ ಇಬುಕ್ (M. ಲೂಕಿಡಿಸ್, H. ಮೆಸನ್ ಇತರೆ)
* [ಡೇಟಾ ವಿಜ್ಞಾನ ನೈತಿಕತೆ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ಮಿಚಿಗನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಆನ್‌ಲೈನ್ ಕೋರ್ಸ್.
* [ನೈತಿಕತೆ ಅನ್ವಯಿಸಿದ್ದು](https://ethicsunwrapped.utexas.edu/case-studies) - ಟೆಕ್ಸಾಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ಕೇಸ್ ಅಧ್ಯಯನಗಳು.

# ನಿಯೋಜನೆ

[ಡೇಟಾ ನೈತಿಕತೆ ಕೇಸ್ ಅಧ್ಯಯನ ಬರೆಯಿರಿ](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->