msb-public
/
Data-Science-For-Beginners
mirror of https://github.com/microsoft/Data-Science-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
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.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'copilot/fix-serialize-javascript-vulnerability'
${ noResults }
Data-Science-For-Beginners/translations/hu/1-Introduction/02-ethics/README.md

31 KiB
Raw Permalink Blame History Escape

Bevezetés az Adatetikába

Vázlatkép (@sketchthedocs) készítésében
Adattudomány etikája - Vázlatkép készítette @nitya

Mindannyian adatpolgárok vagyunk egy adatfürdő világban.

A piaci trendek azt jelzik, hogy 2022-re három nagy szervezetből egy online piactereken és tőzsdéken fogja megvásárolni és értékesíteni az adatait. Mint alkalmazásfejlesztők, könnyebbnek és olcsóbbnak fogjuk találni az adatvezérelt betekintések és algoritmusvezérelt automatizációk integrálását a napi felhasználói élményekbe. De amint az MI általánossá válik, értenünk kell a potenciális károkat is, amelyeket az ilyen algoritmusok fegyverkezése okozhat nagyszabásban.

A trendek szerint 2025-re több mint 180 zettabájt adatot fogunk generálni és fogyasztani. A data scientist-ek számára ez az információrobbanás páratlan hozzáférést biztosít személyes és viselkedési adatokhoz. Ez a hatalom lehetővé teszi részletes felhasználói profilok létrehozását és a döntéshozatal finom befolyásolását – gyakran olyan módokon, amelyek az önkéntes választás illúzióját keltik. Bár ez használható arra, hogy a felhasználókat preferált eredmények felé tereljük, kritikus kérdéseket vet fel az adatvédelem, az autonómia és az algoritmikus befolyás etikai határai kapcsán.

Az adatetika most már szükséges védősánc az adattudomány és mérnökség számára, amelyek segítenek minimalizálni a lehetséges károkat és a nem szándékolt következményeket adatvezérelt cselekedeteinkből. A Gartner Hype Cycle az MI-ről olyan releváns trendeket azonosít, amelyek a digitális etika, a felelős MI és az MI-kormányzás területén kulcsfontosságúak az MI demokratizálásának és iparosításának nagyobb megatrendjeiben.

Gartner Hype Cycle az MI-hez - 2020

Ebben a leckében megvizsgáljuk az adatetika lenyűgöző területét - az alapfogalmaktól és kihívásoktól kezdve esettanulmányokon és alkalmazott MI-konceptusokon át, mint a kormányzás - amelyek segítenek etikai kultúrát kialakítani azokban a csapatokban és szervezetekben, amelyek adattal és MI-vel dolgoznak.

Előadás előtti kvíz 🎯

Alapfogalmak

Kezdjük az alapvető terminológia megértésével.

Az "etika" szó a görög "ethikos" (és annak "ethos" gyökere) szóból ered, ami jellemet vagy erkölcsi természetet jelent.

Az etika a közösen elfogadott értékekről és erkölcsi elvekről szól, amelyek a társadalomban viselkedésünket irányítják. Az etika nem törvényeken alapul, hanem a széles körben elfogadott normákon, hogy mi a „helyes és helytelen”. Azonban az etikai megfontolások befolyásolhatják a vállalati kormányzási kezdeményezéseket és a kormányzati szabályozásokat, amelyek erősebb ösztönzőket hoznak létre a megfelelésre.

Az adatetika egy az etika új ága, amely „tanulmányozza és értékeli az adatokat, algoritmusokat és kapcsolódó gyakorlatokat érintő erkölcsi problémákat”. Itt az „adat” az adatok keletkezésével, rögzítésével, kurátori munkával, feldolgozással, terjesztéssel, megosztással és használattal kapcsolatos cselekvésekre fókuszál, az „algoritmusok” az MI-re, ágensekre, gépi tanulásra és robotokra koncentrálnak, míg a „gyakorlatok” felelősségteljes innováció, programozás, hackelés és etikai kódexek témáit foglalják magukban.

Az alkalmazott etika az erkölcsi megfontolások gyakorlati alkalmazása. Ez aktívan vizsgálja az etikai kérdéseket a valós cselekvések, termékek és folyamatok kontextusában, és korrigáló intézkedéseket hoz annak érdekében, hogy ezek összhangban maradjanak a meghatározott etikai értékekkel.

Az etikai kultúra az alkalmazott etika operacionalizálásáról szól, hogy etikai elveinket és gyakorlatainkat következetes és skálázható módon alkalmazzuk az egész szervezeten belül. A sikeres etikai kultúrák meghatározzák a szervezet egészére kiterjedő etikai elveket, jelentős ösztönzőket nyújtanak a megfelelésre, és erősítik az etikai normákat azáltal, hogy minden szinten bátorítják és erősítik a kívánatos viselkedést.

Etikai Fogalmak

Ebben a részben megvitatjuk a közös értékek (elvek) és az etikai kihívások (problémák) fogalmait az adatetika kapcsán – továbbá megvizsgálunk esettanulmányokat, amelyek segítenek megérteni ezeket a fogalmakat a valós helyzetekben.

1. Etikai Elvek

Minden adatetikai stratégia azzal kezdődik, hogy meghatározzuk az etikai elveket – azokat a „közös értékeket”, amelyek leírják az elfogadható viselkedést és irányítják a megfeleléshez szükséges cselekvéseket adat- és MI-projektjeinkben. Ezeket egyéni vagy csapatszinten is meg lehet határozni. A legtöbb nagy szervezet azonban egy etikus MI küldetésnyilatkozatban vagy keretrendszerben fogalmazza meg ezeket, amelyet vállalati szinten definiálnak és következetesen betartanak minden csapatban.

Példa: A Microsoft Felelős MI küldetésnyilatkozata így szól: „Elkötelezettek vagyunk az etikai elveket szem előtt tartó, embereket első helyre tevő MI-fejlesztés iránt” – az alábbi 6 etikai elvet azonosítva a keretrendszerben:

Felelős MI a Microsoftnál

Nézzük át röviden ezeket az elveket. A transzparencia és elszámoltathatóság alapvető értékek, amelyekre a többi elv épül, ezért kezdjük ezekkel:

  • Elszámoltathatóság biztosítja, hogy az adat- és MI-műveletek gyakorlói felelősek legyenek ezekért és az etikai elvek betartásáért.
  • Átláthatóság biztosítja, hogy az adat- és MI-cselekvések érthetőek (értelmezhetőek) legyenek a felhasználók számára, magyarázva a döntések „mit” és „miért” aspektusait.
  • Méltányosság arra fókuszál, hogy az MI mindenkit igazságosan kezeljen, foglalkozva az adat- és rendszerszintű vagy implicit társadalmi-technikai torzításokkal.
  • Megbízhatóság és Biztonság gondoskodik arról, hogy az MI következetesen viselkedjen a meghatározott értékekkel összhangban, minimalizálva a lehetséges károkat vagy nem kívánt következményeket.
  • Adatvédelem és Biztonság az adatvonaliság megértéséről, valamint a felhasználók számára nyújtott adatvédelmi és kapcsolódó védelmi intézkedésekről szól.
  • Befogadás az MI-megoldások szándékos megtervezéséről szól, hogy azok alkalmazkodjanak egy széles emberi szükséglet- és képesség-spektrumhoz.

🚨 Gondold át, milyen lehet a te adatetikai küldetésnyilatkozatod. Vizsgáld meg más szervezetek etikus MI-keretrendszereit – itt van néhány példa az IBM, Google és Facebook oldalairól. Milyen közös értékek vannak bennük? Hogyan kapcsolódnak ezek az elvek az MI-termékükhöz vagy az iparághoz, amelyben működnek?

2. Etikai Kihívások

Miután meghatároztuk az etikai elveket, a következő lépés az, hogy értékeljük adat és MI-cselekvéseinket, hogy megfelelnek-e ezeknek a közös értékeknek. Két kategóriában gondolkodjunk: adatgyűjtés és algoritmustervezés.

Az adatgyűjtés esetén cselekvéseink nagy valószínűséggel személyes adatokat, illetve személy szerint azonosítható információkat (PII) érintenek. Ide tartozik számos nem személyes adat, amelyek együttesen képesek az egyén azonosítására. Az etikai kihívások érinthetik az adatvédelmet, az adatbirtoklást és kapcsolódó témákat, mint az értelmes beleegyezés és az intellektuális tulajdonjogok.

Az algoritmustervezés esetében cselekvéseink adatgyűjtéssel és adatkurátorlással foglalkoznak, majd ezeket a készleteket használják fel adati modellek tréningjéhez és alkalmazásához, amelyek előrejelzik az eredményeket vagy automatizálják a döntéseket valós kontextusokban. Etikai kihívások merülhetnek fel az adatkészlet torzítás , adatminőség problémák, igazságtalanság és hamis ábrázolás formájában az algoritmusokban – ideértve néhány rendszerszintű problémát is.

Mindkét esetben az etikai kihívások kiemelik azokat a területeket, ahol cselekvéseink összeütközhetnek közös értékeinkkel. E kérdések felismerésére, mérséklésére, minimalizálására vagy megszüntetésére erkölcsi „igen/nem” kérdéseket kell feltennünk, majd szükség szerint helyesbítenünk kell. Nézzünk meg néhány etikai kihívást és az ezekből fakadó erkölcsi kérdéseket:

2.1 Adatbirtoklás

Az adatgyűjtés gyakran személyes adatokat tartalmaz, amelyek az adat alanyokat azonosítják. Az adatbirtoklás a kontrollról és a felhasználói jogokról szól az adatok létrehozásának, feldolgozásának és terjesztésének vonatkozásában.

Az erkölcsi kérdések, amelyeket fel kell tennünk:

  • Ki birtokolja az adatokat? (felhasználó vagy szervezet)
  • Milyen jogai vannak az adat alanyoknak? (pl. hozzáférés, törlés, hordozhatóság)
  • Milyen jogai vannak a szervezeteknek? (pl. rosszindulatú felhasználói vélemények javítása)

2.2 Értelmes Beleegyezés

Az értelmes beleegyezés azt jelenti, hogy a felhasználók elismerik egy cselekvést (például adatgyűjtést) úgy, hogy teljes körűen megértik az érintett tényeket, beleértve a célt, a potenciális kockázatokat és az alternatívákat.

Végiggondolandó kérdések:

  • Adott-e a felhasználó (adat alany) engedélyt az adatok rögzítésére és használatára?
  • Értette a felhasználó, milyen célból gyűjtötték az adatokat?
  • Tudatában volt a kockázatoknak, amelyek a részvételéből fakadnak?

2.3 Szellemi Tulajdon

A szellemi tulajdon az emberi kezdeményezésből származó immateriális alkotásokra utal, amelyek gazdasági értékkel bírhatnak egyének vagy vállalkozások számára.

Itt vizsgálandó kérdések:

  • Van-e a begyűjtött adatnak gazdasági értéke egy felhasználó vagy vállalkozás számára?
  • Rendelkezik a felhasználó itt szellemi tulajdonnal?
  • Rendelkezik a szervezet itt szellemi tulajdonnal?
  • Ha ezek a jogok léteznek, hogyan védjük őket?

2.4 Adatvédelem

Az adatvédelem vagy információvédelem a felhasználói adatvédelmet és személyazonosság védelmét jelenti a személy szerint azonosítható információk esetén.

Vizsgálandó kérdések:

  • Védettek-e a felhasználók (személyes) adatai a hackelés és adatlopás ellen?
  • Érhető-e el a felhasználói adat csak jogosult felhasználók és kontextusok számára?
  • Megőrződik-e a felhasználók anonimitása, amikor az adat megosztásra vagy terjesztésre kerül?
  • Az anonimított adatállományból azonosítható-e egy felhasználó?

2.5 Elfeledtetéshez Való Jog

Az Elfeledtetéshez Való Jog vagy Törléshez Való Jog további személyes adatvédelmet biztosít a felhasználóknak. Kifejezetten arra jogosítja a felhasználókat, hogy kérhessék személyes adatok törlését vagy eltávolítását az internetes keresésekből és más helyekről, meghatározott körülmények között – engedve nekik egy újrakezdést online anélkül, hogy múltbeli cselekvéseik ellenük szólnának.

Vizsgálandó kérdések:

  • Lehetővé teszi-e a rendszer az adat alanyoknak, hogy törlést kérjenek?
  • Kell-e a felhasználói hozzájárulás visszavonásának automatikus törlést kiváltania?
  • Gyűjtöttek-e adatot beleegyezés nélkül vagy törvénytelen eszközökkel?
  • Megfelelünk-e az adatvédelmi kormányzati szabályozásoknak?

2.6 Adatkészlet-torzítás

Az adatkészleti vagy gyűjtési torzítás arról szól, hogy egy nem reprezentatív adatmintát választanak az algoritmusfejlesztéshez, ami potenciális igazságtalanságot eredményez a különböző csoportok eredményeiben. A torzítási típusok közé tartozik a kiválasztási vagy mintavételi torzítás, önkéntes torzítás és műszaki eszközökkel kapcsolatos torzítás.

Kérdések, amelyeket érdemes feltenni:

  • Reprezentatív adatokat gyűjtöttünk az adat alanyokról?
  • Teszteltük az összegyűjtött vagy kurált adatállományt különféle torzításokra?
  • Tudjuk mérsékelni vagy eltávolítani a feltárt torzításokat?

2.7 Adatminőség

Az adatminőség azt vizsgálja, hogy az algoritmusaink fejlesztésére használt adatállomány mennyire érvényes, ellenőrizve, hogy a jellemzők és rekordok megfelelnek-e a pontosság és következetesség szintjének, amely az MI célnak szükséges.

Vizsgálandó kérdések:

  • Rögzítettünk érvényes jellemzőket az esettanulmányunkhoz?
  • Az adatokat következetesen gyűjtöttük különböző forrásokból?
  • Az adatállomány teljes a különböző körülmények vagy forgatókönyvek esetén?
  • Az információkat pontos módon rögzítettük a valóság tükrözésére?

2.8 Az algoritmusok méltányossága

Az algoritmusok méltányossága azt vizsgálja, hogy az algoritmus-tervezés rendszerszinten diszkriminál-e bizonyos adat-alanyok alcsoportjai ellen, ami potenciális károkat eredményezhet az elosztásban (ahol erőforrásokat tagadnak meg vagy vonnak vissza az adott csoporttól) és a szolgáltatás minőségében (ahol az MI nem olyan pontos egyes alcsoportok számára, mint másoknak).

Itt megvizsgálandó kérdések:

  • Értékeltük-e a modell pontosságát különböző alcsoportok és feltételek esetén?
  • Átvizsgáltuk-e a rendszert a potenciális károk (pl. sztereotipizálás) szempontjából?
  • Felülvizsgálhatjuk-e az adatokat vagy újrataníthatjuk-e a modelleket a feltárt károk mérséklése érdekében?

További információkhoz böngésszen olyan forrásokat, mint az MI méltányossági ellenőrzőlisták.

2.9 Félrevezetés

Az adatok félrevezetése arra vonatkozik, hogy vajon őszintén jelentett adatokról származó betekintéseket megtévesztő módon kommunikálunk-e a kívánt narratíva támogatása érdekében.

Itt megvizsgálandó kérdések:

  • Jelentünk-e hiányos vagy pontatlan adatokat?
  • Olyan módon vizualizáljuk-e az adatokat, hogy félrevezető következtetésekre jusson a közönség?
  • Szelektív statisztikai módszereket használunk-e az eredmények manipulálására?
  • Vannak-e alternatív magyarázatok, amelyek más következtetéshez vezethetnek?

2.10 Szabad választás illúziója

A szabad választás illúziója akkor fordul elő, amikor a rendszer "választási architektúrái" döntéshozatali algoritmusokat használnak arra, hogy az embereket egy előnyben részesített eredmény felé tereljék, miközben úgy tűnik, hogy választási lehetőségeket és kontrollt adnak nekik. Ezek a sötét mintázatok társadalmi és gazdasági károkat okozhatnak a felhasználóknak. Mivel a felhasználói döntések befolyásolják a viselkedési profilokat, ezek a lépések potenciálisan alakíthatják a jövőbeli döntéseket, amelyek erősíthetik vagy meghosszabbíthatják ezen károk hatását.

Itt megvizsgálandó kérdések:

  • Értette-e a felhasználó a választás következményeit?
  • Tudott-e a felhasználó (alternatív) választási lehetőségekről és azok előnyeiről, hátrányairól?
  • Meg tudja-e a felhasználó később fordítani az automatikus vagy befolyásolt döntést?

3. Esettanulmányok

Ahhoz, hogy ezeket az etikai kihívásokat valós világban értelmezzük, hasznos megnézni olyan esettanulmányokat, amelyek kiemelik az egyénekre és a társadalomra gyakorolt potenciális károkat és következményeket, amikor ezen etikai megsértések figyelmen kívül maradnak.

Íme néhány példa:

Etikai kihívás Esettanulmány
Tájékozott beleegyezés 1972 - Tuskegee szifilisz tanulmány - A tanulmányban résztvevő afroamerikai férfiaknak ingyenes orvosi ellátást ígértek, de megtévesztették őket a kutatók, akik nem tájékoztatták őket diagnózisukról vagy a kezelés elérhetőségéről. Sok alany meghalt, partnerük vagy gyermekeik érintettek voltak; a tanulmány 40 évig tartott.
Adatvédelem 2007 - A Netflix adatversenye 10 millió anonimizált filmértékelést biztosított 50 ezer ügyféltől a kutatók számára a ajánlóalgoritmusok fejlesztéséhez. Azonban a kutatók képesek voltak összekapcsolni az anonimizált adatokat személyazonosításra alkalmas külső adatkészletekkel (pl. IMDb hozzászólások) – lényegében "de-anonimizálva" bizonyos Netflix előfizetőket.
Gyűjtési torzítás 2013 - Boston városa kifejlesztette a Street Bump nevű alkalmazást, amely lehetővé tette az állampolgároknak, hogy kátyúkat jelentsenek, ezzel jobb úti adatokat adva a városnak a problémák felderítéséhez és javításához. Azonban az alacsonyabb jövedelmű csoportoknak kevesebb hozzáférésük volt autókhoz és telefonokhoz, így az ő útproblémáik láthatatlanok maradtak ebben az appban. A fejlesztők együttműködtek akadémikusokkal az egyenlő hozzáférés és a digitális szakadék kérdéseinek kezelésére a méltányosság érdekében.
Algoritmikus méltányosság 2018 - Az MIT Gender Shades tanulmány azonosító AI termékek nemi osztályozási pontosságát értékelte, feltárva a nők és színes bőrűek pontossági hiányosságait. Egy 2019-es Apple Card kevesebb hitelt kínált nőknek, mint férfiaknak. Mindkettő az algoritmikus torzításból eredő társadalmi-gazdasági károkat példáz.
Adathamisítás 2020 - A Georgia Köztársaság Egészségügyi Minisztériuma COVID-19 grafikonokat tett közzé, amelyek látszólag megtévesztették a polgárokat a megerősített esetek trendjeiről az x-tengely nem kronologikus sorrendjével. Ez a vizualizációs trükkök által megvalósított félrevezetést mutatja be.
Szabad választás illúziója 2020 - Az ABCmouse tanulóalkalmazás 10 millió dollárt fizetett az FTC panasz rendezésére, mivel a szülőket csapdába ejtették, fizetésre kényszerítve olyan előfizetésekért, amelyeket nem tudtak lemondani. Ez a választási architektúrák sötét mintáit illusztrálja, ahol a felhasználókat potenciálisan káros döntések felé terelték.
Adatvédelem és felhasználói jogok 2021 - A Facebook adatvédelmi incidens 530 millió felhasználó adatait tette hozzáférhetővé, aminek következtében 5 milliárd dolláros kártérítést fizettek az FTC-nek. Azonban megtagadta a felhasználók értesítését az incidensről, megsértve a felhasználói jogokat az adatátláthatóság és hozzáférés terén.

Szeretne még több esettanulmányt felfedezni? Tekintse meg ezeket a forrásokat:

🚨 Gondolkodjon el az Ön által látott esettanulmányokon – tapasztalt vagy érintett volt-e hasonló etikai kihívásban az életében? Tud-e legalább egy másik olyan esettanulmányt megnevezni, amely az ebben a fejezetben tárgyalt etikai kihívások egyikét illusztrálja?

Alkalmazott etika

Beszéltünk etikai fogalmakról, kihívásokról és esettanulmányokról valós környezetben. De hogyan kezdjünk neki az etikai alapelvek és gyakorlatok alkalmazásának a projektjeinkben? És hogyan operacionalizáljuk ezeket a gyakorlatokat a jobb irányítás érdekében? Vizsgáljunk meg néhány valós megoldást:

1. Szakmai kódexek

A szakmai kódexek egy lehetőség arra, hogy a szervezetek „ösztönözzék” tagjaikat etikai alapelveik és küldetésük támogatására. A kódexek erkölcsi irányelvek a szakmai viselkedéshez, segítve az alkalmazottakat vagy tagokat olyan döntések meghozatalában, amelyek összehangban vannak a szervezetük elveivel. Csak annyira hatékonyak, amennyire a tagok önkéntes betartása, azonban sok szervezet további jutalmakat és büntetéseket is kínál a betartás motiválására.

Példák:

🚨 Tagja Ön valamilyen mérnöki vagy adattudományi szervezetnek? Nézze meg honlapjukat, hogy van-e professzionális etikai kódexük. Mit mond ez az etikai elveikről? Hogyan „ösztönzik” a tagokat a kódex követésére?

2. Etikai ellenőrzőlisták

Míg a szakmai kódexek a gyakorlók részéről megkövetelt etikus viselkedést határozzák meg, ismert korlátozásaik vannak a végrehajtásban, különösen nagyszabású projektek esetén. Ehelyett sok adattudományi szakértő az ellenőrzőlistákat ajanlja, amelyek képesek összekapcsolni az elveket a gyakorlatokkal determinisztikusabb és cselekvésre alkalmas módon.

Az ellenőrzőlisták kérdéseket „igen/nem” feladatokká alakítanak, amelyeket működtetni lehet, lehetővé téve, hogy nyomon kövessék őket a szokásos termékkiadási munkafolyamat részeként.

Példák:

  • Deon – általános célú adat-etikai ellenőrzőlista, amelyet ipari ajánlásokból hoztak létre, parancssori eszközzel a könnyű integrációhoz.
  • Adatvédelmi Audit Ellenőrzőlista – általános útmutatást nyújt az információkezelési gyakorlatokra jogi és társadalmi kockázatok szempontjából.
  • MI Méltányossági Ellenőrzőlista – MI szakemberek készítették az igazságossági ellenőrzések integrálás támogatására az MI fejlesztési ciklusába.
  • 22 kérdés az adat- és MI etikában – nyíltabb keretrendszer, elsősorban az etikai kérdések kezdeti feltérképezésére tervezve a tervezés, kivitelezés és szervezeti környezetekben.

3. Etikai szabályozások

Az etika a megosztott értékek definiálásáról és a helyes cselekvések önkéntes végrehajtásáról szól. A megfelelés a törvény betartását jelenti, ha és ahol ez előírt. Az irányítás tágabb értelemben minden olyan tevékenységet lefed, ahogyan a szervezetek működnek az etikai elvek érvényesítésére és a jogszabályok betartására.

Ma az irányítás két formában valósul meg a szervezetekben. Először is, az etikus MI elveinek meghatározásáról és az alkalmazás operatív gyakorlatairól van szó minden MI-hez kapcsolódó projektben. Másodszor, a működési területein kötelező érvényű adatvédelmi szabályozások betartásáról van szó.

Adatvédelmi és privát szféra szabályozások példái:

🚨 Az Európai Unió által meghatározott GDPR (Általános Adatvédelmi Rendelet) továbbra is az egyik legbefolyásosabb adatvédelmi szabályozás. Tudta, hogy 8 különböző felhasználói jogot is meghatároz a digitális adatvédelem és az egyéni személyes adatok védelmére? Ismerje meg ezeket és hogy miért fontosak.

4. Etikai kultúra

Fontos megjegyezni, hogy továbbra is van egy kézzelfoghatatlan szakadék a megfelelés (azaz a „jog betűje” szerinti megfelelő cselekvés) és a rendszerszintű problémák kezelése között (például kicsontosodás, információs aszimmetria, elosztási igazságtalanságok), amelyek felgyorsíthatják az MI fegyverként való használatát.

Utóbbiak megkövetelik az etikai kultúrák közös megalkotását, amelyek érzelmi kapcsolatokat és egységes, megosztott értékeket építenek ki a szervezetek között az iparágban. Ez igényli a szervezetekben az etikai adatkezelési kultúrák formalizálását, amely lehetővé teszi, hogy bárki meghúzza az Andon zsinórt (hogy korán etikai kérdéseket vethessen fel a folyamatban) és hogy az etikai értékelések (pl. toborzásnál) alapvető kritériummá váljanak az MI projektek csapatainak alakításakor.

Előadás utáni kvíz 🎯

Áttekintés és önálló tanulás

Tanfolyamok és könyvek segítenek megérteni az alapvető etikai fogalmakat és kihívásokat, míg esettanulmányok és eszközök támogatják az alkalmazott etika gyakorlatát a valós környezetben. Íme néhány erőforrás a kezdéshez.

Feladat

Írj egy adatetikai esettanulmányt

Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.