55 KiB
ਡਾਟਾ ਐਥਿਕਸ ਦਾ ਪਰਿਚਯ
 |
|---|
| ਡਾਟਾ ਸਾਇੰਸ ਐਥਿਕਸ - ਸਕੈਚਨੋਟ ਦੁਆਰਾ @nitya |
ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾਫਾਇਡ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿ ਰਹੇ ਹਾਂ।
ਬਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1- ਵਿੱਚੋਂ 3 ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਆਨਲਾਈਨ ਮਾਰਕੀਟਪਲੇਸ ਅਤੇ ਬਦਲਾਂ ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। ਇੱਕ ਐਪ ਡਿਵੈਲਪਰ ਵਜੋਂ, ਡਾਟਾ-ਚਲਿਤ ਅੰਦਰੂਨੀ ਸੂਝ-ਬੂਝ ਅਤੇ אלਗੋਰਿਦਮ-ਚਲਿਤ ਸਵਚਾਲਿਤਕਰਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸਿੰਮਿਲਿਤ ਕਰਨ ਲਈ ਸਾਨੂੰ ਢੇਰ ਸੌਖਾ ਅਤੇ ਸਸਤਾ ਲੱਗੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਹਰ ਥਾਂ ਵਰਤੋਂਯੋਗ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕਿਵੇਂ ਐਸੇ ਐਲਗੋਰਿਦਮਾਂ ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹਥਿਆਰਬੰਦਕਰਨ ਹੋਣ ਨਾਲ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ।
ਰੁਝਾਨ ਸੁਝਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ ਅਸੀਂ 180 ਜੇਟਾਬਾਈਟ ਤੋਂ ਵੱਧ ਡਾਟਾ ਤਿਆਰ ਅਤੇ ਖਪਤ ਕਰਾਂਗੇ। ਡਾਟਾ ਵਿਗਿਆਨੀ ਲਈ, ਜਾਣਕਾਰੀ ਦੇ ਇਸ ਧਮਾਕੇ ਨਾਲ ਵਿਅਕਤੀਗਤ ਅਤੇ ਵਰਤਾਰੂ ਡਾਟਾ ਦੀ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਮਿਲਦੀ ਹੈ। ਇਸ ਨਾਲ ਵਿਸਥਾਰ ਵਿੱਚ ਉਪਭੋਗਤਾ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਸੁਵਿਧਾਜਨਕ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰਨ ਦੀ ਤਾਕਤ ਮਿਲਦੀ ਹੈ - ਅਕਸਰ ਇਹ ਐਸਾ ਹੁੰਦਾ ਹੈ ਜੋ ਮੁਫਤ ਚੋਣ ਦਾ ਭਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਇਹ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਪਸੰਦੀਦਾ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ, ਸੁਤੰਤਰਤਾ, ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਪ੍ਰਭਾਵ ਦੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਬਾਰੇ ਸੰਵੈਦਨਸ਼ੀਲ ਸਵਾਲ ਵੀ ਖੜੇ ਕਰਦਾ ਹੈ।
ਡਾਟਾ ਐਥਿਕਸ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਲਾਜ਼ਮੀ ਸੁਰੱਖਿਆ ਰੇਲਾਂ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਚਲਿਤ ਕਰਮਾਂ ਤੋਂ ਹੋ ਸਕਣ ਵਾਲੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਅਣਚਾਹੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। ਗਾਰਟਨਰ ਦੇ AI ਹਾਈਪ ਸਾਈਕਲ ਡਿਜੀਟਲ ਐਥਿਕਸ, ਜ਼ਿੰਮੇਵਾਰ AI, ਅਤੇ AI ਸਰਕਾਰ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਸਮਰਥ ਰੁਝਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜੋ AI ਦੀ ਮਨੁੱਖੀਕਰਨ ਅਤੇ ਉद्योगਿਕਰਨ ਵੱਡੇ ਮੈਗਾਰੁਝਾਨਾਂ ਲਈ ਕੰਜੀ ਹੈ।
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਐਥਿਕਸ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ - ਮੂਲ ਧਾਰਣਾ ਅਤੇ ਚੁਣੌਤੀਆਂ ਤੋਂ ਲੈ ਕਰ ਕੇਸ ਸਟੱਡੀਆਂ ਅਤੇ ਅਪਲਾਈਡ AI ਧਾਰਣਾਵਾਂ ਜਿਵੇਂ ਕਿ ਸਰਕਾਰ ਪ੍ਰਬੰਧਨ - ਜੋ ਟੀਮਾਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ।
ਪ੍ਰੀ-ਲੇਕਚਰ ਕ્વਿਜ਼ 🎯
ਬੁਨਿਆਦੀ ਪਰਿਭਾਸ਼ਾਵਾਂ
ਆਓ ਬੁਨਿਆਦੀ ਸਲਾਂ ਮੰਗਦੇ ਹਾਂ।
ਸ਼ਬਦ "ਐਥਿਕਸ" ਗ੍ਰੀਕ ਸ਼ਬਦ "ethikos" (ਅਤੇ ਉਸਦਾ ਰੂਟ "ethos") ਤੋਂ ਆਇਆ ਹੈ ਜਿਸਦਾ ਅਰਥ ਹੈ ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਕੁਦਰਤ।
ਐਥਿਕਸ ਸਾਂਝੇ ਮੂਲਯ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਹੈ ਜੋ ਸਾਡੇ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਬਿਹੇਵਿਅਰ ਨੂੰ ਸ਼ਾਸਿਤ ਕਰਦੇ ਹਨ। ਐਥਿਕਸ ਕਾਨੂੰਨਾਂ ਤੇ ਨਾ ਹੋ ਕੇ ਵਿਆਪਕ ਸਵੀਕਾਰ ਕੀਤੀਆਂ ਗਈਆਂ ਐਸੀਆਂ ਨਿਯਮਾਵਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦਾ ਹੈ ਜੋ "ਸਹੀ vs. ਗਲਤ" ਬਾਰੇ ਹਨ। ਹਾਲਾਂਕਿ, ਐਥਿਕ ਨਜ਼ਰੀਏ ਕਾਰਪੋਰੇਟ ਸਰਕਾਰਾਂ ਦੀਆਂ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਪਾਲਣਾ ਲਈ ਵਧੀਕ ਉਤਸ਼ਾਹ ਪੈਦਾ ਕਰਦੇ ਹਨ।
ਡਾਟਾ ਐਥਿਕਸ ਇੱਕ ਨਵਾਂ ਐਥਿਕਸ ਦਾ ਸ਼ਾਖਾ ਹੈ ਜੋ "ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸ" ਨਾਲ ਸਬੰਧਤ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇੱਥੇ, "ਡਾਟਾ" ਤਿਆਰੀ, ਦਰਜੀ, ਸੰਭਾਲ, ਸੰਸਕਾਰ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤੋਂ ਨਾਲ ਸਬੰਧਤ ਕਿਰਿਆਵਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ, "ਐਲਗੋਰਿਦਮ" AI, ਏਜੰਟਾਂ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਰੋਬੋਟਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ, ਅਤੇ "ਅਭਿਆਸ" ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨੀਕਰਨ, ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ, ਹੈਕਿੰਗ, ਅਤੇ ਐਥਿਕਸ ਕੋਡਸ ਵਰਗੇ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ।
ਲਾਗੂ ਐਥਿਕਸ ਮੁਲਾਂਕਣਾਂ ਦੇ ਵਾਹਰਲੇ ਪਹਿਰੂ ਨੂੰ ਕਹਿੰਦੇ ਹਨ। ਇਹ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਅਸਲ ਕਾਰਵਾਈਆਂ, ਉਤਪਾਦ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਐਥਿਕ ਮੁੱਦਿਆਂ ਦੀ ਸਰਗਰਮ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਨ ਲਈ ਸੁਧਾਰਕ ਕਦਮ ਲਏ ਜਾਂਦੇ ਹਨ ਕਿ ਇਹ ਸਾਡੀਆਂ ਨਿਯਤ ਐਥਿਕ ਮੂਲਯਾਂ ਨਾਲ ਸੰਮੇਲਿਤ ਰਹਿਣ।
ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ ਲਾਗੂ ਐਥਿਕਸ ਨੂੰ ਕਾਰਜਾਨਵੀਤ ਕਰਨ ਬਾਰੇ ਹੈ ਤਾਂ ਜੋ ਇਸ ਗੱਲ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਾਡੀਆਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸ ਸંગ્રਹੀਤ ਅਤੇ ਵਿਆਪਕ ਢੰਗ ਨਾਲ ਪੂਰੇ ਸੰਸਥਾ ਵਿੱਚ ਅਪਣਾਏ ਜਾਂਦੇ ਹਨ। ਸਫਲ ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ ਸੰਸਥਾ-ਪੱਧਰੀ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਪਾਲਣਾ ਲਈ ਉੱਚ-ਮਤਲਬ ਵਾਨਛਿਤ ਉਤਸ਼ਾਹ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸੰਸਥਾ ਦੇ ਹਰ ਪੱਧਰ 'ਤੇ ਚਾਹੁਣੀਆਂ ਗਈਆਂ ਰਵੱਈਆਂ ਨੂੰ ਵਧਾ ਕੇ ਐਥਿਕ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਨ।
ਐਥਿਕਸ ਸੰਕਲਪ
ਇਸ ਭਾਗ ਵਿੱਚ ਅਸੀਂ ਡਾਟਾ ਐਥਿਕਸ ਲਈ ਸਾਂਝੇ ਮੂਲਯਾਂ (ਸਿਧਾਂਤਾਂ) ਅਤੇ ਐਥਿਕ ਚੁਣੌਤੀਆਂ (ਸਮੱਸਿਆਵਾਂ) ਵਰਗੇ ਸੰਕਲਪਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ - ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਸਮਝਣ ਲਈ ਕੇਸ ਸਟੱਡੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ।
1. ਐਥਿਕਸ ਸਿਧਾਂਤ
ਹਰ ਡਾਟਾ ਐਥਿਕਸ ਰਣਨੀਤੀ ਐਥਿਕ ਸਿਧਾਂਤ ਨੂੰ ਪਰਿਭਾਸ਼ਤ ਕਰਕੇ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਕਬੂਲਯੋਗ ਰਵੱਈਆਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਸਾਡੇ ਡਾਟਾ & AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਪਾਲਣਯੋਗ ਕਰਮਾਂ ਦਾ ਮਾਰੱਗਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਟੀਮ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਤ ਕਰ ਸਕਦੇ ਹੋ। ਪਰ ਜਿਆਦਾ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਨੈਤਿਕ AI ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਜਾਂ ਫਰੇਮਵਰਕ ਵਿੱਚ ਸਮੇਤਦੀਆਂ ਹਨ ਜੋ ਕੰਪਨੀਆਂ ਦੇ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਤ ਅਤੇ ਹਰੇਕ ਟੀਮ ਵਿੱਚ ਇਕਸਾਰ ਤਰੀਕੇ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਉਦਾਹਰਨ: ਮਾਈਕ੍ਰੋਸੌਫਟ ਦਾ ਉੱਤਰਦਾਇਤਵਪੂਰਨ AI ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਲਿਖਦਾ ਹੈ: "ਅਸੀਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੁਆਰਾ ਚਲਾਇਤ AI ਦੇ ਵਿਕਾਸ ਲਈ ਵਚਨਬੱਧ ਹਾਂ ਜੋ ਲੋਕਾਂ ਨੂੰ ਪਹਿਲਾ ਰੱਖਦਾ ਹੈ" - ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਹਚਾਣ ਕਰਦਾ ਹੈ:
ਆਓ ਥੋੜ੍ਹਾ ਜਿਹਾ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝੀਏ। ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ ਬੁਨਿਆਦੀ ਮੁੱਲ ਹਨ ਜੋ ਹੋਰ ਸਿਧਾਂਤਾਂ ਦੀ ਬੁਨਿਆਦ ਹਨ - ਇਸ ਲਈ ਆਓ ਇਥੋਂ ਸ਼ੁਰੂ ਕਰੀਏ:
- ਜਵਾਬਦੇਹੀ ਪ੍ਰੈਕਟਿਸਨੀਅਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ & AI ਆਪਰੇਸ਼ਨਾਂ ਅਤੇ ਇਹਨਾਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਲਈ ਜਵਾਬਦੇਹ ਬਣਾਉਂਦੀ ਹੈ।
- ਪਾਰਦਰਸ਼ਤਾ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਿਰਿਆਵਾਂ ਉਪਭੋਗਤਿਆਂ ਲਈ ਸਮਝਣਯੋਗ (ਵਿਆਖਿਆਤਮਕ) ਹਨ, ਫੈਸਲੇ ਦੇ ਕੀ ਅਤੇ ਕਿਉਂ ਦਾ ਸਮਝਾਉਂਦੀਆਂ ਹਨ।
- ਨਿਆਂਸੰਗਤਾ - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI ਸਾਰੇ ਲੋਕਾਂ ਨਾਲ ਇਨਸਾਫ਼ ਨਾਲ ਵਰਤਬ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸਿਸਟਮਿਕ ਜਾਂ ਅਪ੍ਰਤੀਤ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ।
- ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI ਪਰਿਭਾਸ਼ਿਤ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਲਗਾਤਾਰ ਤਰੀਕੇ ਨਾਲ ਵਰਤਦਾ ਹੈ, ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਚਾਹੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਦਾ ਹੈ।
- ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ - ਇਹ ਡਾਟਾ ਲਿਨੀਅਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਿਆਂ ਨੂੰ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ।
- ਸ਼ਾਮਿਲ ਹੋਣਾ - ਇਹ ਇਰਾਦੇ ਨਾਲ AI ਹੱਲ ਤਿਆਰ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਮਨੁੱਖੀ ਜ਼ਰੂਰਤਾਂ ਅਤੇ ਸਮਰੱਥਾ ਦੇ ਵੱਡੇ ਦਾਇਰੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨ ਬਾਰੇ ਹੈ।
🚨 ਸੋਚੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਐਥਿਕਸ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕਿਹੜਾ ਹੋ ਸਕਦਾ ਹੈ। ਹੋਰ ਸੰਸਥਾਵਾਂ ਤੋਂ ਐਥਿਕ AI ਫਰੇਮਵਰਕ ਦੀ ਜਾਂਚ ਕਰੋ - ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ IBM, ਗੂਗਲ, ਅਤੇ ਫੇਸਬੁੱਕ ਤੋਂ। ਉਹਨਾਂ ਦੇ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਕਿਸ ਤਰ੍ਹਾਂ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ?
2. ਐਥਿਕ ਚੁਣੌਤੀਆਂ
ਜਿਵੇਂ ਹੀ ਸਾਡੇ ਕੋਲ ਐਥਿਕ ਸਿਧਾਂਤ ਪਰਿਭਾਸ਼ਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਿਰਿਆਵਾਂ ਨੂੰ ਵੇਖਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕੀ ਉਹ ਉਹਨਾਂ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਆਪਣੇ ਕਰਮਾਂ ਨੂੰ ਦੋ ਵਰਗਾਂ ਵਿੱਚ ਸੋਚੋ: ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਅਤੇ ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ।
ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਵਿੱਚ, ਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸੰਭਵ ਹੈ ਕਿ ਵਿਵਹਾਰਕ ਡਾਟਾ ਜਾਂ ਵਿਆਕਤੀਗਤ ਪਛਾਣਯੋਗ ਜਾਣਕਾਰੀ (PII) ਸ਼ਾਮਿਲ ਹੋਵੇ ਜੋ ਪਛਾਣਯੋਗ ਜੀਵਤ ਵਿਅਕਤੀਆਂ ਲਈ ਹੋਵੇ। ਇਸ ਵਿੱਚ ਵਿਭਿੰਨ ਕਿਸਮਾਂ ਦੇ ਗੈਰ-ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਸ਼ਾਮਿਲ ਹਨ ਜੋ ਕੁੱਝ ਮਿਲਾ ਕੇ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ। ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਦਾ ਸੰਬੰਧ ਹੋ ਸਕਦਾ ਹੈ ਡਾਟਾ ਗੋਪਨੀਯਤਾ, ਡਾਟਾ ਮਾਲਕੀ, ਅਤੇ ਇਨ੍ਹਾਂ ਦੇ ਨਾਲ ਜੁੜੇ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ ਕਿ ਜਾਣੂ ਸਹਿਮਤੀ ਅਤੇ ਮਾਲਕੀ ਹੱਕ ਵਰਗੇ।
ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ ਵਿੱਚ, ਕਿਰਿਆਵਾਂ ਵਿੱਚ ਡਾਟਾਸੈੱਟਸ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਸੰਭਾਲਣ ਦੇ ਨਾਲ-ਨਾਲ, ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਅਤੇ ਤੈਨਾਤ ਕਰਨਾ ਸ਼ਾਮਿਲ ਹੁੰਦਾ ਹੈ ਜੋ ਅਸਲ ਦੁਨੀਆਂ ਵਿੱਚ ਨਤੀਜੇ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਫੈਸਲੇ ਆਟੋਮੇਟਿਕ ਕਰਦੇ ਹਨ। ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਡਾਟਾਸੈੱਟ ਪੱਖਪਾਤ, ਡਾਟਾ ਗੁਣਵੱਤਾ ਸਮੱਸਿਆਵਾਂ, ਨਿਆਇਕਤਾ ਘਾਟ, ਅਤੇ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਗਲਤ ਪੇਸ਼ਕਸ਼ ਤੋਂ ਉੱਭਰਨਗੀਆਂ - ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੁਝ ਸਮੱਸਿਆਵਾਂ ਪ੍ਰਣਾਲੀਕ ਹੁੰਦੀਆਂ ਹਨ।
ਦੋਹਾਂ ਹੀ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਉਹ ਖੇਤਰ ਹਨ ਜਿੱਥੇ ਸਾਡੇ ਕਰਮ ਸਾਡੇ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਟਕਰਾਅ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਮੁੱਦੇ ਪਤਾ ਲਗਾਉਣ, ਘਟਾਉਣ, ਘੱਟ ਕਰਨ ਜਾਂ ਖਤਮ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਆਪਣੇ ਕਰਮਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਨੈਤਿਕ "ਹਾਂ/ਨਾਂ" ਸਵਾਲ ਪੁੱਛਣੇ ਪੈਂਦੇ ਹਨ ਅਤੇ ਜ਼ਰੂਰਤ ਹੋਣ 'ਤੇ ਸੁਧਾਰਕ ਕਾਰਵਾਈ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਆਓ ਕੁਝ ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਅਤੇ ਉਹਨਾਂ ਤੋਂ ਉੱਭਰਦੇ ਨੈਤਿਕ ਸਵਾਲਾਂ ਨੂੰ ਵੇਖੀਏ:
2.1 ਡਾਟਾ ਮਾਲਕੀ
ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਅਕਸਰ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਲਈ ਹੁੰਦਾ ਹੈ ਜੋ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ। ਡਾਟਾ ਮਾਲਕੀ ਉਸ ਨਿਯੰਤਰਣ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਬਾਰੇ ਹੈ ਜੋ ਡਾਟਾ ਬਣਾਉਣ, ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਨਾਲ ਜੁੜੇ ਹਨ।
ਸਾਡੇ ਨੈਤਿਕ ਸਵਾਲ ਹਨ:
- ਡਾਟਾ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ? (ਉਪਭੋਗਤਾ ਜਾਂ ਸੰਸਥਾ)
- ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਕੋਲ ਕਿਹੜੇ ਅਧਿਕਾਰ ਹਨ? (ਉਦਾਹਰਨ: ਪਹੁੰਚ, ਮਿਟਾਉਣਾ, ਲੰਛਣ)
- ਸੰਸਥਾਵਾਂ ਕੋਲ ਕਿਹੜੇ ਅਧਿਕਾਰ ਹਨ? (ਉਦਾਹਰਨ: ਬਦਅਮਨੀ ਵਾਲੀਆਂ ਉਪਭੋਗਤਾ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ)
2.2 ਜਾਣੂ ਸਹਿਮਤੀ
ਜਾਣੂ ਸਹਿਮਤੀ ਪਰਿਭਾਸ਼ਕ ਭਾਵ ਹੈ ਉਪਭੋਗਤਿਆਂ ਦੀ ਕੋਈ ਕਾਰਵਾਈ (ਜਿਵੇਂ ਡਾਟਾ ਸੰਗ੍ਰਹਿ) ਲਈ ਸਮੂਹ ਸਮਝ ਦੇ ਨਾਲ ਸਹਿਮਤੀ।
ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਉਪਭੋਗਤਾ (ਡਾਟਾ ਵਿਸ਼ਾ) ਨੇ ਡਾਟਾ ਕੈਪਚਰ ਅਤੇ ਵਰਤੋਂ ਲਈ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਸੀ?
- ਕੀ ਉਪਭੋਗਤਾ ਇਸ ਗੱਲ ਨੂੰ ਸਮਝਦਾ ਸੀ ਕਿ ਉਹ ਡਾਟਾ ਕਿਉਂ ਇਕੱਠਾ ਹੋਇਆ?
- ਕੀ ਉਪਭੋਗਤਾ ਨੂੰ ਸਮਝ ਆਇਆ ਕਿ ਉਸ ਦੀ ਭਾਗੀਦਾਰੀ ਨਾਲ ਕੀ ਜੋਖਮ ਹੋ ਸਕਦੇ ਹਨ?
2.3 ਬੌਧਿਕ ਸੰਪਦਾ
ਬੌਧਿਕ ਸੰਪਦਾ ਉਹ ਅਦਿੱਖ ਸੰਸਰਜਨ ਹੈ ਜੋ ਮਨੁੱਖੀ ਪਹਲ ਨਾਲ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਿਅਕਤੀਆਂ ਜਾਂ ਵਪਾਰਾਂ ਲਈ ਆਰਥਿਕ ਮੁੱਲ ਹੋ ਸਕਦਾ ਹੈ।
ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਇਕੱਠਾ ਕੀਤਾ ਡਾਟਾ ਕਿਸੇ ਉਪਭੋਗਤਾ ਜਾਂ ਵਪਾਰ ਲਈ ਆਰਥਿਕ ਮੁੱਲ ਵਾਲਾ ਸੀ?
- ਕੀ ਇੱਥੇ ਉਪਭੋਗਤਾ ਕੋਲ ਬੌਧਿਕ ਸੰਪਦਾ ਹੈ?
- ਕੀ ਇੱਥੇ ਸੰਸਥਾ ਕੋਲ ਬੌਧਿਕ ਸੰਪਦਾ ਹੈ?
- ਜੇ ਇਹ ਅਧਿਕਾਰ ਹਨ ਤਾਂ ਅਸੀਂ ਕਿਵੇਂ ਇਨ੍ਹਾਂ ਦੀ ਸੁਰੱਖਿਆ ਕਰ ਰਹੇ ਹਾਂ?
2.4 ਡਾਟਾ ਗੋਪਨੀਯਤਾ
ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਜਾਂ ਜਾਣਕਾਰੀ ਗੋਪਨੀਯਤਾ ਤੋਂ ਮੁਰਾਦ ਉਪਭੋਗਤਿਆਂ ਦੀ ਗੋਪਨੀਯਤਾ ਦੇ ਸੁਰੱਖਿਆ ਅਤੇ ਪਛਾਣ ਦੀ ਰੱਖਿਆ ਹੈ, ਵਿਸ਼ੇਸ਼ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਪਛਾਣਯੋਗ ਜਾਣਕਾਰੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ।
ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਉਪਭੋਗਤਿਆਂ ਦਾ (ਵਿਆਕਤੀਗਤ) ਡਾਟਾ ਹੈਕਿੰਗ ਅਤੇ ਲੀਕਾਂ ਤੋਂ ਸੁਰੱਖਿਅਤ ਹੈ?
- ਕੀ ਉਪਭੋਗਤਿਆਂ ਦਾ ਡਾਟਾ ਸਿਰਫ ਜ਼ਰੂਰੀ ਢੰਗ ਨਾਲ ਅਧਿਕਾਰਿਤ ਉਪਭੋਗਤਿਆਂ ਅਤੇ ਸੰਦਰਭਾਂ ਲਈ ਉਪਲਬਧ ਹੈ?
- ਕੀ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਜਾਂ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਸਮੇਂ ਉਪਭੋਗਤਾ ਦੀ ਅਣਾਮਤਾ ਬਰਕਰਾਰ ਰਹਿੰਦੀ ਹੈ?
- ਕੀ ਕਿਸੇ ਉਪਭੋਗਤਾ ਨੂੰ ਅਣਮੁਹੱਈਆ ਡਾਟਾਸੈੱਟ ਤੋਂ ਪਛਾਣ ਰਹਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
2.5 ਭੁੱਲ ਜਾਣ ਦਾ ਅਧਿਕਾਰ
ਭੁੱਲ ਜਾਣ ਦਾ ਅਧਿਕਾਰ ਜਾਂ ਮਿਟਾਉਣ ਦਾ ਅਧਿਕਾਰ ਉਪਭੋਗਤਿਆਂ ਨੂੰ ਹੋਰ ਨਿੱਜੀ ਡਾਟਾ ਸੁਰੱਖਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਯਥਾਰਥ ਇਹ ਅਧਿਕਾਰ ਉਪਭੋਗਤਿਆਂ ਨੂੰ ਇੰਟਰਨੈੱਟ ਖੋਜ ਅਤੇ ਹੋਰ ਥਾਵਾਂ ਤੋਂ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਮਿਟਾਉਣ ਜਾਂ ਹਟਾਉਣ ਦਾ ਹੱਕ ਦਿੰਦਾ ਹੈ, ਖਾਸ ਹਾਲਾਤਾਂ ਵਿੱਚ - ਇਸ ਤਰ੍ਹਾਂ ਉਹ ਪਿਛਲੇ ਕਿਰਦਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਨਵੀਂ ਸ਼ੁਰੂਆਤ ਕਰ ਸਕਦੇ ਹਨ।
ਇਥੇ ਪੁੱਛਣ ਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਸਿਸਟਮ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਨੂੰ ਮਿਟਾਉਣ ਦੀ ਬੇਨਤੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ?
- ਕੀ ਉਪਭੋਗਤਾ ਦੀ ਸਹਿਮਤੀ ਵਾਪਸੀ ਆਟੋਮੈਟਿਕ ਮਿਟਾਉਣ ਨੂੰ ਸ਼ੁਰੂ ਕਰੇਗੀ?
- ਕੀ ਡਾਟਾ ਬਿਨਾਂ ਸਹਿਮਤੀ ਜਾਂ ਗੈਰਕਾਨੂਨੀ ਤਰੀਕਿਆਂ ਨਾਲ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ?
- ਕੀ ਅਸੀਂ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਲਈ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਰਹੇ ਹਾਂ?
2.6 ਡਾਟਾਸੈੱਟ ਪੱਖਪਾਤ
ਡਾਟਾਸੈੱਟ ਜਾਂ ਸੰਗ੍ਰਹਿ ਪੱਖਪਾਤ ਦਾ ਮਤਲਬ ਹੈ ਐਲਗੋਰਿਦਮ ਵਿਕਾਸ ਲਈ ਬੇ-ਪ੍ਰਸਤੁਤਕ ਡਾਟੇ ਦਾ ਚੋਣ, ਜੋ ਵੱਖ-ਵੱਖ ਗਰੁੱਪਾਂ ਲਈ ਨਤੀਜੇ ਵਿੱਚ ਅਨਿਆਇਕਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਪੱਖਪਾਤ ਦੇ ਕਿਸਮਾਂ ਵਿੱਚ ਚੋਣ ਜਾਂ ਸੈਂਪਲਿੰਗ ਪੱਖਪਾਤ, ਵਲੰਟੀਅਰ ਪੱਖਪਾਤ, ਅਤੇ ਸੰਦ ਪੱਖਪਾਤ ਸ਼ਾਮਿਲ ਹਨ।
ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਅਸੀਂ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦਾ ਪ੍ਰਤਿਨਿਧੀ ਸਮੂਹ ਭਰਤੀ ਕੀਤਾ ਸੀ?
- ਕੀ ਅਸੀਂ ਆਪਣੇ ਇਕੱਠੇ ਜਾਂ ਸੰਭਾਲੇ ਡਾਟਾਸੈੱਟ ਨੂੰ ਵੱਖ-ਵੱਖ ਪੱਖਪਾਤਾਂ ਲਈ ਪਰਖਿਆ ਸੀ?
- ਕੀ ਅਸੀਂ ਕਿਸੇ ਵੀ ਪਤਾ ਲੱਗੇ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾ ਜਾਂ ਹਟਾ ਸਕਦੇ ਹਾਂ?
2.7 ਡਾਟਾ ਗੁਣਵੱਤਾ
ਡਾਟਾ ਗੁਣਵੱਤਾ ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਸੰਭਾਲਿਆ ਡਾਟਾਸੈੱਟ ਕਿੰਨਾ ਸਹੀ ਹੈ ਜਿਹੜਾ ਸਾਡੇ ਐਲਗੋਰਿਦਮ ਵਿਕਾਸ ਲਈ ਵਰਤਿਆ ਗਿਆ, ਅਤੇ ਕੀ ਫੀਚਰ ਅਤੇ ਰਿਕਾਰਡ ਇਹਨੀਂ ਸ਼ਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ ਜੋ ਸਾਡੇ AI ਦੇ ਉਦੇਸ਼ ਲਈ ਸਹੀ ਅਤੇ ਲਗਾਤਾਰ ਹਨ।
ਇਥੇ ਪੁੱਛਣ ਯੋਗ ਸਵਾਲ ਹਨ:
- ਕੀ ਅਸੀਂ ਆਪਣੇ ਉਦੇਸ਼ ਲਈ ਵੈਧ ਫੀਚਰ ਕੈਪਚਰ ਕੀਤੇ ਹਨ?
- ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਰੋਤਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਡਾਟਾ ਕੈਪਚਰ ਕੀਤਾ ਹੈ?
- ਕੀ ਡਾਟਾਸੈੱਟ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਜਾਂ ਸਥਿਤੀਆਂ ਲਈ ਪੂਰਾ ਹੈ?
- ਕੀ ਜਾਣਕਾਰੀ ਹਕੀਕਤ ਨੂੰ ਸਹੀ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦੀ ਹੈ?
2.8 Algorithm Fairness
Algorithm Fairness ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ ਦੇ ਤੌਰ 'ਤੇ ਖਾਸ ਸਬਗਰੁੱਪਾਂ ਦੇ ਡੇਟਾ ਵਿਸ਼ਿਆਂ ਵਿਰੁੱਧ ਪੱਖਪਾਤ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵੰਡ (ਜਿੱਥੇ ਉਸ ਸਮੂਹ ਤੋਂ ਸਰੋਤਾਂ ਨੂੰ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ ਜਾਂ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ) ਅਤੇ ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ (ਜਿੱਥੇ ਕੁਝ ਸਬਗਰੁੱਪਾਂ ਲਈ AI ਵਧੇਰੇ ਸਹੀ ਨਹੀਂ ਹੈ) ਵਿੱਚ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਹੁੰਦੇ ਹਨ।
ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
- ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਬਗਰੁੱਪਾਂ ਅਤੇ ਹਾਲਾਤਾਂ ਲਈ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ?
- ਕੀ ਅਸੀਂ ਸੰਭਾਵੀ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟੀਰੀਓਟਾਈਪਿੰਗ) ਲਈ ਸਿਸਟਮ ਦੀ ਜਾਂਚ ਕੀਤੀ?
- ਕੀ ਅਸੀਂ ਪਛਾਣ ਕੀਤੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡੇਟਾ ਵਿੱਚ ਤਬਦੀਲੀ ਜਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ AI Fairness checklists ਵਰਗੇ ਸਰੋਤਾਂ ਦਾ ਪੜਚੋਲ ਕਰੋ।
2.9 Misrepresentation
ਡੇਟਾ ਬਦਨਾਮੀ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚੀ ਰਿਪੋਰਟ ਕੀਤੇ ਡੇਟਾ ਵਿੱਚੋਂ ਅੰਸ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ ਜਾਂ ਕਿਸੇ ਚਾਹਵੇਂ ਕਥਾ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਭ੍ਰਮਿਤ ਕਰਨ ਵਾਲੇ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰਦੇ ਹਾਂ।
ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
- ਕੀ ਅਸੀਂ ਅਧੂਰੀ ਜਾਂ ਗਲਤ ਡੇਟਾ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹਾਂ?
- ਕੀ ਅਸੀਂ ਡੇਟਾ ਨੂੰ ਐਸੇ ਢੰਗ ਨਾਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਭ੍ਰਮਿਤ ਕਰਨ ਵਾਲੇ ਨਤੀਜੇ ਲਿਆਉਂਦਾ ਹੈ?
- ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਮਨਮਾਨੀ ਕਰਨ ਲਈ ਚੁਣਿੰਦੀਆਂ ਅੰਕੜਸ਼ਾਸ਼ਤਰੀ ਤਕਨੀਕਾਂ ਵਰਤ ਰਹੇ ਹਾਂ?
- ਕੀ ਕੋਈ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਹਨ ਜੋ ਵੱਖਰਾ ਨਤੀਜਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀਆਂ ਹਨ?
2.10 Free Choice
ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭ੍ਰਮ ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਸਟਮ ਦੇ "ਚੋਣ ਆਰਕੀਟੈਕਚਰ" ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਦੇ ਹਨ ਪਰ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦੇਣ ਵਾਲੇ ਦਿਖਾਈ ਦੇਂਦੇ ਹਨ। ਇਹ ਡਾਰਕ ਪੈਟਰਨ ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਹਾਰ ਪ੍ਰੋਫਾਈਲਾਂ 'ਤੇ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਵਿਚ ਹੋਣ ਵਾਲੀਆਂ ਚੋਣਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਇਹ ਨੁਕਸਾਨਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ।
ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
- ਕੀ ਯੂਜ਼ਰ ਨੂੰ ਉਸ ਚੋਣ ਨੂੰ ਕਰਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਸਮਝ ਸੀ?
- ਕੀ ਯੂਜ਼ਰ ਨੂੰ (ਵਿਕਲਪਿਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਦੀ ਜਾਣਕਾਰੀ ਸੀ?
- ਕੀ ਯੂਜ਼ਰ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਰੱਦ ਕਰ ਸਕਦਾ ਹੈ?
3. Case Studies
ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਕੇਸ ਅਧਿਐਨਾਂ ਨੂੰ ਦੇਖਣਾ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ ਜੋ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ ਲਈ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਅਜਿਹੇ ਨੈਤਿਕ ਉਲੰਘਣਾਂ ਨੂੰ ਅਣਡਿੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨ ਹਨ:
| ਨੈਤਿਕ ਚੁਣੌਤੀ | ਕੇਸ ਅਧਿਐਨ |
|---|---|
| ਸੂਚਿਤ ਸਹਿਮਤੀ | 1972 - Tuskegee Syphilis Study - ਅਫ਼ਰੀਕੀ ਅਮਰੀਕੀ ਮਰਦ ਜੋ ਅਧਿਐਨ ਵਿੱਚ ਭਾਗ ਲਏ ਉਹਨਾਂ ਨੂੰ ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਸੇਵਾ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ ਪਰ ਖੋਜਕਾਰਾਂ ਵੱਲੋਂ ਬਿਮਾਰੀ ਜਾਂ ਇਲਾਜ ਦੀ ਉਪਲਬਧਤਾ ਬਾਰੇ ਸੁਚੇਤ ਨਾ ਕੀਤਾ ਗਿਆ। ਬਹੁਤ ਸਾਰੇ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋਈ ਅਤੇ ਸਾਥੀਆਂ ਜਾਂ ਬਚਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ; ਅਧਿਐਨ 40 ਸਾਲ ਤੱਕ ਚੱਲਿਆ। |
| ਡੇਟਾ ਗੋਪਨੀਯਤਾ | 2007 - Netflix data prize ਖੋਜਕਾਰਾਂ ਨੂੰ 50K ਕਸਟਮਰਾਂ ਤੋਂ 10 ਮਿਲੀਅਨ ਅਨਾਮਿਕ੍ਰਿਤ ਮੂਵੀ ਰੈਂਕਿੰਗ ਦਿੱਤੀ ਗਈ ਜੋ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸੀ। ਪਰ, ਖੋਜਕਾਰ ਅਨਾਮਿਕ੍ਰਿਤ ਡੇਟਾ ਨੂੰ ਬਾਹਰੀ ਡੇਟਾਸੈਟਸ (ਜਿਵੇਂ IMDb ਟਿੱਪਣੀਆਂ) ਨਾਲ ਸਬੰਧਿਤ ਕਰਕੇ ਕੁਝ ਨੈਟਫਲਿਕਸ ਗ੍ਰਾਹਕਾਂ ਨੂੰ "ਡੀ-ਅਨਾਮਾਈਮਾਈਜ਼" ਕਰ ਸਕੇ। |
| ਸੰਘ੍ਰਹਿ ਪੱਖਪਾਤ | 2013 - ਬੋਸਟਨ ਸ਼ਹਿਰ ਨੇ Street Bump ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗੜ੍ਹਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਅਗਿਆ ਦਿੰਦਾ ਸੀ, ਜਿਸ ਨਾਲ ਸ਼ਹਿਰ ਨੂੰ ਸੜਕਾਂ ਦੀ ਬਿਹਤਰ ਜਾਣਕਾਰੀ ਮਿਲੀ। ਪਰ, ਘੱਟ ਆਮਦਨ ਵਾਲੇ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਕੋਲ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਦੀ ਘਾਟ ਸੀ, ਜਿਸ ਕਰਕੇ ਉਹਨਾਂ ਦੀਆਂ ਸੜਕ ਸਮੱਸਿਆਵਾਂ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ਯ ਰਹੀਆਂ। ਵਿਕਾਸਕਾਰਾਂ ਨੇ ਨੈਤਕਤਾ ਲਈ ਸਮਾਨ ਅਕਸੇਸ ਅਤੇ ਡਿਜੀਟਲ ਵੰਡ ਸਮੱਸਿਆਵਾਂ ਦੇ ਨਾਲ ਅਕਾਦਮਿਕ ਲੋਕਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ। |
| ਐਲਗੋਰਿਦਮਿਕ ਨੈਤਕਤਾ | 2018 - MIT Gender Shades Study ਨੇ ਜੈਂਡਰ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਏ.ਆਈ. ਉਤਪਾਦਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਜਿਸ ਨੇ ਔਰਤਾਂ ਅਤੇ ਰੰਗ ਦੇ ਲੋਕਾਂ ਲਈ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਖਾਮੀਆਂ ਦਰਸਾਈਆਂ। ਇੱਕ 2019 ਐਪਲ ਕਾਰਡ ਨੇ ਔਰਤਾਂ ਨੂੰ ਮਰਦਾਂ ਨਾਲੋਂ ਘੱਟ ਕਰਜ਼ਾ ਦਿੱਤਾ। ਦੋਹਾਂ ਨੇ ਐਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ ਵਿੱਚ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਇਆ। |
| ਡੇਟਾ ਬਦਨਾਮੀ | 2020 - ਜਾਰਜੀਆ ਪਬਲਿਕ ਹੈਲਥ ਵਿਭਾਗ ਨੇ COVID-19 ਚਾਰਟਸ ਜਾਰੀ ਕੀਤੇ ਜੋ ਪੁਸ਼ਟੀਸ਼ੁਦਾ ਕੇਸਾਂ ਵਿੱਚ ਰੁਝਾਨ ਬਾਰੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗਲਤ ਸਮਝ ਦਿੰਦੇ ਸੀ, ਕਿਉਂਕਿ X-ਅਕਸ਼ 'ਤੇ ਗੈਰ-ਕ੍ਰਮਬੱਧ ਕ੍ਰਮ ਬਣਾਇਆ ਗਿਆ ਸੀ। ਇਹ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਕੀਆਂ ਰਾਹੀਂ ਬਦਨਾਮੀ ਦਿਖਾਉਂਦਾ ਹੈ। |
| ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭ੍ਰਮ | 2020 - ਸਿੱਖਣ ਵਾਲੇ ਐਪ ABCmouse ਨੇ $10M FTC ਸ਼ਿਕਾਇਤ ਸੈਟਲਮੈਂਟ ਭਰਿਆ ਜਿੱਥੇ ਮਾਪੇ ਉਹਦੇ ਗਏ ਸਬਸਕ੍ਰਿਪਸ਼ਨਾਂ ਲਈ ਪੈਸੇ ਦੇਣ ਲਈ ਫਸੇ ਰਹੇ ਜੋ ਉਹ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਸਨ। ਇਹ ਚੋਣ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਡਾਰਕ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੰਭਾਵਤ ਨੁਕਸਾਨਦਾਇਕ ਚੋਣਾਂ ਵੱਲ ਧੱਕਿਆ ਗਿਆ। |
| ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ | 2021 - ਫੇਸਬੁੱਕ ਡੇਟਾ ਬਰੀਚ ਨੇ 530M ਉਪਭੋਗਤਾਵਾਂ ਦਾ ਡੇਟਾ ਬਾਹਰ ਕੀਤਾ, ਜਿਸ ਕਰਕੇ FTC ਨੂੰ $5B ਦਾ ਸੈਟਲਮੈਂਟ ਦੇਣਾ ਪਿਆ। ਪਰ, ਇਸਨੇ ਬਰੀਚ ਬਾਰੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕੀਤਾ, ਜੋ ਡੇਟਾ ਪਾਰਦਰਸ਼ਿਤਾ ਅਤੇ ਪਹੁੰਚ ਵਿੱਚ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਦਾ ਉੱਲੰਘਣ ਸੀ। |
ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਪੜਚੋਲਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤ ਵੇਖੋ:
- Ethics Unwrapped - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀਆਂ ਦਿੱਲੇਮਾਂ।
- Data Science Ethics course - ਪ੍ਰਮੁੱਖ ਕੇਸ ਅਧਿਐਨ ਪੜਚੋਲਿਆ ਗਿਆ।
- Where things have gone wrong - deon ਚੈੱਕਲਿਸਟ ਨਾਲ ਉਦਾਹਰਨਾਂ
🚨 ਸੋਚੋ ਜੇ ਤੁਸੀਂ ਦੇਖੇ ਕੇਸ ਅਧਿਐਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਦੀ ਤੁਸੀਂ ਸਾਂਝ ਕਰਦੇ ਹੋ – ਕੀ ਤੁਹਾਨੂੰ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਅਜਿਹੇ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਹੋਇਆ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਦੇ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਗੱਲ ਕੀਤੇ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੋਵੇ?
ਅਮਲ ਸ਼ੁਦਾ ਨੈਤਿਕਤਾ
ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਸਿਧਾਂਤਾਂ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਕੇਸ ਅਧਿਐਨਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ। ਪਰ ਅਸੀਂ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰੀਏ ਅਮਲ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ? ਅਤੇ ਕਿਵੇਂ ਅਸੀਂ ਇਹ ਅਭਿਆਸ ਸੰਚਾਲਿਤ ਕਰੀਏ ਵਧੀਆ ਸ਼ਾਸਨ ਲਈ? ਆਓ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਕੁਝ ਹੱਲ ਖੋਜੀਏ:
1. ਪੇਸ਼ੇਵਰ ਕੋਡ
ਪੇਸ਼ੇਵਰ ਕੋਡ ਇੱਕ ਵਿਕਲਪ ਦਿੰਦਾ ਹੈ ਸੰਗਠਨਾਂ ਲਈ ਆਪਣੇ ਮੈਂਬਰਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਨੂੰ ਸਮਰਥਨ ਕਰਨ ਲਈ "ਪ੍ਰੋਤਸਾਹਿਤ" ਕਰਨ ਦਾ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਤੀਕਰੀਆਂ ਲਈ ਨੈਤਿਕ ਮਾਰਗਦਰਸ਼ਕ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਸੰਗਠਨ ਦੇ ਸਿਧਾਂਤਾਂ ਨਾਲ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਮੈਂਬਰਾਂ ਦੀ ਸਵੈਛਿਕ ਪਾਲਣਾ ਦੇ ਅਨੁਸਾਰ ਚੰਗੇ ਹੁੰਦੇ ਹਨ; ਹਾਲਾਂਕਿ ਕਈ ਸੰਗਠਨ ਪਾਲਣਾ ਲਈ ਵਾਧੂ ਇਨਾਮ ਅਤੇ ਸਜ਼ਾਵਾਂ ਦਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
- Oxford Munich ਕੋਡ ਆਫ਼ ਏਥਿਕਸ
- Data Science Association ਕੋਡ ਆਫ਼ ਕਂਡਕਟ (2013 ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ)
- ACM Code of Ethics and Professional Conduct (1993 ਤੋਂ)
🚨 ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਪੇਸ਼ੇਵਰ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਂ ਡੇਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਨਾਲ ਜੁੜੇ ਹੋ? ਉਨ੍ਹਾਂ ਦੀ ਸਾਈਟ ਨੂੰ ਵੇਖੋ ਕਿ ਕੀ ਉਹਨਾਂ ਕੋਡ ਆਫ਼ ਏਥਿਕਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਦੱਸਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਨੂੰ ਫਾਲੋ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੋਤਸਾਹਿਤ" ਕਰ ਰਹੇ ਹਨ?
2. ਨੈਤਿਕ ਚੈੱਕਲਿਸਟ
ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਅਭਿਆਸੀਆਂ ਤੋਂ ਲੋੜੀਂਦਾ ਨੈਤਿਕ ਵਿਹਾਰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀਂ ਪਛਾਣਤੀਆ ਸੀਮਾਵਾਂ ਹੁੰਦੀ ਹੈ ਵਿਸ਼ਾਲ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਵਿੱਚ। ਇਸ ਦੀ ਥਾਂ ਕਈ ਡੇਟਾ ਸਾਇੰਸ ਵਿਸ਼ੇਸ਼ਜ્ઞાન ਚੈੱਕਲਿਸਟਾਂ ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਭਿਆਸਾਂ ਨਾਲ ਜੋੜ ਸਕਦੀਆਂ ਹਨ ਜ਼ਿਆਦਾ ਪ੍ਰਮਾਣਿਕ ਅਤੇ ਕਾਰਗਰ ਤਰੀਕਿਆਂ ਨਾਲ।
ਚੈੱਕਲਿਸਟ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ / ਨਾ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲਦੀਆਂ ਹਨ, ਜੋ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਨੂੰ ਸਟੈਂਡਰਡ ਪ੍ਰੋਡੱਕਟ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦਾ ਹਿੱਸਾ ਵਜੋਂ ਟ੍ਰੈਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਨਾਂ ਹਨ:
- Deon - ਇੱਕ ਜਨਰਲ ਉਦੇਸ਼ ਡੇਟਾ ਨੈਤਿਕਤਾ ਚੈੱਕਲਿਸਟ ਜੋ ਉਦਯੋਗ ਸਿਫਾਰਸ਼ਾਂ ਤੋਂ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਆਸਾਨੇ ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ।
- Privacy Audit Checklist - ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਖਤਰਿਆਂ ਦੇ ਪਰਿਪੇਖ ਵਿੱਚ ਜਾਣਕਾਰੀ ਸੰਭਾਲ ਅਭਿਆਸਾਂ ਲਈ ਸਧਾਰਣ ਮਾਰਗਦਰਸ਼ਨ ਦਿੰਦਾ ਹੈ।
- AI Fairness Checklist - AI ਅਭਿਆਸੀਆਂ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ AI ਦੇ ਵਿਕਾਸ ਚੱਕਰ ਵਿੱਚ ਨੈਤਕੀ ਜਾਂਚਾਂ ਦੇ ਅਪੀਡਲਾਪਣ ਤੇ ਐਨਿਮੇਸ਼ਨ ਲਈ ਸਹਾਇਕ ਹੈ।
- 22 questions for ethics in data and AI - ਵੱਧ ਖੁੱਲ੍ਹਾ ਫਰਮਾਦਾ, ਜੋ ਡਿਜ਼ਾਈਨ, ਲਾਗੂ ਕਰਨ ਅਤੇ ਸੰਗਠਨਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨੈਤਿਕ ਮੁੱਦਿਆਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਪੜਚੋਲ ਲਈ ਸੰਰਚਨਾ ਕਰਦਾ ਹੈ।
3. ਨੈਤਿਕ ਨਿਯਮ
ਨੈਤਿਕਤਾ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਸਹੀ ਕੰਮ ਵਾਲੰਟੀਅਰਲੀ ਕਰਨ ਬਾਰੇ ਹੈ। ਪਾਲਣਾ ਉਹ ਹੈ ਕਿ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਜੇ ਕਿਤੇ ਇਸਦੀ ਪਰਿਭਾਸ਼ਾ ਹੋਵੇ। ਸ਼ਾਸਨ ਵਿਸ਼ਾਲ ਤੌਰ 'ਤੇ ਉਹ ਸਾਰੇ ਤਰੀਕੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਸੰਗਠਨ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਕਾਨੂੰਨਾਂ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕੰਮ ਕਰਦੇ ਹਨ।
ਅੱਜ, ਸੰਗਠਨਾਂ ਵਿੱਚ ਸ਼ਾਸਨ ਦੋ ਰੂਪਾਂ ਵਿੱਚ ਹੈ। ਪਹਿਲਾਂ, ਇਹ ਸਾਰੇ AI-ਸੰਬੰਧਿਤ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਨੈਤਿਕ AI ਸਿਧਾਂਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਅਪਣਾਉਂਣ ਦੇ ਅਭਿਆਸ ਸਥਾਪਤ ਕਰਨ ਬਾਰੇ ਹੈ। ਦੂਜਾ, ਇਹ ਸਾਰੇ ਸਰਕਾਰੀ-ਆਦੇਸ਼ੀਂਤ ਡੇਟਾ ਸੁਰੱਖਿਆ ਨਿਯਮਾਂ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਬਾਰੇ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਓਹ ਖੇਤਰ ਸ਼ਾਮਲ ਹਨ ਜਿੱਥੇ ਉਹ ਕੰਮ ਕਰਦੇ ਹਨ।
ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਦੇ ਉਦਾਹਰਨ:
1974, US Privacy Act - ਕੇਂਦਰੀ ਸਰਕਾਰ ਵੱਲੋਂ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਇਕੱਤਰ, ਵਰਤੋਂ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ।1996, US Health Insurance Portability & Accountability Act (HIPAA) - ਨਿੱਜੀ ਸਿਹਤ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।1998, US Children's Online Privacy Protection Act (COPPA) - 13 ਸਾਲ ਤੋਂ ਘੱਟ ਬੱਚਿਆਂ ਦੀ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।2018, General Data Protection Regulation (GDPR) - ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ, ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।2018, California Consumer Privacy Act (CCPA) ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ (ਨਿੱਜੀ) ਡੇਟਾ ਉੱਤੇ ਵੱਧ ਅਧਿਕਾਰ ਦਿੰਦਾ ਹੈ।2021, ਚੀਨ ਦਾ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ ਹਾਲ ਹੀ ਵਿੱਚ ਪਾਸ ਹੋਇਆ, ਜੋ ਦੁਨੀਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਆਨਲਾਈਨ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
🚨 ਯੂਰਪੀ ਯੂਨੀਅਨ ਵੱਲੋਂ ਪਰਿਭਾਸ਼ਿਤ GDPR (General Data Protection Regulation) ਅੱਜ ਵੀ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਕੀ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਇਹ 8 ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ ਨੂੰ ਵੀ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜੋ ਨਾਗਰਿਕਾਂ ਦੀ ਡਿਜੀਟਲ ਗੋਪਨੀਯਤਾ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਦੇ ਹਨ? ਜਾਂਚ ਕਰੋ ਕਿ ਇਹ ਕੀ ਹਨ, ਅਤੇ ਕਿਉਂ ਇਹ ਮੈਟਰ ਕਰਦੇ ਹਨ।
4. ਨੈਤਿਕ ਸੰਸਕ੍ਰਿਤੀ
ਧਿਆਨ ਦਿਓ ਕਿ ਪਾਲਣਾ (ਕਾਨੂੰਨ ਦੇ "ਅੱਖਰ" ਨੂੰ ਮਿਲਾਉਣਾ) ਅਤੇ ਸੰਸਥਾਗਤ ਮੁੱਦੇ (ਜਿਵੇਂ ਕਿ ਠੋਸ ਹੋਣਾ, ਜਾਣਕਾਰੀ ਦੇ ਅਸਮਾਨਤਾ, ਅਤੇ ਵੰਡਨ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਘਾਟ) ਵਿੱਚ ਇੱਕ ਅਦ੍ਰਿਸ਼ਯ ਖਾਚਾ ਹੁੰਦਾ ਹੈ ਜੋ AI ਦੇ ਹਥਿਆਰ ਬਣਨ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ।
ਦੂਜਾ ਹਿੱਸਾ ਨੈਤਿਕ ਸੰਸਕ੍ਰਿਤੀਆਂ ਨਿਰਮਾਣ ਲਈ ਸਹਿਯੋਗੀ ਪਹੁੰਚਾਂ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ ਜੋ ਔਰਗੇਨਾਈਜ਼ੇਸ਼ਨਾਂ ਵਿੱਚ ਭਾਵਨਾਤਮਕ ਸੰਬੰਧ ਅਤੇ ਇਕਸਾਰ ਸਾਂਝੇ ਮੁੱਲ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਲਈ ਸੰਗਠਨਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਸਰਕਾਰੀ ਤੌਰ ਤੇ ਡੇਟਾ ਨੈਤਿਕਤਾ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਦੀ ਲੋੜ ਹੈ - ਜਿੱਥੇ ਕੋਈ ਵੀ ਅੰਦਰਲੀ ਤਾਰ ਖਿੱਚ ਸਕਦਾ ਹੈ (ਮਤਲਬ ਨੈਤਿਕਤਾ ਦੇ ਮੁੱਦੇ ਸ਼ੁਰੂਆਤੀ ਰੂਪ ਵਿੱਚ ਉੱਠਾਉਣਾ) ਅਤੇ ਨੈਤਿਕ ਮੁਲਾਂਕਣ (ਜਿਵੇਂ ਭਰਤੀ) ਟੀਮ ਗਠਨ ਵਿੱਚ ਐਆਈ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਮੁੱਖ ਮਾਪਦੰਡ ਬਣ ਸਕਦਾ ਹੈ।
ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼ 🎯
ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
ਕੋਰਸ ਅਤੇ ਕਿਤਾਬਾਂ ਨਾਲ ਮੂਲ ਨੈਤਿਕਤਾ ਦੇ ਸਿਧਾਂਤਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਮਝਣ ਵਿਚ ਮਦਦ ਮਿਲਦੀ ਹੈ, ਜਦਕਿ ਕੇਸ ਅਧਿਐਨਾਂ ਅਤੇ ਟੂਲਾਂ ਨਾਲ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਅਮਲ ਸ਼ੁਦਾ ਨੈਤਿਕਤਾ ਦੇ ਅਭਿਆਸਾਂ ਵਿਚ ਸਹਿਯੋਗ ਮਿਲਦਾ ਹੈ। ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਕੁਝ ਸਰੋਤ ਇਹ ਹਨ।
- Machine Learning For Beginners - Microsoft ਵੱਲੋਂ ਫ਼ੇਅਰਨੈੱਸ 'ਤੇ ਪਾਠ।
- ਜਿਮੇਵਾਰ ਐਆਈ ਦੇ ਮੂਢੇ ਨੀਤੀ - Microsoft Learn ਤੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਰਸਤਾ।
- ਨੈਤਿਕਤਾ ਅਤੇ ਡੇਟਾ ਵਿਗਿਆਨ - O'Reilly EBook (ਐਮ. ਲੌਕਾਈਡਸ, ਐਚ. ਮੇਸਨ ਆਦਿ)
- ਡੇਟਾ ਵਿਗਿਆਨ ਨੈਤਿਕਤਾ - ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਮਿਚੀਗਨ ਤੋਂ ਔਨਲਾਈਨ ਕੋਰਸ।
- ਨੈਤਿਕਤਾ ਬਿਨਾਂ ਢਿਲਾਈ ਦੇ - ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਟੈਕਸਾਸ ਤੋਂ ਕੇਸ ਅਧਿਐਨ।
Assignment
Write A Data Ethics Case Study
ਅਸਵੀਕਾਰੋਪਣ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।