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

# Úvod do dátovej etiky

|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:|
| Etika dátovej vedy - _Sketchnote od [@nitya](https://twitter.com/nitya)_ |

---

Všetci sme občanmi dátového sveta, v ktorom žijeme.

Trhové trendy naznačujú, že do roku 2022 bude 1 z 3 veľkých organizácií kupovať a predávať svoje dáta prostredníctvom online [trhovísk a výmenných platforiem](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Ako **vývojári aplikácií** budeme mať jednoduchší a lacnejší prístup k integrácii dátových poznatkov a automatizácie založenej na algoritmoch do každodenných používateľských skúseností. Avšak s rozšírením AI budeme musieť pochopiť aj potenciálne škody spôsobené [zbraňovaním](https://www.youtube.com/watch?v=TQHs8SA1qpk) takýchto algoritmov vo veľkom rozsahu.

Trendy naznačujú, že do roku 2025 budeme generovať a spotrebovávať viac ako [180 zettabajtov](https://www.statista.com/statistics/871513/worldwide-data-created/) dát. Pre **dátových vedcov** tento výbuch informácií poskytuje bezprecedentný prístup k osobným a behaviorálnym dátam. S tým prichádza moc vytvárať podrobné používateľské profily a jemne ovplyvňovať rozhodovanie – často spôsobom, ktorý podporuje [ilúziu voľby](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/). Hoci to môže byť použité na usmernenie používateľov k preferovaným výsledkom, zároveň to vyvoláva zásadné otázky o ochrane dát, autonómii a etických hraniciach algoritmického vplyvu.

Dátová etika je teraz _nevyhnutným ochranným rámcom_ pre dátovú vedu a inžinierstvo, ktorý nám pomáha minimalizovať potenciálne škody a neúmyselné dôsledky našich dátovo riadených akcií. [Gartnerov Hype Cycle pre AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuje relevantné trendy v digitálnej etike, zodpovednej AI a správe AI ako kľúčové faktory pre väčšie megatrendy okolo _demokratizácie_ a _industrializácie_ AI.

![Gartnerov Hype Cycle pre AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)

V tejto lekcii preskúmame fascinujúcu oblasť dátovej etiky – od základných konceptov a výziev, cez prípadové štúdie až po aplikované koncepty AI, ako je správa – ktoré pomáhajú vytvárať kultúru etiky v tímoch a organizáciách pracujúcich s dátami a AI.




## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯

## Základné definície

Začnime pochopením základnej terminológie.

Slovo "etika" pochádza z [gréckeho slova "ethikos"](https://en.wikipedia.org/wiki/Ethics) (a jeho koreňa "ethos"), čo znamená _charakter alebo morálna povaha_. 

**Etika** sa týka spoločných hodnôt a morálnych princípov, ktoré riadia naše správanie v spoločnosti. Etika nie je založená na zákonoch, ale na všeobecne prijatých normách toho, čo je "správne vs. nesprávne". Avšak etické úvahy môžu ovplyvniť iniciatívy korporátnej správy a vládne regulácie, ktoré vytvárajú viac stimulov na dodržiavanie pravidiel.

**Dátová etika** je [nová vetva etiky](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), ktorá "študuje a hodnotí morálne problémy súvisiace s _dátami, algoritmami a zodpovedajúcimi praktikami_". Tu sa **"dáta"** zameriavajú na akcie súvisiace s generovaním, zaznamenávaním, kuráciou, spracovaním, šírením, zdieľaním a používaním, **"algoritmy"** sa zameriavajú na AI, agentov, strojové učenie a roboty, a **"praktiky"** sa zameriavajú na témy ako zodpovedná inovácia, programovanie, hacking a etické kódy.

**Aplikovaná etika** je [praktická aplikácia morálnych úvah](https://en.wikipedia.org/wiki/Applied_ethics). Ide o proces aktívneho skúmania etických otázok v kontexte _reálnych akcií, produktov a procesov_ a prijímania nápravných opatrení na zabezpečenie toho, aby zostali v súlade s našimi definovanými etickými hodnotami.

**Kultúra etiky** sa týka [_operacionalizácie_ aplikovanej etiky](https://hbr.org/2019/05/how-to-design-an-ethical-organization), aby sa zabezpečilo, že naše etické princípy a praktiky sú prijaté konzistentne a škálovateľne v celej organizácii. Úspešné kultúry etiky definujú celopodnikové etické princípy, poskytujú zmysluplné stimuly na dodržiavanie pravidiel a posilňujú normy etiky podporovaním a amplifikáciou požadovaného správania na každej úrovni organizácie.


## Koncepty etiky

V tejto sekcii sa budeme zaoberať konceptmi ako **spoločné hodnoty** (princípy) a **etické výzvy** (problémy) pre dátovú etiku – a preskúmame **prípadové štúdie**, ktoré vám pomôžu pochopiť tieto koncepty v reálnych kontextoch.

### 1. Princípy etiky

Každá stratégia dátovej etiky začína definovaním _etických princípov_ – "spoločných hodnôt", ktoré opisujú prijateľné správanie a usmerňujú súladné akcie v našich dátových a AI projektoch. Môžete ich definovať na individuálnej alebo tímovej úrovni. Avšak väčšina veľkých organizácií ich uvádza v _etickom AI_ vyhlásení alebo rámci, ktorý je definovaný na korporátnej úrovni a dôsledne presadzovaný vo všetkých tímoch.

**Príklad:** Vyhlásenie Microsoftu o [zodpovednej AI](https://www.microsoft.com/en-us/ai/responsible-ai) znie: _"Sme odhodlaní k pokroku AI riadenému etickými princípmi, ktoré kladú ľudí na prvé miesto"_ – identifikujúc 6 etických princípov v rámci nižšie:

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

Poďme si stručne preskúmať tieto princípy. _Transparentnosť_ a _zodpovednosť_ sú základné hodnoty, na ktorých sú postavené ostatné princípy – začnime teda nimi:

* [**Zodpovednosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) robí praktikov _zodpovednými_ za ich dátové a AI operácie a súlad s týmito etickými princípmi.
* [**Transparentnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zabezpečuje, že dátové a AI akcie sú _pochopiteľné_ (interpretovateľné) pre používateľov, vysvetľujúc čo a prečo za rozhodnutiami.
* [**Spravodlivosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) – zameriava sa na zabezpečenie, že AI zaobchádza _so všetkými ľuďmi_ spravodlivo, riešiac akékoľvek systémové alebo implicitné sociálno-technické predsudky v dátach a systémoch.
* [**Spoľahlivosť a bezpečnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – zabezpečuje, že AI sa správa _konzistentne_ s definovanými hodnotami, minimalizujúc potenciálne škody alebo neúmyselné dôsledky.
* [**Ochrana súkromia a bezpečnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – ide o pochopenie pôvodu dát a poskytovanie _ochrany súkromia a súvisiacich opatrení_ používateľom.
* [**Inkluzívnosť**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – ide o navrhovanie AI riešení s úmyslom, prispôsobujúc ich na splnenie _širokého spektra ľudských potrieb_ a schopností.

> 🚨 Zamyslite sa nad tým, aké by mohlo byť vaše vyhlásenie o dátovej etike. Preskúmajte etické AI rámce od iných organizácií – tu sú príklady od [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) a [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Aké spoločné hodnoty majú? Ako sa tieto princípy vzťahujú na AI produkt alebo odvetvie, v ktorom pôsobia?

### 2. Výzvy etiky

Keď máme definované etické princípy, ďalším krokom je vyhodnotenie našich dátových a AI akcií, aby sme zistili, či sú v súlade s týmito spoločnými hodnotami. Zamyslite sa nad svojimi akciami v dvoch kategóriách: _zber dát_ a _návrh algoritmov_. 

Pri zbere dát budú akcie pravdepodobne zahŕňať **osobné údaje** alebo osobne identifikovateľné informácie (PII) pre identifikovateľné živé osoby. To zahŕňa [rôzne položky neosobných údajov](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), ktoré _spoločne_ identifikujú jednotlivca. Etické výzvy sa môžu týkať _ochrany dát_, _vlastníctva dát_ a súvisiacich tém ako _informovaný súhlas_ a _práva duševného vlastníctva_ pre používateľov.

Pri návrhu algoritmov budú akcie zahŕňať zber a kuráciu **datasetov**, potom ich použitie na trénovanie a nasadenie **dátových modelov**, ktoré predpovedajú výsledky alebo automatizujú rozhodnutia v reálnych kontextoch. Etické výzvy môžu vzniknúť z _predsudkov v datasetoch_, _problémov s kvalitou dát_, _nespravodlivosti_ a _skreslenia_ v algoritmoch – vrátane niektorých problémov, ktoré sú systémové.

V oboch prípadoch etické výzvy poukazujú na oblasti, kde naše akcie môžu naraziť na konflikt s našimi spoločnými hodnotami. Na detekciu, zmiernenie, minimalizáciu alebo elimináciu týchto obáv – musíme klásť morálne "áno/nie" otázky týkajúce sa našich akcií a následne prijať nápravné opatrenia podľa potreby. Pozrime sa na niektoré etické výzvy a morálne otázky, ktoré vyvolávajú:


#### 2.1 Vlastníctvo dát

Zber dát často zahŕňa osobné údaje, ktoré môžu identifikovať subjekty dát. [Vlastníctvo dát](https://permission.io/blog/data-ownership) sa týka _kontroly_ a [_práv používateľov_](https://permission.io/blog/data-ownership) súvisiacich s vytváraním, spracovaním a šírením dát. 

Morálne otázky, ktoré musíme klásť, sú: 
 * Kto vlastní dáta? (používateľ alebo organizácia)
 * Aké práva majú subjekty dát? (napr. prístup, vymazanie, prenosnosť)
 * Aké práva majú organizácie? (napr. oprava škodlivých používateľských recenzií)

#### 2.2 Informovaný súhlas

[Informovaný súhlas](https://legaldictionary.net/informed-consent/) definuje akt používateľov, ktorí súhlasia s akciou (ako je zber dát) s _plným pochopením_ relevantných faktov vrátane účelu, potenciálnych rizík a alternatív. 

Otázky na preskúmanie tu sú:
 * Dal používateľ (subjekt dát) povolenie na zber a používanie dát?
 * Pochopil používateľ účel, na ktorý boli dáta zhromaždené?
 * Pochopil používateľ potenciálne riziká z ich účasti?

#### 2.3 Duševné vlastníctvo

[Duševné vlastníctvo](https://en.wikipedia.org/wiki/Intellectual_property) sa týka nehmotných výtvorov vyplývajúcich z ľudskej iniciatívy, ktoré môžu _mať ekonomickú hodnotu_ pre jednotlivcov alebo podniky. 

Otázky na preskúmanie tu sú:
 * Mali zhromaždené dáta ekonomickú hodnotu pre používateľa alebo podnik?
 * Má **používateľ** duševné vlastníctvo v tomto prípade?
 * Má **organizácia** duševné vlastníctvo v tomto prípade?
 * Ak tieto práva existujú, ako ich chránime?

#### 2.4 Ochrana dát

[Ochrana dát](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) alebo ochrana informácií sa týka zachovania súkromia používateľov a ochrany identity používateľov vo vzťahu k osobne identifikovateľným informáciám. 

Otázky na preskúmanie tu sú:
 * Sú osobné údaje používateľov zabezpečené proti hackom a únikom?
 * Sú údaje používateľov prístupné iba autorizovaným používateľom a kontextom?
 * Je anonymita používateľov zachovaná pri zdieľaní alebo šírení dát?
 * Môže byť používateľ de-identifikovaný z anonymizovaných datasetov?


#### 2.5 Právo byť zabudnutý

[Právo byť zabudnutý](https://en.wikipedia.org/wiki/Right_to_be_forgotten) alebo [Právo na vymazanie](https://www.gdpreu.org/right-to-be-forgotten/) poskytuje používateľom dodatočnú ochranu osobných údajov. Konkrétne dáva používateľom právo požiadať o vymazanie alebo odstránenie osobných údajov z internetových vyhľadávaní a iných miest, _za špecifických okolností_ – umožňujúc im nový začiatok online bez toho, aby ich minulé akcie boli proti nim použité.

Otázky na preskúmanie tu sú:
 * Umožňuje systém subjektom dát požiadať o vymazanie?
 * Mal by odvolanie súhlasu používateľa spustiť automatické vymazanie?
 * Boli dáta zhromaždené bez súhlasu alebo nezákonnými prostriedkami?
 * Sme v súlade s vládnymi reguláciami na ochranu dát?


#### 2.6 Predsudky v datasetoch

Dataset alebo [predsudky pri zbere](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) sa týkajú výberu _nereprezentatívnej_ podmnožiny dát na vývoj algoritmov, čo vytvára potenciálnu nespravodlivosť vo výsledkoch pre rôzne skupiny. Typy predsudkov zahŕňajú výberové alebo vzorkové predsudky, dobrovoľnícke predsudky a nástrojové predsudky. 

Otázky na preskúmanie tu sú:
 * Rekrutovali sme reprezentatívnu skupinu subjektov dát?
 * Testovali sme náš zhromaždený alebo kurátorský dataset na rôzne predsudky?
 * Môžeme zmierniť alebo odstrániť akékoľvek zistené predsudky
* Je informácia zachytená _presne_ tak, aby odrážala realitu?

#### 2.8 Spravodlivosť algoritmov

[Spravodlivosť algoritmov](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) skúma, či návrh algoritmu systematicky nediskriminuje konkrétne podskupiny subjektov údajov, čo môže viesť k [potenciálnym škodám](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) v _alokácii_ (keď sú zdroje odmietnuté alebo zadržiavané tejto skupine) a _kvalite služieb_ (keď AI nie je tak presná pre niektoré podskupiny ako pre iné).

Otázky na preskúmanie:
* Hodnotili sme presnosť modelu pre rôzne podskupiny a podmienky?
* Skúmali sme systém kvôli potenciálnym škodám (napr. stereotypizácia)?
* Môžeme upraviť údaje alebo preškoliť modely na zmiernenie identifikovaných škôd?

Preskúmajte zdroje ako [kontrolné zoznamy spravodlivosti AI](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), aby ste sa dozvedeli viac.

#### 2.9 Nesprávne zobrazenie údajov

[Nesprávne zobrazenie údajov](https://www.sciencedirect.com/topics/computer-science/misrepresentation) sa zaoberá otázkou, či komunikujeme poznatky z čestne hlásených údajov zavádzajúcim spôsobom na podporu požadovaného naratívu.

Otázky na preskúmanie:
* Hlásime neúplné alebo nepresné údaje?
* Vizualizujeme údaje spôsobom, ktorý vedie k zavádzajúcim záverom?
* Používame selektívne štatistické techniky na manipuláciu s výsledkami?
* Existujú alternatívne vysvetlenia, ktoré môžu ponúknuť iný záver?

#### 2.10 Slobodná voľba
[Ilúzia slobodnej voľby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) nastáva, keď systémy "architektúry voľby" používajú algoritmy rozhodovania na ovplyvnenie ľudí, aby prijali preferovaný výsledok, pričom im dávajú pocit, že majú možnosti a kontrolu. Tieto [temné vzory](https://www.darkpatterns.org/) môžu spôsobiť sociálne a ekonomické škody používateľom. Keďže rozhodnutia používateľov ovplyvňujú profily správania, tieto akcie potenciálne ovplyvňujú budúce voľby, ktoré môžu zosilniť alebo rozšíriť dopad týchto škôd.

Otázky na preskúmanie:
* Rozumel používateľ dôsledkom prijatia tejto voľby?
* Bol používateľ informovaný o (alternatívnych) možnostiach a výhodách a nevýhodách každej z nich?
* Môže používateľ neskôr zvrátiť automatizovanú alebo ovplyvnenú voľbu?

### 3. Prípadové štúdie

Aby sme tieto etické výzvy zasadili do kontextu reálneho sveta, je užitočné pozrieť sa na prípadové štúdie, ktoré poukazujú na potenciálne škody a dôsledky pre jednotlivcov a spoločnosť, keď sa takéto etické porušenia prehliadajú.

Tu je niekoľko príkladov:

| Etická výzva | Prípadová štúdia | 
|--- |--- |
| **Informovaný súhlas** | 1972 - [Štúdia o syfilise v Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroamerickým mužom, ktorí sa zúčastnili štúdie, bola sľúbená bezplatná lekárska starostlivosť, _ale boli oklamaní_ výskumníkmi, ktorí im neoznámili ich diagnózu ani dostupnosť liečby. Mnohí účastníci zomreli a ich partneri alebo deti boli ovplyvnení; štúdia trvala 40 rokov. | 
| **Ochrana údajov** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) poskytla výskumníkom _10 miliónov anonymizovaných hodnotení filmov od 50 tisíc zákazníkov_, aby pomohla zlepšiť algoritmy odporúčania. Výskumníci však dokázali prepojiť anonymizované údaje s osobne identifikovateľnými údajmi v _externých datasetoch_ (napr. komentáre na IMDb), čím efektívne "de-anonymizovali" niektorých predplatiteľov Netflixu.|
| **Zberová zaujatosť** | 2013 - Mesto Boston [vyvinulo Street Bump](https://www.boston.gov/transportation/street-bump), aplikáciu, ktorá umožnila občanom nahlasovať výtlky, čím mesto získalo lepšie údaje o cestách na identifikáciu a opravu problémov. Avšak [ľudia s nižšími príjmami mali menší prístup k autám a telefónom](https://hbr.org/2013/04/the-hidden-biases-in-big-data), čo spôsobilo, že ich problémy s cestami boli v aplikácii neviditeľné. Vývojári spolupracovali s akademikmi na riešení otázok _rovnakého prístupu a digitálnych rozdielov_ pre spravodlivosť. |
| **Spravodlivosť algoritmov** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) hodnotila presnosť AI produktov na klasifikáciu pohlavia, pričom odhalila medzery v presnosti pre ženy a osoby tmavej pleti. [Apple Card z roku 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) sa zdala ponúkať menej úveru ženám ako mužom. Obe ukázali problémy s algoritmickou zaujatosťou vedúcou k socio-ekonomickým škodám.|
| **Nesprávne zobrazenie údajov** | 2020 - [Ministerstvo zdravotníctva Georgie zverejnilo grafy COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ktoré sa zdali zavádzať občanov o trendoch potvrdených prípadov s nechronologickým usporiadaním na osi x. Toto ilustruje nesprávne zobrazenie prostredníctvom vizualizačných trikov. |
| **Ilúzia slobodnej voľby** | 2020 - Vzdelávacia aplikácia [ABCmouse zaplatila 10 miliónov dolárov na urovnanie sťažnosti FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kde boli rodičia uväznení v platení za predplatné, ktoré nemohli zrušiť. Toto ilustruje temné vzory v architektúre voľby, kde boli používatelia ovplyvnení k potenciálne škodlivým rozhodnutiam. |
| **Ochrana údajov a práva používateľov** | 2021 - Facebook [Únik údajov](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) odhalil údaje 530 miliónov používateľov, čo viedlo k pokute 5 miliárd dolárov od FTC. Napriek tomu odmietol informovať používateľov o úniku, čím porušil práva používateľov na transparentnosť a prístup k údajom. |

Chcete preskúmať viac prípadových štúdií? Pozrite si tieto zdroje:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etické dilemy v rôznych odvetviach.
* [Kurz etiky dátovej vedy](https://www.coursera.org/learn/data-science-ethics#syllabus) - preskúmané významné prípadové štúdie.
* [Kde sa veci pokazili](https://deon.drivendata.org/examples/) - kontrolný zoznam Deon s príkladmi.

> 🚨 Zamyslite sa nad prípadovými štúdiami, ktoré ste videli - zažili ste alebo boli ovplyvnení podobnou etickou výzvou vo svojom živote? Dokážete si predstaviť aspoň jednu ďalšiu prípadovú štúdiu, ktorá ilustruje jednu z etických výziev, o ktorých sme diskutovali v tejto sekcii?

## Aplikovaná etika

Hovorili sme o etických konceptoch, výzvach a prípadových štúdiách v kontexte reálneho sveta. Ale ako začať _uplatňovať_ etické princípy a praktiky vo svojich projektoch? A ako _zaviesť_ tieto praktiky pre lepšie riadenie? Preskúmajme niektoré reálne riešenia:

### 1. Profesionálne kódexy

Profesijné kódexy ponúkajú jednu možnosť pre organizácie, ako "motivovať" členov k podpore ich etických princípov a poslania. Kódexy sú _morálne smernice_ pre profesionálne správanie, ktoré pomáhajú zamestnancom alebo členom robiť rozhodnutia v súlade s princípmi ich organizácie. Sú však účinné len do miery, do akej ich členovia dobrovoľne dodržiavajú; mnohé organizácie však ponúkajú dodatočné odmeny a sankcie na motiváciu členov k dodržiavaniu.

Príklady zahŕňajú:

* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Etický kódex
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kódex správania (vytvorený v roku 2013)
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (od roku 1993)

> 🚨 Patríte do profesionálnej organizácie pre inžinierstvo alebo dátovú vedu? Preskúmajte ich webovú stránku, aby ste zistili, či definujú profesionálny etický kódex. Čo to hovorí o ich etických princípoch? Ako motivujú členov k dodržiavaniu kódexu?

### 2. Etické kontrolné zoznamy

Zatiaľ čo profesionálne kódexy definujú požadované _etické správanie_ od odborníkov, majú [známe obmedzenia](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) v presadzovaní, najmä pri veľkých projektoch. Namiesto toho mnohí odborníci na dátovú vedu [odporúčajú kontrolné zoznamy](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ktoré môžu **spájať princípy s praktikami** deterministickým a akčným spôsobom.

Kontrolné zoznamy prevádzajú otázky na úlohy "áno/nie", ktoré môžu byť zavedené, čo umožňuje ich sledovanie ako súčasť štandardných pracovných postupov pri vydávaní produktov.

Príklady zahŕňajú:
* [Deon](https://deon.drivendata.org/) - všeobecný kontrolný zoznam etiky dát vytvorený z [odporúčaní priemyslu](https://deon.drivendata.org/#checklist-citations) s nástrojom príkazového riadku pre jednoduchú integráciu.
* [Kontrolný zoznam auditu ochrany súkromia](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - poskytuje všeobecné usmernenia pre praktiky spracovania informácií z právneho a sociálneho hľadiska.
* [Kontrolný zoznam spravodlivosti AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - vytvorený odborníkmi na AI na podporu prijatia a integrácie kontrol spravodlivosti do vývojových cyklov AI.
* [22 otázok pre etiku v dátach a AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otvorenejší rámec, štruktúrovaný na počiatočné preskúmanie etických otázok v dizajne, implementácii a organizačných kontextoch.

### 3. Etické regulácie

Etika je o definovaní spoločných hodnôt a dobrovoľnom konaní správne. **Dodržiavanie** je o _dodržiavaní zákona_, ak je definovaný. **Riadenie** všeobecne pokrýva všetky spôsoby, ktorými organizácie fungujú na presadzovanie etických princípov a dodržiavanie stanovených zákonov.

Dnes riadenie nadobúda dve formy v rámci organizácií. Po prvé, ide o definovanie **etických AI** princípov a zavedenie praktík na podporu prijatia vo všetkých projektoch súvisiacich s AI v organizácii. Po druhé, ide o dodržiavanie všetkých vládou stanovených **regulácií ochrany údajov** pre regióny, v ktorých pôsobí.

Príklady regulácií ochrany údajov a súkromia:

* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - reguluje _federálnu vládu_ pri zbere, používaní a zverejňovaní osobných údajov.
* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - chráni osobné zdravotné údaje.
* `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - chráni súkromie údajov detí mladších ako 13 rokov.
* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - poskytuje práva používateľov, ochranu údajov a súkromie.
* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) poskytuje spotrebiteľom viac _práv_ nad ich (osobnými) údajmi.
* `2021`, Čína [Zákon o ochrane osobných údajov](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) práve schválila, čím vytvorila jednu z najsilnejších regulácií online ochrany údajov na svete.

> 🚨 Európska únia definovala GDPR (General Data Protection Regulation), ktorý zostáva jednou z najvplyvnejších regulácií ochrany údajov dnes. Vedeli ste, že definuje aj [8 práv používateľov](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) na ochranu digitálneho súkromia a osobných údajov občanov? Zistite, čo to je a prečo sú dôležité.

### 4. Etická kultúra

Poznamenajte, že stále existuje nehmotná medzera medzi _dodržiavaním_ (urobením dostatočného na splnenie "litery zákona") a riešením [systémových problémov](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ako je zakorenenie, informačná asymetria a distribučná nespravodlivosť), ktoré môžu urýchliť zneužitie AI.

Druhé vyžaduje [spoluprácu pri definovaní etických kultúr](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), ktoré budujú emocionálne spojenia a konzistentné spoločné hodnoty _naprieč organizáciami_ v priemysle. To si vyžaduje viac [formalizovaných kultúr etiky dát](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizáciách - umožňujúc _komukoľvek_ [zatiahnuť Andon šnúru](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (na včasné upozornenie na etické problémy) a robiť _etické hodnotenia_ (napr. pri nábore) ako základné kritérium formovania tímov v projektoch
* [Strojové učenie pre začiatočníkov](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekcia o spravodlivosti od spoločnosti Microsoft.  
* [Princípy zodpovednej AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - bezplatná vzdelávacia cesta od Microsoft Learn.  
* [Etika a dátová veda](https://resources.oreilly.com/examples/0636920203964) - EBook od O'Reilly (M. Loukides, H. Mason a kol.)  
* [Etika dátovej vedy](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurz od University of Michigan.  
* [Etika odhalená](https://ethicsunwrapped.utexas.edu/case-studies) - prípadové štúdie od University of Texas.  

# Zadanie  

[Napíšte prípadovú štúdiu o etike dát](assignment.md)  

---

**Upozornenie**:  
Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.