|
|
# ডেটা এথিক্সের পরিচিতি
|
|
|
|
|
|
| দ্বারা ](../../sketchnotes/02-Ethics.png)|
|
|
|
|:---:|
|
|
|
| ডেটা সায়েন্স এথিক্স - _স্কেচনোট [@nitya](https://twitter.com/nitya) দ্বারা_ |
|
|
|
|
|
|
---
|
|
|
|
|
|
আমরা সবাই একটি ডেটাফিকৃত বিশ্বে ডেটা নাগরিক।
|
|
|
|
|
|
বাজার প্রবণতা বলছে ২০২২ সালের মধ্যে, প্রতি ৩টি বড়ো সংস্থার ১টি তাদের ডেটা অনলাইন [বাজারস্থান এবং বিনিময়](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) এর মাধ্যমে কিনবে এবং বিক্রি করবে। **অ্যাপ ডেভেলপারদের** জন্য, ডেটা-চালিত অন্তর্দৃষ্টি এবং অ্যালগরিদম-চালিত অটোমেশনকে দৈনন্দিন ব্যবহারকারী অভিজ্ঞতায় অন্তর্ভুক্ত করা সহজ ও সস্তা হবে। কিন্তু যখন AI সর্বব্যাপী হয়ে উঠবে, তখন আমাদেরকে সেই অ্যালগরিদমগুলোর [আয়ুধায়ন](https://www.youtube.com/watch?v=TQHs8SA1qpk) এর মাধ্যমে সৃষ্ট সম্ভাব্য ক্ষতি বুঝতেও হবে।
|
|
|
|
|
|
প্রবণতাগুলো নির্দেশ করে ২০২৫ সালের মধ্যে আমরা [১৮০ জেটাবাইটস](https://www.statista.com/statistics/871513/worldwide-data-created/) এর বেশি ডেটা সৃষ্ট ও ব্যবহার করব। **ডেটা সায়েন্টিস্টদের** জন্য, এই তথ্যের বিস্ফোরণ ব্যক্তিগত ও আচরণগত ডেটার অপ্রত্যাশিত প্রবেশাধিকার প্রদান করে। এর মাধ্যমে বিশদ ব্যবহারকারী প্রোফাইল তৈরি করা এবং সূক্ষ্মভাবে সিদ্ধান্ত গ্রহণকে প্রভাবিত করার ক্ষমতা আসছে — প্রায়শই যা [স্বাধীন পছন্দের এক বিভ্রান্তি](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) সৃষ্টি করে। যদিও এটি ব্যবহারকারীদের পছন্দসই ফলাফলের দিকে অনুযোগ করার জন্য ব্যবহার করা যায়, এটি ডেটা গোপনীয়তা, স্বায়ত্তশাসন, এবং অ্যালগরিদমিক প্রভাবের নৈতিক সীমানা সম্পর্কে গুরুত্বপূর্ণ প্রশ্ন তোলে।
|
|
|
|
|
|
ডেটা এথিক্স এখন ডেটা বিজ্ঞান ও ইঞ্জিনিয়ারিং এর জন্য _প্রয়োজনীয় সুরক্ষা প্রবাহরেখা_, যা আমাদের ডেটা-চালিত কার্যকলাপ থেকে সম্ভাব্য ক্ষতি ও অনিচ্ছাকৃত পরিণতি কমাতে সাহায্য করে। [গার্টনার AI এর হাইপ সাইকেল](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ডিজিটাল এথিক্স, দায়িত্বশীল AI, এবং AI গভর্নেন্সে প্রাসঙ্গিক প্রবণতাগুলো চিহ্নিত করেছে যা AI এর _গণতান্ত্রিককরণ_ এবং _শিল্পায়নের_ বড়ো ট্রেন্ডগুলোর মূল চালিকা শক্তি।
|
|
|
|
|
|
|
|
|
|
|
|
এই পাঠে, আমরা ডেটা এথিক্সের চমকপ্রদ ক্ষেত্র — মূল ধারণা ও চ্যালেঞ্জ থেকে শুরু করে কেস স্টাডি এবং গভর্নেন্স মত প্রয়োগকৃত AI ধারণাগুলো — পর্যালোচনা করব যা ডেটা ও AI নিয়ে কাজ করা দল ও প্রতিষ্ঠানগুলোর মধ্যে একটি নৈতিক সংস্কৃতি স্থাপন করতে সাহায্য করে।
|
|
|
|
|
|
|
|
|
|
|
|
## [পূর্ব-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
|
|
|
|
|
## মৌলিক সংজ্ঞা
|
|
|
|
|
|
চলুন প্রথমে মূল শব্দগুলো বুঝে নিই।
|
|
|
|
|
|
শব্দ "এথিক্স" এসেছে [গ্রিক শব্দ "ethikos"](https://en.wikipedia.org/wiki/Ethics) থেকে (এবং এর মূল "ethos") যার অর্থ _চরিত্র বা নৈতিক প্রকৃতি_।
|
|
|
|
|
|
**এথিক্স** হলো সামাজিক আচরণ নিয়ন্ত্রণকারী ঐকমত্য মূল্যবোধ ও নৈতিক নীতিমালা। আইন নয়, বরং ব্যাপকভাবে গৃহীত "সঠিক বনাম ভুল" এর নিয়মকের ওপর ভিত্তি করে এথিক্স। যাহোক, নীতিগত বিবেচনা কর্পোরেট গভর্নেন্স উদ্যোগ ও সরকারী বিধিনিষেধকে প্রভাবিত করতে পারে যা সম্মতি বৃদ্ধির জন্য আরও উদ্দীপনা তৈরি করে।
|
|
|
|
|
|
**ডেটা এথিক্স** হলো [এথিক্সের নতুন শাখা](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) যা "_ডেটা, অ্যালগরিদম এবং সংশ্লিষ্ট চর্চা_"-র নৈতিক সমস্যা অধ্যয়ন ও মূল্যায়ন করে। এখানে, **"ডেটা"** মূলত উৎপাদন, রেকর্ডিং, সংরক্ষণ, প্রক্রিয়াকরণ, প্রচার, ভাগাভাগি, এবং ব্যবহারের কাজগুলোর ওপর ফোকাস করে, **"অ্যালগরিদম"** AI, এজেন্ট, মেশিন লার্নিং, এবং রোবটের ওপর ফোকাস করে, এবং **"চর্চা"** দায়িত্বশীল উদ্ভাবন, প্রোগ্রামিং, হ্যাকিং, এবং এথিক্স কোড সহ অন্যান্য বিষয়গুলোকে নির্দেশ করে।
|
|
|
|
|
|
**প্রয়োগকৃত এথিক্স** হলো [নৈতিক বিবেচনার ব্যবহারিক প্রয়োগ](https://en.wikipedia.org/wiki/Applied_ethics)। এটি _বাস্তব জগতের কার্যক্রম, পণ্য ও প্রক্রিয়া_ প্রসঙ্গে নৈতিক ইস্যুগুলো সক্রিয়ভাবে তদন্ত এবং সংশোধনমূলক পদক্ষেপ নেওয়ার প্রক্রিয়া যাতে এগুলো সংজ্ঞায়িত নৈতিক মূল্যের সাথে সামঞ্জস্যপূর্ণ থাকে।
|
|
|
|
|
|
**এথিক্স কালচার** হলো [_প্রয়োগকৃত এথিক্সকে কার্যকর করা_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) যাতে আমাদের নৈতিক নীতিমালা ও চর্চা সঙ্গতিপূর্ণ ও বিস্তৃতভাবে পুরো প্রতিষ্ঠানে গ্রহণযোগ্য হয়। সফল এথিক্স সংস্কৃতির মধ্যে প্রতিষ্ঠানব্যাপী নৈতিক নীতিমালা নির্ধারণ, সম্মতির জন্য অর্থবোধক উদ্দীপনা প্রদান, এবং প্রতিষ্ঠানের প্রতিটি স্তরে পছন্দনীয় আচরণ উৎসাহ ও জোরদার করা অন্তর্ভুক্ত থাকে।
|
|
|
|
|
|
|
|
|
## এথিক্সের ধারণা
|
|
|
|
|
|
এই বিভাগে, আমরা ডেটা এথিক্সের জন্য **সর্বজনীন মূল্যবোধ** (নীতিমালা) এবং **নৈতিক চ্যালেঞ্জ** (সমস্যা) যেমন ধারণাগুলো আলোচনা করব — এবং **কেস স্টাডি** অনুসন্ধান করব যা আপনাকে বাস্তব বিশ্বের প্রেক্ষাপটে এ ধারনাগুলো বুঝতে সাহায্য করবে।
|
|
|
|
|
|
### ১. এথিক্স নীতিমালা
|
|
|
|
|
|
প্রতিটি ডেটা এথিক্স কৌশল শুরু হয় _নৈতিক নীতিমালা_ সংজ্ঞায়ন দিয়ে — "সর্বজনীন মূল্যবোধ" যা গ্রহণযোগ্য আচরণ বর্ণনা করে, এবং আমাদের ডেটা ও AI প্রকল্পগুলিতে সম্মতিপূর্ণ কার্যক্রম পরিচালনার দিশানির্দেশ দেয়। এগুলো ব্যক্তিগত বা দলের স্তরে সংজ্ঞায়িত করা যেতে পারে। তবে, অধিকাংশ বড় সংস্থা কর্পোরেট স্তরে সংজ্ঞায়িত এবং সমস্ত দলের মধ্যে সঙ্গতিপূর্ণভাবে প্রয়োগকৃত একটি _নৈতিক AI_ মিশন স্টেটমেন্ট বা ফ্রেমওয়ার্ক নির্ধারণ করে।
|
|
|
|
|
|
**উদাহরণ:** মাইক্রোসফটের [দায়িত্বশীল AI](https://www.microsoft.com/en-us/ai/responsible-ai) মিশন স্টেটমেন্ট পড়ুন: _"আমরা AI-এর এমন উন্নয়নে প্রতিজ্ঞাবদ্ধ যেটি মানুষের প্রথম স্থান দেয়"_- ফ্রেমওয়ার্কে ৬টি নৈতিক নীতি চিহ্নিত করা হয়েছে:
|
|
|
|
|
|
|
|
|
|
|
|
এসব নীতিমালা সংক্ষেপে দেখুন। _স্বচ্ছতা_ ও _দায়িত্বশীলতা_ হলো ভিত্তি যার উপরে অন্যান্য নীতিমালা গড়ে উঠেছে — সুতরাং সেখান থেকেই শুরু করা যাক:
|
|
|
|
|
|
* [**দায়িত্বশীলতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) বাস্তবায়নকারীদের তাদের ডেটা ও AI কার্যক্রমের এবং এই নৈতিক নীতিমালা মানার জন্য _দায়ী_ করে তোলে।
|
|
|
* [**স্বচ্ছতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) নিশ্চিত করে যে, ডেটা এবং AI কার্যক্রম ব্যবহারকারীর জন্য _বুঝতে সহজ_ (ব্যাখ্যাযোগ্য), সিদ্ধান্তের পেছনের কারণ ও কারণ ব্যাখ্যা করে।
|
|
|
* [**ন্যায্যতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) — নিশ্চিত করে AI _সব মানুষকে_ ন্যায্য আচরণ করে, ডেটা ও সিস্টেমের যে কোনও প্রণালীগত বা অন্তর্নিহিত সামাজিক-প্রযুক্তিগত পক্ষপাত দূর করে।
|
|
|
* [**বিশ্বস্ততা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — নিশ্চিত করে AI সংজ্ঞায়িত মূল্যের সঙ্গে _সঙ্গতিপূর্ণ_ আচরণ করে, সম্ভাব্য ক্ষতি বা অনিচ্ছাকৃত পরিণতি হ্রাস করে।
|
|
|
* [**গোপনীয়তা ও নিরাপত্তা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — ডেটার উত্স বোঝা এবং ব্যবহারকারীদের জন্য _ডেটা গোপনীয়তা ও সম্পর্কিত সুরক্ষা_ নিশ্চিত করা।
|
|
|
* [**অন্তর্ভুক্তিমূলকতা**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) — AI সলিউশনগুলো ইচ্ছা অনুযায়ী ডিজাইন করা, যাতে সেগুলো মানুষের _বিস্তৃত চাহিদা এবং সক্ষমতার_ সাথে খাপ খায়।
|
|
|
|
|
|
> 🚨 ভাবুন আপনার ডেটা এথিক্স মিশন স্টেটমেন্ট কেমন হতে পারে। অন্যান্য সংস্থার নৈতিক AI ফ্রেমওয়ার্ক অনুসন্ধান করুন — এখানে [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [গুগল](https://ai.google/principles), এবং [ফেসবুক](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) থেকে উদাহরণ আছে। তাদের মধ্যে কোন সর্বজনীন মূল্যবোধগুলো রয়েছে? তারা যেসবAI পণ্য বা শিল্পে কাজ করে সেগুলো কীভাবে এই নীতিমালাগুলোর সাথে সম্পর্কিত?
|
|
|
|
|
|
### ২. এথিক্স চ্যালেঞ্জ
|
|
|
|
|
|
একবার নৈতিক নীতিমালা সংজ্ঞায়িত হলে, পরবর্তী ধাপ হলো আমাদের ডেটা ও AI কার্যক্রম মূল্যায়ন করা যে, সেগুলো ঐ সর্বজনীন মূল্যবোধগুলো সঙ্গে সামঞ্জস্যপূর্ণ কিনা। আপনার কার্যক্রমকে দুটি বিভাগে চিন্তা করুন: _ডেটা সংগ্রহ_ এবং _অ্যালগরিদম ডিজাইন_।
|
|
|
|
|
|
ডেটা সংগ্রহে, কার্যক্রম হয়তো **ব্যক্তিগত তথ্য** বা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) সংগ্রহ করতে পারে, যা জীবিত ব্যক্তিদের সনাক্ত করে। এখানে এমন [বিভিন্ন ধরনের অ-ব্যক্তিগত তথ্য](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) আছে যা _সম্পূর্ণভাবে_ একজন ব্যক্তিকে সনাক্ত করে। নৈতিক চ্যালেঞ্জগুলো হতে পারে _ডেটা গোপনীয়তা_, _ডেটা স্বত্ব_, এবং ব্যবহারকারীকে _সচেতন সম্মতি_ ও _বুদ্ধিবৃত্তিক সম্পত্তি অধিকারের_ মতো বিষয়গুলি সম্পর্কিত।
|
|
|
|
|
|
অ্যালগরিদম ডিজাইনে, কার্যক্রম জড়িত থাকে **ডেটাসেট** সংগ্রহ ও সংরক্ষণে, এরপর সেই ডেটা ব্যবহার করে **ডেটা মডেল** প্রশিক্ষণ ও মোতায়েন করা, যা বাস্তব বিশ্বের প্রেক্ষাপটে ফলাফল অনুমান বা সিদ্ধান্ত স্বয়ংক্রিয় করে। নৈতিক চ্যালেঞ্জগুলো হতে পারে _ডেটাসেট পক্ষপাত_, _ডেটা গুণগত সমস্যা_, _অন্যায়তা_, এবং অ্যালগরিদমে _ভ্রান্ত উপস্থাপনা_ — যার মধ্যে কিছু সমস্যা প্রণালীগত।
|
|
|
|
|
|
উভয় ক্ষেত্রেই, এথিক্স চ্যালেঞ্জ আমাদের কার্যক্রম ও সর্বজনীন মূল্যবোধের মাঝে সংঘর্ষের সম্ভাব্য ক্ষেত্র নির্দেশ করে। এই উদ্বেগগুলো সনাক্ত, রোধ, কমানো বা দূর করতে, আমাদেরকে আমাদের কার্যক্রম সংক্রান্ত নৈতিক "হ্যাঁ/না" প্রশ্নগুলো করতে হবে, এবং প্রয়োজনে সংশোধনমূলক পদক্ষেপ নিতে হবে। চলুন কিছু এথিক্স চ্যালেঞ্জ এবং সেগুলোর নৈতিক প্রশ্নগুলো দেখি:
|
|
|
|
|
|
|
|
|
#### ২.১ ডেটা স্বত্ব
|
|
|
|
|
|
ডেটা সংগ্রহ প্রায়ই ব্যক্তিগত তথ্য জড়িত থাকে যা ডেটা বিষয়কে সনাক্ত করে। [ডেটা স্বত্ব](https://permission.io/blog/data-ownership) মূলত বুঝায় ডেটা সৃষ্টির, প্রক্রিয়াকরণ এবং প্রচারের নিয়ন্ত্রণ ও [_ব্যবহারকারী অধিকার_](https://permission.io/blog/data-ownership)।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* ডেটার মালিক কার? (ব্যবহারকারী না প্রতিষ্ঠান)
|
|
|
* ডেটা বিষয়দের কি অধিকার আছে? (যেমন: প্রবেশাধিকার, মুছে ফেলা, স্থানান্তর)
|
|
|
* সংগঠনের কি অধিকার আছে? (যেমন: ক্ষতিকর ব্যবহারকারী রিভিউ সংশোধন)
|
|
|
|
|
|
#### ২.২ সচেতন সম্মতি
|
|
|
|
|
|
[সচেতন সম্মতি](https://legaldictionary.net/informed-consent/) হল ব্যবহারকারীদের এমন সম্মতি প্রদান যা তারা _সম্পূর্ণভাবে_ প্রাসঙ্গিক তথ্য যেমন উদ্দেশ্য, সম্ভাব্য ঝুঁকি ও বিকল্প উপায় বুঝে করে।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* ব্যবহারকারী (ডেটা বিষয়) কি ডেটা সংগ্রহ ও ব্যবহারের জন্য অনুমতি দিয়েছে?
|
|
|
* ব্যবহারকারী কি সেই ডেটা সংগ্রহের উদ্দেশ্য বুঝেছে?
|
|
|
* অংশগ্রহণের সম্ভাব্য ঝুঁকি ব্যবহারকারী কি বুঝেছে?
|
|
|
|
|
|
#### ২.৩ বুদ্ধিবৃত্তিক সম্পত্তি
|
|
|
|
|
|
[বুদ্ধিবৃত্তিক সম্পত্তি](https://en.wikipedia.org/wiki/Intellectual_property) মানে হলো মানুষের সৃজনশীল উদ্যম থেকে সৃষ্ট অবাস্তব বস্তু যা ব্যক্তিগত বা ব্যবসায়িক অর্থনৈতিক মূল্য রাখে।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* সংগৃহীত ডেটার কি ব্যবহারকারী বা ব্যবসার জন্য অর্থনৈতিক মূল্য ছিল?
|
|
|
* **ব্যবহারকারীর** কি এখানে বুদ্ধিবৃত্তিক সম্পত্তি আছে?
|
|
|
* **সংস্থার** কি এখানে বুদ্ধিবৃত্তিক সম্পত্তি আছে?
|
|
|
* যদি এই অধিকারগুলো থাকে, আমরা কিভাবে সেগুলোকে রক্ষা করছি?
|
|
|
|
|
|
#### ২.৪ ডেটা গোপনীয়তা
|
|
|
|
|
|
[ডেটা গোপনীয়তা](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) বা তথ্য গোপনীয়তা মানে ব্যবহারকারীর গোপনীয়তা সংরক্ষণ এবং ব্যবহারকারীর পরিচয় ব্যক্তিগত তথ্য সংক্রান্ত সুরক্ষা।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* ব্যবহারকারীর (ব্যক্তিগত) ডেটা হ্যাক ও ফাঁস থেকে সুরক্ষিত কিনা?
|
|
|
* ব্যবহারকারীর ডেটা কেবল অনুমোদিত ব্যবহারকারী ও প্রসঙ্গে উপলব্ধ কিনা?
|
|
|
* ডেটা শেয়ার বা প্রচারে ব্যবহারকারীর অজ্ঞাত পরিচয় সুরক্ষিত থাকে?
|
|
|
* ব্যবহারকারী কি গোপনীয়কৃত ডেটাসেট থেকে পরিচয় গোপন রাখা সম্ভব?
|
|
|
|
|
|
#### ২.৫ মুছে ফেলার অধিকার
|
|
|
|
|
|
[মুছে ফেলার অধিকার](https://en.wikipedia.org/wiki/Right_to_be_forgotten) বা [মুছে ফেলার অধিকার](https://www.gdpreu.org/right-to-be-forgotten/) ব্যবহারকারীদের অতিরিক্ত ব্যক্তিগত ডেটা সুরক্ষা দেয়। বিশেষভাবে, এটি ব্যবহারকারীদের ইন্টারনেট অনুসন্ধান ও অন্যান্য স্থানে ব্যক্তিগত ডেটা মুছে দেওয়ার অনুরোধের অধিকার দেয়, _বিশেষ পরিস্থিতিতে_ — যাতে তাদের পূর্বের কার্যকলাপের জন্য বিদ্যমান অনলাইন পরিচয় নতুন করে শুরু করা যায়।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* সিস্টেম কি ডেটা বিষয়দের মুছে ফেলার অনুরোধ করতে দেয়?
|
|
|
* ব্যবহারকারী সম্মতি প্রত্যাহার কি স্বয়ংক্রিয় মুছে ফেলা শুরু করে?
|
|
|
* ডেটা কি সম্মতি ছাড়া অথবা অবৈধ উপায়ে সংগ্রহ করা হয়েছে?
|
|
|
* আমরা কি ডেটা গোপনীয়তা সংক্রান্ত সরকারী বিধিমালা মেনে চলছি?
|
|
|
|
|
|
#### ২.৬ ডেটাসেট পক্ষপাত
|
|
|
|
|
|
ডেটাসেট বা [সংগ্রহ পক্ষপাত](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) মানে নির্বাচিত একটি _অপ্রতিনিধিত্বমূলক_ ডেটার উপসেট অ্যালগরিদম উন্নয়নের জন্য নির্বাচন করা, যা বিভিন্ন গোষ্ঠীর জন্য ফলাফলে পক্ষপাত সৃষ্টি করতে পারে। পক্ষপাতের ধরন যেমন: নির্বাচনী বা নমুনা পক্ষপাত, স্বেচ্ছাসেবক পক্ষপাত, এবং যন্ত্র পক্ষপাত।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* আমরা কি একটি প্রতিনিধিত্বমূলক ডেটা বিষয় নিয়োগ করেছি?
|
|
|
* আমরা কি আমাদের সংগৃহীত বা সংগৃহীত ডেটাসেট বিভিন্ন পক্ষপাতের জন্য পরীক্ষা করেছি?
|
|
|
* আমরা কি আবিষ্কৃত কোনো পক্ষপাত কমাতে বা দূর করতে পারি?
|
|
|
|
|
|
#### ২.৭ ডেটার গুণগত মান
|
|
|
|
|
|
[ডেটার গুণগত মান](https://lakefs.io/data-quality-testing/) হলো নির্বাচিত ডেটাসেটের বৈধতা মূল্যায়ন, যা আমাদের অ্যালগরিদম উন্নয়নে ব্যবহৃত হয়, এবং নিশ্চিত করা যে বৈশিষ্ট্য ও রেকর্ডগুলো আমাদের AI উদ্দেশ্যের জন্য প্রয়োজনীয় সঠিকতা ও ধারাবাহিকতা পূরণ করে।
|
|
|
|
|
|
প্রশ্নগুলো হলো:
|
|
|
* আমরা কি আমাদের ব্যবহারের জন্য বৈধ _বৈশিষ্ট্য_ ধারণ করেছি?
|
|
|
* আমরা কি বিভিন্ন ডেটা উৎস থেকে _সুশৃঙ্খলভাবে_ ডেটা ধারণ করেছি?
|
|
|
* আমাদের ডেটাসেট কি বিভিন্ন অবস্থান বা পরিস্থিতির জন্য _সম্পূর্ণ_?
|
|
|
* যতটা সম্ভব বাস্তবতা প্রতিফলিত করতে তথ্য কি _সঠিকভাবে_ ধারণ করা হয়েছে?
|
|
|
#### 2.8 অ্যালগরিদম ন্যায়পরায়ণতা
|
|
|
|
|
|
[অ্যালগরিদম ন্যায়পরায়ণতা](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) যাচাই করে যে অ্যালগরিদম ডিজাইন ধারাবাহিকভাবে নির্দিষ্ট ডেটা উপ-গোষ্ঠীর বিরুদ্ধে বৈষম্য করে কি না, যা _বণ্টনে_ ([সম্ভাব্য ক্ষতি](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml)) (যেখানে সেই গোষ্ঠী থেকে সংস্থান প্রত্যাখ্যান বা আটকানো হয়) এবং _পরিসেবা মান_ (যেখানে কিছু উপ-গোষ্ঠীর জন্য AI অন্যদের তুলনায় কম সঠিক) এ নেতিবাচক প্রভাব ফেলে।
|
|
|
|
|
|
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
|
|
|
* আমরা কি বিভিন্ন উপ-গোষ্ঠী এবং শর্তের জন্য মডেল সঠিকতা মূল্যায়ন করেছি?
|
|
|
* আমরা কি সম্ভাব্য ক্ষতির জন্য সিস্টেমটি পর্যালোচনা করেছি (যেমন, স্টেরিওটাইপিং)?
|
|
|
* আমরা কি শনাক্তকৃত ক্ষতিগুলিকে ক্ষতিপূরণ করার জন্য ডেটা সংশোধন বা মডেল পুনঃপ্রশিক্ষণ করতে পারি?
|
|
|
|
|
|
আরও জানতে [AI ন্যায়পরায়ণতা চেকলিস্ট](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) এর মতো সম্পদগুলি অন্বেষণ করুন।
|
|
|
|
|
|
#### 2.9 মিথ্যাচার
|
|
|
|
|
|
[ডেটা মিথ্যাচার](https://www.sciencedirect.com/topics/computer-science/misrepresentation) বলতে বোঝায় আমরা কি সৎভাবে রিপোর্ট করা ডেটা থেকে প্রাপ্ত অন্তর্দৃষ্টিগুলোকে প্রতারণাপূর্ণ উপায়ে উপস্থাপন করছি যাতে কাঙ্ক্ষিত বর্ণনাকে সহায়তা করা যায়।
|
|
|
|
|
|
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
|
|
|
* আমরা কি অসম্পূর্ণ বা ভুল ডেটা রিপোর্ট করছি?
|
|
|
* আমরা কি ডেটা এমনভাবে ভিজ্যুয়ালাইজ করি যা বিভ্রান্তিকর সিদ্ধান্ত তৈরি করে?
|
|
|
* আমরা কি ফলাফল প্রভাবিত করার জন্য নির্বাচিত পরিসংখ্যানগত কৌশল ব্যবহার করছি?
|
|
|
* কোনো বিকল্প ব্যাখ্যা আছে যা ভিন্ন নালিশ দিতে পারে?
|
|
|
|
|
|
#### 2.10 মুক্ত পছন্দের মায়া
|
|
|
যখন সিস্টেমের "পছন্দ স্থাপত্য" সিদ্ধান্ত নেওয়ার অ্যালগরিদম ব্যবহার করে মানুষকে একটি পছন্দসই ফলাফলের দিকে ধাক্কা দেয় কিন্তু তাদের বিকল্প ও নিয়ন্ত্রণ পাওয়ার ছল দেখায় তখন [মুক্ত পছন্দের মায়া](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ঘটে। এই [অন্ধকার ধাঁচ](https://www.darkpatterns.org/) ব্যবহারকারীদের সামাজিক এবং অর্থনৈতিক ক্ষতি করতে পারে। ব্যবহারকারীর সিদ্ধান্তগুলি আচরণমূলক প্রোফাইলে প্রভাব ফেলে, তাই এই ক্রিয়াগুলি ভবিষ্যতের পছন্দগুলিকে প্রভাবিত করতে পারে যা এই ক্ষতিগুলোর প্রভাব বৃদ্ধি বা সম্প্রসারণ করতে পারে।
|
|
|
|
|
|
এখানে অনুসন্ধানের জন্য প্রশ্ন হলো:
|
|
|
* ব্যবহারকারী কি সেই পছন্দ গ্রহণের পরিণতি বুঝতে পেরেছে?
|
|
|
* ব্যবহারকারী কি (বিকল্প) পছন্দগুলি এবং প্রত্যেকটির সুবিধা ও অসুবিধা সম্পর্কে অবগত ছিল?
|
|
|
* ব্যবহারকারী কি পরবর্তীতে স্বয়ংক্রিয় বা প্রভাবিত পছন্দ উল্টাতে পারে?
|
|
|
|
|
|
### ৩. ক্ষেত্র গবেষণা
|
|
|
|
|
|
এই নৈতিক চ্যালেঞ্জগুলো বাস্তব জীবনের প্রেক্ষাপটে বুঝতে, ক্ষেত্র গবেষণাগুলো দেখাটা সহায়ক যা ব্যক্তিগত ও সামাজিক ক্ষেত্রে সম্ভাব্য ক্ষতি ও পরিণতি তুলে ধরে, যখন এ জাতীয় নৈতিক লঙ্ঘন উপেক্ষিত হয়।
|
|
|
|
|
|
কিছু উদাহরণ এখানে দেওয়া হলো:
|
|
|
|
|
|
| নৈতিক চ্যালেঞ্জ | ক্ষেত্র গবেষণা |
|
|
|
|--- |--- |
|
|
|
| **সজাগ সম্মতি** | ১৯৭২ - [টাস্কিগি সিফিলিস স্টাডি](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - আফ্রিকান আমেরিকান পুরুষরা যাঁরা স্টাডিতে অংশ নিয়েছিলেন তাদের বিনামূল্যে চিকিৎসা দেওয়ার প্রতিশ্রুতি দেওয়া হয় _কিন্তু প্রতারিত_ করা হয় গবেষকদের দ্বারা যারা বিষয়গুলিকে তাঁদের নির্ণয় বা চিকিৎসার উপলব্ধতা সম্পর্কে অবহিত করেননি। অনেক বিষয় মারা যায় ও সঙ্গী বা সন্তানেরা প্রভাবিত হয়; স্টাডিটি ৪০ বছর স্থায়ী হয়। |
|
|
|
| **ডেটা গোপনীয়তা** | ২০০৭ - [নেটফ্লিক্স ডেটা প্রাইজ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) গবেষকদের প্রদান করেছিল _৫০ হাজার গ্রাহকের ১০ মিলিয়ন গোপনীয় চলচ্চিত্র র্যাঙ্কিং_ সুপারিশ অ্যালগরিদম উন্নত করার জন্য। তবে গবেষকরা বাহ্যিক ডেটাসেটে (যেমন, IMDb মন্তব্য) ব্যক্তিগত আইডেন্টিফায়েবল ডেটার সাথে গোপনীয় ডেটার সম্পর্ক স্থাপন করতে সক্ষম হন - কার্যত কিছু নেটফ্লিক্স সাবস্ক্রাইবারকে "বিরূপীকৃত" করে।|
|
|
|
| **সংগ্রহ পক্ষপাতিত্ব** | ২০১৩ - বোস্টন শহর [স্ট্রিট বাম্প তৈরি করেছিল](https://www.boston.gov/transportation/street-bump), একটি অ্যাপ যা নাগরিকদের গর্ত রিপোর্ট করার সুযোগ দেয়, শহরে সড়কের উন্নত ডেটা পাওয়া যায় সমস্যাগুলিকে খুঁজে বের করতে এবং সমাধান করতে। তবে [নিম্ন আয়ের জনগোষ্ঠীর কাছে গাড়ি ও ফোনে কম প্রবেশাধিকার ছিল](https://hbr.org/2013/04/the-hidden-biases-in-big-data), যার জন্য তাদের সড়কের সমস্যা এই অ্যাপে অদৃশ্য ছিল। ডেভেলপাররা একাধিক বেধবেধা সমাধানের জন্য _সাম্যপূর্ণ প্রবেশ এবং ডিজিটাল বিভাজন_ নিয়ে একাডেমিকদের সঙ্গে কাজ করেন। |
|
|
|
| **অ্যালগরিদমিক ন্যায়পরায়ণতা** | ২০১৮ - MIT এর [জেন্ডার শেডস স্টাডি](http://gendershades.org/overview.html) লিঙ্গ শ্রেণীবিভাগ AI পণ্যের সঠিকতা মূল্যায়ন করেছিল, যেখানে নারীদের এবং রঙিন ব্যক্তিদের জন্য সঠিকতার গ্যাপ প্রকাশ পায়। [২০১৯ সালের অ্যাপল কার্ড](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) মনে হয় নারীদের পুরুষদের তুলনায় কম ক্রেডিট দেয়। উভয়ই অ্যালগরিদমিক পক্ষপাতের কারণে সামাজিক-অর্থনৈতিক ক্ষতিগুলো তুলে ধরে।|
|
|
|
| **ডেটা মিথ্যাচার** | ২০২০ - [জর্জিয়া পাবলিক হেলথ ডিপার্টমেন্ট COVID-19 চার্ট প্রকাশ করেছিল](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) যা নিশ্চিত কেসের প্রবণতা নিয়ে নাগরিকদের বিভ্রান্ত করতে পারে, যেখানে x-অক্ষের ক্রমঅনুক্রমিকতা ছিল না। এটি ভিজ্যুয়ালাইজেশন ফাঁদ দিয়ে মিথ্যাচার প্রদর্শন করে। |
|
|
|
| **মুক্ত পছন্দের মায়া** | ২০২০ - শিক্ষণ অ্যাপ [ABCmouse একটি FTC অভিযোগ নিষ্পত্তির জন্য $১০ মিলিয়ন প্রদান করেছিল](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), যেখানে পিতামাতারা সেই সাবস্ক্রিপশনগুলোর জন্য ফাঁদে পড়েছিলেন যা তারা বাতিল করতে পারেননি। এটি পছন্দ স্থাপত্যে অন্ধকার ধাঁচ প্রদর্শন করে, যেখানে ব্যবহারকারীরা সম্ভাব্য ক্ষতিকর পছন্দের দিকে ধাক্কা খেয়েছিলেন। |
|
|
|
| **ডেটা গোপনীয়তা ও ব্যবহারকারীর অধিকার** | ২০২১ - ফেসবুকের [ডেটা লঙ্ঘন](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ৫৩০ মিলিয়ন ব্যবহারকারীর ডেটা প্রকাশ করে, যার ফলে FTC-কে $৫ বিলিয়ন নিষ্পত্তি দেয়া হয়। তবে ব্যবহারকারীদের ডেটা লঙ্ঘনের বিষয়ে অবহিত করতে অস্বীকৃতি জানায়, যা ব্যবহারকারীর গোপনীয়তা ও তথ্যের অধিকার লঙ্ঘন করে। |
|
|
|
|
|
|
আরও ক্ষেত্র গবেষণা খুঁজতে চান? এই সম্পদগুলি দেখুন:
|
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - বিভিন্ন শিল্পে নৈতিক দ্বন্দ্বের উদাহরণ।
|
|
|
* [Data Science Ethics কোর্স](https://www.coursera.org/learn/data-science-ethics#syllabus) - প্রসিদ্ধ ক্ষেত্র গবেষণাগুলো আলোচনা করা হয়েছে।
|
|
|
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - ডিওন চেকলিস্ট সহ উদাহরণসমূহ
|
|
|
|
|
|
> 🚨 আপনি এখন পর্যন্ত যে ক্ষেত্র গবেষণাগুলি দেখেছেন ভাবুন - আপনার জীবনেও কি এরকম নৈতিক চ্যালেঞ্জের সম্মুখীন হয়েছেন বা প্রভাবিত হয়েছেন? আপনি কি কমপক্ষে আরেকটি ক্ষেত্র গবেষণার উদাহরণ দিতে পারেন যা এই সেকশনে আলোচিত নৈতিক চ্যালেঞ্জগুলির মধ্যে একটি তুলে ধরে?
|
|
|
|
|
|
## প্রয়োগকৃত নৈতিকতা
|
|
|
|
|
|
আমরা নৈতিকতা ধারণা, চ্যালেঞ্জ এবং বাস্তব জীবনের ক্ষেত্রে ক্ষেত্র গবেষণাগুলো নিয়ে আলোচনা করেছি। কিন্তু আমরা কীভাবে আমাদের প্রকল্পগুলিতে নৈতিক নীতিমালা এবং অনুশীলন প্রয়োগ শুরু করব? আমরা কীভাবে এই অনুশীলনগুলোকে ভাল শাসনের জন্য কার্যকর করব? আসুন কিছু বাস্তব উদাহরণ দেখি:
|
|
|
|
|
|
### ১. পেশাগত কোডসমূহ
|
|
|
|
|
|
পেশাগত কোডগুলি একটি প্রতিষ্ঠানকে তাদের সদস্যদের তাদের নৈতিক নীতিমালা এবং মিশন স্টেটমেন্টের সাথে সামঞ্জস্য রেখে সিদ্ধান্ত নেওয়ার জন্য "প্রেরণা" দিতে সাহায্য করে। কোডগুলো পেশাগত আচরণের _নৈতিক নির্দেশিকা_, যা কর্মচারী বা সদস্যদের তাদের প্রতিষ্ঠানের নীতিমালার সাথে সমন্বয়ে সিদ্ধান্ত নিতে সহায়তা করে। কোডগুলো কেবল সদস্যদের স্বেচ্ছাসেবী সম্মতি পর্যন্ত কার্যকর; তবে অনেক প্রতিষ্ঠান অতিরিক্ত পুরস্কার ও শাস্তির মাধ্যমে সদস্যদের সম্মতি অর্জনে প্রেরণা দেয়।
|
|
|
|
|
|
উদাহরণসমূহ:
|
|
|
|
|
|
* [অক্সফোর্ড মিউনিখ](http://www.code-of-ethics.org/code-of-conduct/) নৈতিকতা কোড
|
|
|
* [ডেটা সায়েন্স অ্যাসোসিয়েশন](http://datascienceassn.org/code-of-conduct.html) আচরণ কোড (২০১৩ সালে তৈরি)
|
|
|
* [এসি এম নৈতিকতা ও পেশাগত আচরণ কোড](https://www.acm.org/code-of-ethics) (১৯৯৩ থেকে)
|
|
|
|
|
|
> 🚨 আপনি কি কোনো পেশাগত প্রকৌশল বা ডেটা সায়েন্স প্রতিষ্ঠানের সদস্য? তাদের সাইট দেখুন তাদের পেশাগত নৈতিকতা কোড আছে কি না। তা তাদের নৈতিক নীতিমালা সম্পর্কে কী বলে? তারা কীভাবে সদস্যদের কোড অনুসরণ করতে "প্রেরণা" দিচ্ছে?
|
|
|
|
|
|
### ২. নৈতিকতা চেকলিস্ট
|
|
|
|
|
|
যেখানে পেশাগত কোডগুলো অনুশীলনকারীদের থেকে প্রয়োজনীয় _নৈতিক আচরণ_ সংজ্ঞায়িত করে, সেখানে বড় প্রকল্পে প্রয়োগে তাদের [জানা সীমাবদ্ধতা](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) আছে। অনেক ডেটা সায়েন্স বিশেষজ্ঞের পক্ষে [চেকলিস্টগুলি প্রয়োজনীয়](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), যা **নীতি এবং অনুশীলনের মধ্যে সংযোগ স্থাপন** করে আরো নির্ধারিত ও বাস্তবায়নযোগ্য উপায়ে।
|
|
|
|
|
|
চেকলিস্টগুলি প্রশ্নগুলোকে "হ্যাঁ/না" টাস্কে রূপান্তর করে যা কার্যকর করা যায়, এবং এগুলো স্ট্যান্ডার্ড প্রোডাক্ট রিলিজ পরিচালনায় ট্র্যাক করা যায়।
|
|
|
|
|
|
উদাহরণগুলিঃ
|
|
|
* [ডিওন](https://deon.drivendata.org/) - একটি সাধারণ উদ্দেশ্যের ডেটা নৈতিকতা চেকলিস্ট যা [শিল্প সুপারিশ](https://deon.drivendata.org/#checklist-citations) থেকে তৈরি এবং একটি কমান্ড-লাইন টুল সহ সহজ সমন্বয়ের জন্য।
|
|
|
* [গোপনীয়তা নিরীক্ষা চেকলিস্ট](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - আইনি ও সামাজিক ঝুঁকি দৃষ্টিকোণ থেকে তথ্য পরিচালনার জন্য সাধারণ নির্দেশিকা দেয়।
|
|
|
* [AI ন্যায়পরায়ণতা চেকলিস্ট](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI উন্নয়ন চক্রে ন্যায়পরায়ণতা পরীক্ষা একীভূত করার জন্য AI অনুশীলনকারীদের দ্বারা নির্মিত।
|
|
|
* [ডেটা ও AI এ নৈতিকতার জন্য ২২টি প্রশ্ন](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - একটি মুক্ত ফ্রেমওয়ার্ক যা নৈতিক বিষয়গুলোর প্রাথমিক অনুসন্ধানের জন্য নকশা, বাস্তবায়ন ও সংস্থাগত প্রেক্ষাপটে কাঠামোবদ্ধ।
|
|
|
|
|
|
### ৩. নৈতিকতা নিয়মকানুন
|
|
|
|
|
|
নিতিকথা বলতে বোঝায় ভাগ করে নেওয়া মূল্যবোধ নির্ধারণ এবং সঠিক কাজ স্বেচ্ছায় করা। **অনুসরণ** হলো যেখানে আইন সংজ্ঞায়িত আছে সেখানে _আইন মেনে চলা_। **শাসনব্যবস্থা** broadly অর্থে প্রতিষ্ঠানের সকল উপায়সমূহ যা নৈতিক নীতিমালা বাস্তবায়ন এবং প্রতিষ্ঠিত আইন মেনে চলা নিশ্চিত করে।
|
|
|
|
|
|
গতানুগতিকভাবে, শাসন ব্যবস্থা দুই রূপে প্রতিষ্ঠানে বিদ্যমান। প্রথমে, এটি প্রতিষ্ঠানের সব AI-সম্পর্কিত প্রকল্পে গ্রহণযোগ্য নৈতিক AI নীতিমালা সংজ্ঞায়িত ও বাস্তবায়নের কথা বলে। দ্বিতীয়ত, এটি প্রতিষ্ঠানের কাজ করার অঞ্চলের সকল সরকারী নির্দেশিত **ডেটা সুরক্ষা নিয়মকানুন** মেনে চলা নিশ্চিত করে।
|
|
|
|
|
|
ডেটা সুরক্ষা ও গোপনীয়তা নিয়মকানুনের উদাহরণ:
|
|
|
|
|
|
* `১৯৭৪`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ফেডারেল সরকারকে_ ব্যক্তিগত তথ্য সংগ্রহ, ব্যবহার এবং প্রকাশ নিয়ন্ত্রণ করে।
|
|
|
* `১৯৯৬`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ব্যক্তিগত স্বাস্থ্য তথ্য রক্ষা করে।
|
|
|
* `১৯৯৮`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - ১৩ বছরের নিচে শিশুদের গোপনীয়তা সুরক্ষা করে।
|
|
|
* `২০১৮`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ব্যবহারকারীর অধিকার, ডেটা সুরক্ষা এবং গোপনীয়তা প্রদান করে।
|
|
|
* `২০১৮`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) গ্রাহকদের তাদের (ব্যক্তিগত) ডেটা সম্পর্কে আরো _অধিকার_ দেয়।
|
|
|
* `২০২১`, চীনের [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) সম্প্রতি পাশ হয়েছে, যা বিশ্বের অন্যতম শক্তিশালী অনলাইন ডেটা গোপনীয়তা নিয়মকানুন তৈরি করেছে।
|
|
|
|
|
|
> 🚨 ইউরোপীয় ইউনিয়ন দ্বারা সংজ্ঞায়িত GDPR (জেনারেল ডেটা প্রটেকশন রেগুলেশন) আজকের সবচেয়ে প্রভাবশালী ডেটা গোপনীয়তা নিয়মকানুনগুলির একটি। আপনি কি জানেন এতে [৮টি ব্যবহারকারীর অধিকার](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) সংজ্ঞায়িত রয়েছে যা নাগরিকদের ডিজিটাল গোপনীয়তা ও ব্যক্তিগত ডেটা সুরক্ষা করে? জানুন এগুলো কী এবং কেন এগুলো গুরুত্বপূর্ণ।
|
|
|
|
|
|
### ৪. নৈতিকতা সংস্কৃতি
|
|
|
|
|
|
মনে রাখবেন যে _অনুমোদন_ (আইনের "অক্ষর" মেটানোর জন্য যথেষ্ট করা) এবং [সিস্টেমিক সমস্যা](https://www.coursera.org/learn/data-science-ethics/home/week/4) (যেমন, শক্তিবৃদ্ধি, তথ্য অসমতা, এবং বণ্টনমূলক অন্যায়) এই দুইয়ের মধ্যে একটি অমূর্ত ফাঁক রয়েছে যা AI-এর অস্ত্রায়ণকে দ্রুত করতে পারে।
|
|
|
|
|
|
পেছনে আলোচনা করা [সহযোগিতামূলক পদ্ধতিতে নৈতিকতা সংস্কৃতি সংজ্ঞায়িত করা](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) দরকার যা অনুভূতিপূর্ণ সংযোগ ও শিল্পের _সাম্প্রতিক_ সাংঘাতিক শেয়ার্ড মূল্যবোধ তৈরি করে। এটি প্রতিষ্ঠানে [গঠনমূলক নৈতিকতা সংস্কৃতি](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) প্রয়োজন - যাতে _যে কেউ_ [অ্যান্ডন কর্ড টানতে](https://en.wikipedia.org/wiki/Andon_(manufacturing)) পারে (প্রক্রিয়ার শুরুর দিকে নৈতিক উদ্বেগ উত্থাপন করার জন্য) এবং _নৈতিক মূল্যায়ন_ (যেমন, নিয়োগে) AI প্রকল্পে একটি মূল মানদণ্ড হয়।
|
|
|
|
|
|
---
|
|
|
## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
|
|
|
## পর্যালোচনা ও স্ব-পড়াশোনা
|
|
|
|
|
|
কোর্স ও বইগুলি নৈতিক ধারণা ও চ্যালেঞ্জ বোঝার জন্য সাহায্য করে, যেখানে ক্ষেত্র গবেষণা ও সরঞ্জামগুলির মাধ্যমে বাস্তব জীবনে প্রয়োগকৃত নৈতিকতার অনুশীলন শেখা যায়। শুরু করতে কিছু সম্পদ নিচে দেওয়া হলো।
|
|
|
|
|
|
* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - মাইক্রোসফট থেকে ন্যায়পরায়ণতা বিষয়ক পাঠ।
|
|
|
* [দায়িত্বশীল AI এর নীতিমালা](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - মাইক্রোসফট লার্ন থেকে বিনামূল্যের লার্নিং পাথ।
|
|
|
* [নৈতিকতা এবং ডেটা বিজ্ঞান](https://resources.oreilly.com/examples/0636920203964) - ও'রাইলি ইবুক (M. Loukides, H. Mason et. al)
|
|
|
* [ডেটা বিজ্ঞান নৈতিকতা](https://www.coursera.org/learn/data-science-ethics#syllabus) - মিশিগান বিশ্ববিদ্যালয়ের অনলাইন কোর্স।
|
|
|
* [এথিক্স আনওয়াপড](https://ethicsunwrapped.utexas.edu/case-studies) - টেক্সাস বিশ্ববিদ্যালয়ের কেস স্টাডিজ।
|
|
|
|
|
|
# অ্যাসাইনমেন্ট
|
|
|
|
|
|
[একটি ডেটা নৈতিকতা কেস স্টাডি লিখুন](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
|
**অস্বীকৃতি**:
|
|
|
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |
