Data-Science-For-Beginners/translations/my/1-Introduction/02-ethics

ဒေတာအကျင့်သိက္ခာအကျဉ်းချုပ်

ဒေတာသိပ္ပံအကျင့်သိက္ခာ - Sketchnote by @nitya

---

ကျွန်ုပ်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်နှက်နေသောကမ္ဘာတွင် နေထိုင်နေသော ဒေတာပြည်သူများဖြစ်ပါသည်။

စျေးကွက်လမ်းကြောင်းများအရ ၂၀၂၂ ခုနှစ်တွင် ၁-၃ အကြီးစားအဖွဲ့အစည်းများသည် Marketplaces and Exchanges မှတဆင့် သူတို့၏ဒေတာကို ဝယ်ယူရောင်းချမည်ဖြစ်သည်ဟု ပြောကြားထားသည်။ App Developers အနေဖြင့် ဒေတာအခြေခံသုံးသပ်မှုများနှင့် algorithm အခြေခံအလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ်အသုံးပြုသူအတွေ့အကြုံများတွင် ပေါင်းစပ်ရန် ပိုမိုလွယ်ကူပြီး စျေးနှုန်းသက်သာလာမည်ဖြစ်သည်။ သို့သော် AI သည် ပျံ့နှံ့လာသည့်အခါတွင် weaponization အကြီးအကျယ်ဖြင့် algorithm များကို အသုံးချခြင်းကြောင့် ဖြစ်ပေါ်နိုင်သော နစ်နာမှုများကိုလည်း နားလည်ရန်လိုအပ်ပါသည်။

လမ်းကြောင်းများအရ ၂၀၂၅ ခုနှစ်တွင် ၁၈၀ zettabytes ကျော်သော ဒေတာကို ဖန်တီးပြီး သုံးစွဲမည်ဖြစ်သည်ဟု ပြောကြားထားသည်။ Data Scientists အနေဖြင့် ဒါသည် ကိုယ်ရေးအချက်အလက်များကို များစွာရရှိနိုင်စေသည်။ ဒါသည် အသုံးပြုသူများ၏ အပြုအမူကို ပုံဖော်ပြီး illusion of free choice ဖန်တီးခြင်းဖြင့် အသုံးပြုသူများကို ကျွန်ုပ်တို့နှစ်သက်သော ရလဒ်များသို့ ညွှန်ကြားနိုင်စေသည်။ ဒါဟာ ဒေတာကိုယ်ရေးအချက်အလက်နှင့် အသုံးပြုသူကာကွယ်မှုများနှင့် ပတ်သက်သော ကျယ်ပြန့်သောမေးခွန်းများကိုလည်း ရှုမြင်စေပါသည်။

ဒေတာအကျင့်သိက္ခာသည် ဒေတာသိပ္ပံနှင့် အင်ဂျင်နီယာလုပ်ငန်းများအတွက် လိုအပ်သောလမ်းညွှန်များ ဖြစ်လာပြီး ဒေတာအခြေခံလုပ်ဆောင်မှုများမှ ဖြစ်ပေါ်နိုင်သော နစ်နာမှုများနှင့် မတော်တဆဖြစ်ရပ်များကို လျှော့ချရန် ကူညီပေးပါသည်။ Gartner Hype Cycle for AI သည် ဒစ်ဂျစ်တယ်အကျင့်သိက္ခာ၊ တာဝန်ရှိသော AI နှင့် AI အုပ်ချုပ်မှုတို့ကို AI ရှေးဉီးတန်း နှင့် စက်မှုလုပ်ငန်း အဖြစ် ပိုမိုကျယ်ပြန့်လာစေရန် အရေးပါသောအချက်များအဖြစ် ဖော်ပြထားသည်။

ဒီသင်ခန်းစာတွင် ဒေတာအကျင့်သိက္ခာ၏ စိတ်ဝင်စားဖွယ်ရာနယ်ပယ်ကို လေ့လာမည်ဖြစ်ပြီး အခြေခံအယူအဆများနှင့် စိန်ခေါ်မှုများ၊ ကိစ္စလေ့လာမှုများနှင့် အကျင့်သိက္ခာအခြေခံ AI အယူအဆများကို လေ့လာမည်ဖြစ်သည်။ ဒါဟာ ဒေတာနှင့် AI ကို အသုံးပြုသောအဖွဲ့အစည်းများတွင် အကျင့်သိက္ခာယဉ်ကျေးမှုတည်ဆောက်ရန် ကူညီပေးပါသည်။

Pre-lecture quiz 🎯

အခြေခံအဓိပ္ပါယ်များ

အဓိပ္ပါယ်အခြေခံစကားလုံးများကို နားလည်ခြင်းဖြင့် စတင်ကြပါစို့။

"Ethics" ဆိုသောစကားလုံးသည် ဂရိစကားလုံး "ethikos" (နှင့် "ethos" ဟူသောအမြစ်) မှ ဆင်းသက်လာပြီး စရိုက်သဘောသဘာဝ ကို ဆိုလိုသည်။

Ethics သည် လူမှုအဖွဲ့အစည်းတွင် ကျွန်ုပ်တို့၏အပြုအမူကို စီမံခန့်ခွဲသော အတူတူမျှဝေသောတန်ဖိုးများနှင့် သီလတရားများအကြောင်းဖြစ်သည်။ Ethics သည် ဥပဒေများအပေါ်မူတည်ခြင်းမဟုတ်ဘဲ "မှန်/မှား" ဟု ကျယ်ကျယ်ပြန့်ပြန့်လက်ခံထားသောစံနှုန်းများအပေါ်မူတည်သည်။ သို့သော် အကျင့်သိက္ခာဆိုင်ရာစဉ်းစားမှုများသည် ကော်ပိုရိတ်အုပ်ချုပ်မှုနှင့် အစိုးရစည်းမျဉ်းများကို လွှမ်းမိုးနိုင်ပြီး လိုက်နာမှုအတွက် ပိုမိုအကျိုးခံစားမှုများဖန်တီးနိုင်သည်။

Data Ethics သည် Ethics ၏အသစ်သောခွဲခြားမှု ဖြစ်ပြီး "ဒေတာ၊ algorithm နှင့် ဆက်စပ်သောအလေ့အကျင့်များနှင့်ပတ်သက်သော သီလတရားဆိုင်ရာပြဿနာများကို လေ့လာပြီး အကဲဖြတ်သည်"။ ဒီမှာ "ဒေတာ" သည် ဖန်တီးခြင်း၊ မှတ်တမ်းတင်ခြင်း၊ စုစည်းခြင်း၊ အလုပ်လုပ်ခြင်း၊ ဖြန့်ဝေခြင်း၊ မျှဝေခြင်းနှင့် အသုံးပြုခြင်းဆိုင်ရာ လုပ်ဆောင်မှုများကို အဓိကထားပြီး "algorithm" သည် AI၊ agents၊ machine learning နှင့် robots ကို အဓိကထားပြီး "practices" သည် တာဝန်ရှိသောဆန်းသစ်မှု၊ programming၊ hacking နှင့် ethics codes စသည်တို့ကို အဓိကထားသည်။

Applied Ethics သည် သီလတရားဆိုင်ရာစဉ်းစားမှုများ၏ လက်တွေ့အသုံးချမှု ဖြစ်သည်။ ၎င်းသည် လက်တွေ့လုပ်ဆောင်မှုများ၊ ထုတ်ကုန်များနှင့် လုပ်ငန်းစဉ်များ အတွင်း သီလတရားဆိုင်ရာပြဿနာများကို တက်ကြွစွာလေ့လာပြီး သတ်မှတ်ထားသောအကျင့်သိက္ခာတန်ဖိုးများနှင့်အညီရှိနေစေရန် ပြင်ဆင်မှုများလုပ်ဆောင်ခြင်းဖြစ်သည်။

Ethics Culture သည် Applied Ethics ကို လက်တွေ့ကျကျလုပ်ဆောင်ခြင်း အကြောင်းဖြစ်ပြီး ကျွန်ုပ်တို့၏အကျင့်သိက္ခာဆိုင်ရာအယူအဆများနှင့် လုပ်ဆောင်မှုများကို အဖွဲ့အစည်းတစ်ခုလုံးအတွင်းတွင် တစ်စည်းတစ်လုံးနှင့် အကျိုးရှိစွာ လက်ခံအသုံးပြုစေရန် သေချာစေရန်ဖြစ်သည်။ အောင်မြင်သော ethics culture များသည် အဖွဲ့အစည်းအတိုင်းအတာအကျင့်သိက္ခာဆိုင်ရာအယူအဆများကို သတ်မှတ်ပြီး လိုက်နာမှုအတွက် အဓိပ္ပါယ်ရှိသောအကျိုးခံစားမှုများပေးပြီး အဖွဲ့အစည်းအဆင့်တိုင်းတွင် လိုအပ်သောအပြုအမူများကို အားပေးပြီး တိုးတက်စေသည်။

Ethics အယူအဆများ

ဒီအပိုင်းတွင် မျှဝေသောတန်ဖိုးများ (principles) နှင့် အကျင့်သိက္ခာဆိုင်ရာစိန်ခေါ်မှုများ (problems) ကို ဆွေးနွေးပြီး ကိစ္စလေ့လာမှုများ ကို လေ့လာမည်ဖြစ်သည်။ ၎င်းတို့သည် လက်တွေ့ကမ္ဘာတွင် အကျင့်သိက္ခာအယူအဆများကို နားလည်စေရန် ကူညီပေးသည်။

1. Ethics Principles

ဒေတာအကျင့်သိက္ခာမဟာဗျူဟာတိုင်းသည် Ethics Principles သတ်မှတ်ခြင်းဖြင့် စတင်သည် - ဒါဟာ "မျှဝေသောတန်ဖိုးများ" ဖြစ်ပြီး ဒေတာနှင့် AI ပရောဂျက်များတွင် လက်ခံနိုင်သောအပြုအမူများကို ဖော်ပြပြီး လိုက်နာမှုလုပ်ဆောင်မှုများကို လမ်းညွှန်သည်။ ၎င်းတို့ကို တစ်ဦးချင်းအဆင့်တွင် သို့မဟုတ် အဖွဲ့အဆင့်တွင် သတ်မှတ်နိုင်သည်။ သို့သော် အကြီးစားအဖွဲ့အစည်းများအများစုသည် ၎င်းတို့၏ Ethical AI မဟာဗျူဟာ သို့မဟုတ် Framework ကို ကော်ပိုရိတ်အဆင့်တွင် သတ်မှတ်ပြီး အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်စည်းတစ်လုံးနှင့် အကျိုးရှိစွာ လိုက်နာမှုလုပ်ဆောင်မှုများကို အတည်ပြုသည်။

ဥပမာ: Microsoft's Responsible AI မဟာဗျူဟာသည် "AI ကို လူသားများကို ဦးစားပေးသော အကျင့်သိက္ခာဆိုင်ရာအယူအဆများဖြင့် တိုးတက်စေရန် ကျွန်ုပ်တို့ကတိပြုထားသည်" ဟုဖော်ပြထားပြီး အောက်ပါ Framework တွင် ၆ ခုသော အကျင့်သိက္ခာအယူအဆများကို ဖော်ပြထားသည်။

ဒီအယူအဆများကို အနည်းငယ်လေ့လာကြပါစို့။ Transparency နှင့် Accountability သည် အခြေခံတန်ဖိုးများဖြစ်ပြီး အခြားအယူအဆများကို အခြေခံထားသည် - ဒါကြောင့် အဲဒီနေရာမှ စတင်ပါစို့။

• Accountability သည် ဒေတာနှင့် AI လုပ်ဆောင်မှုများအတွက် လုပ်ဆောင်သူများကို တာဝန်ရှိ စေပြီး အကျင့်သိက္ခာအယူအဆများနှင့် လိုက်နာမှုလုပ်ဆောင်မှုများကို အတည်ပြုစေသည်။
• [Transparency](https://www.microsoft.com/en-us/ai/res Algorithm Fairness သည် အယ်လဂိုရီသမ်ဒီဇိုင်းသည် အချက်အလက်အုပ်စုတစ်ခုခုကို စနစ်တကျ ခွဲခြားဆက်ဆံမှုရှိမရှိ စစ်ဆေးရာတွင် အသုံးပြုသည်။ ၎င်းသည် အရင်းအမြစ်များခွဲဝေမှု (အုပ်စုတစ်ခုကို အရင်းအမြစ်များ ပိတ်ပင်ခြင်း သို့မဟုတ် ငြင်းပယ်ခြင်း) နှင့် ဝန်ဆောင်မှုအရည်အသွေး (AI သည် အုပ်စုတစ်ခုအတွက် တိကျမှုနည်းပြီး အခြားအုပ်စုများအတွက် ပိုမိုတိကျမှုရှိခြင်း) တို့တွင် အန္တရာယ်ဖြစ်နိုင်မှုများ ဖြစ်ပေါ်စေသည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ-

• မျိုးစုံသောအုပ်စုများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ပြီးပါသလား။
• စနစ်ကို အန္တရာယ်ဖြစ်နိုင်မှုများ (ဥပမာ- စံနှုန်းချမှတ်မှု) အတွက် စိစစ်ပြီးပါသလား။
• ရှာဖွေတွေ့ရှိထားသော အန္တရာယ်များကို လျှော့ချရန် အချက်အလက်များကို ပြင်ဆင်ခြင်း သို့မဟုတ် မော်ဒယ်များကို ပြန်လေ့ကျင့်ခြင်းဖြင့် ပြုပြင်နိုင်ပါသလား။

AI Fairness checklists ကဲ့သို့သော အရင်းအမြစ်များကို လေ့လာပါ။

2.9 အချက်အလက်မှားယွင်းမှု

Data Misrepresentation သည် အချက်အလက်များကို မှန်မှန်ကန်ကန် တင်ပြခြင်းမှ မဟုတ်ဘဲ တစ်ဖက်သတ်အကြောင်းပြချက်များကို ထောက်ခံရန် လှည့်ဖြားတင်ပြခြင်း ဖြစ်နိုင်သည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ-

• မပြည့်စုံသော သို့မဟုတ် မမှန်ကန်သော အချက်အလက်များကို တင်ပြနေပါသလား။
• အချက်အလက်များကို လှည့်ဖြားသော အနိမ့်ဆုံးသဘောထားများကို ဖော်ဆောင်ရန် ရည်ရွယ်၍ ရှုထောင့်ပြသနေပါသလား။
• ရလဒ်များကို လှည့်ဖြားရန် ရွေးချယ်ထားသော သင်္ချာနည်းလမ်းများကို အသုံးပြုနေပါသလား။
• အခြားသော ရှင်းလင်းချက်များဖြင့် ကွဲပြားသော သဘောတရားများကို ဖော်ပြနိုင်ပါသလား။

2.10 လွတ်လပ်စွာရွေးချယ်မှု

Illusion of Free Choice သည် စနစ်၏ "ရွေးချယ်မှုဖွဲ့စည်းမှုများ" သည် လူများကို ရွေးချယ်မှုများနှင့် ထိန်းချုပ်မှုရှိသည်ဟု ထင်ရစေပြီး သတ်မှတ်ထားသော ရလဒ်တစ်ခုသို့ ဦးတည်စေသော အခြေအနေဖြစ်သည်။ ဤ dark patterns များသည် အသုံးပြုသူများအတွက် လူမှုရေးနှင့် စီးပွားရေးဆိုင်ရာ အန္တရာယ်များ ဖြစ်စေသည်။ အသုံးပြုသူ၏ ဆုံးဖြတ်ချက်များသည် အပြုအမူပရိုဖိုင်များကို သက်ရောက်စေပြီး အန္တရာယ်များကို ပိုမိုကြီးထွားစေသည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ-

• အသုံးပြုသူသည် ရွေးချယ်မှု၏ သက်ရောက်မှုများကို နားလည်ခဲ့ပါသလား။
• အသုံးပြုသူသည် (အခြားရွေးချယ်မှုများ) နှင့် ၎င်းတို့၏ အားသာချက်/အားနည်းချက်များကို သိရှိခဲ့ပါသလား။
• အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်း ပြန်လည်ပြောင်းလဲနိုင်ပါသလား။

3. လေ့လာမှုများ

ဤကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုများကို အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများတွင် နားလည်ရန်၊ ကျင့်ဝတ်ချိုးဖောက်မှုများကို မျက်လုံးပိတ်ထားခြင်းကြောင့် လူပုဂ္ဂိုလ်များနှင့် လူ့အဖွဲ့အစည်းအပေါ် ဖြစ်ပေါ်လာသော အန္တရာယ်များနှင့် ရလဒ်များကို ဖော်ပြသည့် လေ့လာမှုများကို ကြည့်ရှုပါ။

ဤနေရာတွင် ဥပမာအချို့ကို ဖော်ပြထားသည်-

ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှု	လေ့လာမှု
သဘောတူညီမှု	1972 - Tuskegee Syphilis Study - အာဖရိကန်-အမေရိကန်လူမျိုးများကို အခမဲ့ဆေးကုသမှုပေးမည်ဟု ကတိပြုခဲ့သော်လည်း၊ ၎င်းတို့၏ ရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်း မသိစေဘဲ လှည့်ဖြားခဲ့သည်။ ၄၀ နှစ်ကြာခဲ့သည်။
အချက်အလက်ကိုယ်ရေးအချက်အလက်	2007 - Netflix data prize - ၁၀ သန်းအမည်မဖော်ထားသော ရုပ်ရှင်အဆင့်သတ်မှတ်ချက်များကို ထုတ်ပြန်ခဲ့ပြီး၊ အခြားအချက်အလက်များနှင့် ဆက်စပ်၍ Netflix အသုံးပြုသူများကို "အမည်ဖော်" လုပ်နိုင်ခဲ့သည်။
စုဆောင်းမှုဘက်လိုက်မှု	2013 - Street Bump - အနည်းငွေဝင်သူများ၏ လမ်းပြဿနာများကို မဖော်ပြနိုင်ခဲ့သည့် Boston ၏ app တစ်ခု။
Algorithmic Fairness	2018 - Gender Shades Study - AI များတွင် အမျိုးသမီးများနှင့် အရောင်အသားမတူသူများအတွက် တိကျမှုနည်းပါးမှုကို ဖော်ပြခဲ့သည်။
အချက်အလက်မှားယွင်းမှု	2020 - Georgia COVID-19 charts - အချိန်လိုက်မဟုတ်သော x-axis ဖြင့် ပြည်သူများကို လှည့်ဖြားခဲ့သည်။
လွတ်လပ်စွာရွေးချယ်မှု၏ မျက်လှည့်	2020 - ABCmouse - မိဘများကို စာရင်းပယ်ဖျက်ရန် မဖြစ်နိုင်စေသော dark patterns ကို အသုံးပြုခဲ့သည်။
ကိုယ်ရေးအချက်အလက်နှင့် အသုံးပြုသူအခွင့်အရေးများ	2021 - Facebook Data Breach - အသုံးပြုသူများကို အသိပေးရန် ငြင်းဆန်ခဲ့သည်။

ပိုမိုလေ့လာလိုပါသလား? ဤအရင်းအမြစ်များကို ကြည့်ပါ-

• Ethics Unwrapped - စက်မှုလုပ်ငန်းများအနှံ့ ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုများ။
• Data Science Ethics course - ကျင့်ဝတ်ဆိုင်ရာ landmark လေ့လာမှုများ။
• Where things have gone wrong - deon checklist နှင့် ဥပမာများ။

🚨 သင်ကြည့်ရှုခဲ့သော လေ့လာမှုများအပေါ်တွင် စဉ်းစားပါ - သင်၏ဘဝတွင် အလားတူကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုကို ကြုံတွေ့ဖူးပါသလား? ဤအပိုင်းတွင် ဆွေးနွေးထားသော ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုကို ဖော်ပြသည့် အခြားလေ့လာမှုတစ်ခုကို စဉ်းစားနိုင်ပါသလား?

ကျင့်ဝတ်ဆိုင်ရာ လက်တွေ့ကျင့်သုံးမှု

ကျင့်ဝတ်ဆိုင်ရာ အယူအဆများ၊ စိန်ခေါ်မှုများနှင့် အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများကို ဆွေးနွေးပြီးပါပြီ။ ဒါပေမယ့် ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများနှင့် လုပ်ဆောင်မှုများကို သင်၏ပရောဂျက်များတွင် ဘယ်လိုစတင်အသုံးချရမလဲ? ၎င်းတို့ကို အုပ်ချုပ်မှုအတွက် ဘယ်လို စနစ်တကျလုပ်ဆောင်ရမလဲ?

1. ပရော်ဖက်ရှင်နယ် စံပြများ

ပရော်ဖက်ရှင်နယ် စံပြများသည် အဖွဲ့အစည်းများအတွက် ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများနှင့် မစ်ရှင်ကို ထောက်ခံရန် အဖွဲ့ဝင်များကို "အားပေး" ရန် ရွေးချယ်မှုတစ်ခုဖြစ်သည်။

ဥပမာများ-

• Oxford Munich Code of Ethics
• Data Science Association Code of Conduct
• ACM Code of Ethics and Professional Conduct

🚨 သင်သည် ပရော်ဖက်ရှင်နယ် အင်ဂျင်နီယာ သို့မဟုတ် ဒေတာသိပ္ပံအဖွဲ့အစည်းတစ်ခု၏ အဖွဲ့ဝင်ဖြစ်ပါသလား? ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများကို လေ့လာပါ။

2. ကျင့်ဝတ် စစ်ဆေးစာရင်းများ

ကျင့်ဝတ် စစ်ဆေးစာရင်းများသည် ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများကို လုပ်ဆောင်နိုင်သော နည်းလမ်းများဖြင့် ချိတ်ဆက်ရန် အထောက်အကူပြုသည်။

ဥပမာများ-

• Deon - ဒေတာကျင့်ဝတ် စစ်ဆေးစာရင်း။
• Privacy Audit Checklist - ကိုယ်ရေးအချက်အလက်ဆိုင်ရာ လမ်းညွှန်ချက်များ။
• AI Fairness Checklist - AI ဖွံ့ဖြိုးမှုတွင် တရားမျှတမှု စစ်ဆေးမှုများ။
• 22 questions for ethics in data and AI - ကျင့်ဝတ်ဆိုင်ရာ အခြေခံမေးခွန်းများ။

3. ကျင့်ဝတ်ဆိုင်ရာ စည်းမျဉ်းများ

ကျင့်ဝတ်သည် အတူတူမျှဝေသော တန်ဖိုးများကို သတ်မှတ်ခြင်းနှင့် စိတ်ကြိုက်လုပ်ဆောင်ခြင်းဖြစ်သည်။ အညီအဖွဲ့ သည် သတ်မှတ်ထားသော ဥပဒေများကို လိုက်နာခြင်းဖြစ်သည်။

ဥပမာများ-

• 1974, US Privacy Act
• 1996, US Health Insurance Portability & Accountability Act (HIPAA)
• 2018, General Data Protection Regulation (GDPR)

🚨 GDPR သည် ယနေ့အထိ အရေးကြီးသော ဒေတာကိုယ်ရေးအချက်အလက်ဆိုင်ရာ စည်းမျဉ်းများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းသည် အသုံးပြုသူ၏ ၈ ချက်အခွင့်အရေးများ ကိုလည်း သတ်မှတ်ထားသည်။

4. ကျင့်ဝတ်ယဉ်ကျေးမှု

အညီအဖွဲ့ နှင့် စနစ်ဆိုင်ရာပြဿနာများ ကို ဖြေရှင်းရန် အဖွဲ့အစည်းများအတွင်း ကျင့်ဝတ်ယဉ်ကျေးမှုများကို တည်ဆောက်ရန် လိုအပ်သည်။

---

Post-lecture quiz 🎯

ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု

သင်ယူရန် အရင်းအမြစ်များ-

• Machine Learning For Beginners - Microsoft မှ Fairness သင်ခန်းစာ။
• AI တာဝန်ယူမှုဆိုင်ရာ မူဝါဒများ - Microsoft Learn မှ အခမဲ့ သင်ကြားမှုလမ်းကြောင်း။
• Ethics and Data Science - O'Reilly EBook (M. Loukides, H. Mason et. al)
• Data Science Ethics - မီချီဂန်တက္ကသိုလ်မှ အွန်လိုင်းသင်တန်း။
• Ethics Unwrapped - တက္ကဆက်တက္ကသိုလ်မှ ကိစ္စလေ့လာမှုများ။

လုပ်ငန်း

Data Ethics Case Study ရေးရန်

---

ဝက်ဘ်ဆိုက်မှတ်ချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်ရန် လိုအပ်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ အတည်ပြုထားသော ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားမှုများ သို့မဟုတ် အဓိပ္ပာယ်မှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။