53 KiB
บทนำสู่จริยธรรมข้อมูล
 |
|---|
| จริยธรรมข้อมูล - สเก็ตช์โน้ตโดย @nitya |
เราทุกคนเป็นพลเมืองข้อมูลที่อาศัยอยู่ในโลกที่เต็มไปด้วยข้อมูล
แนวโน้มตลาดบอกเราว่าภายในปี 2022 องค์กรขนาดใหญ่ 1 ใน 3 จะซื้อและขายข้อมูลของพวกเขาผ่าน ตลาดและการแลกเปลี่ยนออนไลน์ ในฐานะ นักพัฒนาแอปพลิเคชัน เราจะพบว่าการผสานข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลและระบบอัตโนมัติที่ขับเคลื่อนด้วยอัลกอริทึมเข้ากับประสบการณ์ผู้ใช้ในชีวิตประจำวันนั้นง่ายและถูกลง แต่เมื่อ AI กลายเป็นสิ่งที่แพร่หลาย เราก็ต้องเข้าใจถึงอันตรายที่อาจเกิดขึ้นจาก การใช้อัลกอริทึมในทางที่ผิด ในระดับใหญ่ด้วย
แนวโน้มยังชี้ให้เห็นว่าเราจะสร้างและบริโภคข้อมูลมากกว่า 180 เซตตะไบต์ ภายในปี 2025 ในฐานะ นักวิทยาศาสตร์ข้อมูล สิ่งนี้ทำให้เรามีโอกาสเข้าถึงข้อมูลส่วนบุคคลในระดับที่ไม่เคยมีมาก่อน ซึ่งหมายความว่าเราสามารถสร้างโปรไฟล์พฤติกรรมของผู้ใช้และมีอิทธิพลต่อการตัดสินใจในลักษณะที่สร้าง ภาพลวงตาของการเลือกอย่างเสรี ในขณะเดียวกันก็อาจผลักดันผู้ใช้ไปสู่ผลลัพธ์ที่เราต้องการ นอกจากนี้ยังทำให้เกิดคำถามที่กว้างขึ้นเกี่ยวกับความเป็นส่วนตัวของข้อมูลและการคุ้มครองผู้ใช้
จริยธรรมข้อมูลในปัจจุบันเป็น รั้วป้องกันที่จำเป็น สำหรับวิทยาศาสตร์ข้อมูลและวิศวกรรม โดยช่วยลดอันตรายที่อาจเกิดขึ้นและผลกระทบที่ไม่ได้ตั้งใจจากการกระทำที่ขับเคลื่อนด้วยข้อมูลของเรา Gartner Hype Cycle for AI ระบุแนวโน้มที่เกี่ยวข้องในด้านจริยธรรมดิจิทัล AI ที่รับผิดชอบ และการกำกับดูแล AI ว่าเป็นตัวขับเคลื่อนสำคัญสำหรับแนวโน้มใหญ่ที่เกี่ยวกับ การทำให้เป็นประชาธิปไตย และ การทำให้เป็นอุตสาหกรรม ของ AI
ในบทเรียนนี้ เราจะสำรวจพื้นที่ที่น่าสนใจของจริยธรรมข้อมูล ตั้งแต่แนวคิดหลักและความท้าทาย ไปจนถึงกรณีศึกษาและแนวคิด AI ประยุกต์ เช่น การกำกับดูแล ที่ช่วยสร้างวัฒนธรรมจริยธรรมในทีมและองค์กรที่ทำงานกับข้อมูลและ AI
แบบทดสอบก่อนการบรรยาย 🎯
คำจำกัดความพื้นฐาน
เริ่มต้นด้วยการทำความเข้าใจคำศัพท์พื้นฐานกันก่อน
คำว่า "จริยธรรม" มาจาก คำภาษากรีก "ethikos" (และรากศัพท์ "ethos") ซึ่งหมายถึง ลักษณะนิสัยหรือธรรมชาติทางศีลธรรม
จริยธรรม เกี่ยวกับค่านิยมร่วมกันและหลักการทางศีลธรรมที่กำหนดพฤติกรรมของเราในสังคม จริยธรรมไม่ได้ขึ้นอยู่กับกฎหมาย แต่ขึ้นอยู่กับบรรทัดฐานที่ยอมรับกันอย่างกว้างขวางว่าอะไรคือ "ถูกหรือผิด" อย่างไรก็ตาม การพิจารณาด้านจริยธรรมสามารถมีอิทธิพลต่อการกำกับดูแลขององค์กรและกฎระเบียบของรัฐบาลที่สร้างแรงจูงใจให้ปฏิบัติตามมากขึ้น
จริยธรรมข้อมูล เป็น สาขาใหม่ของจริยธรรม ที่ "ศึกษาและประเมินปัญหาทางศีลธรรมที่เกี่ยวข้องกับ ข้อมูล อัลกอริทึม และการปฏิบัติที่เกี่ยวข้อง" ในที่นี้ "ข้อมูล" มุ่งเน้นไปที่การกระทำที่เกี่ยวข้องกับการสร้าง การบันทึก การดูแล การประมวลผล การเผยแพร่ การแบ่งปัน และการใช้งาน "อัลกอริทึม" มุ่งเน้นไปที่ AI ตัวแทน การเรียนรู้ของเครื่อง และหุ่นยนต์ และ "การปฏิบัติ" มุ่งเน้นไปที่หัวข้อต่างๆ เช่น นวัตกรรมที่รับผิดชอบ การเขียนโปรแกรม การแฮ็ก และจรรยาบรรณ
จริยธรรมประยุกต์ คือ การประยุกต์ใช้ข้อพิจารณาทางศีลธรรมในทางปฏิบัติ เป็นกระบวนการตรวจสอบปัญหาด้านจริยธรรมในบริบทของ การกระทำ ผลิตภัณฑ์ และกระบวนการในโลกแห่งความเป็นจริง และดำเนินการแก้ไขเพื่อให้สิ่งเหล่านี้ยังคงสอดคล้องกับค่านิยมทางจริยธรรมที่กำหนดไว้
วัฒนธรรมจริยธรรม เกี่ยวกับ การทำให้จริยธรรมประยุกต์เป็นรูปธรรม เพื่อให้แน่ใจว่าหลักการและการปฏิบัติด้านจริยธรรมของเราได้รับการนำไปใช้อย่างสม่ำเสมอและขยายขอบเขตได้ทั่วทั้งองค์กร วัฒนธรรมจริยธรรมที่ประสบความสำเร็จจะกำหนดหลักการจริยธรรมทั่วทั้งองค์กร ให้แรงจูงใจที่มีความหมายสำหรับการปฏิบัติตาม และเสริมสร้างบรรทัดฐานด้านจริยธรรมโดยการสนับสนุนและขยายพฤติกรรมที่พึงประสงค์ในทุกระดับขององค์กร
แนวคิดด้านจริยธรรม
ในส่วนนี้ เราจะพูดถึงแนวคิดต่างๆ เช่น ค่านิยมร่วมกัน (หลักการ) และ ความท้าทายด้านจริยธรรม (ปัญหา) สำหรับจริยธรรมข้อมูล - และสำรวจ กรณีศึกษา ที่ช่วยให้คุณเข้าใจแนวคิดเหล่านี้ในบริบทของโลกแห่งความเป็นจริง
1. หลักการด้านจริยธรรม
กลยุทธ์จริยธรรมข้อมูลทุกกลยุทธ์เริ่มต้นด้วยการกำหนด หลักการด้านจริยธรรม - "ค่านิยมร่วมกัน" ที่อธิบายพฤติกรรมที่ยอมรับได้ และชี้นำการกระทำที่สอดคล้องกันในโครงการข้อมูลและ AI ของเรา คุณสามารถกำหนดสิ่งเหล่านี้ในระดับบุคคลหรือทีม อย่างไรก็ตาม องค์กรขนาดใหญ่มักจะกำหนดสิ่งเหล่านี้ในแถลงการณ์พันธกิจหรือกรอบงาน AI ที่มีจริยธรรม ซึ่งกำหนดในระดับองค์กรและบังคับใช้อย่างสม่ำเสมอในทุกทีม
ตัวอย่าง: แถลงการณ์พันธกิจ AI ที่รับผิดชอบ ของ Microsoft ระบุว่า: "เรามุ่งมั่นที่จะพัฒนา AI โดยยึดหลักจริยธรรมที่ให้ความสำคัญกับผู้คนเป็นอันดับแรก" - โดยระบุหลักการจริยธรรม 6 ข้อในกรอบงานด้านล่าง:
มาสำรวจหลักการเหล่านี้กันสั้นๆ ความโปร่งใส และ ความรับผิดชอบ เป็นค่านิยมพื้นฐานที่หลักการอื่นๆ สร้างขึ้น - ดังนั้นเรามาเริ่มต้นที่นี่:
- ความรับผิดชอบ ทำให้ผู้ปฏิบัติงาน รับผิดชอบ ต่อการดำเนินงานด้านข้อมูลและ AI ของพวกเขา และการปฏิบัติตามหลักการจริยธรรมเหล่านี้
- ความโปร่งใส ทำให้มั่นใจว่าการกระทำด้านข้อมูลและ AI นั้น เข้าใจได้ (ตีความได้) สำหรับผู้ใช้ โดยอธิบายว่าอะไรและทำไมเบื้องหลังการตัดสินใจ
- ความยุติธรรม - มุ่งเน้นไปที่การทำให้มั่นใจว่า AI ปฏิบัติต่อ ทุกคน อย่างยุติธรรม โดยจัดการกับอคติทางสังคม-เทคนิคที่เป็นระบบหรือโดยนัยในข้อมูลและระบบ
- ความน่าเชื่อถือและความปลอดภัย - ทำให้มั่นใจว่า AI มีพฤติกรรม สอดคล้อง กับค่านิยมที่กำหนดไว้ ลดอันตรายที่อาจเกิดขึ้นหรือผลกระทบที่ไม่ได้ตั้งใจ
- ความเป็นส่วนตัวและความปลอดภัย - เกี่ยวกับการทำความเข้าใจแหล่งที่มาของข้อมูล และให้ ความเป็นส่วนตัวของข้อมูลและการป้องกันที่เกี่ยวข้อง แก่ผู้ใช้
- การมีส่วนร่วม - เกี่ยวกับการออกแบบโซลูชัน AI ด้วยความตั้งใจ ปรับให้เหมาะสมเพื่อตอบสนอง ความต้องการและความสามารถของมนุษย์ที่หลากหลาย
🚨 ลองคิดดูว่าแถลงการณ์พันธกิจจริยธรรมข้อมูลของคุณจะเป็นอย่างไร สำรวจกรอบงาน AI ที่มีจริยธรรมจากองค์กรอื่นๆ - นี่คือตัวอย่างจาก IBM, Google, และ Facebook ค่านิยมร่วมกันที่พวกเขามีเหมือนกันคืออะไร? หลักการเหล่านี้เกี่ยวข้องกับผลิตภัณฑ์ AI หรืออุตสาหกรรมที่พวกเขาดำเนินการอย่างไร?
2. ความท้าทายด้านจริยธรรม
เมื่อเรากำหนดหลักการจริยธรรมแล้ว ขั้นตอนต่อไปคือการประเมินการกระทำด้านข้อมูลและ AI ของเราเพื่อดูว่าพวกมันสอดคล้องกับค่านิยมร่วมกันเหล่านั้นหรือไม่ ลองคิดถึงการกระทำของคุณในสองหมวดหมู่: การเก็บรวบรวมข้อมูล และ การออกแบบอัลกอริทึม
ในการเก็บรวบรวมข้อมูล การกระทำมักจะเกี่ยวข้องกับ ข้อมูลส่วนบุคคล หรือข้อมูลที่สามารถระบุตัวบุคคลได้ (PII) สำหรับบุคคลที่สามารถระบุตัวตนได้ ซึ่งรวมถึง รายการข้อมูลที่ไม่ใช่ส่วนบุคคลที่หลากหลาย ที่ รวมกัน สามารถระบุตัวบุคคลได้ ความท้าทายด้านจริยธรรมอาจเกี่ยวข้องกับ ความเป็นส่วนตัวของข้อมูล การเป็นเจ้าของข้อมูล และหัวข้อที่เกี่ยวข้อง เช่น การยินยอมที่ได้รับการแจ้ง และ สิทธิในทรัพย์สินทางปัญญา ของผู้ใช้
ในการออกแบบอัลกอริทึม การกระทำจะเกี่ยวข้องกับการเก็บรวบรวมและดูแล ชุดข้อมูล จากนั้นใช้ชุดข้อมูลเหล่านี้เพื่อฝึกอบรมและปรับใช้ โมเดลข้อมูล ที่คาดการณ์ผลลัพธ์หรือทำการตัดสินใจอัตโนมัติในบริบทของโลกแห่งความเป็นจริง ความท้าทายด้านจริยธรรมอาจเกิดจาก อคติในชุดข้อมูล ปัญหาคุณภาพของข้อมูล ความไม่ยุติธรรม และ การบิดเบือน ในอัลกอริทึม - รวมถึงปัญหาบางอย่างที่เป็นระบบ
ในทั้งสองกรณี ความท้าทายด้านจริยธรรมเน้นพื้นที่ที่การกระทำของเราอาจขัดแย้งกับค่านิยมร่วมกันของเรา เพื่อที่จะตรวจจับ บรรเทา ลด หรือกำจัดข้อกังวลเหล่านี้ - เราจำเป็นต้องตั้งคำถามทางศีลธรรม "ใช่/ไม่ใช่" ที่เกี่ยวข้องกับการกระทำของเรา จากนั้นดำเนินการแก้ไขตามความจำเป็น มาดูความท้าทายด้านจริยธรรมบางประการและคำถามทางศีลธรรมที่พวกมันก่อให้เกิด:
2.1 การเป็นเจ้าของข้อมูล
การเก็บรวบรวมข้อมูลมักเกี่ยวข้องกับข้อมูลส่วนบุคคลที่สามารถระบุตัวตนของเจ้าของข้อมูลได้ การเป็นเจ้าของข้อมูล หมายถึง การควบคุม และ สิทธิของผู้ใช้ ที่เกี่ยวข้องกับการสร้าง การประมวลผล และการเผยแพร่ข้อมูล
คำถามทางศีลธรรมที่เราต้องถามคือ:
- ใครเป็นเจ้าของข้อมูล? (ผู้ใช้หรือองค์กร)
- เจ้าของข้อมูลมีสิทธิอะไรบ้าง? (เช่น การเข้าถึง การลบ การพกพา)
- องค์กรมีสิทธิอะไรบ้าง? (เช่น การแก้ไขรีวิวที่เป็นอันตราย)
2.2 การยินยอมที่ได้รับการแจ้ง
การยินยอมที่ได้รับการแจ้ง หมายถึงการกระทำที่ผู้ใช้ยอมรับการกระทำ (เช่น การเก็บข้อมูล) โดยมี ความเข้าใจอย่างเต็มที่ เกี่ยวกับข้อเท็จจริงที่เกี่ยวข้อง รวมถึงวัตถุประสงค์ ความเสี่ยงที่อาจเกิดขึ้น และทางเลือกอื่นๆ
คำถามที่ควรสำรวจในที่นี้คือ:
- ผู้ใช้ (เจ้าของข้อมูล) ให้อนุญาตสำหรับการเก็บและการใช้ข้อมูลหรือไม่?
- ผู้ใช้เข้าใจวัตถุประสงค์ที่เก็บข้อมูลหรือไม่?
- ผู้ใช้เข้าใจความเสี่ยงที่อาจเกิดขึ้นจากการมีส่วนร่วมของพวกเขาหรือไม่?
2.3 ทรัพย์สินทางปัญญา
ทรัพย์สินทางปัญญา หมายถึงการสร้างสรรค์ที่จับต้องไม่ได้ซึ่งเกิดจากความคิดริเริ่มของมนุษย์ ซึ่งอาจ มีมูลค่าทางเศรษฐกิจ ต่อบุคคลหรือธุรกิจ
คำถามที่ควรสำรวจในที่นี้คือ:
- ข้อมูลที่เก็บรวบรวมมีมูลค่าทางเศรษฐกิจต่อผู้ใช้หรือธุรกิจหรือไม่?
- ผู้ใช้ มีทรัพย์สินทางปัญญาในที่นี้หรือไม่?
- องค์กร มีทรัพย์สินทางปัญญาในที่นี้หรือไม่?
- หากสิทธิ์เหล่านี้มีอยู่ เราปกป้องสิทธิ์เหล่านี้อย่างไร?
2.4 ความเป็นส่วนตัวของข้อมูล
ความเป็นส่วนตัวของข้อมูล หรือความเป็นส่วนตัวของข้อมูลหมายถึงการรักษาความเป็นส่วนตัวของผู้ใช้และการปกป้องตัวตนของผู้ใช้เกี่ยวกับข้อมูลที่สามารถระบุตัวบุคคลได้
คำถามที่ควรสำรวจในที่นี้คือ:
- ข้อมูลส่วนบุคคลของผู้ใช้ปลอดภัยจากการแฮ็กและการรั่วไหลหรือไม่?
- ข้อมูลของผู้ใช้สามารถเข้าถึงได้เฉพาะผู้ใช้ที่ได้รับอนุญาตและบริบทที่เหมาะสมหรือไม่?
- การไม่ระบุตัวตนของผู้ใช้ได้รับการรักษาไว้เมื่อมีการแบ่งปัน Algorithm Fairness คือการตรวจสอบว่า การออกแบบอัลกอริทึมมีการเลือกปฏิบัติต่อกลุ่มย่อยของข้อมูลอย่างเป็นระบบหรือไม่ ซึ่งอาจนำไปสู่ ผลกระทบที่อาจเกิดขึ้น ในเรื่องของ การจัดสรรทรัพยากร (ที่ทรัพยากรถูกปฏิเสธหรือถูกระงับจากกลุ่มนั้น) และ คุณภาพของบริการ (ที่ AI มีความแม่นยำไม่เท่ากันสำหรับกลุ่มย่อยต่าง ๆ)
คำถามที่ควรพิจารณา:
- เราได้ประเมินความแม่นยำของโมเดลสำหรับกลุ่มย่อยและเงื่อนไขที่หลากหลายหรือไม่?
- เราได้ตรวจสอบระบบเพื่อหาผลกระทบที่อาจเกิดขึ้น (เช่น การเหมารวม) หรือไม่?
- เราสามารถปรับปรุงข้อมูลหรือฝึกโมเดลใหม่เพื่อบรรเทาผลกระทบที่พบได้หรือไม่?
สำรวจแหล่งข้อมูล เช่น AI Fairness checklists เพื่อเรียนรู้เพิ่มเติม
2.9 การบิดเบือนข้อมูล
Data Misrepresentation คือการตั้งคำถามว่า เรากำลังสื่อสารข้อมูลเชิงลึกจากข้อมูลที่รายงานอย่างซื่อสัตย์ในลักษณะที่หลอกลวงเพื่อสนับสนุนเรื่องราวที่ต้องการหรือไม่
คำถามที่ควรพิจารณา:
- เรากำลังรายงานข้อมูลที่ไม่ครบถ้วนหรือไม่ถูกต้องหรือไม่?
- เรากำลังแสดงข้อมูลในลักษณะที่นำไปสู่ข้อสรุปที่ทำให้เข้าใจผิดหรือไม่?
- เรากำลังใช้เทคนิคทางสถิติที่เลือกสรรเพื่อปรับเปลี่ยนผลลัพธ์หรือไม่?
- มีคำอธิบายทางเลือกอื่นที่อาจนำไปสู่ข้อสรุปที่แตกต่างหรือไม่?
2.10 การเลือกอย่างอิสระ
Illusion of Free Choice เกิดขึ้นเมื่อ "สถาปัตยกรรมการเลือก" ของระบบใช้อัลกอริทึมการตัดสินใจเพื่อชักจูงให้ผู้คนเลือกผลลัพธ์ที่ต้องการ ในขณะที่ดูเหมือนว่าพวกเขามีตัวเลือกและการควบคุม รูปแบบมืด เหล่านี้สามารถก่อให้เกิดผลกระทบทางสังคมและเศรษฐกิจต่อผู้ใช้ เนื่องจากการตัดสินใจของผู้ใช้ส่งผลต่อโปรไฟล์พฤติกรรม การกระทำเหล่านี้อาจผลักดันการเลือกในอนาคตที่ขยายผลกระทบของความเสียหายเหล่านี้
คำถามที่ควรพิจารณา:
- ผู้ใช้เข้าใจผลกระทบของการเลือกนั้นหรือไม่?
- ผู้ใช้ทราบถึงตัวเลือก (ทางเลือก) และข้อดีข้อเสียของแต่ละตัวเลือกหรือไม่?
- ผู้ใช้สามารถย้อนกลับการเลือกที่ถูกชักจูงหรืออัตโนมัติในภายหลังได้หรือไม่?
3. กรณีศึกษา
เพื่อให้เข้าใจความท้าทายด้านจริยธรรมในบริบทของโลกจริง การศึกษากรณีที่แสดงให้เห็นถึงผลกระทบและผลลัพธ์ที่อาจเกิดขึ้นต่อบุคคลและสังคมเมื่อการละเมิดจริยธรรมถูกมองข้ามจะช่วยได้
ตัวอย่างบางส่วน:
| ความท้าทายด้านจริยธรรม | กรณีศึกษา |
|---|---|
| การยินยอมโดยได้รับข้อมูล | 1972 - Tuskegee Syphilis Study - ผู้ชายชาวแอฟริกันอเมริกันที่เข้าร่วมการศึกษานี้ได้รับสัญญาว่าจะได้รับการดูแลทางการแพทย์ฟรี แต่ถูกหลอกลวง โดยนักวิจัยที่ไม่แจ้งให้ทราบถึงการวินิจฉัยหรือการรักษาที่มีอยู่ ผู้เข้าร่วมหลายคนเสียชีวิต และคู่สมรสหรือบุตรได้รับผลกระทบ การศึกษานี้ดำเนินไปเป็นเวลา 40 ปี |
| ความเป็นส่วนตัวของข้อมูล | 2007 - Netflix data prize ให้ข้อมูลการจัดอันดับภาพยนตร์ที่ไม่ระบุตัวตนจำนวน 10 ล้านรายการจากลูกค้า 50,000 คน เพื่อช่วยปรับปรุงอัลกอริทึมการแนะนำ อย่างไรก็ตาม นักวิจัยสามารถเชื่อมโยงข้อมูลที่ไม่ระบุตัวตนกับข้อมูลที่สามารถระบุตัวตนได้ใน ชุดข้อมูลภายนอก (เช่น ความคิดเห็นใน IMDb) ซึ่งทำให้สามารถ "ระบุตัวตน" ผู้ใช้ Netflix บางคนได้ |
| อคติในการเก็บข้อมูล | 2013 - เมืองบอสตัน พัฒนา Street Bump แอปที่ให้พลเมืองรายงานหลุมบ่อ เพื่อให้เมืองมีข้อมูลถนนที่ดีขึ้นในการแก้ไขปัญหา อย่างไรก็ตาม ผู้คนในกลุ่มรายได้ต่ำมีการเข้าถึงรถยนต์และโทรศัพท์น้อยกว่า ทำให้ปัญหาถนนของพวกเขาไม่ปรากฏในแอปนี้ นักพัฒนาร่วมมือกับนักวิชาการเพื่อแก้ไขปัญหา การเข้าถึงที่เท่าเทียมและช่องว่างทางดิจิทัล เพื่อความเป็นธรรม |
| ความเป็นธรรมของอัลกอริทึม | 2018 - MIT Gender Shades Study ประเมินความแม่นยำของผลิตภัณฑ์ AI ที่จำแนกเพศ เผยให้เห็นช่องว่างในความแม่นยำสำหรับผู้หญิงและคนผิวสี Apple Card ปี 2019 ดูเหมือนจะให้เครดิตน้อยกว่ากับผู้หญิงเมื่อเทียบกับผู้ชาย ทั้งสองกรณีแสดงให้เห็นถึงปัญหาอคติในอัลกอริทึมที่นำไปสู่ผลกระทบทางเศรษฐกิจและสังคม |
| การบิดเบือนข้อมูล | 2020 - กรมสาธารณสุขจอร์เจียเผยแพร่แผนภูมิ COVID-19 ที่ดูเหมือนจะทำให้ประชาชนเข้าใจผิดเกี่ยวกับแนวโน้มของจำนวนผู้ป่วยที่ได้รับการยืนยัน โดยการจัดลำดับแกน x ที่ไม่เป็นไปตามลำดับเวลา ซึ่งแสดงให้เห็นถึงการบิดเบือนผ่านเทคนิคการแสดงภาพ |
| ภาพลวงตาของการเลือกอย่างอิสระ | 2020 - แอปการเรียนรู้ ABCmouse จ่ายเงิน 10 ล้านดอลลาร์เพื่อยุติข้อร้องเรียนของ FTC ที่ผู้ปกครองถูกบังคับให้จ่ายเงินสำหรับการสมัครสมาชิกที่ไม่สามารถยกเลิกได้ ซึ่งแสดงให้เห็นถึงรูปแบบมืดในสถาปัตยกรรมการเลือก ที่ผู้ใช้ถูกชักจูงไปสู่การเลือกที่อาจเป็นอันตราย |
| ความเป็นส่วนตัวของข้อมูลและสิทธิของผู้ใช้ | 2021 - การละเมิดข้อมูล Facebook เปิดเผยข้อมูลจากผู้ใช้ 530 ล้านคน ส่งผลให้มีการยุติคดีด้วยเงิน 5 พันล้านดอลลาร์กับ FTC อย่างไรก็ตาม Facebook ปฏิเสธที่จะแจ้งเตือนผู้ใช้เกี่ยวกับการละเมิด ซึ่งเป็นการละเมิดสิทธิของผู้ใช้เกี่ยวกับความโปร่งใสและการเข้าถึงข้อมูล |
ต้องการสำรวจกรณีศึกษาเพิ่มเติม? ลองดูแหล่งข้อมูลเหล่านี้:
- Ethics Unwrapped - ภาวะที่กลืนไม่เข้าคายไม่ออกด้านจริยธรรมในอุตสาหกรรมต่าง ๆ
- Data Science Ethics course - กรณีศึกษาสำคัญที่ถูกสำรวจ
- Where things have gone wrong - รายการตรวจสอบ Deon พร้อมตัวอย่าง
🚨 ลองคิดถึงกรณีศึกษาที่คุณเคยเห็น - คุณเคยประสบหรือได้รับผลกระทบจากความท้าทายด้านจริยธรรมที่คล้ายกันในชีวิตของคุณหรือไม่? คุณสามารถคิดถึงกรณีศึกษาอื่นอย่างน้อยหนึ่งกรณีที่แสดงให้เห็นถึงหนึ่งในความท้าทายด้านจริยธรรมที่เราได้พูดถึงในส่วนนี้หรือไม่?
จริยธรรมประยุกต์
เราได้พูดถึงแนวคิดด้านจริยธรรม ความท้าทาย และกรณีศึกษาในบริบทของโลกจริง แต่เราจะเริ่มต้น การนำ หลักการและแนวปฏิบัติด้านจริยธรรมไปใช้ในโครงการของเราได้อย่างไร? และเราจะ ทำให้เป็นระบบ แนวปฏิบัติเหล่านี้เพื่อการกำกับดูแลที่ดีขึ้นได้อย่างไร? มาสำรวจวิธีแก้ปัญหาในโลกจริงกัน:
1. รหัสวิชาชีพ
รหัสวิชาชีพเป็นตัวเลือกหนึ่งสำหรับองค์กรในการ "จูงใจ" สมาชิกให้สนับสนุนหลักการด้านจริยธรรมและพันธกิจขององค์กร รหัสเหล่านี้เป็น แนวทางทางศีลธรรม สำหรับพฤติกรรมวิชาชีพ ช่วยให้พนักงานหรือสมาชิกตัดสินใจที่สอดคล้องกับหลักการขององค์กร รหัสเหล่านี้จะมีประสิทธิภาพเท่ากับการปฏิบัติตามโดยสมัครใจของสมาชิก อย่างไรก็ตาม หลายองค์กรมีรางวัลและบทลงโทษเพิ่มเติมเพื่อกระตุ้นการปฏิบัติตามของสมาชิก
ตัวอย่าง:
- Oxford Munich Code of Ethics
- Data Science Association Code of Conduct (สร้างขึ้นในปี 2013)
- ACM Code of Ethics and Professional Conduct (ตั้งแต่ปี 1993)
🚨 คุณเป็นสมาชิกขององค์กรวิศวกรรมหรือวิทยาศาสตร์ข้อมูลวิชาชีพหรือไม่? สำรวจเว็บไซต์ของพวกเขาเพื่อดูว่าพวกเขากำหนดรหัสจริยธรรมวิชาชีพหรือไม่ สิ่งนี้บอกอะไรเกี่ยวกับหลักการด้านจริยธรรมของพวกเขา? พวกเขา "จูงใจ" สมาชิกให้ปฏิบัติตามรหัสอย่างไร?
2. รายการตรวจสอบด้านจริยธรรม
ในขณะที่รหัสวิชาชีพกำหนด พฤติกรรมด้านจริยธรรม ที่จำเป็นจากผู้ปฏิบัติงาน แต่ มีข้อจำกัดที่ทราบกันดี ในการบังคับใช้ โดยเฉพาะในโครงการขนาดใหญ่ ผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลหลายคน สนับสนุนการใช้รายการตรวจสอบ ซึ่งสามารถ เชื่อมโยงหลักการกับแนวปฏิบัติ ในลักษณะที่กำหนดและนำไปปฏิบัติได้จริงมากขึ้น
รายการตรวจสอบเปลี่ยนคำถามให้เป็นงาน "ใช่/ไม่ใช่" ที่สามารถนำไปปฏิบัติได้ ทำให้สามารถติดตามได้เป็นส่วนหนึ่งของกระบวนการปล่อยผลิตภัณฑ์มาตรฐาน
ตัวอย่าง:
- Deon - รายการตรวจสอบจริยธรรมข้อมูลทั่วไปที่สร้างขึ้นจาก คำแนะนำในอุตสาหกรรม พร้อมเครื่องมือบรรทัดคำสั่งสำหรับการผสานรวมที่ง่ายดาย
- Privacy Audit Checklist - ให้คำแนะนำทั่วไปสำหรับแนวปฏิบัติในการจัดการข้อมูลจากมุมมองทางกฎหมายและสังคม
- AI Fairness Checklist - สร้างโดยผู้ปฏิบัติงานด้าน AI เพื่อสนับสนุนการนำการตรวจสอบความเป็นธรรมไปใช้ในวงจรการพัฒนา AI
- 22 questions for ethics in data and AI - กรอบงานที่เปิดกว้างมากขึ้น โครงสร้างสำหรับการสำรวจเบื้องต้นเกี่ยวกับปัญหาด้านจริยธรรมในด้านการออกแบบ การดำเนินการ และบริบทขององค์กร
3. กฎระเบียบด้านจริยธรรม
จริยธรรมเกี่ยวกับการกำหนดค่านิยมร่วมกันและการทำสิ่งที่ถูกต้อง โดยสมัครใจ การปฏิบัติตาม เกี่ยวกับ การปฏิบัติตามกฎหมาย หากมีการกำหนดไว้ การกำกับดูแล ครอบคลุมวิธีการทั้งหมดที่องค์กรดำเนินการเพื่อบังคับใช้หลักการด้านจริยธรรมและปฏิบัติตามกฎหมายที่กำหนดไว้
ปัจจุบัน การกำกับดูแลมีสองรูปแบบในองค์กร ประการแรกคือการกำหนดหลักการ AI ด้านจริยธรรม และสร้างแนวปฏิบัติเพื่อทำให้การนำไปใช้เป็นระบบในทุกโครงการที่เกี่ยวข้องกับ AI ในองค์กร ประการที่สองคือการปฏิบัติตาม กฎระเบียบการคุ้มครองข้อมูล ที่รัฐบาลกำหนดสำหรับภูมิภาคที่องค์กรดำเนินการอยู่
ตัวอย่างกฎระเบียบการคุ้มครองข้อมูลและความเป็นส่วนตัว:
1974, US Privacy Act - ควบคุมการรวบรวม การใช้ และการเปิดเผยข้อมูลส่วนบุคคลของ รัฐบาลกลาง1996, US Health Insurance Portability & Accountability Act (HIPAA) - ปกป้องข้อมูลสุขภาพส่วนบุคคล1998, US Children's Online Privacy Protection Act (COPPA) - ปกป้องความเป็นส่วนตัวของข้อมูลเด็กอายุต่ำกว่า 13 ปี2018, General Data Protection Regulation (GDPR) - ให้สิทธิผู้ใช้ การคุ้มครองข้อมูล และความเป็นส่วนตัว2018, California Consumer Privacy Act (CCPA) - ให้สิทธิผู้บริโภคมากขึ้นเกี่ยวกับข้อมูล (ส่วนบุคคล) ของพวกเขา2021, กฎหมายคุ้มครองข้อมูลส่วนบุคคลของจีน เพิ่งผ่าน ซึ่งเป็นหนึ่งในกฎระเบียบความเป็นส่วนตัวออนไลน์ที่เข้มงวดที่สุดในโลก
🚨 สหภาพยุโรปกำหนด GDPR (General Data Protection Regulation) ซึ่งยังคงเป็นหนึ่งในกฎระเบียบความเป็นส่วนตัวของข้อมูลที่มีอิทธิพลมากที่สุดในปัจจุบัน คุณทราบหรือไม่ว่ามันยังกำหนด 8 สิทธิของผู้ใช้ เพื่อปกป้องความเป็นส่วนตัวทางดิจิทัลและข้อมูลส่วนบุคคลของพลเมือง? เรียนรู้เกี่ยวกับสิ่งเหล่านี้และเหตุผลที่สำคัญ
4. วัฒนธรรมด้านจริยธรรม
โปรดทราบว่ายังคงมีช่องว่างที่จับต้องไม่ได้ระหว่าง การปฏิบัติตาม (การทำให้เพียงพอเพื่อให้เป็นไปตาม "ตัวอักษรของกฎหมาย") และการแก้ไข ปัญหาระบบ (เช่น การแข็งตัวของระบบ ความไม่สมดุลของข้อมูล และความไม่เป็นธรรมในการกระจาย) ที่สามารถเร่งการใช้งาน AI ในทางที่ผิด
สิ่งหลังนี้
- หลักการของ AI ที่มีความรับผิดชอบ - เส้นทางการเรียนรู้ฟรีจาก Microsoft Learn
- จริยธรรมและวิทยาศาสตร์ข้อมูล - หนังสืออิเล็กทรอนิกส์จาก O'Reilly (M. Loukides, H. Mason และคณะ)
- จริยธรรมในวิทยาศาสตร์ข้อมูล - คอร์สออนไลน์จากมหาวิทยาลัยมิชิแกน
- Ethics Unwrapped - กรณีศึกษาจากมหาวิทยาลัยเท็กซัส
งานที่ได้รับมอบหมาย
เขียนกรณีศึกษาด้านจริยธรรมข้อมูล
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้