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

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "1341f6da63d434f5ba31b08ea951b02c",
  "translation_date": "2025-09-05T17:57:44+00:00",
  "source_file": "1-Introduction/02-ethics/README.md",
  "language_code": "cs"
}
-->
# Úvod do datové etiky

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

---

Jsme všichni občané datového světa, žijící v době, kdy data hrají klíčovou roli.

Tržní trendy naznačují, že do roku 2022 bude 1 z 3 velkých organizací nakupovat a prodávat svá data prostřednictvím online [tržišť a burz](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Jako **vývojáři aplikací** zjistíme, že je jednodušší a levnější integrovat poznatky založené na datech a automatizaci řízenou algoritmy do každodenních uživatelských zkušeností. Ale jak se AI stává všudypřítomnou, budeme také muset pochopit potenciální škody způsobené [zneužitím](https://www.youtube.com/watch?v=TQHs8SA1qpk) těchto algoritmů ve velkém měřítku.

Trendy také ukazují, že do roku 2025 vytvoříme a spotřebujeme přes [180 zettabytů](https://www.statista.com/statistics/871513/worldwide-data-created/) dat. Jako **datoví vědci** získáme bezprecedentní přístup k osobním údajům. To nám umožní vytvářet behaviorální profily uživatelů a ovlivňovat rozhodování způsoby, které mohou vytvářet [iluzi svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), zatímco potenciálně směřujeme uživatele k výsledkům, které preferujeme. To také vyvolává širší otázky týkající se ochrany soukromí a práv uživatelů.

Datová etika je nyní _nezbytným ochranným opatřením_ pro datovou vědu a inženýrství, které nám pomáhá minimalizovat potenciální škody a nechtěné důsledky našich akcí založených na datech. [Gartnerův Hype Cycle pro AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuje relevantní trendy v digitální etice, odpovědné AI a správě AI jako klíčové faktory pro větší megatrendy kolem _demokratizace_ a _industrializace_ AI.

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

V této lekci prozkoumáme fascinující oblast datové etiky - od základních konceptů a výzev, přes případové studie až po aplikované koncepty AI, jako je správa, které pomáhají vytvářet kulturu etiky v týmech a organizacích pracujících s daty a AI.

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

## Základní definice

Začněme pochopením základní terminologie.

Slovo "etika" pochází z [řeckého slova "ethikos"](https://en.wikipedia.org/wiki/Ethics) (a jeho kořene "ethos"), což znamená _charakter nebo morální povaha_.

**Etika** se týká sdílených hodnot a morálních principů, které řídí naše chování ve společnosti. Etika není založena na zákonech, ale na široce přijímaných normách toho, co je "správné vs. špatné". Etické úvahy však mohou ovlivnit iniciativy korporátní správy a vládní regulace, které vytvářejí více pobídek k dodržování pravidel.

**Datová etika** je [nová odnož etiky](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), která "studuje a hodnotí morální problémy související s _daty, algoritmy a odpovídajícími praktikami_". Zde se **"data"** zaměřují na akce spojené s generováním, zaznamenáváním, kurátorstvím, zpracováním, šířením, sdílením a používáním, **"algoritmy"** se zaměřují na AI, agenty, strojové učení a roboty a **"praktiky"** se zaměřují na témata jako odpovědné inovace, programování, hacking a etické kodexy.

**Aplikovaná etika** je [praktická aplikace morálních úvah](https://en.wikipedia.org/wiki/Applied_ethics). Je to proces aktivního zkoumání etických otázek v kontextu _reálných akcí, produktů a procesů_ a přijímání nápravných opatření, aby zůstaly v souladu s našimi definovanými etickými hodnotami.

**Kultura etiky** se týká [_operacionalizace_ aplikované etiky](https://hbr.org/2019/05/how-to-design-an-ethical-organization), aby bylo zajištěno, že naše etické principy a praktiky jsou přijímány konzistentním a škálovatelným způsobem napříč celou organizací. Úspěšné kultury etiky definují etické principy na úrovni celé organizace, poskytují smysluplné pobídky k dodržování pravidel a posilují normy etiky podporou a zesilováním žádoucího chování na každé úrovni organizace.

## Koncepty etiky

V této části budeme diskutovat koncepty jako **sdílené hodnoty** (principy) a **etické výzvy** (problémy) v oblasti datové etiky - a prozkoumáme **případové studie**, které vám pomohou pochopit tyto koncepty v reálných kontextech.

### 1. Principy etiky

Každá strategie datové etiky začíná definováním _etických principů_ - "sdílených hodnot", které popisují přijatelné chování a řídí dodržování pravidel v našich projektech zaměřených na data a AI. Tyto principy můžete definovat na individuální nebo týmové úrovni. Nicméně většina velkých organizací je uvádí v _etickém AI_ prohlášení nebo rámci, který je definován na korporátní úrovni a důsledně prosazován napříč všemi týmy.

**Příklad:** Microsoftovo [odpovědné AI](https://www.microsoft.com/en-us/ai/responsible-ai) prohlášení zní: _"Jsme odhodláni k rozvoji AI řízené etickými principy, které staví lidi na první místo"_ - identifikující 6 etických principů v níže uvedeném rámci:

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

Pojďme si stručně prozkoumat tyto principy. _Transparentnost_ a _odpovědnost_ jsou základní hodnoty, na kterých jsou postaveny ostatní principy - začněme tedy zde:

* [**Odpovědnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) činí praktiky _odpovědnými_ za jejich operace s daty a AI a za dodržování těchto etických principů.
* [**Transparentnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zajišťuje, že akce s daty a AI jsou _srozumitelné_ (interpretovatelné) pro uživatele, vysvětlující co a proč za rozhodnutími.
* [**Spravedlnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - zaměřuje se na zajištění, že AI zachází _se všemi lidmi_ spravedlivě, řešící jakékoli systémové nebo implicitní socio-technické předsudky v datech a systémech.
* [**Spolehlivost a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - zajišťuje, že AI se chová _konzistentně_ s definovanými hodnotami, minimalizuje potenciální škody nebo nechtěné důsledky.
* [**Soukromí a bezpečnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se týká pochopení původu dat a poskytování _ochrany soukromí a souvisejících práv_ uživatelům.
* [**Inkluzivita**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se týká navrhování AI řešení s úmyslem, přizpůsobení je tak, aby splňovala _širokou škálu lidských potřeb_ a schopností.

> 🚨 Zamyslete se nad tím, jaké by mohlo být vaše prohlášení o datové etice. Prozkoumejte etické AI rámce jiných organizací - zde jsou příklady 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/). Jaké sdílené hodnoty mají společné? Jak se tyto principy vztahují k AI produktům nebo odvětví, ve kterém působí?

### 2. Výzvy etiky

Jakmile máme definované etické principy, dalším krokem je zhodnotit naše akce v oblasti dat a AI, zda jsou v souladu s těmito sdílenými hodnotami. Zamyslete se nad svými akcemi ve dvou kategoriích: _sběr dat_ a _návrh algoritmů_.

Při sběru dat budou akce pravděpodobně zahrnovat **osobní údaje** nebo osobně identifikovatelné informace (PII) pro identifikovatelné živé jednotlivce. To zahrnuje [různé položky neosobních dat](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), které _společně_ identifikují jednotlivce. Etické výzvy se mohou týkat _ochrany soukromí_, _vlastnictví dat_ a souvisejících témat, jako je _informovaný souhlas_ a _práva duševního vlastnictví_ uživatelů.

Při návrhu algoritmů budou akce zahrnovat sběr a kurátorství **datových sad**, poté jejich použití k trénování a nasazení **datových modelů**, které předpovídají výsledky nebo automatizují rozhodování v reálných kontextech. Etické výzvy mohou vzniknout z _předsudků v datových sadách_, _problémů s kvalitou dat_, _nespravedlnosti_ a _zkreslení_ v algoritmech - včetně některých problémů, které jsou systémové povahy.

V obou případech etické výzvy zdůrazňují oblasti, kde naše akce mohou být v konfliktu s našimi sdílenými hodnotami. Abychom tyto obavy detekovali, zmírnili, minimalizovali nebo eliminovali, musíme si klást morální otázky typu "ano/ne" týkající se našich akcí a poté přijmout nápravná opatření podle potřeby. Podívejme se na některé etické výzvy a morální otázky, které vyvolávají:

#### 2.1 Vlastnictví dat

Sběr dat často zahrnuje osobní údaje, které mohou identifikovat subjekty dat. [Vlastnictví dat](https://permission.io/blog/data-ownership) se týká _kontroly_ a [_práv uživatelů_](https://permission.io/blog/data-ownership) souvisejících s vytvářením, zpracováním a šířením dat.

Morální otázky, které je třeba si položit:
 * Kdo vlastní data? (uživatel nebo organizace)
 * Jaká práva mají subjekty dat? (např. přístup, vymazání, přenositelnost)
 * Jaká práva mají organizace? (např. oprava škodlivých uživatelských recenzí)

#### 2.2 Informovaný souhlas

[Informovaný souhlas](https://legaldictionary.net/informed-consent/) definuje akt, kdy uživatelé souhlasí s akcí (např. sběrem dat) s _plným pochopením_ relevantních faktů, včetně účelu, potenciálních rizik a alternativ.

Otázky k prozkoumání:
 * Dal uživatel (subjekt dat) povolení ke sběru a použití dat?
 * Rozuměl uživatel účelu, pro který byla data sbírána?
 * Rozuměl uživatel potenciálním rizikům spojeným s jeho účastí?

#### 2.3 Duševní vlastnictví

[Duševní vlastnictví](https://en.wikipedia.org/wiki/Intellectual_property) se týká nehmotných výtvorů vzniklých z lidské iniciativy, které mohou mít _ekonomickou hodnotu_ pro jednotlivce nebo firmy.

Otázky k prozkoumání:
 * Měla shromážděná data ekonomickou hodnotu pro uživatele nebo firmu?
 * Má **uživatel** zde duševní vlastnictví?
 * Má **organizace** zde duševní vlastnictví?
 * Pokud tato práva existují, jak je chráníme?

#### 2.4 Ochrana soukromí

[Ochrana soukromí](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) nebo informační soukromí se týká zachování soukromí uživatelů a ochrany jejich identity ve vztahu k osobně identifikovatelným informacím.

Otázky k prozkoumání:
 * Jsou osobní data uživatelů zabezpečena proti hackům a únikům?
 * Jsou data uživatelů přístupná pouze autorizovaným uživatelům a kontextům?
 * Je anonymita uživatelů zachována při sdílení nebo šíření dat?
 * Může být uživatel de-identifikován z anonymizovaných datových sad?

#### 2.5 Právo být zapomenut

[Právo být zapomenut](https://en.wikipedia.org/wiki/Right_to_be_forgotten) nebo [Právo na vymazání](https://www.gdpreu.org/right-to-be-forgotten/) poskytuje uživatelům dodatečnou ochranu osobních údajů. Konkrétně dává uživatelům právo požadovat smazání nebo odstranění osobních údajů z internetových vyhledávání a jiných míst, _za specifických okolností_ - umožňující jim nový začátek online bez toho, aby byly jejich minulé akce proti nim použity.

Otázky k prozkoumání:
 * Umožňuje systém subjektům dat požadovat vymazání?
 * Měl by odvolání souhlasu uživatele automaticky spustit vymazání?
 * Byla data sbírána bez souhlasu nebo nezákonnými prostředky?
 * Jsme v souladu s vládními regulacemi pro ochranu soukromí dat?

#### 2.6 Předsudky v datových sadách

Předsudky v datových sadách nebo [předsudky při sběru dat](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) se týkají výběru _nereprezentativního_ podmnožiny dat pro vývoj algoritmů, což může vytvářet potenciální nespravedlnost ve výsledcích pro různé skupiny. Typy předsudků zahrnují výběrové nebo vzorkovací předsudky, dobrovolnické předsudky a předsudky nástrojů.

Otázky k prozkoumání:
 * Rekrutovali jsme reprezentativní soubor subjektů dat?
 * Testovali jsme naši shromážděnou nebo kurátorovanou datovou sadu na různé předsudky?
 * Můžeme zmírnit nebo odstranit jakékoli objevené předsudky?

#### 2.7 Kvalita dat

[Kvalita dat](https://lakefs.io/data-quality-testing/) se zaměřuje na validitu kurátorované datové sady použité k vývoji našich algoritmů, kontroluje, zda funkce a záznamy splňují požadavky na úroveň přesnosti a konzistence potřebnou pro náš AI účel.

Otázky k prozkoumání:
 * Zachytili jsme platné _funkce_ pro ná
[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) zkoumá, zda návrh algoritmu systematicky nediskriminuje specifické podskupiny subjektů, což může vést k [potenciálním škodám](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) v _alokaci_ (kdy jsou zdroje odepřeny nebo zadrženy této skupině) a _kvalitě služeb_ (kdy AI není tak přesná pro některé podskupiny jako pro jiné).

Otázky k zamyšlení:
 * Vyhodnotili jsme přesnost modelu pro různé podskupiny a podmínky?
 * Prozkoumali jsme systém kvůli potenciálním škodám (např. stereotypizaci)?
 * Můžeme upravit data nebo znovu natrénovat modely, abychom zmírnili identifikované škody?

Prozkoumejte zdroje jako [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), abyste se dozvěděli více.

#### 2.9 Zkreslení dat

[Zkreslení dat](https://www.sciencedirect.com/topics/computer-science/misrepresentation) se týká otázky, zda komunikujeme poznatky z poctivě hlášených dat klamavým způsobem, abychom podpořili požadovaný narativ.

Otázky k zamyšlení:
 * Hlásíme neúplná nebo nepřesná data?
 * Vizualizujeme data způsobem, který vede k zavádějícím závěrům?
 * Používáme selektivní statistické techniky k manipulaci s výsledky?
 * Existují alternativní vysvětlení, která mohou nabídnout jiný závěr?

#### 2.10 Svobodná volba
[Iluze svobodné volby](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) nastává, když "architektury volby" systému používají algoritmy rozhodování k ovlivnění lidí, aby přijali preferovaný výsledek, zatímco jim zdánlivě dávají možnosti a kontrolu. Tyto [temné vzorce](https://www.darkpatterns.org/) mohou způsobit sociální a ekonomické škody uživatelům. Protože rozhodnutí uživatelů ovlivňují profily chování, tyto akce mohou potenciálně řídit budoucí volby, které mohou zesílit nebo rozšířit dopad těchto škod.

Otázky k zamyšlení:
 * Rozuměl uživatel důsledkům svého rozhodnutí?
 * Byl uživatel informován o (alternativních) možnostech a jejich výhodách a nevýhodách?
 * Může uživatel později zvrátit automatizované nebo ovlivněné rozhodnutí?

### 3. Případové studie

Abychom tyto etické výzvy zasadili do reálného kontextu, je užitečné podívat se na případové studie, které zdůrazňují potenciální škody a důsledky pro jednotlivce a společnost, pokud jsou etické problémy přehlíženy.

Zde je několik příkladů:

| Etická výzva | Případová studie  | 
|--- |--- |
| **Informovaný souhlas** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroameričtí muži, kteří se účastnili studie, byli slibováni bezplatnou lékařskou péči, _ale byli podvedeni_ výzkumníky, kteří jim neřekli o jejich diagnóze nebo dostupnosti léčby. Mnoho subjektů zemřelo a jejich partneři či děti byli ovlivněni; studie trvala 40 let. | 
| **Ochrana dat** |  2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) poskytla výzkumníkům _10M anonymizovaných hodnocení filmů od 50K zákazníků_, aby pomohla zlepšit doporučovací algoritmy. Výzkumníci však byli schopni propojit anonymizovaná data s osobně identifikovatelnými daty v _externích datových sadách_ (např. komentáře na IMDb), čímž efektivně "de-anonymizovali" některé předplatitele Netflixu.|
| **Sběr dat s předsudky**  | 2013 - Město Boston [vyvinulo Street Bump](https://www.boston.gov/transportation/street-bump), aplikaci, která umožnila občanům hlásit výmoly, čímž město získalo lepší údaje o silnicích pro identifikaci a opravu problémů. Nicméně [lidé z nižších příjmových skupin měli menší přístup k autům a telefonům](https://hbr.org/2013/04/the-hidden-biases-in-big-data), což činilo jejich problémy na silnicích neviditelnými v této aplikaci. Vývojáři spolupracovali s akademiky na _problémech spravedlivého přístupu a digitálních rozdílů_. |
| **Spravedlnost algoritmů**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) hodnotila přesnost AI produktů pro klasifikaci pohlaví, odhalila mezery v přesnosti pro ženy a osoby jiné barvy pleti. [Apple Card z roku 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) se zdála nabízet méně úvěru ženám než mužům. Oba případy ilustrují problémy s předsudky v algoritmech vedoucí k socio-ekonomickým škodám.|
| **Zkreslení dat** | 2020 - [Georgia Department of Public Health zveřejnila COVID-19 grafy](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), které se zdály zavádět občany ohledně trendů potvrzených případů s nechronologickým uspořádáním na ose x. To ilustruje zkreslení prostřednictvím vizualizačních triků. |
| **Iluze svobodné volby** | 2020 - Výuková aplikace [ABCmouse zaplatila $10M za urovnání stížnosti FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kde rodiče byli uvězněni v platbě za předplatné, které nemohli zrušit. To ilustruje temné vzorce v architekturách volby, kde byli uživatelé ovlivněni k potenciálně škodlivým rozhodnutím. |
| **Ochrana dat a práva uživatelů** | 2021 - Facebook [Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) odhalil data 530M uživatelů, což vedlo k urovnání $5B s FTC. Nicméně odmítl informovat uživatele o úniku dat, čímž porušil práva uživatelů na transparentnost a přístup k datům. |

Chcete prozkoumat více případových studií? Podívejte se na tyto zdroje:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etické dilemata napříč různými odvětvími. 
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - přehled klíčových případových studií.
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon checklist s příklady.


> 🚨 Zamyslete se nad případovými studiemi, které jste viděli - zažili jste nebo byli ovlivněni podobnou etickou výzvou ve svém životě? Dokážete si vybavit alespoň jednu další případovou studii, která ilustruje jednu z etických výzev, o kterých jsme diskutovali v této sekci?

## Aplikovaná etika

Diskutovali jsme o etických konceptech, výzvách a případových studiích v reálném kontextu. Ale jak začít _aplikovat_ etické principy a praktiky ve svých projektech? A jak _zavést_ tyto praktiky pro lepší řízení? Pojďme prozkoumat některá reálná řešení: 

### 1. Profesní kodexy

Profesní kodexy nabízejí jednu možnost, jak organizace mohou "motivovat" členy k podpoře svých etických principů a poslání. Kodexy jsou _morálními pokyny_ pro profesní chování, které pomáhají zaměstnancům nebo členům činit rozhodnutí v souladu s principy organizace. Jsou však účinné pouze tehdy, pokud členové dobrovolně dodržují pravidla; mnoho organizací však nabízí další odměny a sankce, aby motivovaly členy k dodržování pravidel.

Příklady zahrnují:

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

> 🚨 Jste členem profesní organizace pro inženýry nebo datové vědce? Prozkoumejte jejich webové stránky a zjistěte, zda definují profesní kodex etiky. Co říká o jejich etických principech? Jak motivují členy k dodržování kodexu?

### 2. Etické kontrolní seznamy

Zatímco profesní kodexy definují požadované _etické chování_ od praktikujících, mají [známá omezení](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) v prosazování, zejména u rozsáhlých projektů. Místo toho mnoho odborníků na datovou vědu [doporučuje kontrolní seznamy](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), které mohou **propojit principy s praxí** deterministickým a akceschopným způsobem.

Kontrolní seznamy převádějí otázky na úkoly "ano/ne", které lze operacionalizovat, což umožňuje jejich sledování jako součást standardních pracovních postupů při vydávání produktů.

Příklady zahrnují:
 * [Deon](https://deon.drivendata.org/) - obecný kontrolní seznam datové etiky vytvořený na základě [doporučení z průmyslu](https://deon.drivendata.org/#checklist-citations) s nástrojem příkazového řádku pro snadnou integraci.
 * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - poskytuje obecné pokyny pro nakládání s informacemi z právního a sociálního hlediska.
 * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - vytvořený odborníky na AI na podporu přijetí a integrace kontrol spravedlnosti do vývojových cyklů AI.
 * [22 otázek pro etiku v datech a AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otevřenější rámec, strukturovaný pro počáteční zkoumání etických problémů v návrhu, implementaci a organizačních kontextech.

### 3. Etické regulace

Etika je o definování sdílených hodnot a dobrovolném dělání správných věcí. **Dodržování předpisů** je o _dodržování zákona_, pokud je definován. **Řízení** obecně pokrývá všechny způsoby, jakými organizace fungují, aby prosazovaly etické principy a dodržovaly stanovené zákony.

Dnes řízení probíhá ve dvou formách v rámci organizací. Za prvé, jde o definování principů **etické AI** a zavedení praktik pro operacionalizaci přijetí napříč všemi projekty souvisejícími s AI v organizaci. Za druhé, jde o dodržování všech vládou stanovených **regulací ochrany dat** pro regiony, ve kterých organizace působí.

Příklady regulací ochrany dat a soukromí:

 * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - reguluje _federální vládní_ sběr, použití a zveřejnění osobních informací.
 * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - chrání osobní zdravotní 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) - chrání soukromí dat dětí mladších 13 let.
 * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - poskytuje práva uživatelů, ochranu dat a soukromí.
 * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) dává spotřebitelům více _práv_ nad jejich (osobními) daty.
 * `2021`, Čína [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) právě schválila, čímž vytvořila jednu z nejsilnějších regulací online ochrany dat na světě.

> 🚨 Evropská unie definovala GDPR (General Data Protection Regulation), který zůstává jednou z nejvlivnějších regulací ochrany dat dnes. Věděli jste, že také definuje [8 práv uživatelů](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) na ochranu digitálního soukromí a osobních dat občanů? Zjistěte, co to jsou a proč jsou důležitá.

### 4. Etická kultura

Poznamenejte, že stále existuje nehmotná mezera mezi _dodržováním předpisů_ (děláním dostatečného pro splnění "litery zákona") a řešením [systémových problémů](https://www.coursera.org/learn/data-science-ethics/home/week/4) (jako je zkostnatělost, informační asymetrie a distribuční nespravedlnost), které mohou urychlit zneužití AI.

To druhé vyžaduje [spolupráci na definování etických kultur](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), které budují emocionální spojení a konzistentní sdílené hodnoty _napříč organizacemi_ v průmyslu. To volá po více [formalizovaných kulturách datové etiky](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizacích - umožňující _komukoliv_ [zatáhnout za Andon šňůru](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (aby včas upozornil na etické problémy) a učinit _etické hodnocení_ (např. při náboru) klíčovým kritériem pro formování týmů v AI projektech.

---
## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
## Přehled a samostudium 

Kurzy a knihy pomáhají pochopit základní etické koncepty a výzvy, zatímco případové studie a nástroje pomáhají s aplikovanými etickými praktikami v reálném kontextu. Zde je několik zdrojů, kde začít.

* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekce o spravedlnosti od Microsoftu.
* [Principy odpovědné AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - bezplatná vzdělávací cesta od Microsoft Learn.
* [Etika a datová věda](https://resources.oreilly.com/examples/0636920203964) - EBook od O'Reilly (M. Loukides, H. Mason a kol.)
* [Etika datové vědy](https://www.coursera.org/learn/data-science-ethics#syllabus) - online kurz od University of Michigan.
* [Etika v praxi](https://ethicsunwrapped.utexas.edu/case-studies) - případové studie od University of Texas.

# Zadání

[Vypracujte případovou studii o etice dat](assignment.md)

---

**Prohlášení**:  
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.