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

ការណែនាំអំពី គោរពទិន្នន័យ

គោរពទិន្នន័យវិទ្យា - Sketchnote ដោយ @nitya

---

យើងទាំងអស់គ្នាគឺជាពលរដ្ឋទិន្នន័យនៅក្នុងពិភពដែលត្រូវបានរាប់បញ្ចូលទិន្នន័យ។

និន្នាការទីផ្សារប្រាប់យើងថា ដល់ឆ្នាំ ២០២២ ក្រុមហ៊ុនធំទូលាយ ១ ក្នុង ៣ នឹងទិញ និងលក់ទិន្នន័យរបស់ពួកគេតាមរយៈ ទីផ្សារនិងប្ដូរ លើអ៊ីនធឺណិត។ ជា អ្នកអភិវឌ្ឍកម្មវិធី យើងនឹងឃើញថា វាងាយស្រួល និងថ្លៃថោកសម្រាប់រួមបញ្ចូលចំណេះដឹងផ្អែកលើទិន្នន័យ និងអូតូម៉ាទ័រដោយគណិតវិទ្យាទៅក្នុងបទពិសោធន៍ប្រើប្រាស់ប្រចាំថ្ងៃ។ ប៉ុន្តែពេល AI កាន់តែពេញនិយម យើងក៏ត្រូវតែយល់ដឹងអំពីគ្រោះថ្នាក់ដែលអាចបាត់បង់ដោយ ការប្រើប្រាស់ជាឧបករណ៍សង្គ្រាម នៃគណិតវិទ្យាប្រភេទនេះនៅជំហានធំ។

និន្នាការបង្ហាញថា ដល់ឆ្នាំ ២០២៥ យើងនឹងបង្កើត និងប្រើប្រាស់លើស 180 zettabytes នៃទិន្នន័យ។ សម្រាប់ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ ការរីករាលដាលនៃព័ត៌មាននេះផ្តល់នូវឱកាសពិសេសសម្រាប់ទទួលបានទិន្នន័យផ្ទាល់ខ្លួន និងទិន្នន័យអាកប្បកិច្ច។ ជាមួយនឹងនេះ ក៏មានអំណាចក្នុងការបង្កើតប្រវត្តិរូបអ្នកប្រើប្រាស់លម្អិត និងលើកឡើងដោយស្និទស្នាលការប្រកាន់ខ្ជាប់ក្នុងការសម្រេចចិត្ត - ជាច្រើនតាមបែបដែលបង្កើត រូបមន្ត​ពី​ការ​ជ្រើសរើសដោយឥតគិតថ្លៃ ។ ខណៈពេលនេះវាអាចប្រើប្រាស់ក្នុងការជំរុញអ្នកប្រើទិសទៅលទ្ធផលដែលចូលចិត្ត វាក៏បង្កឡើងសំណួរសំខាន់ៗអំពីភាពឯកជនក្នុងទិន្នន័យ, អេសូស៊ីតា និងស្ថានភាពគោលការណ៍នៃការប៉ះពាល់គណិតវិទ្យា។

គោរពទិន្នន័យឥឡូវនេះគឺជា ការការពារតម្រូវការរបស់វិទ្យាសាស្រ្តទិន្នន័យ និងវិស្វកម្ម ដែលជួយយើងកាត់បន្ថយគ្រោះថ្នាក់ និងផលប៉ះពាល់ច្របល់ពីសកម្មភាពផ្អែកលើទិន្នន័យ។ Gartner Hype Cycle សម្រាប់ AI បានកំណត់និន្នាការពាក់ព័ន្ធនៅក្នុងគោលការណ៍ឌីជីថល, AI មានទំនួលខុសត្រូវ ហើយការគ្រប់គ្រង AI ជាជើងខ្លួនសំខាន់សម្រាប់និន្នាការធំៗជុំវិញ ការប្រជាធិបតេយ្យ និង ឧស្សាហកម្មកម្រិត របស់ AI។

ក្នុងមេរៀននេះ យើងនឹងស្វែងយល់អំពីដែនកម្រិតគោរពទិន្នន័យដ៏គួរឱ្យចាប់អារម្មណ៍ - ចាប់ពីគោលការណ៍មូលដ្ឋាន និងបញ្ហា ជាមួយនឹងករណីសិក្សា និងគោលការណ៍ AI អនុវត្តដូចជា ការគ្រប់គ្រង - ដែលជួយបង្កើតវប្បធម៌គោរពនៅក្នុងក្រុម និងអង្គការដែលធ្វើការជាមួយទិន្នន័យ និង AI។

ប្រលងមុនថ្នាក់ 🎯

សេចក្ដីនិយមន័យមូលដ្ឋាន

យើងចាប់ផ្តើមដោយយល់ពីពាក្យបរិយាយមូលដ្ឋាន។

ពាក្យ "ethics" ដើមពី ពាក្យហ្គ្រេក "ethikos" (និងឫសរបស់វា "ethos") មានន័យថា អកប្បិរិយា ឬធម្មជាតិគុណធម៌។

គោរពធម៌ គឺជាអំពីតម្លៃរួម និងគោលការណ៍គុណធម៌ដែលគ្រប់គ្រងឥរិយាបថរបស់យើងនៅសង្គម។ គោរពធម៌មិនមែនផ្អែកលើច្បាប់ទេ ប៉ុន្តែផ្អែកលើស្តង់ដារដែលទទួលយកយ៉ាងទូលំទូលាយនៃអ្វីដែល "ត្រឹមត្រូវ ប្រៀបនឹង មិនត្រឹមត្រូវ"។ ទោះយ៉ាងណា ការពិចារណាអំពីគោរពធម៌អាចឥទ្ធិពលដល់ជំនួយការគ្រប់គ្រងក្រុមហ៊ុន និងបទបញ្ញត្តរដ្ឋាភិបាលដែលបង្កើតកម្រាស់លើការអនុវត្ត។

គោរពទិន្នន័យ គឺជា សាខាថ្មីនៃគោរពធម៌ ដែល "សិក្សា និងវាយតម្លៃបញ្ហាគុណធម៌ដែលពាក់ព័ន្ធនឹង ទិន្នន័យ គណិតវិទ្យា និងអនុវត្តន៍ដែលពាក់ព័ន្ធ"។ នៅទីនេះ "ទិន្នន័យ" ផ្ដោតកន្លែងលើសកម្មភាពដែលពាក់ព័ន្ធនឹងការបង្កើត ការថត ការថែទាំ ការប្រើប្រាស់ ការចែកចាយ ការចែករំលែក និងការប្រើប្រាស់, "គណិតវិទ្យា" ផ្ដោតលើ AI, អ្នកតំណាង, ការរៀងរាប់ដោយម៉ាស៊ីន និងរ៉ូបូត, អំឡុងដែល "អនុវត្តន៍" ផ្ដោតលើប្រធានបទដូចជា នវានុវត្តមានទទួលខុសត្រូវ ការសរសេរកូដ ការខhack ដៃ និងកូដគោរពធម៌។

គោរពអនុវត្ត គឺជាការអនុវត្ត អាកប្បកិរិយាទាំងឡាយ នៅក្នុងការសិក្សាបញ្ហាគុណធម៌នៅក្នុងបរិបទសកម្មភាព ពិតប្រាកដ និងផលិតផល ឬដំណើរការ និងយកវិធានការកែសម្រួលដើម្បីធ្វើឲ្យប្រាកដថា ការអនុវត្តទាំងនោះស្មើទៅតម្លៃគោរពធម៌ដែលបានកំណត់របស់យើង។

វប្បធម៌គោរព គឺជាការអំពាវនាវអំពី ការផ្លាស់ប្តូរផ្នែកអនុវត្តគោរពធម៌ ដើម្បីធ្វើឲ្យប្រាកដថា គោលការណ៍ និងអនុវត្តសីលធម៌របស់យើងត្រូវបានទទួលយកយ៉ាងសំខាន់ និងអាចពង្រីកតាមវិធីសាស្រ្តទៅទាំងអង្គការជាទូទៅ។ វប្បធម៌គោរពដែលជោគជ័យ និយមន័យជាច្បាប់គោរពធម៌សារពាណិជ្ជកម្ម ទប់ស្កាត់ជំរុញសម្រួលបំពេញតាម និងលើកទឹកចិត្តយីហោដោយលើកទឹកចិត្ត និងពង្រីកឥរិយាបថចំបងក្នុងកម្រិតទាំងមូលនៃអង្គការ។

គោលការណ៍គោរពធម៌

ក្នុងផ្នែកនេះ យើងនឹងពិភាក្សាអំពីគោលការណ៍ដូចជា តម្លៃរួម (គោលការណ៍) និង បញ្ហាគោរពធម៌ (បញ្ហា) សម្រាប់គោរពទិន្នន័យ - ហើយស្វែងយល់ពី ករណីសិក្សា ដែលជួយឱ្យអ្នកយល់ពីគោលការណ៍ទាំងនេះនៅក្នុងបរិបទជាក់ស្តែង។

១. គោលការណ៍គោរពធម៌

យុទ្ធសាស្រ្តគោរពទិន្នន័យទាំងអស់ចាប់ផ្តើមពីការកំណត់ គោលការណ៍ថែរក្សា - "តម្លៃរួម" ដែលពិពណ៌នាឥរិយាបថដែលអាចទទួលយកបាន និងណែនាំសកម្មភាពដែលគោរពបាន នៅក្នុងគម្រោងទិន្នន័យ និង AI របស់យើង។ អ្នកអាចកំណត់ទាំងនេះនៅកម្រិតផ្ទាល់ខ្លួនឬក្រុម។ ទោះយ៉ាងណា អង្គការធំជាងស្បៀងភាគច្រើននិយមដាក់ជាលេខាច្បាប់យុទ្ធសាស្រ្តនៅកម្រិតសហគ្រាសដែលគោរពគ្រប់ក្រុមជាប់តាមប្រក្រតី។

ឧទាហរណ៍៖ ពាក្យបេសកកម្ម Responsible AI របស់ Microsoft អានថា "យើងខិតខំដើម្បីបង្កើតអាយអាយដោយគោរពតាមគោលការណ៍ដែលដាក់មនុស្សជាកំពូល" - ដែលកំណត់គោលការណ៍សីលធម៌ ៦ សម្រាប់ស៊ុមខាងក្រោម៖

យើងសកម្មស្វែងយល់ពីគោលការណ៍ទាំងនេះជាថ្មីម្តង។ ភាពបើកចំហ និង ការទទួលខុសត្រូវ គឺជាតម្លៃមូលដ្ឋាន ដែលគោលការណ៍ផ្សេងទៀតអាចសង់លើវា - ដូច្នេះយើងចាប់ផ្តើមនៅទីនេះ៖

• ការទទួលខុសត្រូវ ធ្វើឲ្យអ្នកអនុវត្ត ទទួលខុសត្រូវ ចំពោះសកម្មភាពទិន្នន័យ & AI របស់ពួកគេ និងការអនុវត្តគោលការណ៍សីលធម៌ទាំងនេះ។
• ភាពបើកចំហ ប្រាកដថាសកម្មភាពទិន្នន័យ និង AI គឺ អាចយល់បាន (អាចពន្យល់) ដល់អ្នកប្រើ បង្ហាញពីអ្វី និងហេតុផលខាងក្រោយការសម្រេចចិត្ត។
• ភាពស្មោះត្រង់ - ផ្ដោតលើការធានាថា AI ធ្វើដូចគ្នាទៅលើមនុស្សគ្រប់រូបដោយស្មើភាព យកចិត្តទុកដាក់បញ្ហាមិនត្រឹមត្រូវ ឬបំណងបិទមុខបែបសង្គម-បច្ចេកវិទ្យាក្នុងទិន្នន័យ និងប្រព័ន្ធ។
• ភាពអាចទុកចិត្ត និងសុវត្ថិភាព - ប្រាកដថា AI មានឥរិយាបថ ដូចគ្នា ជាមួយតម្លៃដែលបានកំណត់ កាត់បន្ថយគ្រោះថ្នាក់ ឬផលប៉ះពាល់ដែលមិនបានចង់បាន។
• ភាពឯកជន និងសុវត្ថិភាព - ជាអំពីការយល់ពីដើមទិន្នន័យ និងផ្តល់នូវ ភាពឯកជនក្នុងទិន្នន័យ និងការការពារដែលពាក់ព័ន្ធ ជូនអ្នកប្រើ។
• ភាពរួមបញ្ចូល - ជាអំពីការរចនាដំណោះស្រាយ AI ជាមួយបំណងចិត្ត កែប្រែវាឲ្យអាចបំពេញតម្រូវការ ជួរធំទូលាយនៃមនុស្ស និងសមត្ថភាព ។

🚨 សូមគិតអំពីអ្វីដែលផ្តល់ជាបេសកកម្មគោរពទិន្នន័យរបស់អ្នកអាចជាតម្រូវការ។ ស្វែងយល់ពីស៊ុមគោលការណ៍ AI ពីអង្គការផ្សេងៗ - ទីនេះគឺជាពីរោងតាំងពី IBM, Google, និង Facebook。 តម្លៃរួមណាមួយដែលពួកគេចែករំលែកគ្នា? គោលការណ៍ទាំងនេះទាក់ទងយ៉ាងដូចម្តេចទៅនឹងផលិតផល AI ឬឧស្សាហកម្មដែលពួកគេចាត់តាំង?

២. បញ្ហាគោរពធម៌

ពេលដែលយើងបានកំណត់គោលការណ៍គោរពហើយ ជំហានបន្ទាប់គឺវាយតម្លៃសកម្មភាពទិន្នន័យ និង AI របស់យើងថាតើវាស្របតាមតម្លៃរួមទាំងនោះឬទេ។ សូមគិតអំពីសកម្មភាពរបស់អ្នកចែកជា ២ ប្រភេទ៖ ការប្រមូលទិន្នន័យ និង ការរចនាគណិតវិទ្យា។

ជាមួយការប្រមូលទិន្នន័យ សកម្មភាពភាគច្រើននឹងពាក់ព័ន្ធនឹង ទិន្នន័យផ្ទាល់ខ្លួន ឬព័ត៌មានអត្តសញ្ញាណផ្ទាល់ នៃបុគ្គលរស់នៅដែលអាចកំណត់បាន។ វារួមមាន ទិន្នន័យមិនមែនផ្ទាល់ខ្លួន ដែល សរុបបញ្ចូល អ្នកតំណាងម្នាក់មួយ។ បញ្ហាគោរពធម៌អាចទាក់ទងទៅនឹង ភាពឯកជនទិន្នន័យ , ម្ចាស់កម្មសិទ្ធទិន្នន័យ និងប្រធានបទពាក់ព័ន្ធដូចជា ការយល់ព្រមដោយពិតប្រាកដ និង សិទ្ធិបញ្ញាសិទ្ធិ សម្រាប់អ្នកប្រើ។

ជាមួយការរចនាគណិតវិទ្យា សកម្មភាពនឹងពាក់ព័ន្ធនឹងការប្រមូល និងថែរក្សា សំណុំទិន្នន័យ បន្ទាប់មកប្រើប្រាស់វាសម្រាប់បង្រៀន និងដំណើរការសំណុំម៉ូដែលទិន្នន័យដែលព្យាករថាលទ្ធផល ឬជំនួសសំរាប់សម្រេចចិត្តក្នុងបរិបទពិតប្រាកដ។ បញ្ហាគោរពធម៌អាចបណ្តាលមកពី ភាពលម្អៀងនៅក្នុងសំណុំទិន្នន័យ , បញ្ហា គុណភាពទិន្នន័យ , ភាពមិនស្មើភាព , និង ការបង្ហាញក្លែងក្លាយ នៅក្នុងគណិតវិទ្យា - រួមទាំងបញ្ហាខ្លះៗដែលមានអថេរតែមិនឆ្លៀតតែក្នុងសហគមន៍។

នៅក្នុងករណីទាំងពីរ បញ្ហាគោរពធម៌បង្ហាញពីតំបន់ដែលសកម្មភាពរបស់យើងអាចជួបការប្រឆាំងជាមួយតម្លៃរួមរបស់យើង។ ដើម្បីចាប់បញ្ហា កាត់បន្ថយ ឬបំបាត់បញ្ហាទាំងនេះ - យើងត្រូវសួរបញ្ហាគោរព"បាទ/ទេ" ដែលពាក់ព័ន្ធនឹងសកម្មភាពរបស់យើង ហើយចាត់វិធានការកែសម្រួលតាមតម្រូវការ។ យើងមកមើលបញ្ហាគោរពធម៌មួយចំនួន និងសំណួរគោរពដែលវាបង្កឡើង៖

២.១ម្ចាស់កម្មសិទ្ធទិន្នន័យ

ការប្រមូលទិន្នន័យភាគច្រើនពាក់ព័ន្ធនឹងទិន្នន័យផ្ទាល់ខ្លួនដែលអាចកំណត់អត្តសញ្ញាណអ្នកមានទិន្នន័យ។ ម្ចាស់កម្មសិទ្ធទិន្នន័យ គឺជាអំពី ការគ្រប់គ្រង និង សិទ្ធិអ្នកប្រើ ដែលពាក់ព័ន្ធនឹងការបង្កើត ការកែសម្រួល និងការចែកចាយទិន្នន័យ។

សំណួរដែលយើងត្រូវសួរមាន៖

• តើអ្នកណាជាម្ចាស់ទិន្នន័យ? (អ្នកប្រើ ឬអង្គការ)
• តើសិទ្ធិណាដែលមានសម្រាប់អ្នកមានទិន្នន័យ? (ឧ: ចូលដំណើរការ, លុបបំបាត់, បញ្ជូន)
• តើអង្គការមានសិទ្ធិអ្វីខ្លះ? (ឧ: កែសម្រួលការពិនិត្យអ្នកប្រើប្រាស់អាក្រក់)

២.២ការយល់ព្រមដោយពិតប្រាកដ

ការយល់ព្រមដោយពិតប្រាកដ កំណត់ហេតុការដែលអ្នកប្រើយល់ព្រមលើសកម្មភាព (ដូចជាការប្រមូលទិន្នន័យ) ជាមួយនឹងការយល់ដឹងពេញលេញអំពីការពិតដែលពាក់ព័ន្ធរួមមានគោលបំណង គ្រោះថ្នាក់ អាចកើត និងជម្រើសផ្សេងៗ។

សំណួរដែលត្រូវស្វែងយល់នៅទីនេះមាន៖

• តើអ្នកប្រើ(អ្នកមានទិន្នន័យ) បានផ្តល់រួចដំណើរការប្រមូល និងប្រើទិន្នន័យឬ?
• តើអ្នកប្រើយល់ដឹងពីគោលបំណងដែលទិន្នន័យនោះត្រូវបានប្រមូលឬ?
• តើអ្នកប្រើយល់ពីគ្រោះថ្នាក់អាចកើតពីការចូលរួមរបស់ពួកគេទេ?

២.៣សិទ្ធិបញ្ញាសិទ្ធិ

សិទ្ធិបញ្ញាសិទ្ធិ បញ្ជាក់ពីការបង្កើតទ្រព្យសកម្មមិនមែនរូបបែបដែលបានបង្កើតដោយមនុស្ស ដែលអាចមាន តម្លៃសេដ្ឋកិច្ច ទៅលើបុគ្គល ឬអាជីវកម្ម។

សំណួរដែលត្រូវស្វែងយល់មាន៖

• តើទិន្នន័យដែលបានប្រមូល មានតម្លៃសេដ្ឋកិច្ចសម្រាប់អ្នកប្រើ ឬអាជីវកម្មទេ?
• តើ អ្នកប្រើ មានសិទ្ធិបញ្ញាសិទ្ធិនៅទីនេះទេ?
• តើ អង្គការ មានសិទ្ធិបញ្ញាសិទ្ធិនៅទីនេះទេ?
• ប្រសិនបើយើងមានសិទ្ធិនោះ យើងបានការពារយ៉ាងដូចម្តេច?

២.៤ភាពឯកជនទិន្នន័យ

ភាពឯកជនទិន្នន័យ ឬភាពឯកជនព័ត៌មាន គឺជាការការពារភាពឯកជន និងអត្តសញ្ញាណអ្នកប្រើប្រាស់ចំពោះព័ត៌មានអត្តសញ្ញាណឯកជន។

សំណួរដែលត្រូវស្វែងយល់មាន៖

• តើទិន្នន័យរបស់អ្នកប្រើ (ផ្ទាល់ខ្លួន) ត្រូវបានការពារពីការចូលបន្លំ និងហិរញ្ញវត្ថុ/រំលាយទេ?
• តើអនុញ្ញាតឲ្យអ្នកបានចូលដំណើរការទិន្នន័យត្រឹមតែអ្នកមានសិទ្ធិក្នុងតំបន់ឬបរិបទដែលបានអនុញ្ញាតទេ?
• តើភាពអនាម័យរបស់អ្នកត្រូវបានរក្សាទុកនៅពេលដែលទិន្នន័យត្រូវបានចែកចាយឬផ្សព្វផ្សាយទេ?
• តើអាចសម្គាល់អ្នកប្រើប្រាស់ពីសំណុំទិន្នន័យបានអនាម័យឬ?

២.៥សិទ្ធិក្នុងការខ្វាចចោល

សិទ្ធិក្នុងការខ្វាចចោល ឬ សិទ្ធិក្នុងការលុប ផ្ដល់ការការពារផ្ទាល់ខ្លួនបន្ថែមដល់អ្នកប្រើ។ ជាក់លក្ខណៈ វាអនុញ្ញាតឲ្យអ្នកប្រើអាចស្នើសុំការលុប ឬដកចេញទិន្នន័យផ្ទាល់ខ្លួនចេញពីការស្វែងរកអ៊ីនធឺណិត និងកន្លែងផ្សេងៗទៀត ក្រោមស្ថានភាពច្បាស់លាស់ - ឲ្យពួកគេអាចចាប់ផ្តើមថ្មីដោយមិនមានសកម្មភាពចាស់ៗផ្ទាល់ខ្លួនមកបណ្តាល។

សំណួរដែលត្រូវស្វែងយល់មាន៖

• តើប្រព័ន្ធអនុញ្ញាតឲ្យអ្នកមានទិន្នន័យស្នើសុំការលុបទិន្នន័យឬ?
• តើការដកខ្លួនចេញពីការយល់ព្រមរបស់អ្នកប្រើគួរតែបង្កើតការលុបស្វ័យប្រវត្តិឬ?
• តើទិន្នន័យត្រូវបានប្រមូលដោយគ្មានការយល់ព្រម ឬដោយវិធីខុសច្បាប់ឬ?
• តើយើងអនុវត្តស្របទៅនឹងបទបញ្ញត្តរដ្ឋាភិបាលដើម្បីការពារភាពឯកជនទិន្នន័យឬទេ?

២.៦ការលម្អៀងសំណុំទិន្នន័យ

ការលម្អៀងសំណុំទិន្នន័យ ឬ ការលម្អៀងក្នុងការប្រមូលទិន្នន័យ គឺជាការជ្រើសរើសកំណត់ចំនួនទិន្នន័យដែល មិនតំណាងឱ្យសមាសភាគ សម្រាប់ការអភិវឌ្ឍគណិតវិទ្យា បង្កើតភាពមិនស្មើភាពក្នុងលទ្ធផលសម្រាប់ក្រុមផ្សេងៗ។ ប្រភេទការលម្អៀងរួមមានការលម្អៀងជ្រើសរើស ឬឡើងតំលៃ ការលម្អៀងស្ម័គ្រចិត្ត និងការលម្អៀងឧបករណ៍។

សំណួរដែលត្រូវស្វែងយល់មាន៖

• តើយើងបានជ្រើសរើសអ្នកមានទិន្នន័យដែលតំណាងឱ្យសមាសភាគឬ?
• តើយើងបានសាកល្បងសំណុំទិន្នន័យដែលបានប្រមូល ឬថែរក្សាសម្រាប់បញ្ហាទាំងនេះទេ?
• តើយើងអាចកាត់បន្ថយ ឬដកចេញការលម្អៀងដែលរកឃើញឬ?

២.៧គុណភាពទិន្នន័យ

គុណភាពទិន្នន័យ ពិនិត្យចំពោះភាពត្រឹមត្រូវនៃសំណុំទិន្នន័យដែលបានថែទាំក្នុងការអភិវឌ្ឍគណិតវិទ្យារបស់យើង ដើម្បីពិនិត្យថាតើលក្ខណៈ និងកំណត់ត្រាគ្រប់គ្រងតាមតម្រូវការសម្រាប់កម្រិតភាពត្រឹមត្រូវ និងការចងក្រងត្រូវការសម្រាប់គោលបំណង AI មានទេ។

សំណួរដែលត្រូវស្វែងយល់មាន៖

• តើយើងបានប្រមូលលក្ខណៈសម្បត្តិដែលត្រឹមត្រូវសម្រាប់ករណីប្រើប្រាស់របស់យើងឬ?
• តើទិន្នន័យបានប្រមូលយ៉ាងសម្រាំងហើយនៅគ្រប់ប្រភពទិន្នន័យផ្សេងៗឬ?
• តើសំណុំទិន្នន័យ បានបំពេញគ្រប់លក្ខខណ្ឌ ឬសេណារីយ៉ូផ្សេងៗ ឬ?
• តើព័ត៌មានបានថតយ៉ាងត្រឹមត្រូវក្នុងការតំណាងឱ្យរឿងពិតទេ?

2.8 សមភាពអាល់ហ្គោរីធម์

សមភាពអាល់ហ្គោរីធម៍ ពិនិត្យមើលថា ការរចនាអាល់ហ្គោរីធម៍មានការរើសអើងប្រព្រឹត្តទៅលើក្រុមរងគ្រោះជាក់លាក់ណាមួយនៃខ្នាតទិន្នន័យ យ៉ាងប្រព័ន្ធ ដែលនាំឲ្យមានការខូចខាតដែលអាចកើតមានបានក្នុង ការចែកចាយ (កន្លែងដែលធនធានត្រូវបានបដិសេធឬពន្យារពេលចេញពីក្រុមនោះ) និង គុណភាពសេវាកម្ម (កន្លែងដែល AI មិនត្រឹមត្រូវសម្រាប់ក្រុមខ្នាតមួយដូចជាសម្រាប់ក្រុមពីរឬច្រើនផ្សេងទៀត)។

សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ

• តើយើងបានវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលសម្រាប់ក្រុមខ្នាត និង ស្ថានភាពផ្សេងៗយ៉ាងពហុមុខទេ?
• តើយើងបានពិនិត្យប្រព័ន្ធសម្រាប់ការខូចខាតដែលអាចកើតមាន (ឧទាហរណ៍ ដូចជា ការបង្កើតរូបភាព stereotypical) ទេ?
• តើយើងអាចកែប្រែទិន្នន័យឬបណ្តុះបណ្តាលម៉ូដែលឡើងវិញ ដើម្បីបន្ថយការខូចខាតដែលបានរកឃើញទេ?

សម្រាប់អត្ថប្រយោជន៍បន្ថែម សូមស្វែងយល់ពីធនធានដូចជា បញ្ជីត្រួតពិនិត្យសមភាព AI។

2.9 ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ

ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ គឺជាការសួរថាតើយើងមានការទាក់ទងដើម្បីផ្ដល់ព័ត៌មានពីទិន្នន័យដែលបានរាយការណ៍យ៉ាងស្មោះត្រង់ឬទេ ដោយវិធីបោកប្រាស់ដើម្បីគាំទ្រយុទ្ធសាស្ត្រដែលចង់បាន។

សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ

• តើយើងរាយការណ៍ទិន្នន័យមិនពេញលេញឬមិនត្រឹមត្រូវទេ?
• តើយើងបង្ហាញទិន្នន័យដោយវិធីដែលបណ្តាលឲ្យអ្នកមើលទទួលបានការសន្និដ្ឋានច្រឡំទេ?
• តើយើងប្រើប្រាស់បច្ចេកទេសស្ថិតិដែលជ្រើសរើស ដើម្បីក្លែងបោកកាលវិមាន?
• មានអធិប្បាយជារូបមន្តផ្សេងទៀតដែលអាចផ្តល់នូវសន្និដ្ឋានផ្សេងទេ?

2.10 ជម្រើសដោយសេរី

វិញ្ញាណនៃជម្រើសដោយសេរី កើតឡើងនៅពេលដែល "រចនាសម្ព័ន្ធជម្រើស" ស្ថាប័នប្រើការអាល់ហ្គោរីធម៍សម្រេចចិត្ត ដើម្បីបណ្តុះឲ្យមនុស្សផ្នូរព្យាយាមបានលទ្ធផលដែលពេញចិត្ត ខណៈដែលមើលទៅដូចជាអាចផ្ដល់ជម្រើសនិងការត្រួតពិនិត្យ។ គំរូងងងឹតទាំងនេះ អាចបង្កគ្រោះថ្នាក់សង្គម និងសេដ្ឋកិច្ចដល់អ្នកប្រើប្រាស់។ ពីព្រោះចំណាត់ថ្នាក់ការសម្រេចចិត្តរបស់អ្នកប្រើប្រាស់ប៉ះពាល់ដល់ប្រវត្តិការប្រព្រឹត្តិ អំពើទាំងនេះអាចជម្រុញជម្រើសអនាគត ដែលបង្កើតឬពង្រីកផលប៉ះពាល់នៃការខូចខាតទាំងនេះ។

សំណួរដែលត្រូវស្ទាក់ស្ទើរនៅទីនេះគឺៈ

• តើអ្នកប្រើប្រាស់យល់ពីផលវិបាកនៃការធ្វើជម្រើសនោះទេ?
• តើអ្នកប្រើប្រាស់ដឹងពីជម្រើស (ជម្រើសជំនួស) និងអត្ថប្រយោជន៍និងគុណវិបត្តិនៃមួយៗទេ?
• តើអ្នកប្រើប្រាស់អាចត្រឡប់ការជ្រើសរើសដែលបានប៉ះពាល់ឬបញ្ជារដោយស្វ័យប្រវត្តិកាលក្រោយឬទេ?

3. ករណីសិក្សា

ដើម្បីដាក់បញ្ហาจិត្តសាស្ត្រទាំងនេះក្នុងបរិបទពិភពលោកពិត វាជួយសម្រាប់មើលករណីសិក្សារួមបង្ហាញពីការខូចខាតនិងផលវិបាកដល់បុគ្គលនិងសង្គម នៅពេលដែលការបំពានលើចិត្តសាស្ត្រដូចនេះត្រូវបានគេចខ្លួនក្រោយ។

ឧទាហរណ៍មួយចំនួនមានដូចខាងក្រោម៖

បញ្ហាចិត្តសាស្ត្រ	ករណីសិក្សា
ការយល់ព្រមបានជាពន្លឺ	1972 - ការសិក្សាពាក់ព័ន្ធស៊ីហ្វីលីស Tuskegee - បុរសអាមេរិកាអាហ្វ្រិកខាងត្បូង ដែលបានចូលរួមសិក្សា ត្រូវបានធានាទទួលការព្យាបាលវេជ្ជសាស្ត្រដោយឥតគិតថ្លៃ ប៉ុន្តែត្រូវបានគេចខ្លួន ដោយអ្នកស្រាវជ្រាវ ដែលមិនបានប្រាប់អ្នកសិក្សាអំពីជម្ងឺរបស់ពួកគេ ឬរឿងកាលពីមានការព្យាបាល។ អ្នកជំនួរជាច្រើនបានស្លាប់ និងដៃគូឬកូនបានរងផលប៉ះពាល់; សិក្សានេះបានបន្តរយៈពេល ៤០ ឆ្នាំ។
ភាពឯកជនទិន្នន័យ	2007 - រង្វាន់ទិន្នន័យ Netflix បានផ្ដល់ឲ្យអ្នកស្រាវជ្រាវ ចំណាត់ថ្នាក់ទាំង១០លាន ដែលមិនស្គាល់អត្តសញ្ញាណពីភាគីរូបិយវត្ថុ ៥០,០០០ នាក់ ដើម្បីជួយធ្វើឲ្យអាល់ហ្គូរីធម៍ផ្តល់អនុសាសន៍កាន់តែប្រសើរ។ ប៉ុន្តែ អ្នកស្រាវជ្រាវអាចភ្ជាប់ទិន្នន័យមិនអត្តសញ្ញាណជាមួយទិន្នន័យបុគ្គលក្នុង ឧបករណ៍ទិន្នន័យខាងក្រៅ (ឧទាហរណ៍ បញ្ហា IMDb) - ដែលជាការធ្វើឲ្យអត្តសញ្ញាណរបស់អ្នកជាវិញ្ញាបនបត្រនៅ Netflix អាចត្រូវចុះបញ្ជីឡើងវិញ។
ការជ្រើសរើសមូលដ្ឋានទិន្នន័យ	2013 - ទីក្រុងបូស្ទុនបាន អភិវឌ្ឍ Street Bump ដែលជាកម្មវិធីអនុញ្ញាតឲ្យប្រជាជនរាយការណ៍រន្ធផ្លូវ បង្កើតសុំទិន្នន័យផ្លូវល្អប្រសើរឡើងសម្រាប់រកនិងជួសជុលបញ្ហា។ ប៉ុន្តែ មនុស្សក្នុងក្រុមប្រាក់ចំណូលទាបមានការចូលដល់ឡាននិងទូរស័ព្ទតិចជាង បង្កើតឲ្យបញ្ហានៅផ្លូវរបស់ពួកគេមិនអាចមើលឃើញតាមកម្មវិធីនេះ។ អ្នកអភិវឌ្ឍបាន hợp tácជាមួយសកលវិទ្យាល័យ ដើម្បីដោះស្រាយបញ្ហាការចូលដល់យ៉ាងសមនឹងតុល្យភាពនិងចំណងជើងឌីជីថល ដើម្បីធានាសមភាព។
សមភាពអាល់ហ្គោរីធម៍	2018 - MIT បានសិក្សា Gender Shades ដែលវាយតម្លៃភាពត្រឹមត្រូវនៃផលិតផលអារម្មណ៍យ جنسភាព AI បង្ហាញពីឧបសគ្គនៅក្នុងភាពត្រឹមត្រូវសម្រាប់ស្ត្រីនិងមនុស្សពូជផ្សេង។ ការប្រកាសពី កាត Apple 2019 បានធ្វើឲ្យឃើញថា ផ្តល់ឥណទានតិចសម្រាប់ស្ត្រីជាងបុរស។ ទាំងពីរនេះបង្ហាញពីបញ្ហាការរើសអើងអាល់ហ្គោរីធម៍ដែលនាំឲ្យមានការខូចខាតសង្គម-សេដ្ឋកិច្ចខ្លាំង។
ការបង្ហាញពត៌មានមិនត្រឹមត្រូវ	2020 - ក្រសួងសុខាភិបាលរដ្ឋជនបទដល់ពត៌មាន COVID-19 បានបង្ហាញលើកទីស្តីពីការបំបែកចុះនៃករណីដែលផ្ទៀងផ្ទាត់ដោយរៀបចំតារាងប្លែកពីលំដាប់ពេលវេលាលើអ័ក្ស x។ នេះបង្ហាញពីការបំភ្លឺពីការបង្ហាញទិន្នន័យដោយបច្ចេកទេសប្លែកៗ។
វិញ្ញាណនៃជម្រើសដោយសេរី	2020 - កម្មវិធីសិក្សា ABCmouse បានបង់ប្រាក់ ១០លានដុល្លារ ដើម្បីដោះស្រាយការតវ៉ា FTC ដែលឪពុកម្តាយត្រូវបានចាប់ខ្លួនក្នុងការទូរទាត់សម្រាប់សេវាកម្មមិនអាចរង់ចាំបាន។ នេះបង្ហាញពីគំរូងងងឹតក្នុងការរចនាជម្រើស ដែលអ្នកប្រើប្រាស់ត្រូវបានបណ្តុះឲ្យទៅរកជម្រើសដែលអាចបង្កគ្រោះថ្នាក់បាន។
ភាពឯកជនទិន្នន័យ & សិទ្ធិអ្នកប្រើ	2021 - ករណី ការល្បួងទិន្នន័យ Facebook បានបង្ហាញទិន្នន័យពីអ្នកប្រើប្រាស់ចំនួន ៥៣០លាននាក់ បណ្តាលឲ្យមានការដោះស្រាយ ៥ ពាន់លានដុល្លារក្នុង FTC។ ទោះជាយ៉ាងណា Facebook បានបដិសេធការជូនដំណឹងទៅអ្នកប្រើប្រាស់អំពីការល្បួងទិន្នន័យ បំពានលើសិទ្ធិអ្នកប្រើប្រាស់ដែលទាក់ទងនឹងភាពត្រង់តាមទិន្នន័យ និងការចូលដំណើរការ។

ចង់ស្វែងយល់គ្រប់ករណីសិក្សាបន្ថែមទេ? សូមពិនិត្យធនធានទាំងនេះ៖

• Ethics Unwrapped - បញ្ហាចិត្តសាស្ត្រជាច្រើនក្នុងវិស័យផ្សេងៗ។
• វគ្គសិក្សាគោលការណ៍ចិត្តសាស្ត្រទិន្នន័យ - ករណីសិក្សាសំខាន់ៗដែលបានពិនិត្យ។
• ទីដែលរឿងបានខូចខាត - បញ្ជីត្រួតពិនិត្យ deon ជាមួយឧទាហរណ៍។

🚨 សូមជ្រាបចិត្តពីករណីសិក្សាដែលអ្នកបានឃើញ - តើអ្នកធ្លាប់ជួបប្រទះ ឬរងផលប៉ះពាល់ពីបញ្ហាចិត្តសាស្ត្រដូចគ្នានៅក្នុងជីវិតអ្នកទេ? តើអ្នកអាចនឹកឃើញករណីសិក្សាមួយទៀតដែលបង្ហាញពីបញ្ហាចិត្តសាស្ត្រណាមួយដែលយើងបានពិភាក្សា​នៅក្នុងផ្នែកនេះទេ?

ចិត្តសាស្ត្រប្រើប្រាស់

យើងបានពិភាក្សារឿងគំនិតចិត្តសាស្ត្រ បញ្ហា និងករណីសិក្សានៅក្នុងបរិបទពិភពលោកពិត។ តើយើងត្រូវចាប់ផ្តើមយ៉ាងដូចម្តេចក្នុងការអនុវត្តគោលការណ៍និងការអនុវត្តចិត្តសាស្ត្រ​នៅក្នុងគម្រោងរបស់យើង? ហើយតើយើងអាច ប្រតិបត្ដិ វាថានៅជាការគ្រប់គ្រងល្អប្រសើរបានយ៉ាងដូចម្តេច? យើងមកស្ទាកស្ទង់ដំណោះស្រាយពិភពលោកពិត៖

1. បទប្បញ្ញត្តិវិជ្ជាជីវៈ

បទប្បញ្ញត្តិវិជ្ជាជីវៈផ្តល់ជម្រើសមួយសម្រាប់អង្គការដើម្បី "លើកទឹកចិត្ត" សមាជិកឲ្យគាំទ្រគោលការណ៍ចិត្តសាស្ត្រនិងប្រកាសបេសកកម្មរបស់ពួកគេ។ បទប្បញ្ញត្តិគឺជាគន្លងចិត្តសាស្ត្រសម្រាប់អាកប្បកិរិយាវិជ្ជាជីវៈ ជួយបុគ្គលិកឬសមាជិកធ្វើសេចក្តីសម្រេចចិត្តដែលស្របទៅនឹងគោលការណ៍អង្គការរបស់ពួកគេ។ វាគ្រាន់តែមានប្រសិទ្ធភាពដូចជាការចូលរួមដោយស្ម័គ្រចិត្តពីសមាជិក; ទោះជាយ៉ាងណា អង្គការច្រើនផ្តល់រង្វាន់ និងការផ្តន្ទាទោសបន្ថែមដើម្បីលើកទឹកចិត្តការអនុវត្តពីសមាជិក។

ឧទាហរណ៍រួមមាន៖

• Oxford Munich បទប្បញ្ញត្តិចិត្តសាស្ត្រ
• Data Science Association បទបញ្ញត្តិអាកប្បកិរិយាវិជ្ជាជីវៈ (បង្កើតឡើង 2013)
• ACM Code of Ethics and Professional Conduct (តាំងពីឆ្នាំ 1993)

🚨 តើអ្នកជាសមាជិកនៅក្នុងអង្គការវិស្វកម្ម ឬវិទ្យាសាស្ត្រទិន្នន័យមួយទេ? សូមស្វែងយល់នៅគេហទំព័ររបស់ពួកគេ ប្រសិនបើពួកគេសរសេរបទប្បញ្ញត្តិចិត្តសាស្ត្រវិជ្ជាជីវៈ។ តើវាពន្យល់អំពីគោលការណ៍ចិត្តសាស្ត្រអ្វីខ្លះ? តើពួកគេ "លើកទឹកចិត្ត" ឲ្យសមាជិកគោរពបទប្បញ្ញត្តិយ៉ាងដូចម្តេច?

2. បញ្ជីត្រួតពិនិត្យចិត្តសាស្ត្រ

ខណៈពេលដែលបទប្បញ្ញត្តិវិជ្ជាជីវៈកំណត់អាកប្បកិរិយាចិត្តសាស្ត្រដែលទាមទារពីអ្នកអនុវត្ត ប៉ុន្តែពួកវា មានកំរិតដែនកំណត់បញ្ញត្តិ ក្នុងការអនុវត្ត វិសាលពិសេសនៅក្នុងគម្រោងធំនានា។ ជំនួសពីនេះ អ្នកជំនាញវិទ្យាសាស្ត្រទិន្នន័យជាច្រើន គាំទ្របញ្ជីត្រួតពិនិត្យ ដែលអាច ភ្ជាប់គោលការណ៍ទៅបច្ចេកវិទ្យា ក្នុងវិធីដែលអាចទាយទុកបាននិងអាចអនុវត្តបាន។

បញ្ជីត្រួតពិនិត្យបម្លែងសំណួរឱ្យទៅជាការងារប្រភេទ "បាទ/ទេ" ដែលអាចអនុវត្តបានតាមប្រតិបត្តិការជាក់លាក់ ហើយអនុញ្ញាតឱ្យតាមដានជាផ្នែកមួយនៃដំណើរការចេញផលិតផលស្តង់ដា។

ឧទាហរណ៍រួមមាន៖

• Deon - បញ្ជីត្រួតពិនិត្យចិត្តសាស្ត្រទិន្នន័យទូទៅ បង្កើតពី ការផ្តល់អនុសាសន៍ឧស្សាហកម្ម ជាមួយឧបករណ៍បញ្ជារបស់ Command-line សម្រាប់ការតភ្ជាប់បានងាយស្រួល។
• បញ្ជីត្រួតពិនិត្យវាយតម្លៃភាពឯកជន - ផ្តល់ការណែនាំទូទៅចំពោះអនុវត្តការគ្រប់គ្រងព័ត៌មានពីទិដ្ឋភាពផ្នែកច្បាប់ និងសង្គម។
• បញ្ជីត្រួតពិនិត្យសមភាព AI - បង្កើតឡើងដោយអ្នកអនុវត្ត AI ដើម្បីគាំទ្រការអនុម័ត និងប្រើប្រាស់បច្ចេកទេសពិនិត្យសមភាពក្នុងវដ្តអភិវឌ្ឍ AI។
• 22 សំណួរសម្រាប់ចិត្តសាស្ត្រនៅក្នុងទិន្នន័យនិង AI - ស៊ុមបើកចំហនៅក្នុងការស្ទង់មតិចិត្តសាស្ត្រ ក្នុងការរចនា សិក្សា និងបរិបទសហគ្រាស។

3. ច្បាប់ចិត្តសាស្ត្រ

ចិត្តសាស្ត្រគឺជាការបញ្ជាក់អំពីតម្លៃរួម និងធ្វើអ្វីដែលត្រឹមត្រូវ ដោយស្ម័គ្រចិត្ត។ ការអនុវត្ត គឺអំពី ការតាមច្បាប់ ប្រសិនបើនៅកន្លែងណាមួយដែលបានកំណត់។ ការគ្រប់គ្រង គ្របដណ្តប់ដល់គ្រប់វិធីសាស្ត្រដែលអង្គការប្រតិបត្តិ ដើម្បីអនុវត្តគោលការណ៍ចិត្តសាស្ត្រនិងគោរពច្បាប់ដែលបានកំណត់។

ថ្ងៃនេះ ការគ្រប់គ្រងមានពីរប្រភេទនៅក្នុងអង្គការ។ ដំបូងគឺ ស្តីពីការបញ្ជាក់គោលការណ៍ AI ចិត្តសាស្ត្រ និងបង្កើតអនុវត្តិការណ៍ដើម្បីអនុម័តនិងរីកចម្រើនជាសកលនៅគ្រប់គម្រោង AI ទាំងអស់នៅក្នុងអង្គការ។ ទីពីរគឺ ស្តីពីការអនុវត្តច្បាប់ការការពារទិន្នន័យដែលរដ្ឋាភិបាលកំណត់សម្រាប់តំបន់ដែលអង្គការប្រតិបត្តិ។

ឧទាហរណ៍នៃច្បាប់ការការពារទិន្នន័យនិងភាពឯកជន៖

• 1974, ច្បាប់ភាពឯកជនសហរដ្ឋអាមេរិក - គ្រប់គ្រងការប្រមូល ប្រើ និងបង្ហាញព័ត៌មានផ្ទាល់ខ្លួនរបស់រដ្ឋាភិបាល​សហព័ន្ធ។
• 1996, ច្បាប់អាហារូបករណ៍សុខភាពសហរដ្ឋអាមេរិក (HIPAA) - ការពារទិន្នន័យសុខភាពផ្ទាល់ខ្លួន។
• 1998, ច្បាប់ការការពារភាពឯកជនអន்லាញរបស់កុមារ (COPPA) - ការពារទិន្នន័យភាពឯកជនរបស់កុមារកាន់តិចជាង 13 ឆ្នាំ។
• 2018, បទបញ្ញត្តិការការពារទិន្នន័យទូទៅ (GDPR) - ផ្តល់សិទ្ធិអ្នកប្រើ ការការពារទិន្នន័យ និងភាពឯកជន។
• 2018, ច្បាប់ភាពឯកជនអ្នកប្រើកាលីហ្វ័រញា (CCPA) ផ្តល់សិទ្ធិបន្ថែមសម្រាប់អ្នកប្រើលើទិន្នន័យផ្ទាល់ខ្លួនរបស់ពួកគេ។
• 2021, ច្បាប់ ការការពារព័ត៌មានផ្ទាល់ខ្លួនរបស់ប្រទេសចិន ដែលកំពុងមានប្រសិទ្ធភាព បង្កើតច្បាប់ភាពឯកជនក្នុងអនឡាញរឹតតែខ្លាំងបំផុតមួយសកលលោក។

🚨 សហភាពអឺរ៉ុបបានកំណត់ GDPR (បទបញ្ញត្តិការការពារទិន្នន័យទូទៅ) ដែលនៅតែជា ច្បាប់ភាពឯកជនទិន្នន័យមានឥទ្ធិពលខ្លាំងបំផុតដល់ថ្ងៃនេះ។ តើអ្នកដឹងទេថាវាក៏កំណត់អំពី 8 សិទ្ធិអ្នកប្រើ ដើម្បីការពារភាពឯកជនឌីជីថល និងទិន្នន័យផ្ទាល់ខ្លួនរបស់ប្រជាជន? សូមស្វែងយល់អំពីវា និងហេតុអ្វីវាមានសារៈសំខាន់។

4. វប្បធម៌ចិត្តសាស្ត្រ

សូមចំណាំថា មានចន្លោះមួយដែលមិនអាចទាញយកបាន ជាងរវាង ការអនុវត្ត (ធ្វើបានគ្រប់គ្រាន់សម្រាប់បំពេញ "អក្សរនៃច្បាប់") និងការដោះស្រាយ បញ្ហាប្រព័ន្ធ (ដូចជា ossification, បារម្ភព័ត៌មាន, និងការរើសអើងចែកចាយ) ដែលអាចលឿនការប្រើអារម្មណ៍សិល្បៈ AI ជាឧបករណ៍ប្រយុទ្ធ។

វិធីសាស្ត្រចុងក្រោយកំពុងត្រូវការពិធីសាស្ត្រសហប្រតិបត្តិការសម្រាប់កំណត់វប្បធម៌ចិត្តសាស្ត្រ ដែលកសាងការតភ្ជាប់អារម្មណ៍ និងតម្លៃរួមជាចំណាំ គ្រប់អង្គការជា​មួយគ្នា នៅឧស្សាហកម្ម។ វាចាំបាច់ការវប្បធម៌ចិត្តសាស្ត្រទិន្នន័យដែលកំណត់យ៉ាងផ្លូវការជាងមុន នៅក្នុងអង្គការ - អនុញ្ញាត គ្រប់គ្នា រុញខ្សែ Andon (ដើម្បីរាយការណ៍បញ្ហាចិត្ដសាស្ត្រលឿននៅដំណាក់កាលដើម) និងធ្វើការវាយតម្លៃចិត្តសាស្ត្រ (ឧទាហរណ៍ នៅពេលជ្រើសរើសបុគ្គលិក) ជាកម្មវិធីសំខាន់សម្រាប់បង្កើតក្រុមក្នុងគម្រោង AI។

---

កម្រងសំណួរបន្ទាប់បន្ទាត់ 🎯

បរិយាយ និងរៀនផ្ទាល់ខ្លួន

វគ្គសិក្សានិងសៀវភៅជួយក្នុងការយល់ដឹងពីគំនិតមូលដ្ឋាននៃចិត្តសាស្ត្រ និងបញ្ហា ខណៈដែលករណីសិក្សានិងឧបករណ៍ជួយក្នុងការអនុវត្តចិត្តសាស្ត្រនៅក្នុងបរិបទពិភពលោកពិត។ យើងមានធនធានជាច្រើនសម្រាប់ចាប់ផ្តើម។

• ការរៀនម៉ាស៊ីនសម្រាប់អ្នកចាប់ផ្តើម - មេរៀនអំពីភាពសមរម្យ, ពី Microsoft ។
• គោលការណ៍នៃ AI ដ៏ទទួលខុសត្រូវ - ផ្លូវការរៀនឥតគិតថ្លៃពី Microsoft Learn ។
• សីលធម៌ និងវិទ្យាសាស្រ្តទិន្នន័យ - សៀវភៅអេឡិចត្រូនិច O'Reilly (M. Loukides, H. Mason et. al)
• សីលធម៌វិទ្យាសាស្រ្តទិន្នន័យ - មេរៀនជាអនឡាញពីសាកលវិទ្យាល័យមិចហ្គែន។
• សីលធម៌អញ្ចេញ - ករណីសិក្សាពីសាកលវិទ្យាល័យតិចសាស់។

ការងារ

សរសេរជំនួញករណីសីលធម៌ទិន្នន័យ

---

ការបដិសេធៈ
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈពេលដែលពួកយើងខិតខំសម្រាប់ភាពត្រឹមត្រូវ សូមយល់ឱ្យបានច្បាស់ថាការបកប្រែដោយស្វ័យប្រវត្តិកំណត់អាចមានកំហុសឬការមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាមាតិការបស់វាគួរត្រូវបានគ្រប់គ្រងជាថ្នាក់ដើម។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សវិជ្ជាជីវៈត្រូវបានផ្ដល់អនុសាសន៍។ ពួកយើងមិនទទួលខុសត្រូវលើការយល់ច្រឡំ ឬការបកប្រែខុសៗអ្វីដែលមកពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។