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

ഡേറ്റാ എതിക്‌സിലേക്ക് പരിചയം

ഡേറ്റാ സയൻസ് എതിക്‌സ് - സ്കെറ്റ്‌നോട്ട് by @nitya

---

നാം എല്ലാം ഒരു ഡേറ്റാഫൈഡ് ലോകത്ത് ജീവിക്കുന്ന ഡേറ്റാ പൗരന്മാരാണ്.

മാർക്കറ്റ് ട്രെൻഡുകൾ പറയുന്നത് 2022 നകം, വലിയ സംഘടനകളിൽ ഒരു മൂന്നിലൊന്ന് ഓൺലൈൻ മാർക്കറ്റ്പ്ലേസുകളും എക്സ്ചേഞ്ചുകളും വഴി അവരുടെ ഡേറ്റാ വാങ്ങി വിൽക്കും. ആപ്പ് ഡെവലപ്പർമാരായി, നാം ഡേറ്റാ നിർമ്മിത洞ങ്ങള്‍യും ആൽഗോരിതം അടിസ്ഥാനമായ ഓട്ടോമേഷൻ ഉപയോക്തൃ അനുഭവങ്ങളിൽ ഉൾപ്പെടുത്തുന്നത് എളുപ്പവും വിലകുറവും ആയിരിക്കുന്നുവെന്ന് കാണും. എങ്കിലും AI വ്യാപകമാകുമ്പോൾ, ഇവയെ അസായോപകരണമായി ഉപയോഗപ്പെടുത്തുന്നതിലൂടെ ഉണ്ടാകാവുന്ന πιθανമായ നഷ്ടങ്ങൾ മനസ്സിലാക്കേണ്ടതും അത്രമേൽ പ്രധാനമാണ്.

ടെൻഡുകൾ സൂചിപ്പിക്കുന്നത് 2025 നകം, നാം 180 സെറ്റാബൈറ്റുകൾക്ക് മുകളിൽ ഡേറ്റാ ഉൽപാദിപ്പിക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യും. ഡേറ്റാ സയന്റിസ്റ്റുകൾക്ക്, ഈ വിവരവിഷ്ഫോടനം വ്യക്തിഗതവും പെരുമാറ്റവുമായ ഡേറ്റയിലേക്ക് മുന്‍വിധി എടുക്കാൻ സാദ്ധ്യത നൽകുന്നു. അതോടെ, വിശദമായ ഉപയോക്തൃ പ്രൊഫൈലുകൾ സൃഷ്ടിച്ച് തീരുമാനമെടുക്കൽ സ്വാതന്ത്ര്യത്തിന്റെ മയക്ക് സൃഷ്ടിക്കുന്ന ദൃശ്യവത്കരണം സൃഷ്ടിക്കാനുള്ള ശക്തിയും വശീകരണവും ഉണ്ടായിരിക്കും. ഈ പ്രക്രിയ ഉപയോഗിച്ച് ഉപയോക്താക്കളെ ഇഷ്ടപ്പെട്ട ഫലങ്ങളിലേക്ക് ദിശാബോധിപ്പിക്കാമെങ്കിലും, ഡേറ്റാ പ്രൈവസി, സ്വയംഭരണവും ആൽഗോരിതം സ്വാധീനത്തിന്റെ നൈതിന്യമായ പരിധികൾ സംബന്ധിച്ച സുപ്രധാന ചോദ്യങ്ങളും ഉയരുന്നു.

ഡേറ്റാ എതിക്‌സ് ഡേറ്റാ സയൻസ്, എഞ്ചിനീയറിംഗിന് ഇനി അവശ്യമായ ഗാർഡ്‌റെയിലുകളായി മാറി, ഡേറ്റാപ്രധാനം പ്രവർത്തനങ്ങളിൽ നിന്നുണ്ടാകാവുന്ന നഷ്ടങ്ങളും അപ്രതീക്ഷിത ഫലങ്ങളും കുറയ്ക്കാൻ സഹായിക്കുന്നു. [ഗാർട്ട്‌ണർ ഹൈപ്പ് സൈക്കിള്‍

](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ഡിജിറ്റൽ എതിക്‌സ്, ഉത്തരവാദിത്വമുള്ള AI, AI ഗവർണൻസ് തുടങ്ങിയതിനുള്ള പ്രധാനം ട്രെൻഡുകളെ തിരിച്ചറിയുന്നു, കൂടാതെ AI-യുടെ ജനപ്രിയവൽക്കരണവും കച്ചവടമേഖലാ വികസനവും വളർത്തുന്ന വലിയ ട്രെൻഡുകളുടെ സഹായകങ്ങളായി ആണ് ഇത്.

ഈ പാഠത്തിൽ, നാം ഡേറ്റാ എതിക്‌സിന്റെ രസകരമായ മേഖലയെ പരിശോധിക്കും - അടിസ്ഥാന ആശയങ്ങളും ചലഞ്ചുകളും, കേസ്സുവായ പഠനങ്ങളും ഗവർണൻസ് പോലുള്ള പ്രയോഗിച്ച AI ആശയങ്ങളും ഉൾപ്പെടെ - ഡേറ്റയും AI-യും ഉപയോഗിക്കുന്ന ടീങ്ങളും സംഘടനകളും തമ്മിൽ എതിക്‌സ് സാംസ്‌കാരികം സ്ഥാപിക്കുന്നതിന് സഹായിക്കുന്നവ.

പ്രീ-ലെക്ചർ ക്വിസ് 🎯

അടിസ്ഥാന നിർവചനങ്ങൾ

അടിസ്ഥാന പര്യാപ്തതകൾ മനസിലാക്കാനാണ് തുടക്കം.

"എതിക്‌സ്" എന്ന പദം ഗ്രേക്ക് പദമായ "ethikos" (അത് മുതൽ "ethos") എന്നതിൽ നിന്നുള്ളതാണ്, അർത്ഥം സ്വഭാവമോ നൈതിക സ്വഭാവമോ.

എതിക്‌സ് means സമൂഹത്തിൽ നമ്മുടെ പെരുമാറ്റങ്ങൾ നിയന്ത്രിക്കുന്ന പങ്കിട്ട മൂല്യങ്ങളും നൈതിക സിദ്ധാന്തങ്ങളുമാണ്. നിയമങ്ങളിൽ അടിസ്ഥാനമാക്കിയുള്ളതല്ല, സാധാരണ അംഗീകരിക്കപ്പെട്ട "സരി-തെറ്റ്" നിബന്ധനകളിലാണ് ഇത്. എങ്കിലും, നൈതിക ബിന്ദുക്കൾ കോർപ്പറേറ്റ് ഗവർണൻസ് ചട്ടങ്ങളും സർക്കാർ നിയന്ത്രണങ്ങളും രൂപപ്പെടാൻ സ്വാധീനിക്കാം, ഇത് അനുകൂലനത്തിന് കൂടുതൽ പ്രേരണകൾ സൃഷ്ടിക്കുന്നു.

ഡേറ്റാ എതിക്‌സ് എന്നത് എതിക്‌സിന്റെ ഒരു പുതുമുഖ ശാഖ ആണ്, അത് "ഡേറ്റാ, ആൽഗോരിതങ്ങൾ, അനുബന്ധ പ്രക്രിയകളുമായി ബന്ധപ്പെട്ട നൈതിക പ്രശ്നങ്ങളെ പഠിക്കുകയും വിലയിരുത്തുകയും ചെയ്യുന്നു". ഇവിടെ, "ഡേറ്റാ" ഉൽപാദനവും രേഖപ്പെടുത്തലും സുർക്ഷിക്കുകയും പ്രാസംഗികത വിവരിക്കുകയും ഉപയോഗവും ഉൾപ്പെടുന്ന പ്രവർത്തനങ്ങളിലേക്കു വലിപ്പം കാണിക്കുന്നു, "ആൽഗോരിതങ്ങൾ" AI, ഏജന്റുകൾ, മെഷീൻ ലേണിംഗ്, റോബോട്ടുകൾ എന്നിവയിലേക്കെന്ന് ശ്രദ്ധിക്കുന്നു, "പ്ര്യതിചരണങ്ങൾ" ഉത്തരവാദിത്വം ഉള്ള നവീകരണം, പ്രോഗ്രാമിംഗ്, ഹാക്കിംഗ്, എതിക്‌സ് കോഡുകൾ തുടങ്ങിയ വിഷയങ്ങളാണ്.

പ്രയോഗിച്ച എതിക്‌സ് എന്നത് നൈതിക വിഷയങ്ങളുടെ പ്രായോഗിക പ്രയോഗം ആണ്. ഇത് യഥാർത്ഥ പ്രവർത്തനങ്ങളുടെയും ഉൽപ്പന്നങ്ങളുടെയും പ്രക്രിയകളുടെയും സാഹചര്യത്തിൽ നൈതിക പ്രശ്നങ്ങളെ സജീവമായി അന്വേഷിച്ച് തിരുത്തൽ സ്വീകരിക്കുന്ന പ്രക്രിയയാണ്, ഇത് നിശ്ചിത നൈതിക മൂല്യങ്ങളോട് പൊരുത്തപ്പെടുന്നതിനുള്ളതാണ്.

എതിക്‌സ് സംസ്കൃതി പ്രയോഗിച്ച എതിക്‌സ് പ്രയോഗിക്കുന്നത് ആണ്, ഒരു ഒറ്റസംഘടനയിലുടനീളം എതിരാളിത്തത്വജ്ഞങ്ങളെ ഒരേ തരത്തിൽ കേവലം പാലിക്കുകയും വ്യാപിപ്പിക്കുകയും ചെയ്യുന്നതിനുള്ള ഉറപ്പു വരുത്തുക. ഒരു വിജയകരമായ എതിക്‌സ് സംസ്കൃതി സംഘടനാ തലത്തിലുള്ള നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിക്കുകയും അനുകരണം പ്രേരിപ്പിക്കുന്ന ഫലപ്രദമായ പ്രേരണകൾ നൽകുകയും ഏവരുടേയും ആവശ്യാനുസരണത്തിൽ പുതിയ പെരുമാറ്റങ്ങളെ പ്രോത്സാഹിപ്പിക്കുകയും ശക്തിപ്പെടുത്തുകയും ചെയ്യും.

എതിക്‌സ് ആശയങ്ങൾ

ഈ ഭാഗത്തിൽ, നാം ഡേറ്റാ എതിക്‌സിന്റെ പങ്കിട്ട മൂല്യങ്ങൾ (സിദ്ധാന്തങ്ങൾ), എതിക്‌സ് വെല്ലുവിളികൾ (പ്രശ്നങ്ങൾ) എന്നിവയെപ്പറ്റിയും ഇവയെ മനസ്സിലാക്കാൻ സഹായിക്കുന്ന കേസ്സ്റ്റഡികൾ പഠിക്കുമെന്നും.

1. എതിക്‌സ് സിദ്ധാന്തങ്ങൾ

ഓരോ ഡേറ്റാ എതിക്‌സ് തന്ത്രവും നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിക്കുന്നത് കൊണ്ട് ആരംഭിക്കുന്നു - പ്രമാണായ പെരുമാറ്റങ്ങളെ നിർവചിക്കുന്ന "പങ്കിട്ട മൂല്യങ്ങൾ", ഡേറ്റാ & AI പദ്ധതികളിൽ അനുകരണപ്രാപ്തിയായ പ്രവർത്തനങ്ങളെ മാർഗ്ഗനിർദ്ദേശം നൽകുന്നു. ഇത് വ്യക്തിഗതമായി അല്ലെങ്കിൽ ടീം തലത്തിൽ നിർവചിക്കാം. എങ്കിലും ബഹുജന ഓർഗനൈസേഷനുകളിൽ ഇത് കോർപ്പറേറ്റ് തലത്തിൽ നിർവചിക്കപ്പെട്ട ഒരു നൈതിക AI ദൗത്യം അല്ലെങ്കിൽ ഫ്രെയിംവർക്ക് ആകുന്നു, എല്ലാം ടീമുകളിൽ ഒരുപോലെ കാപുരം പാലിക്കുന്നതും.

ഉദാഹരണം: മൈക്രോസോഫ്റ്റ് ഉത്തരവാദിത്വമുള്ള AI ദൗത്യം പറയുന്നു: "ആളുകളെ മുൻനിർത്തിയുള്ള നൈതിക സിദ്ധാന്തങ്ങൾ കൊണ്ടു AI പുരോഗമനം നാം പ്രതിജ്ഞാബദ്ധരാണ്" - താഴെയുള്ള ഫ്രെയിംവർക്കിൽ 6 നൈതിക സിദ്ധാന്തങ്ങൾ കാണിക്കുന്നു:

ഇപ്പോൾ ഈ സിദ്ധാന്തങ്ങൾ ചുരുക്കത്തിൽ പഠിക്കാം. തെളിവാദ്ധ്യായതയും (Transparency) ഉത്തരവാദിത്തവും (Accountability) മറ്റു സിദ്ധാന്തങ്ങൾക്ക് അടിസ്ഥാനമായ മൂല്യങ്ങളാണ് - അതുകൊണ്ട് അവയിൽ നിന്ന് തുടങ്ങാം:

• ഉത്തരവാദിത്തം പ്രയോക്താക്കളെ അവരുടെ ഡേറ്റാ & AI പ്രവർത്തനങ്ങൾക്ക്, ഈ നൈതിക സിദ്ധാന്തങ്ങൾക്ക് അനുസൂയിച്ചിരിക്കാനുള്ള ഉത്തരവാദിത്തത്തിലേക്ക് കൊണ്ടുവരുന്നു.
• തെളിവാദ്ധ്യായത ഡേറ്റാ, AI പ്രവർത്തനങ്ങൾ ഉപയോക്താക്കൾക്ക് അർത്ഥമാക്കാവുന്ന (വ്യാഖ്യാനിക്കാവുന്ന)തായിരിക്കണമെന്ന് ഉറപ്പുവരുത്തുന്നു, തീരുമാനങ്ങൾക്ക് പിന്നിലെ എന്തും എന്തുകൊണ്ടും വിശദീകരിക്കുന്നു.
• സമത്വം AI എല്ലാവരോടും നീതിക്കുള്ള്മക്തമായ് പെരുമാറുക ഉറപ്പാക്കുന്നു, ഡേറ്റaio സിസ്റ്റങ്ങളിലെ അധിഗമനാത്മകമായ സാമൂഹ്യ സാങ്കേതിക പാഴ്‌സ്പരത്വങ്ങൾ പരിഹരിക്കുന്നു.
• നിരന്തരം വിശ്വാസ്യതയും സുരക്ഷയും AI നിർവചിച്ച മൂല്യങ്ങളോട് ഏകസമയത്തിലും പെരുമാറുന്നത് ഉറപ്പാക്കുന്നു, സാധ്യതയുള്ള ഹാനികളും അപ്രതീക്ഷിത ഫലങ്ങളും കുറയ്ക്കുന്നു.
• സ്വകാര്യതയും സുരക്ഷവും ഡേറ്റാ പദവി മനസ്സിലാക്കുകയും ഉപയോക്താക്കൾക്ക് ഡേറ്റാ സ്വകാര്യതയും അനുബന്ധ സംരക്ഷണവും നൽകുകയും ചെയ്യുകയാണ്.
• ഇൻക്ലൂസിവ്‌നെസ്സ് (സമഗ്രത) AI പരിഹാരങ്ങൾ ഉദ്ദേശപൂർവ്വം രൂപകൽപ്പന ചെയ്യുന്നുവെന്നും വിവിധ മനുഷ്യാവശ്യങ്ങൾക്കും കഴിവുകൾക്കും ഒത്തുപോകുന്ന രീതിയിലും മാറിക്കൊള്ളുന്നതുമാണ്.

🚨 നിങ്ങളുടെ ഡേറ്റാ എതിക്‌സ് ദൗത്യം എന്തായിരിക്കുമെന്നു ചിന്തിക്കൂ. മറ്റ് സംഘടനകളുടെ നൈതിക AI ഫ്രെയിംവർക്കുകൾ പരിശോധിക്കൂ - IBM, Google, Facebook ഉദാഹരണങ്ങൾ. അവയെന്തെന്ത് പങ്കിട്ട മൂല്യങ്ങൾ കാണിക്കുന്നു? ഈ സിദ്ധാന്തങ്ങൾ അവരുടെ AI ഉൽപ്പന്നത്തിെനും വ്യവസായത്തിന്റെയും ബന്ധം എങ്ങനെയാണ്?

2. എതിക്‌സ് വെല്ലുവിളികൾ

നാം നൈതിക സിദ്ധാന്തങ്ങൾ നിർവചിച്ച് കഴിഞ്ഞാൽ, പിന്നെ നമ്മുടെ ഡേറ്റാ AI പ്രവർത്തനങ്ങൾ ഇവിടെയുള്ള പങ്കിട്ട മൂല്യങ്ങൾപോലെ ഉണ്ടോ എന്ന് വിലയിരുത്തണം. നിങ്ങളുടെ പ്രവർത്തനങ്ങൾ രണ്ടുഭാഗങ്ങളായി പിരിച്ചാൽ: ഡേറ്റാ ശേഖരണം എന്നും ആൽഗോരിതം രൂപകൽപ്പന എന്നും.

ഡേറ്റാ ശേഖരണത്തിൽ, വ്യക്തിഗത ഡേറ്റാ അല്ലെങ്കിൽ വ്യക്തിഗതമായി തിരിച്ചറിയാവുന്ന വിവരങ്ങൾ ഉൾപ്പെടും. ഇത് വിവിധവക ആരോഗ്യരഹിത ഡേറ്റാ ഇനങ്ങൾ അടങ്ങിയിരിക്കും, കൂടെവെച്ച് വ്യക്തിയെ തിരിച്ചറിയാൻ സഹായിക്കും. എതിക്‌സ് വെല്ലുവിളികൾ ഡേറ്റാ സ്വകാര്യത, ഡേറ്റാ ഉടമസ്ഥത, നയതന്ത്ര സമ്മതമികയ്ക്കൽ, ബൗദ്ധിക ഉടമസ്ഥത എന്നീ വിഷയങ്ങളിൽ ഉണ്ടാകാം.

ആൽഗോരിതം രൂപകൽപ്പനയിൽ, ഡേറ്റാ സെറ്റുകൾ ശേഖരിക്കുകയും തിരഞ്ഞെടുത്തു പരിഗണിക്കുകയും ചെയ്യും, തുടർന്ന് അവ ഉപയോഗിച്ച് പ്രവചനങ്ങൾ നടത്താൻ അല്ലെങ്കിൽ യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ തീരുമാനങ്ങൾ ഓട്ടോമേഷൻ ചെയ്യാൻ ഉള്ള ഡേറ്റാ മോഡലുകൾ പരിശീലിപ്പിക്കും. എതിക്‌സ് വെല്ലുവിളികൾ ഡേറ്റാസെറ്റ് പക്ഷപാതം, ഡേറ്റാ ഗുണമേന്മാ പ്രശ്നങ്ങൾ, നീതിയില്ലായ്മകള്‍, തെറ്റിദ്ധാരണ തുടങ്ങിയവയിൽ ഉണ്ടാകും - ചിലത് സിസ്റ്റമാറ്റിക് സ്വഭാവമുള്ളതും ആകാം.

രണ്ടിനും, എതിക്‌സ് വെല്ലുവിളികൾ നമ്മുടെ പങ്കിട്ട മൂല്യങ്ങളോടുള്ള സംഘർഷം വരുത്തുന്ന വിഷയങ്ങളെ വ്യക്തമാക്കുന്നു. അവ കണ്ടെത്താനായി, കുറയ്ക്കാനായി, ഇല്ലാതാക്കി വിരാമപ്പെടുത്താനായി, നാം നൈതിക "അതെ/ഇല്ല" ചോദ്യങ്ങൾ ചോദിച്ച് അവർക്ക് അനുയോജ്യമായ തിരുത്തൽ നടപടികൾ സ്വീകരിക്കണം. ചില വെല്ലുവിളികളും അവ സൃഷ്ടിക്കുന്ന ചോദ്യങ്ങളും നോക്കാം:

2.1 ഡേറ്റാ ഉടമസ്ഥത

ഡേറ്റാ ശേഖരണം വ്യക്തികളെ തിരിച്ചറിയാൻ കഴിയുന്ന വ്യക്തിഗത ഡേറ്റയുടെ കേന്ദ്രീകൃതമാണ്. ഡേറ്റാ ഉടമസ്ഥത എന്നാൽ ഡേറ്റാ സൃഷ്ടി, പ്രോസസ്സിംഗ് വിതരണവുമായി ബന്ധപ്പെട്ട് _നിയന്ത്രണ_വും ഉപയോക്താവ് അവകാശങ്ങളുടെയും കാര്യവും ആണ്.

ചോദ്യങ്ങൾ:

• ഡേറ്റയുടെ ഉടമ ആരാണ്? (ഉപയോക്താവ് അല്ലെങ്കിൽ സംഘടന)
• ഡേറ്റാ വിഷയം ഉള്ള വ്യക്തികൾക്ക് എന്ത് അവകാശങ്ങൾ ഉണ്ട്? (ഉദാ: ആക്‌സസ്, ഇല്ലാതാക്കൽ, പോർട്ടബിILITY)
• സംഘടനയ്ക്ക് എന്ത് അവകാശങ്ങൾ ഉണ്ട്? (ഉദാഹരണം: ദുർവിനീത ഉപയോക്തൃ അവലോകനങ്ങൾ പരിഹരിക്കൽ)

2.2 അറിയിക്കപ്പെട്ട സമ്മതം

അറിയിച്ച സമ്മതം എന്നത് ഉപയോക്താക്കൾ ഒരു പ്രവർത്തനത്തിന് (ഉദാ: ഡേറ്റാ ശേഖരണം) പൂർണ്ണമായും ബന്ധപ്പെട്ട കാര്യങ്ങൾ, ലക്ഷ്യങ്ങൾ, സാധ്യതാ അപകടങ്ങൾ, മറ്റ് വഴികൾ എന്നിവ മനസിലാക്കിയ ശേഷമേ സമ്മതം നൽകൂ എന്നതാണ്.

ചോദ്യങ്ങൾ:

• ഉപയോക്താവ് (ഡേറ്റാ വിഷയം) ഡേറ്റാ ശേഖരണത്തിനും ഉപയോഗത്തിനും അനുവാദം നൽകിയോ?
• ഉപയോക്താവ് ആ ഡേറ്റാ ശേഖരണത്തിന്റെ ഉദ്ദേശ്യം മനസ്സിലാക്കിയോ?
• ഉപയോക്താവ് അവരുടെ പങ്കാളിത്തത്തിൽ നിന്നുണ്ടാകാവുന്ന അപകടങ്ങൾ മനസ്സിലാക്കിയോ?

2.3 ബൗദ്ധിക സ്വത്ത്വാവകാശം

ബൗദ്ധിക സ്വത്ത്വാവകാശം മനുഷ്യനെയാണ് സൃഷ്ടിച്ച മുങ്ങിപ്പോകാനാകാത്ത സൃഷ്ടികൾക്ക് ചൊല്ലുന്നതും വ്യക്തികൾക്കും ബിസിനസുകൾക്കും വാണിജ്യ മൂല്യമുള്ളതായ അവയ്ക്കും ചേടങ്ങുള്ളതാണ്.

ചോദ്യങ്ങൾ:

• ശേഖരിച്ച ഡേറ്റാ ഉപയോക്താവിനോ ബിസിനസ്സിനോ വാണിജ്യ മൂല്യമുണ്ടായിരുന്നോ?
• ഉപയോക്താവിന് ഇവിടെ ബൗദ്ധിക സ്വത്തവകാശമുണ്ടോ?
• സംഘടനയ്ക്ക് ഇവിടെ ബൗദ്ധിക സ്വത്തവകാശമുണ്ടോ?
• ഈ അവകാശങ്ങൾ ഉണ്ടെങ്കിൽ, ഞങ്ങൾ അവ സുരക്ഷിതമാക്കിയിരിക്കുന്നത് എങ്ങനെ?

2.4 ഡേറ്റാ സ്വകാര്യത

ഡേറ്റാ സ്വകാര്യത അല്ലെങ്കിൽ വിവര സ്വകാര്യത വ്യക്തിഗത തിരിച്ചറിയാവുന്ന വിവരങ്ങളുമായി ബന്ധപ്പെട്ട് ഉപയോക്തൃ സ്വകാര്യതയും അവരുടേത് കാത്തുസൂക്ഷിക്കലും ആണ്.

ചോദ്യങ്ങൾ:

• ഉപയോക്താക്കളുടെ (വ്യക്തിഗത) ഡേറ്റാ ഹാക്കിംഗിൽ നിന്നും ചോർച്ചകളിൽ നിന്നും സുരക്ഷിതമാണോ?
• ഡേറ്റ ഇതുവരെ അധികാരമുള്ള ഉപയോക്താക്കളിൽ മാത്രമാണ് കൈവശം വെക്കുന്നത്?
• ഡേറ്റ പങ്കുവച്ചു പടർന്നപ്പോൾ ഉപയോക്തൃ അനോണിമിറ്റി സംരക്ഷിക്കപ്പെട്ടിട്ടുണ്ടോ?
• ഉപയോക്താവിനെ അനോണിമാകൃത ഡേറ്റാസെറ്റുകളിൽ നിന്ന് തിരിച്ചറിയാനാകുമോ?

2.5 മറക്കാനുള്ള അവകാശം

മറക്കാനുള്ള അവകാശം അല്ലെങ്കിൽ ഇറുപാട് അവകാശം ഉപയോക്താക്കൾക്ക് അധിക സുരക്ഷ നൽകുന്നു. പ്രത്യേക സാഹചര്യങ്ങളിൽ, ഉപയോക്താക്കൾക്ക് അവരുടെ വ്യക്തിഗത ഡേറ്റായുള്ള ഇന്റർനെറ്റ് തിരച്ചിലും മറ്റ് ഇടങ്ങളിലുള്ള ഡേറ്റ ഒഴിവാക്കുന്നതിനും ഇല്ലാതാക്കുന്നതിനും ആവശ്യപ്പെടാനുള്ള അവകാശം നൽകുന്നു - മുമ്പത്തെ പ്രവർത്തനങ്ങൾ കാരണം മോശം അനുഭവം കൂടാതെ പുതിയ തുടക്കത്തിന് അവസരം നൽകുന്നു.

ചോദ്യങ്ങൾ:

• സിസ്റ്റത്തിൽ ഡേറ്റാ വിഷയങ്ങൾക്ക് ഇറിവാക്കലിനായുള്ള അപേക്ഷിപ്പിക്കാൻ കഴിയുമോ?
• ഉപയോക്തൃ സമ്മതം പിന്മറ്റു പോയാൽ ഓട്ടോമേറ്റഡ് പോലെ ഡേറ്റ നീക്കം ചെയ്യണോ?
• ഡേറ്റ സമ്മതവിഹീനമായി അല്ലെങ്കിൽ നിയമ വിരുദ്ധ മാർഗങ്ങളിലൂടെ ശേഖരിച്ചതാണ്?
• നാം സർക്കാർ ഡേറ്റാ സ്വകാര്യത ചട്ടങ്ങൾ പാലിക്കുന്നുണ്ടോ?

2.6 ഡേറ്റാസെറ്റ് പക്ഷപാതം

ഡേറ്റാസെറ്റ് അല്ലെങ്കിൽ സംഗ്രഹ പക്ഷപാതം എന്നത് ആൽഗോരിതം വികസനത്തിനായി പ്രതിനിധിയല്ലാത്ത ഡേറ്റാ സെറ്റ് തിരഞ്ഞെടുക്കുന്നതാണ്, ഇതു മൂലം വിവിധ ഗ്രൂപ്പുകളുടെ ഫലം അനീതിപൂർവ്വമായാകാൻ ഇടയുണ്ടാകും. പക്ഷപാത തരം തിരഞ്ഞെടുപ്പ്/സാമ്പിൾ എടുത്തൽ പക്ഷപാതം, സന്നദ്ധ പങ്കാളിത്ത പക്ഷപാതം, ഉപകരണം നഷ്ടം എന്നിവയുമാണ്.

ചോദ്യങ്ങൾ:

• നാം പ്രതിനിധീകരണമുള്ള ഡേറ്റാ വിഷയങ്ങളെ തെരഞ്ഞെടുക്കുകയുണ്ടായോ?
• നാം ശേഖരിച്ച ഡേറ്റാ സെറ്റ് വിവിധ തരത്തിലുള്ള പക്ഷപാതങ്ങൾക്കായി പരീക്ഷിച്ചോ?
• കണ്ടെത്തിയ ഏതുവിധത്തേയും പക്ഷപാതങ്ങൾ കുറയ്ക്കാനോ നീക്കം ചെയ്യാനോ കഴിയുമോ?

2.7 ഡേറ്റാ ഗുണമേന്മ

ഡേറ്റാ ഗുണമേന്മ ആൽഗോരിതങ്ങൾ വികസിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഡേറ്റാ സെറ്റിന്റെ സാധുത പരിശോധിക്കുന്നു, നമ്മുടെ AI ഉദ്ദേശ്യത്തിനായി ആവശ്യമായ കൃത്യതയും സാന്ദ്രതയും പൂർണ്ണമെന്നുറപ്പാക്കുന്നു.

ചോദ്യങ്ങൾ:

• ഞങ്ങൾ ഉപയോഗിക്കുവാൻ സാധുവായ ഫീച്ചറുകൾ ശേഖരിച്ചോ?
• വ്യത്യസ്ത ഡേറ്റാ ഉറവിടങ്ങളിൽ സാധാരണയായി ഡേറ്റ ശേഖരിച്ചോ?
• വ്യത്യസ്ത സാഹചര്യങ്ങളിലെയും അനുഭവങ്ങളിലെയും ഡേറ്റാസെറ്റ് പരിപൂർണ്ണമാണോ?
• യാഥാർത്ഥ്യം പ്രതിഫലിപ്പിക്കുന്നതിൽ വിവരങ്ങൾ കൃത്യമായി ശേഖരിച്ചിട്ടുണ്ടോ?

2.8Algorithm Fairness

Algorithm Fairness പിൻവലിക്കൽ (അവസാനിക്കുന്നത്) ചില ഡാറ്റാ സബ്‌ഗ്രൂപ്പുകളെ എതിര്‍വത്തൊക്കുന്നയാക്കിയാല്‍ ഉത്തരവാദിത്വം കാണിക്കുന്നു എന്നു പരിശോധിക്കുന്നു, ഇത് ഓർത്ത് വിനിയോഗം (അതായത് ആ ഗ്രൂപ്പിൽ നിന്നുള്ള സ്രോതസ്സുകൾ നിഷേധിക്കപ്പെടുകയോ, തടയപ്പെടുകയോ ചെയ്യപ്പെടുന്നത്) ഉം സേവന ഗുണമേന്മ (AI ചില സബ്‌ഗ്രൂപ്പുകൾക്ക് മറ്റുള്ളവർക്കുള്ളതിനേക്കാൾ ശരിയായി പ്രവർത്തിക്കത്തക്കതല്ല) ഉം ഉള്ള സാധ്യതയുള്ള ദോഷങ്ങൾ ഉണ്ടാക്കുന്നു.

ഇവിടെയുള്ള പരിശോദന ചോദ്യങ്ങൾ:

• വ്യത്യസ്ത സബ്‌ഗ്രൂപ്പുകൾക്കും സാഹചര്യങ്ങൾക്കും മോഡൽ കൃത്യത വിലയിരുത്തിയോ?
• സിസ്റ്റത്തിൽ സാധ്യതയുള്ള ദോഷങ്ങൾ (ഉദാ: സ്റ്റീരിയോ ടൈപ്പിങ്) ചോദ്യം ചെയ്തോ?
• കണ്ടെത്തിയ ദോഷങ്ങൾ കുറയ്ക്കാൻ ഡാറ്റ തിരുത്തുകയോ മോഡലുകൾ പുനർപരിശീലിക്കുകയോ ചെയ്യാമോ?

കൂടുതൽ പഠിക്കാൻ AI ന്യായപരിശോധന ലിസ്റ്റുകൾ പരിശോധിക്കുക.

2.9 തെറ്റായ പ്രതിനിധാനം

ഡാറ്റ തെറ്റായ പ്രതിനിധാനം നമ്മുടെ മനസ്സിലുള്ള കൃത്യമായ ഡാറ്റയിൽ നിന്ന് ലഭിച്ച അർത്ഥങ്ങൾ വഞ്ചനാപരമായി പ്രചരിപ്പിക്കുന്നുണ്ടോ എന്ന് ചിന്തിക്കുന്നു, ഒരു ഉദ്ദേശിച്ച കഥാവസ്തുവിനെ പിന്തുണയ്ക്കാൻ.

ഇവിടെയുള്ള ചോദ്യങ്ങൾ:

• നാം അപൂർണ്ണമോ തെറ്റായ ഡാറ്റ റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ?
• നാം തെറ്റിദ്ധാരണയുണ്ടാക്കുന്ന രീതിയിലുള്ള ഡാറ്റാ ദൃശ്യീകരണം നടത്തുകയോ?
• ഫലം മാനിപ്പുലേറ്റ് ചെയ്യുന്നതിനായി തെരഞ്ഞെടുക്കപ്പെട്ട സ്റ്റാറ്റിസ്റ്റിക്കൽ എന്ന രീതികൾ ഉപയോഗിച്ചിട്ടുണ്ടോ?
• വ്യത്യസ്തമായ മറ്റൊരു വ്യാഖ്യാനം ഉണ്ടാവാമോ?

2.10 സ്വതന്ത്ര തിരഞ്ഞെടുപ്പ്

സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം സംഭവിക്കുന്നത് സിസ്റ്റം "തിരഞ്ഞെടുപ്പ് ഘടനകൾ" തീരുമാനമെടുക്കൽ ആൽഗോറിതങ്ങൾ ഉപയോഗിച്ച് ആളുകളെ ഒരു ഇഷ്ടാനുസൃത ഫലത്തിനെ സമീപിപ്പിക്കുന്ന രീതിയിലാണ്, അവർക്ക് തിരഞ്ഞെടുപ്പുകളും നിയന്ത്രണവും നൽകിയതുപോലെ തോന്നിപ്പോകുന്നു. ഈ ഡാർക്ക് പാറ്റേണുകൾ ഉപയോക്താക്കൾക്ക് സാമൂഹ്യ-ആർഥിക ദോഷങ്ങൾ സൃഷ്ടിക്കാം. ഉപയോക്തൃ തീരുമാനങ്ങൾ പെരുമാറ്റ പ്രൊഫൈലുകളിൽ സ്വാധീനിക്കുന്നതിനാൽ, ഈ പ്രവൃത്തികൾ ഭാവിയിലെ തിരഞ്ഞെടുപ്പുകളെ ബാധിക്കുകയും ഇത്തരം ദോഷങ്ങൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യും.

ഇവിടെയുള്ള ചോദ്യം:

• തിരഞ്ഞെടുപ്പ് ചെയ്യുന്നതിന്റെ ആവശ്യകത ഉപയോക്താവ് മനസ്സിലാക്കിയോ?
• ഉപയോക്താവ് (മറുകുറ്റി) തിരഞ്ഞെടുപ്പുകളും ഓരോതിന്റെയും ഗുണദോഷങ്ങളും അറിഞ്ഞിട്ടുണ്ടോ?
• ഉപയോക്താവ് പിന്നീട് സ്വയം ഓട്ടോമേറ്റഡ് അല്ലെങ്കിൽ സ്വാധീനിക്കപ്പെട്ട തിരഞ്ഞെടുപ്പ് തിരുത്താൻ കഴിയുമോ?

3. കേസ് സ്റ്റഡികൾ

ഈ തത്ത്വചിന്തനപരമായ വെല്ലുവിളികൾ യാഥാർത്ഥ്യ ജീവിത സാഹചര്യങ്ങളിൽ എങ്ങനെ കാണപ്പെടുന്നു എന്നത് മനസ്സിലാക്കാൻ, വ്യക്തികളുടെയും സമൂഹത്തിന്റെയും പാതിവഴികളിലും ആഘാതങ്ങളിലും ശ്രദ്ധ പറച്ചിലുകൾ നടത്തുക ഉപകരിക്കുന്നു.

ചുരുക്കപ്പെട്ട ഉദാഹരണങ്ങൾ:

നൈതിക വെല്ലുവിളി	കേസ് സ്റ്റഡി
ജ്ഞാനപരമായ സമ്മതമോ	1972 - Tuskegee Syphilis Study - അവസരത്തിൽ పాల్గൊണ്ട ആഫ്രിക്കൻ അമേരിക്കൻ പുരുഷന്മാരെ സൗജന്യ മെഡിക്കൽ പരിചരണ വാഗ്ദാനം നൽകിയിട്ടുണ്ടെങ്കിലും, ഗവേഷകരുടെ വിചാരത്തിൽ കൃത്യമായി രോഗനിർണയം സംബന്ധിച്ച് അറിയിക്കാതെയും ചികിത്സ ലഭ്യമാണെന്നു വിവരിക്കാതെയും വഞ്ചനം. പലരെ മരണപ്പെട്ടു, അവരുടെ പങ്കാളികളെയും കുട്ടികളെയും ബാധിച്ചു; 40 വർഷമായി നീണ്ട പഠനം.
ഡാറ്റാ സ്വകാര്യത	2007 - Netflix ഡാറ്റാ പ്രൈസ് ഗവേഷകർക്ക് 10M അനാമികമായ മൂവി റാങ്കിംഗുകൾ 50K ഉപഭോക്താക്കളിൽ നിന്ന് നൽകിയത് ശുപാർശ ആൽഗോറിതങ്ങൾ മെച്ചപ്പെടുത്താൻ. പക്ഷേ, ഗവേഷകർ അനാമിക ഡാറ്റ പുറത്തെ ഡാറ്റാ സെറ്റുകളുമായി (ഉദാ: IMDb കമന്റുകൾ) ബന്ധിപ്പിച്ച് ചില Netflix ഉപഭോക്താക്കളെ "ഡീ-അനോമൈമൈസുചെയ്‌തു".
സംഗ്രഹത്തിൽ പക്ഷപാതം	2013 - ബോസ്റ്റൺ നഗരം Street Bump ആപ്പ് വികസിപ്പിച്ചു, പാതയിലെ ഖഡ്ഡുകൾ റിപ്പോർട്ട് ചെയ്യാൻ; നഗരത്തിന് റോഡിനിലുള്ള പ്രശ്നങ്ങൾ കണ്ടെത്താനും പരിഹരിക്കാനും സഹായം. ಆದರೂ, കൃപയുള്ള വരുമാന വിഭാഗത്തിലെ ആളുകൾക്ക് കാറിംഗും ഫോണുകളും കുറവ് ഉണ്ടായിരുന്നു, ഈ ആപ്പിൽ അവരുടെ റോഡിലെ പ്രശ്നങ്ങൾ കാണാനായില്ല. ഡെവലപ്പർമാർ അക്കാദമികരുമായി ചേർന്ന് സമതുല്യ ആക്സസ്, ഡിജിറ്റൽ വിഴുങ്ങലുകൾ പരിഹരിക്കാൻ ജോലി ചെയ്തു.
ആൽഗോറിതം നിഷ്പക്ഷത	2018 - MIT Gender Shades Study ലിംഗ വർഗ്ഗീകരണ AI ഉൽപ്പന്നങ്ങളുടെ കൃത്യത പരിശോധിച്ചു, സ്ത്രീകൾക്കും വർണ്ണക്കാർക്കും കൃത്യത കുറവുള്ളതായി കണ്ടെത്തി. 2019-ലെ ആപ്പിൾ കാർഡ് സ്ത്രീകളെ കുറച്ച് ക്രെഡിറ്റ് നൽകി. രണ്ട് കേസുകളും ആൾഗോരിധം വ്യത്യാസങ്ങൾ സോഷ്യോ-ആർത്ഥിക ദോഷങ്ങൾ ഉളവാക്കുന്നതായി കാണിച്ചു.
ഡാറ്റാ തെറ്റായ പ്രതിനിധാനം	2020 - ജോർജിയാ പൊതു ആരോഗ്യ വകുപ്പിൽ COVID-19 ചാർട്ടുകൾ പുറത്തിറങ്ങി, സ്ഥിരീകരിച്ച കേസുകളിൽ ട്രെൻഡുകളിൽ തെറ്റായ ധാരണ ഉണ്ടാക്കിയത് X-അക്സിസിൽ ക്രമരഹിത ക്രമീകരണങ്ങൾ കാരണം. ഇത് ദൃശ്യീകരണ തന്ത്രങ്ങളെ 통한 മിഥ്യ പ്രതിനിധാനത്തിന്റെ ഉദാഹരണമാണ്.
സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം	2020 - പഠന ആപ്പ് ABCmouse $10M FTC പരാതി തീർക്കാൻ നൽകിയിട്ടുണ്ട് മാതാപിതാക്കൾക്ക് പിർവ്വതി റദ്ദാക്കാനാകാത്ത സബ്സ്ക്രിപ്ഷനുകൾക്ക് അടവായത്. ഉപയോക്താക്കളെ ഹാനികരമായ തിരഞ്ഞെടുപ്പുകളിലേക്കു നയിക്കുന്ന ഡാർക് പാറ്റേണുകളുടെ ഉദാഹരണം.
ഡാറ്റാ സ്വകാര്യത & ഉപയോക്തൃ അവകാശങ്ങൾ	2021 - Facebook ഡാറ്റാ ലംഘനം 530 മില്യൺ ഉപയോക്താക്കളിൽ നിന്നുള്ള ഡാറ്റാ പുറത്തു വിട്ടു, FTC-ക്ക് $5B സ്ഥിരീകരണം. എന്നാൽ, ഉപയോക്താക്കളെ ഇതിനെ കുറിച്ച് അറിയിക്കാത്തത്, ഉപയോക്തൃ അവകാശങ്ങൾ ലംഘിച്ചുവെന്ന് ആയി.

കൂടുതൽ കേസ് സ്റ്റഡികളറിയാൻ:

• Ethics Unwrapped - വ്യത്യസ്ത വ്യവസായങ്ങളിൽ നൈതിക തെറ്റുകൾ.
• ഡാറ്റാ സയൻസ് നൈതിക പഠന കോഴ്‌സ് - ലാൻഡ് മാർക് കേസ് സ്റ്റഡികൾ.
• എവിടെയാണ് കാര്യങ്ങൾ തെറ്റിയ地点 - deon ചെക്ക്ലിസ്റ്റുമായി ഉദാഹരണങ്ങൾ.

🚨 നിങ്ങൾ കണ്ട കേസ് സ്റ്റഡികളായുള്ളത് പരിഗണിക്കുക - നിങ്ങളുടെ ജീവിതത്തിൽ സമാനമായ നൈതിക വെല്ലുവിളികൾ അനുഭവപ്പെട്ടിട്ടുണ്ടോ? ഈ വിഭാഗത്തിൽ ചര്‍ച്ചചെയ്‌ത നൈതിക വെല്ലുവിളികളിൽ ഒന്നിനെ പ്രതിനിധാനം ചെയ്യുന്ന മറ്റ് ഒരു കേസ് സ്റ്റഡി എങ്കിൽ ഓർക്കാമോ?

പ്രയോഗിക്കപ്പെട്ട നൈതികത

നാം തത്ത്വചിന്തനങ്ങളുടെ ആശയങ്ങൾ, വെല്ലുവിളികൾ, കേസ് സ്റ്റഡികളുമായി യാഥാർഥ്യ ജീവിത സാഹചര്യങ്ങളിൽ ചർച്ച ചെയ്തു. എന്നാൽ നാം എങ്ങനെ പ്രോജക്റ്റുകളിൽ നൈതിക സിദ്ധാന്തങ്ങൾ പ്രയോഗിക്കുകയും, ഈ രീതികളെ മെച്ചപ്പെട്ട ഭരണത്തിനായി എങ്ങനെ പ്രവർത്തനഘടനയാക്കുകയും ചെയ്യാം? ചില യാഥാർത്ഥ്യപരമായ പരിഹാരങ്ങൾ അന്വേഷിക്കാം:

1. പ്രൊഫഷണൽ കോഡുകൾ

പ്രൊഫഷണൽ കോഡുകൾ സംഘടനകൾക്ക് അംഗങ്ങളെ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളും ദൗത്യം പ്രസ്താവനയും പിന്തുണയ്ക്കാൻ "പ്രേരിപ്പിക്കുന്ന" ഒരു മാർഗം നൽകുന്നു. കോഡുകൾ പ്രൊഫഷനൽ പെരുമാറ്റത്തിന് ഒരു മൗലിക മാർഗനിർദ്ദേശങ്ങളാണ്, ജീവനക്കാർക്ക് അല്ലെങ്കിൽ അംഗങ്ങൾക്ക് അവരുടെ സംഘടനയുടെ സിദ്ധാന്തങ്ങൾ അനുസരിച്ച് തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നത്. അംഗങ്ങളുടെ സന്നിധാനോദ്ഗ്രഹണത്തിന്റെ അടിസ്ഥാനത്തിലാണ് ഇത് ഭാവുകത്തരം; പക്ഷേ, പല സംഘടനകളും അംഗങ്ങൾ കൂട്ടിച്ചേർന്ന് പാലിക്കാനുള്ള പ്രേരണകൾക്കും ശിക്ഷകൾക്കും അനുയായമാണ് നൽകുന്നത്.

ഉദാഹരണങ്ങൾ:

• Oxford Munich നൈതിക കോഡ്
• Data Science Association പെരുമാറ്റ കോഡ് (2013-ൽ രൂപകൽപന)
• ACM Code of Ethics and Professional Conduct (1993 മുതൽ)

🚨 നിങ്ങൾ പ്രൊഫഷണൽ എഞ്ചിനീയറിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ സയൻസ് സംഘടനയിലൊന്നിന്റേതാണോ? അവയുടെ സൈറ്റ് പരിശോധിച്ച് അവർ പ്രൊഫഷണൽ നൈതിക കോഡ് നിർവ്വചിക്കുമോ എന്ന് കാണുക. അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളെ കുറിച്ച് എന്താണ് പറയുന്നത്? അംഗങ്ങളെ കോഡ് പാലിക്കാൻ എങ്ങനെ "പ്രേരിപ്പിക്കുന്നു"?

2. നൈതിക ചെക്ക്ലിസ്റ്റുകൾ

പ്രൊഫഷണൽ കോഡുകൾ പ്രാവർത്തകർ നിന്നിലെ ആവശ്യമായ നൈതിക പെരുമാറ്റം നിർവ്വചിക്കുന്നുണ്ടെങ്കിലും, അവയിൽ പ്രവർത്തനപരമായി ചില പരിമിതികൾ ഉണ്ടെന്ന് തിരിച്ചറിഞ്ഞിരിക്കുന്നു, പ്രത്യേകിച്ച് വലിയ പ്രോജക്റ്റുകളിൽ. പകരം, പല ഡാറ്റാ സയൻസ് വിദഗ്ധരും ചെക്ക്ലിസ്റ്റുകൾക്ക് പിന്തുണ നൽകുന്നു, ഇത് സിദ്ധാന്തങ്ങൾ പ്രായോഗികമായി ബന്ധിപ്പിക്കാൻ സഹകരിക്കുന്ന, നിർണായകവും പ്രവർത്തനക്ഷമവുമായ മാർഗ്ഗം.

ചെക്ക്ലിസ്റ്റുകൾ ചോദ്യങ്ങളെ "അതോ/ഇല്ല" പ്രവർത്തികളും പുറത്തിറക്കുന്നു, അവ പ്രോഡക്ട് റിലീസ് വർക്ക്‌ഫ്ലോകളുടെ ഭാഗമായി ട്രാക്ക് ചെയ്യാനാകും.

ഉദാഹരണങ്ങൾ:

• Deon - വ്യവസായ ശുപാർശകളിൽ നിന്നുള്ള ഇന്ത്യാലുടെ നിര്‍ദ്ദേശങ്ങളുടെ അടിസ്ഥാനത്തിലുണ്ടാക്കപ്പെട്ട ഒരു പൊതുവായി ഉപയോഗിക്കാവുന്ന ഡാറ്റാ നൈതിക ചെക്ക്ലിസ്റ്റ്, command-line ടൂൾ കൂടിയുള്ള എളുപ്പമായ ඒകീകരണത്തിന്.
• Privacy Audit Checklist - നിയമപരവും സാമൂഹികാവകാശപരവുമായ വിവര സംസ്ക്കരണ രീതികളിൽ പൊതുവായ മാർഗ്ഗ നിർദ്ദേശങ്ങൾ നൽകുന്നു.
• AI Fairness Checklist - AI വികസന ചക്രങ്ങളിലേക്കുള്ള ന്യായപരിശോധനയുടെ സ്വീകരണത്തിനും സംയോജിപ്പിക്കുന്നതിനും AI പ്രാവർത്തകർ ഒരുക്കിയതാണ്.
• ഡാറ്റയും AI-യും സംബന്ധിച്ച 22 നൈതിക ചോദ്യങ്ങൾ - കൂടുതല്‍ തുറന്ന രൂപത്തിലുള്ള ഫ്രെയിംവർക്ക്, ഡിസൈൻ, നടപ്പാക്കൽ, സംഘടനാ പരിസരങ്ങളിൽ നൈതിക പ്രശ്നങ്ങളുടെ പ്രാഥമിക പരിശോധനയ്ക്ക്

3. നൈതികനിയമങ്ങൾ

നൈതികത ആഭ്യന്തര മൂല്യങ്ങൾ നിർവചിച്ച് ശരിയായ കാര്യങ്ങൾ സ്വമേധയാ ചെയ്യൽ സംബന്ധിച്ചുവെങ്കിലും, അനുകൂലനം നിർദ്ദിഷ്ട നിയമം പാലിക്കുകയാണ്. ഭരണകൂടം എന്നത് സ്ഥാപനങ്ങൾ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങൾ പ്രാബല്യത്തിലാക്കാനുള്ള എല്ലാ മാർഗങ്ങളും, അവർ പാലിക്കേണ്ട നിയമങ്ങൾക്കും അനുസൃതമായി പ്രവർത്തിക്കുന്നതുമാണ്.

ഇന്ന്, ഭരണകൂടം രണ്ട് രൂപങ്ങളിൽ സ്ഥാപനങ്ങളിൽ ആണ്. ഒന്നാമതായാണ് നീതിമാനായ AI സിദ്ധാന്തങ്ങൾ നിർവ്വചിച്ച് എല്ലാ AI പ്രൊജക്റ്റുകളിലും സ്വീകാര്യത പ്രാബല്യമാക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങളുണ്ടാകുന്നത്. രണ്ടാമതായി, അവരുടെ പ്രവർത്തന മേഖലകളിലുള്ള സർക്കാരിന്റെ പിൻവലിച്ച ഡാറ്റാ സംരക്ഷണനിയമങ്ങൾ പാലിക്കേണ്ടതായിരിക്കുന്നു.

ഡാറ്റ സംരക്ഷണ, സ്വകാര്യതാ നിയമങ്ങളുടെ ഉദാഹരണങ്ങൾ:

• 1974, US Privacy Act - ഫെഡറൽ സർക്കാർ വ്യക്തിഗത വിവരങ്ങളുടെ ശേഖരണം, ഉപയോഗം, വെളിപ്പെടുത്തൽ നിയന്ത്രിക്കുന്നു.
• 1996, US Health Insurance Portability & Accountability Act (HIPAA) - വ്യക്തിഗത ആരോഗ്യ ഡാറ്റ സംരക്ഷിക്കുന്നു.
• 1998, US Children's Online Privacy Protection Act (COPPA) - 13 വയസിന് താഴെയുള്ള കുട്ടികളുടെ ഡാറ്റാ സ്വകാര്യത സംരക്ഷിക്കുന്നു.
• 2018, General Data Protection Regulation (GDPR) - ഉപയോക്തൃ അവകാശങ്ങൾ, ഡാറ്റ സംരക്ഷണം, സ്വകാര്യത ഡി ആണ്.
• 2018, California Consumer Privacy Act (CCPA) ഉപഭോക്താക്കൾക്ക് അവരുടെ (വ്യക്തിഗത) ഡാറ്റയിൽ കൂടുതൽ അവകാശം നൽകുന്നു.
• 2021, ചൈനയുടെ Personal Information Protection Law പുതിയത് അനുവദിച്ചാണ്ട്, ലോകത്ത് ഏറ്റവും കഠിനമായ ഓൺലൈൻ ഡാറ്റാ സ്വകാര്യതാ നിയമങ്ങളിലൊന്നാണ്.

🚨 യൂറോപ്യൻ യൂണിയൻ നിർവ്വചിച്ച GDPR (General Data Protection Regulation) ഇന്നുമെല്ലാം ഏറ്റവും സ്വാധീനമുള്ള ഡാറ്റാ സ്വകാര്യതാ നിയമങ്ങളിലൊന്നാണ്. ഇതിൽ 8 ഉപയോക്തൃ അവകാശങ്ങൾ നും ഉൾപ്പെടുന്നു; ഇവ ഡിജിറ്റൽ സ്വകാര്യതയും വ്യക്തിഗത ഡാറ്റ സംരക്ഷണവും ഉറപ്പാക്കാൻ ആയതാണ്. ഇവയെക്കുറിച്ച് പഠിക്കൂ, എന്തിനാണിഷ് പ്രകാരമുള്ളതെന്നും.

4. നൈതികരംഗം

നാം ശ്രദ്ധിക്കുന്നത് അനുകൂലനം (നിയമത്തിന്റെ കത്ത് പാലിക്കൽ) എന്നിവയ്ക്കിടയിലുളള അദൃശ്യമായ വ്യത്യാസമാണ്, കാരണം സിസ്റ്റമാറ്റിക് പ്രശ്നങ്ങൾ (സംബന്ധമായ കനിഞ്ഞുപോകൽ, വിവര അസമത്വം, തുല്യതയുടെ ലംഘനം തുടങ്ങിയവ) AI യുടെ ആയുധമാകുവാനുള്ള പ്രക്രിയ വേഗം കൂട്ടുന്നു.

പിന്നീട്, സഹകരണ രീതികളെ പ്രയോജനംചെയ്ത്, വ്യവസായത്തിലെ വിവിധ സംഘടനകളിൽ ഒരേ പോലെ പങ്കിടുന്ന മൂല്യങ്ങളും സ്വദേശം പാടിയുള്ള ബന്ധങ്ങളും നിർമ്മിക്കുകയും ചെയ്യേണ്ടത് അനിവാര്യമാണ്. ഇതിന് കൂടുതൽ ആധികാരിക ഡാറ്റാ നൈതിക സംസ്കാരങ്ങൾ ആവശ്യമാണ് – ഏതു വ്യക്തിക്കും പ്രോജക്റ്റ് പ്രവർത്തനങ്ങളിൽ പെട്ടെന്നു നൈതിക ആശങ്ക ഉയർത്താൻ (Andon കോർഡ് പോലെ) അവകാശം നൽകുക, അടുത്തിടയിൽ ശരിയായ തെറ്റായ വിലയിരുത്തലുകളെ (ഉദാ: ഹയർ ചെയ്യുന്ന സമയത്ത്) സവിശേഷ കണിശതാ മാനദണ്ഡമാക്കുക.

---

പഠനാനന്തര ക്വിസ് 🎯

അവലോകനവും സ്വയമ്പഠനവും

നാം അഭിമുഖീകരിച്ച നൈതിക സിദ്ധാന്തങ്ങൾ, വെല്ലുവിളികൾ മനസ്സിലാക്കാൻ കോഴ്‌സുകളും പുസ്തകങ്ങളും സഹായിക്കുന്നു, جبکہ യാഥാർത്ഥ്യ ജീവിത പ്രവർത്തനങ്ങളിൽ പ്രയോഗിക്കാനുള്ള നൈതിക മേൽപ്പണികൾക്ക് കേസ് സ്റ്റഡികളും ഉപകരണങ്ങളും സഹായിക്കുന്നു. ആരംഭിക്കാൻ ചില വിഭവങ്ങൾ:

• Machine Learning For Beginners - മാന്ത്രികത സംബന്ധിച്ച പാഠം, Microsoft-ൽ നിന്നുള്ളതാണ്.
• സംബന്ധപ്പെട്ട AI ന്റെ തത്വങ്ങൾ - Microsoft Learn ന്റെ സൗജന്യ പഠന പാത.
• നീതിശാസ്ത്രവും ഡാറ്റാ സയൻസും - O'Reilly eBook (M. Loukides, H. Mason et. al)
• ഡാറ്റാ സയൻസ് നीतിശാസ്ത്രം - മിഷിഗൺ സർവകലാശാലയിൽ നിന്ന് ഓൺലൈൻ കോഴ്‌സ്.
• Ethics Unwrapped - ടെക്സാസ് സർവകലാശാലയുടെ കേസ് സ്റ്റഡികൾ.

അസൈൻമെന്റ്

ഡാറ്റാ നയതന്ത്ര കേസ് സ്റ്റഡി രചിക്കുക

---

അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.