History

localizeflow[bot] f3d88f4823 chore(i18n): sync translations with latest source changes (chunk 1/1, 7 changes)		3 weeks ago
..
README.md	chore(i18n): sync translations with latest source changes (chunk 1/1, 7 changes)	3 weeks ago
assignment.md	chore(i18n): sync translations with latest source changes (chunk 1/1, 213 changes)	6 months ago

README.md

डेटा एथिक्स परिचय


डेटा सायन्स एथिक्स - @nitya कडून स्केचनोट

आपण सर्व डेटा-निवासी आहोत जे डेटा-केंद्रित जगात राहतो.

मार्केट ट्रेंड्सनुसार, २०२२ पर्यंत, ३ पैकी १ मोठ्या संस्थांनी आपला डेटा ऑनलाइन मर्केटप्लेस आणि एक्सचेंजेस द्वारे विकत घेणे आणि विकणे सुरू केले असेल. म्हणून अ‍ॅप डेव्हलपर्स म्हणून, डेटा-आधारित अंतर्दृष्टी आणि अल्गोरिदम-चालित ऑटोमेशन रोजच्या वापरकर्त्यांच्या अनुभवात समाकलित करणे सोपे आणि स्वस्त होईल. पण AI व्यापक होत असताना, त्याच अल्गोरिदमच्या शस्त्रीकरणाचा प्रमाण मोठ्या प्रमाणात होण्यामुळे होणार्‍या संभाव्य हानिंचीदेखील आपल्याला समजून घ्यावी लागेल.

ट्रेंड्सनुसार, २०२५ पर्यंत आपण १८० झेटाबाइट्स पेक्षा अधिक डेटा उत्पादित व वापरू. डेटा सायंटिस्ट्स साठी, ही माहितीच्या या विस्फोटाने वैयक्तिक व वर्तनात्मक डेटावर अभूतपूर्व प्रवेश उपलब्ध केला आहे. यामुळे तपशीलवार वापरकर्ता प्रोफाइल्स तयार करण्याची व निर्णयांवर सूक्ष्मपणे प्रभाव टाकण्याची शक्ती प्राप्त होते—जे अनेकदा मुक्त निवडीची भ्रमनिर्मिती करतात. या शक्तीचा वापर प्राधान्यित परिणामाकडे वापरकर्त्यांना लावताना होऊ शकतो, पण यात डेटा गोपनीयता, स्वायत्तता आणि अल्गोरिदमिक प्रभावाच्या नैतिक मर्यादांबाबत महत्त्वाचे प्रश्न तयार होतात.

डेटा एथिक्स आता डेटा सायन्स आणि अभियांत्रणासाठी आवश्यक रस्ता-बाधा आहेत, जे आपल्याला संभाव्य हानिंचा व अनपेक्षित परिणामांचा शमन करण्यास मदत करतात. गार्टनर हायप सायकल फॉर AI डिजिटल एथिक्स, जबाबदार AI व AI प्रशासनातील संबंधित ट्रेंड्सना ओळखतो जे AI च्या लोकशाहीकरण आणि औद्योगिकीकरण च्या मोठ्या मेगाट्रेंड्सचे मुख्य चालक आहेत.

या धड्यात आपण डेटा एथिक्स च्या मोहक क्षेत्राचा अभ्यास करू - मुख्य संकल्पना आणि आव्हाने, प्रकरण अभ्यास व लागू AI संकल्पना जसे की प्रशासन - जे संघ व संस्थांमध्ये डेटा व AI सह कार्य करताना एथिक्स संस्कृती निर्माण करण्यात मदत करतात.

पूर्व-वाचन क्विझ 🎯

मूलभूत व्याख्याएँ

आपण मूलभूत शब्दसंग्रह समजून घेऊन सुरुवात करू.

"एथिक्स" शब्द ग्रीक शब्द "ethikos" (आणि त्याचा मूळ "ethos") पासून आलेला आहे, ज्याचा अर्थ चरित्र किंवा नैतिक स्वभाव असा होतो.

एथिक्स म्हणजे आपल्या समाजातील वर्तणुकीला मार्गदर्शन करणाऱ्या सामायिक मूल्ये आणि नैतिक तत्त्वे. एथिक्स कायद्यांवर नाही तर जे "योग्य व चुकीचे" म्हणून रुजलेले आहे त्यावर आधारित असते. मात्र, नैतिक विचारणे कॉर्पोरेट प्रशासन उपक्रमांना आणि शासकीय नियमांनाही प्रभावित करू शकतात ज्यामुळे पालन करण्यासाठी अधिक प्रोत्साहने तयार होतात.

डेटा एथिक्स ही एथिक्सची नवीन शाखा आहे जी "डेटा, अल्गोरिदम आणि संबंधित व्यवहारांशी संबंधित नैतिक समस्या" यांचा अभ्यास करते व मूल्यांकन करते. येथे, "डेटा" निर्मिती, नोंदणी, संकलन, प्रक्रिया, प्रसार, सामायिकरण आणि वापराशी संबंधित क्रियांवर केंद्रित आहे, "अल्गोरिदम" AI, एजंट्स, मशीन लर्निंग, आणि रोबोट्सवर लक्ष केंद्रित करतो, आणि "व्यवहार" जबाबदार नवोन्नती, प्रोग्रामिंग, हॅकिंग, आणि एथिक्स कोड्स सारखे विषय हाताळतात.

लागू एथिक्स म्हणजे नैतिक विचारांचे व्यावहारिक लागू करणे. हा हा प्रक्रिया आहे जी प्रत्यक्ष जगाच्या क्रिया, उत्पादने व प्रक्रियांच्या संदर्भात नैतिक समस्यांचा अभ्यास करते व आवश्यक ते सुधारात्मक उपाय करते जेणेकरून ते आपल्या परिभाषित नैतिक मूल्यात अनुरूप राहतील.

एथिक्स संस्कृती म्हणजे लागू एथिक्सची कार्यान्वितीकरण, ज्या द्वारे आपल्या नैतिक तत्त्वे व व्यवहार एकसंध आणि प्रमाणबद्ध पद्धतीने संपूर्ण संस्थेत स्वीकारले जातात याची खात्री केली जाते. यशस्वी एथिक्स संस्कृती संस्थान्वयीन नैतिक तत्त्वांची व्याख्या करतात, पालनासाठी अर्थपूर्ण प्रोत्साहने पुरवतात, आणि संस्थेच्या प्रत्येक स्तरावर प्रवृत्तींना प्रोत्साहन देऊन एथिक्सचे नियम मजबूत करतात.

एथिक्स संकल्पना

या विभागात आपण डेटा एथिक्ससाठी सामायिक मूल्ये (तत्त्वे) आणि नैतिक आव्हाने (समस्या) यांसारख्या संकल्पनांवर चर्चा करू - आणि प्रकरण अभ्यास पाहू जे तुम्हाला या संकल्पना प्रत्यक्ष जगात कशा अर्थपूर्ण ठरतात हे समजावून देतील.

१. एथिक्स तत्त्वे

प्रत्येक डेटा एथिक्स धोरण नैतिक तत्त्वे परिभाषित करण्यापासून सुरू होते - ज्या "सामायिक मूल्यांनी" स्वीकारार्ह वर्तन स्पष्ट होते, आणि अनुपालन व्यवहारांना मार्गदर्शन मिळते, आपल्या डेटा व AI प्रकल्पांसाठी. तुम्ही हे वैयक्तिक किंवा संघ स्तरावर निश्चित करू शकता. मात्र, अनेक मोठ्या संस्था हे कॉर्पोरेट स्तरावर परिभाषित केलेल्या नैतिक AI मिशन स्टेटमेंट किंवा फ्रेमवर्कमध्ये ठरवून संपूर्ण टीम्सवर सुसंगतपणे अंमलात आणतात.

उदाहरण: मायक्रोसॉफ्टचा जबाबदार AI मिशन स्टेटमेंट म्हणतो: "आम्ही मानवी प्रथम प्राधान्य द्यालेल्या नैतिक तत्त्वांनी प्रेरित AI च्या प्रगतीसाठी कटिबद्ध आहोत" - ज्यामध्ये खाली दिलेला ६ नैतिक तत्त्वांचा समावेश आहे:

चला थोडक्यात या तत्त्वांचा अभ्यास करूयात. पारदर्शकता आणि जबाबदारी मूलभूत मूल्ये आहेत ज्यावर बाकी तत्त्वे बांधलेली आहेत - तर चला तिथून सुरू करूया:

जबाबदारी म्हणजे डेटा व AI ऑपरेशन्स आणि या नैतिक तत्त्वांचे पालन करण्यासाठी करणाऱ्यांना जबाबदार ठरविणे.
पारदर्शकता म्हणजे डेटा व AI कृती समजण्याजोग्या (व्याख्यायोग्य) असाव्यात, निर्णयांमागील काय आणि का स्पष्ट करणे.
न्याय्यपणा - AI सर्व लोकांशी न्याय्य वागेल याची खात्री करणे, डेटामध्ये आणि सिस्टममध्ये असलेल्या कोणत्याही सामाजिक-तांत्रिक पूर्वग्रहांना दूर करणे.
विश्वसनीयता आणि सुरक्षा - AI परिभाषित मूल्यांनुसार सुसंगत वागेल याची खात्री करणे, संभाव्य हानिंची किंवा अनपेक्षित परिणामांची तीव्रता कमी करणे.
गोपनीयता आणि सुरक्षा - डेटा मूल स्रोत समजणे आणि वापरकर्त्यांना डेटा गोपनीयता आणि संबंधित संरक्षणे प्रदान करणे.
समावेशकता - AI उपाय योजनेत हेतूपुरस्सर डिझाईन करणे, ते मानवी गरजा व क्षमतांच्या विस्तृत श्रेणीस अनुरूप करणे.

🚨 विचार करा की तुमचा डेटा एथिक्स मिशन स्टेटमेंट कसा असू शकतो. इतर संस्थांच्या नैतिक AI फ्रेमवर्कची माहिती घ्या - येथे IBM, Google, आणि Facebook या मधील उदाहरणे आहेत. त्यांचे कोणते सामायिक मूल्य आहेत? हे तत्त्वे त्यांच्या AI उत्पादन किंवा उद्योगाशी कसे संबंधित आहेत?

२. एथिक्स आव्हाने

एकदा आपण नैतिक तत्त्वे निश्चित केली, नंतर आपल्या डेटा आणि AI कृती त्या सामायिक मूल्यांशी सुसंगत आहेत का हे तपासायला पाहिजे. तुमच्या कृती दोन वर्गात विचार करा: डेटा गोळा करणे आणि अल्गोरिदम डिझाइन.

डेटा गोळा करताना, कृतीत बहुतेक वैयक्तिक डेटा किंवा वैयक्तिक ओळख करता येणारी माहिती (PII) समाविष्ट असते, जी ओळखणाऱ्या व्यक्तींशी संबंधित आहे. यात एकत्रितपणे व्यक्तीची ओळख पटवू शकणारा विविध न-व्यक्तिगत डेटाचे आयटम यांचा समावेश असतो. नैतिक आव्हाने डेटा गोपनीयता, डेटा मालकी आणि वापरकर्त्यांसाठी जाणीवपूर्वक संमती व बौद्धिक मालमत्तेचे हक्क यांसारख्या विषयांशी संबंधित असू शकतात.

अल्गोरिदम डिझाइन करताना, कृतीमध्ये डेटासेट्स गोळा व संकलित करणे, नंतर त्यांचा वापर करून डेटा मॉडेल्स तयार करणे व तैनात करणे जे वास्तविक जगात निकालांचे भाकीत करतात किंवा निर्णयांचा स्वयंचलित करता येतो. नैतिक आव्हाने डेटासेट पूर्वाग्रह, डेटा गुणवत्तेच्या प्रश्नां, अन्याय, आणि अल्गोरिदममधील चुकीच्या प्रदर्शनासह उद्भवू शकतात - ज्यामध्ये काही समस्या प्रणालीगत स्वरूपाच्या असू शकतात.

दोन्ही प्रकरणांत, एथिक्स आव्हाने अशा क्षेत्रांची सूचना करतात जिथे आपल्या कृती सामायिक मूल्यांशी संघर्ष करू शकतात. या चिंतांचा शोध घेण्यासाठी, कमी करण्यासाठी, संबोधित करण्यासाठी, आपल्याला आपल्या कृतीशी संबंधित नैतिक "होय/नाही" प्रश्न विचारावे लागतात आणि त्यानुसार योग्य उपाययोजना करावी लागते. चला काही नैतिक आव्हाने आणि ते निर्माण करणारे नैतिक प्रश्न पाहूयात:

२.१ डेटा मालकी

डेटा गोळा करताना सामान्यतः वैयक्तिक माहितीचा समावेश असतो ज्यामुळे डेटा विषयांची ओळख होते. डेटा मालकी म्हणजे डेटा निर्मिती, प्रक्रिया व प्रसारण संदर्भातील नियंत्रण आणि वापरकर्ता हक्क.

चर्चा करण्याचे नैतिक प्रश्न:

डेटा कोणाचा आहे? (वापरकर्ता किंवा संस्था)
डेटा विषयांना कोणते हक्क आहेत? (उदाहरणार्थ: प्रवेश, हटविणे, पोर्टेबिलिटी)
संस्थांना कोणते हक्क आहेत? (उदाहरणार्थ: दुरुपयोग करणाऱ्या वापरकर्ता अभिप्रायांचे दुरुस्ती हक्क)

२.२ जाणीवपूर्वक संमती

जाणीवपूर्वक संमती म्हणजे वापरकर्तानं संबंधित तथ्यांची पूर्ण समज असलेली संमती (जसे की डेटा गोळा करणे) दिली आहे याची परिभाषा.

चर्चा करण्याचे प्रश्न:

वापरकर्त्याने (डेटा विषयाने) डेटा संकलन व वापरासाठी परवानगी दिली का?
वापरकर्त्याला डेटा संकलनाचा हेतू समजला का?
वापरकर्त्याला त्यांच्या सहभागाच्या संभाव्य धोका समजला का?

२.३ बौद्धिक मालमत्ता

बौद्धिक मालमत्ता म्हणजे मानवी पुढाकारातून तयार झालेल्या अमूर्त सृष्टी, ज्याला व्यक्तिगत किंवा व्यवसायासाठी आर्थिक मूल्य असू शकते.

चर्चा करण्याचे प्रश्न:

गोळा केलेल्या डेटाचा वापरकर्ता किंवा व्यवसायासाठी आर्थिक मूल्य होते का?
वापरकर्त्या कडे येथे बौद्धिक मालमत्ता आहे का?
संस्थे कडे येथे बौद्धिक मालमत्ता आहे का?
जर हे हक्क अस्तित्वात असतील तर आपण त्यांचे संरक्षण कसे करतो?

२.४ डेटा गोपनीयता

डेटा गोपनीयता किंवा माहिती गोपनीयता म्हणजे कमीतकमी वैयक्तिक माहिती सह वापरकर्ता गोपनीयता राखणे व वापरकर्त्याची ओळख सुरक्षित ठेवणे.

चर्चा करण्यासाठी प्रश्न:

वापरकर्त्यांचा (वैयक्तिक) डेटा हॅक व लीकपासून सुरक्षित आहे का?
वापरकर्त्याचा डेटा फक्त अधिकृत वापरकर्त्यांना आणि परिस्थितींसाठी प्रवेशयोग्य आहे का?
डेटा सामायिक करताना वापरकर्त्याची अज्ञातता राखली जाते का?
अज्ञात केलीली डेटासेट्स पासून वापरकर्त्याला ओळख पटू शकते का?

२.५ विसरले जाण्याचा अधिकार

विसरला जाण्याचा अधिकार किंवा डेटा हटविण्याचा अधिकार वापरकर्त्यांना अतिरिक्त वैयक्तिक डेटा संरक्षण देतो. विशेषत: वापरकर्त्यांना इच्छेनुसार इंटरनेट शोध व इतर ठिकाणाहून वैयक्तिक डेटा हटविण्यासाठी विनंती करण्याचा अधिकार देतो, विशिष्ट परिस्थितीत - ज्यामुळे त्यांना ऑनलाइन नवीन सुरुवात करता येते आणि मागील क्रियाचिकित्सेचा त्यांच्या विरोधात वापर होत नाही.

चर्चेसाठी प्रश्न:

प्रणाली डेटा विषयांना हटविण्याची विनंती करण्याची परवानगी देते का?
वापरकर्ता संमती मागे घेतल्यास स्वयंचलित हटविण्याला प्रोत्साहन द्यावे का?
डेटा संमति न घेता किंवा बेकायदेशीर पद्धतीने गोळा केला गेला का?
आपण डेटा गोपनीयता संबंधी शासन नियमांचे पालन करत आहोत का?

२.६ डेटासेट पूर्वग्रह

डेटासेट किंवा संकलन पूर्वग्रह म्हणजे अल्गोरिदम विकासासाठी प्रतिनिधी नसलेल्या डेटाचा उपसंपुट निवडणे, ज्यामुळे विविध गटांसाठी निकालात अन्याय निर्माण होतो. पूर्वग्रहाचे प्रकार निवड किंवा नमुना पूर्वग्रह, स्वयंसेवी पूर्वग्रह, आणि उपकरण पूर्वग्रह आहेत.

चर्चा करण्यासाठी प्रश्न:

आपण प्रतिनिधी असलेल्या डेटा विषयांचा संच निवडला का?
आपण आपल्या संकलित किंवा संकलित डेटासेटमध्ये विविध पूर्वग्रह तपासले का?
आढळलेल्या पूर्वग्रहांना कमी किंवा काढून टाकू शकतो का?

२.७ डेटा गुणवत्ता

डेटा गुणवत्ता म्हणजे आपल्या अल्गोरिदम विकासासाठी वापरलेल्या डेटासेटची वैधता तपासणे, जेणेकरून वैशिष्ट्ये व नोंदी आपल्याला हवी असलेली अचूकता व सुसंगतता पूर्ण करतात का हे पाहणे.

चर्चा प्रश्न:

आपल्याला आवश्यक वापरासाठी योग्य वैशिष्ट्ये आपण घेतलीत का?
विविध डेटा स्रोतांमध्ये डेटा सतत घेतला गेला का?
विविध परिस्थितींसाठी डेटासेट पूर्ण आहे का?
तथ्य सत्यापित करण्यासाठी माहिती अचूकपणे नोंदवली गेली आहे का?

2.8 अल्गोरिदम निष्पक्षता

अल्गोरिदम निष्पक्षता तपासते की अल्गोरिदम डिझाइन विशिष्ट उपसमूहांवर प्रणालीगतपणे भेदभाव करतो का, ज्यामुळे संपत्ती वाटपात (जेथे त्या समूहाला संसाधने नाकारली किंवा रोखली जातात) आणि सेवेमध्ये गुणवत्ता (जेथे AI काही उपसमूहांसाठी काहींनी जितका अचूक नसतो) संभाव्य हानी होऊ शकते.

येथे तपासण्यासाठी प्रश्न आहेत:

आपण विविध उपसमूह आणि परिस्थितींमध्ये मॉडेल अचूकता मोजली का?
आपण संभाव्य हानीसाठी प्रणालीचे विश्लेषण केले का (उदा., प्रतिमान भिंतीकरण)?
ओळखलेल्या हानी कमी करण्यासाठी डेटा सुधारू शकतो का किंवा मॉडेल पुन्हा प्रशिक्षित करू शकतो का?

AI निष्पक्षता तपासणी यादी सारख्या संसाधनांचा अभ्यास करा.

2.9 चुकीचे सादरीकरण

डेटा चुकीचे सादरीकरण म्हणजे प्रामाणिकपणे दिलेल्या डेटामधून अंतर्दृष्टी गांभीर्याने मांडत नसून इच्छित कथनाला समर्थन देण्यासाठी हा डेटा एक गोंधळात टाकणाऱ्या पद्धतीने संवाद साधला जातो का हे विचारणे.

येथे तपासण्यासाठी प्रश्न आहेत:

आपण अपूर्ण किंवा अचूक नसलेला डेटा अहवालात देत आहोत का?
आपण डेटा अशा पद्धतीने दृश्यरूपात बदलत आहोत का ज्याने चुकीचे निष्कर्ष काढले जातात?
आपण निवडक सांख्यिकी तंत्र वापरून परिणामांवर प्रभाव टाकत आहोत का?
वेगळ्या निष्कर्षासाठी पर्यायी स्पष्टीकरणे आहेत का?

2.10 मुक्त निवड

मुक्त निवडीचे भास त्या वेळेस होते जेव्हा प्रणालीचे "निवड स्थापत्य" निर्णय-निर्मिती अल्गोरिदम वापरून लोकांना प्राधान्य दिलेल्या निकालाकडे वाटचाल करण्यासाठी प्रवृत्त करतात, पण त्यांना पर्याय आणि नियंत्रण असल्याचे भास देते. या काळ्या नमुन्यांनी वापरकर्त्यांना सामाजिक आणि आर्थिक हानी होऊ शकते. कारण वापरकर्त्याचे निर्णय वर्तन प्रोफाइलवर प्रभाव टाकतात, त्यामुळे हे क्रियां भविष्यातील निवडींवर परिणाम करून हानी वाढवू शकतात.

येथे तपासण्यासाठी प्रश्न आहेत:

वापरकर्त्याला त्या निवडीचे परिणाम समजले का?
वापरकर्त्याला (पर्यायी) पर्याय आणि त्यांचे फायदे आणि तोटे माहित होते का?
वापरकर्ता नंतर स्वयंचलित किंवा प्रभावीत निवड उलटवू शकतो का?

3. प्रकरण अभ्यास

या नैतिक आव्हानांना वास्तविक जगातील संदर्भात समजून घेण्यासाठी, असे केस स्टडी पाहणे उपयुक्त ठरते जे व्यक्ती आणि समाजावर संभाव्य होणाऱ्या हानिकारक परिणामांचे प्रकाशझोत टाकतात, जेव्हा अशा नैतिक उल्लंघनांकडे दुर्लक्ष केले जाते.

येथे काही उदाहरणे आहेत:

नैतिक आव्हान	प्रकरण अभ्यास
माहिती दिलेली संमती	1972 - Tuskegee Syphilis Study - या अभ्यासात सहभागी झालेल्या आफ्रिकन अमेरिकन पुरुषांना मोफत वैद्यकीय सेवा देण्याचे वचन दिले होते परंतु अभ्यासकांनी त्यांना त्यांच्या निदानाबाबत किंवा उपचारांची उपलब्धता याबाबत सूचित केले नाही. अनेक मृत्यू झाले आणि त्यांच्या भागीदार किंवा मुलांवर परिणाम झाला; हा अभ्यास 40 वर्षे चालला.
डेटा गोपनीयता	2007 - Netflix डेटा प्रायझ संशोधकांना 50K ग्राहकांचे 10M अज्ञात चित्रपट रँकिंग्स दिले गेले, जेणेकरून सुविद्य सूचना अल्गोरिदम सुधारता येतील. मात्र, संशोधकांनी या अज्ञात डेटाला वैयक्तिक माहितीशी जुळवून (बाह्य डेटासेट्स जसे IMDb टिप्पण्या) काही Netflix सदस्यांचे "पुनः ओळख" केले.
संकलन पक्षपात	2013 - बोस्टन शहराने Street Bump नावाचे अ‍ॅप विकसित केले, ज्याद्वारे नागरिक रस्त्यांतील खड्डे नोंदवू शकतात आणि शहराला चांगला रस्त्यांचा डेटा मिळतो. मात्र, कमी उत्पन्न गटातील लोकांकडे कार आणि फोनचा कमी प्रवेश आहे, ज्यामुळे त्यांचे रस्त्याचे प्रश्न या अ‍ॅपमध्ये विलुप्त दिसले. विकसकांनी शैक्षणिक मंडळींसोबत काम करून निष्पक्ष प्रवेश आणि डिजिटल विभाजन चे प्रश्न सोडवले.
अल्गोरिदम निष्पक्षता	2018 - MIT च्या Gender Shades Study ने लिंग वर्गीकरण AI उत्पादनांची अचूकता मोजली, ज्यात महिला आणि रंगाच्या व्यक्तींसाठी अचूकतेत अंतर आढळले. 2019 च्या Apple Card ने महिलांना पुरुषांच्या तुलनेत कमी क्रेडिट दिला. दोन्ही उदाहरणे अल्गोरिदम पक्षपात आणि सामाजिक-आर्थिक हानी दाखवतात.
डेटा चुकीचे सादरीकरण	2020 - जॉर्जिया सार्वजनिक आरोग्य विभागाने COVID-19 आकडेवारी प्रकाशित केली जी नागरिकांना चुकिच्या दिशेने प्रवृत्त करणारी होती कारण x-अक्षावर कालानुक्रमिक आदेश नसण्यामुळे. हे दृश्यरूपातील फसवणूक दाखवते.
मुक्त निवडीचा भास	2020 - अभ्यास अ‍ॅप ABCmouse ने FTC तक्रारीसाठी $10M भरले जिथे पालकांना सदस्यता रद्द करता न आल्यामुळे पैसे द्यावे लागले. हे निवड स्थापत्यातील काळ्या नमुन्यांची उदाहरणे आहेत, ज्यामध्ये वापरकर्त्यांना संभाव्य हानिकारक निवडीकडे प्रवृत्त केले गेले.
डेटा गोपनीयता आणि वापरकर्ता हक्क	2021 - फेसबुक डेटा फोड मधून 530M वापरकर्त्यांचे डेटा खुला झाला, ज्यामुळे FTC ला $5B करार करावा लागला. मात्र फेसबुकने वापरकर्त्यांना या फोडीची सूचना देण्यास नकार दिला, ज्याने डेटा पारदर्शकता आणि उपलब्धतेच्या वापरकर्ता हक्कांचे उल्लंघन केले.

अधिक प्रकरण अभ्यास पाहू इच्छिता? हे संसाधने पहा:

Ethics Unwrapped - विविध उद्योगांतील नैतिक द्विधा.
Data Science Ethics course - महत्त्वाच्या प्रकरण अभ्यासांचा अभ्यास.
Where things have gone wrong - deon तपासणी यादीसह उदाहरणे

🚨 तुम्ही पाहिलेल्या प्रकरण अभ्यासांविषयी विचार करा - तुम्हाला तुमच्या आयुष्यात अशाच कोणत्याही नैतिक आव्हानाचा अनुभव आला आहे का? तुम्हाला आणखी किमान एक प्रकरण अभ्यास आठवतो का ज्यामध्ये आपण या विभागात चर्चा केलेल्या नैतिक आव्हानांपैकी एक स्पष्ट केले आहे?

लागू केलेली नैतिकता

आपण नैतिक संकल्पना, आव्हाने आणि प्रकरण अभ्यास वास्तविक संदर्भात चर्चा केली आहे. परंतु आपण आपल्या प्रकल्पांमध्ये नैतिक तत्त्वे आणि पद्धती कशा लागू करू शकतो? आणि आपण या पद्धतींना चांगल्या शासनासाठी कशा कार्यान्वित करू? चला काही वास्तविक उपाय पाहूया:

1. व्यावसायिक संहित्या

व्यावसायिक संहित्या हे संस्थांना सदस्यांना त्यांच्या नैतिक तत्त्वे आणि मिशन स्टेटमेंटला समर्थन देण्यासाठी "प्रेरित" करण्याचा एक पर्याय देतात. संहित्या व्यावसायिक वर्तनासाठी नैतिक मार्गदर्शकतत्त्वे आहेत, जे कर्मचाऱ्यांना किंवा सदस्यांना त्याच्या संस्थाच्या तत्त्वज्ञानाशी सुसंगत निर्णय घेण्यास मदत करतात. त्या फक्त सदस्यांच्या स्वैच्छिक पालनावरच चांगल्या प्रकारे कार्य करतात; तरीही, अनेक संस्था सदस्यानं पालनासाठी अतिरिक्त बक्षिसे आणि दंड देतात.

उदाहरणे:

Oxford Munich नैतिक संहिता
Data Science Association कोड ऑफ कंडक्ट (2013 मध्ये तयार)
ACM नैतिकता आणि व्यावसायिक वर्तन कोड (1993 पासून)

🚨 तुम्ही व्यावसायिक अभियांत्रिकी किंवा डेटा सायन्स संघटनेचा भाग आहात का? त्यांच्या संकेतस्थळाला भेट द्या आणि पाहा की ते व्यावसायिक नैतिक संहितेची व्याख्या करतात का. त्यांचे नैतिक तत्त्व काय दर्शवितात? सदस्यांना नियमांचे पालन करण्यासाठी ते कसे "प्रेरित" करतात?

2. नैतिकता तपासणी यादी

व्यावसायिक संहित्या तज्ञांकडून अपेक्षित नैतिक वर्तन परिभाषित करतात, पण त्यांच्याकडे काही मर्यादा आहेत, विशेषतः मोठ्या प्रमाणावर प्रकल्पांमध्ये. त्याऐवजी, अनेक Data Science तज्ञ तपासणी यादींचे समर्थन करतात, ज्यातून तत्त्वांना वापरांत आणले जाते अधिक ठोस आणि कृतीक्षम मार्गाने.

तपासणी यादी प्रश्नांना "होय/नाही" कामांत रूपांतरित करतात, ज्यांना ऑपरेशनलाइज करता येते, आणि ज्यामुळे त्यांना उत्पादन प्रकाशन प्रक्रियेच्या भाग म्हणून ट्रॅक करता येते.

उदाहरणे:

Deon - एक सर्वसाधारण डेटा नैतिकता तपासणी यादी, उद्योग शिफारसींवर आधारित तयार, ज्याला एक कमांड-लाइन टूल सह सुलभ समाकलन मिळेल.
गोपनीयता तपासणी यादी - कायदेशीर आणि सामाजिक प्रतिबंधांच्या दृष्टीने माहिती हाताळणी प्रथा मार्गदर्शित करते.
AI निष्पक्षता तपासणी यादी - AI विकास प्रक्रियेत निष्पक्षता तपासणी स्वीकारण्यासाठी AI व्यावसायिकांनी तयार केलेली.
डेटा आणि AI मधील नैतिकतेसाठी 22 प्रश्न - अधिक खुला फ्रेमवर्क, जो डिझाइन, अंमलबजावणी, आणि संस्थात्मक संदर्भातील नैतिक प्रश्नांसाठी प्रारंभिक तपासणीसाठी रचलेला.

3. नैतिकता नियमावली

नैतिकता म्हणजे सामायिक मूल्ये निश्चित करणे आणि बिनधास्तपणे योग्य काम करणे. पालन म्हणजे जेव्हा नियम आखले आहेत तेव्हा कायदा पाळणे. शासन म्हणजे संस्थांचे विविध मार्ग ज्याद्वारे ते नैतिक तत्त्वे अंमलात आणतात आणि स्थापित कायद्यांचे पालन करतात.

आज, संस्थांमध्ये शासन दोन प्रकारे आहे. प्रथम, नैतिक AI तत्त्वे परिभाषित करणे आणि AI-संबंधित सर्व प्रकल्पांत त्या तत्त्वांच्या स्वीकारासाठी सराव तयार करणे. दुसरे म्हणजे, संस्थेच्या कार्यरत प्रदेशांतील सर्व सरकारी आदेशित डेटा संरक्षण नियमावलींचे पालन करणे.

डेटा संरक्षण आणि गोपनीयता नियमावलींची उदाहरणे:

1974, US Privacy Act - फेडरल सरकारी वैयक्तिक माहिती गोळा करणे, वापरणे आणि प्रकटीकरण नियंत्रित करते.
1996, US Health Insurance Portability & Accountability Act (HIPAA) - वैयक्तिक आरोग्य डेटा संरक्षित करते.
1998, US Children's Online Privacy Protection Act (COPPA) - 13 वर्षांखालच्या मुलांच्या डेटा गोपनीयता संरक्षित करते.
2018, General Data Protection Regulation (GDPR) - वापरकर्ता हक्क, डेटा संरक्षण आणि गोपनीयता प्रदान करते.
2018, California Consumer Privacy Act (CCPA) ग्राहकांना त्यांच्या (वैयक्तिक) डेटावर अधिक हक्क देते.
2021, चीनचा Personal Information Protection Law नुकताच पारित झाला, ज्यामुळे जगातील सर्वात मजबूत ऑनलाईन डेटा गोपनीयता नियमावलींपैकी एक तयार झाली.

🚨 युरोपियन युनियनने परिभाषित केलेली GDPR (जनरल डेटा प्रोटेक्शन रेग्युलेशन) आजखाली सर्वात प्रभावी डेटा गोपनीयता नियमांविषयी एक आहे. तुम्हाला माहिती आहे का त्यात 8 वापरकर्ता हक्क देखील आहेत जे नागरिकांच्या डिजिटल गोपनीयता आणि वैयक्तिक डेटाचे संरक्षण करतात? याबद्दल आणि का ते महत्वपूर्ण आहेत ते जाणून घ्या.

4. नैतिकता संस्कृती

कृपया लक्षात ठेवा की पालन (कायद्याच्या अक्षरास पुरेसे करणे) आणि प्रणालीगत समस्या (जसे अस्पष्टता, माहितीची विषमता, आणि वितरणातील अन्याय) यामध्ये अद्याप एक अमूर्त अंतर आहे, जे AI च्या शस्त्रशस्त्रांची वेगवान वाढ करू शकतो.

शेवटचा भाग म्हणजे संस्थांमध्ये नैतिक संस्कृतींचा सहकार्यात्मक दृष्टिकोन तयार करणे, जे भावनिक संबंध आणि सतत सामायिक मूल्ये संपूर्ण उद्योगात तयार करतात. यासाठी अधिक औपचारिक डेटा नैतिक संस्कृती आवश्यक आहे - ज्यात कोणीही अण्डोन कॉर्ड पुचू शकतो (प्रक्रियेतील नैतिक चिंता लवकर उभी करू शकतो) आणि नैतिक मूल्यांकन (उदा., भरतीमध्ये) AI प्रकल्पांसाठी मुख्य निकष म्हणून घेतले जावेत.

वर्गानंतरचा चाचणी 🎯

पुनरावलोकन आणि स्वअध्ययन

कोर्सेस आणि पुस्तके मूलभूत नैतिक संकल्पना आणि आव्हाने समजून घेण्यासाठी मदत करतात, तर प्रकरण अभ्यास आणि साधने वास्तविक संदर्भातील लागू केलेल्या नैतिकतेच्या सरावासाठी मदत करतात. सुरुवातीसाठी काही संसाधने येथे आहेत:

Machine Learning For Beginners - Microsoft कडून निष्पक्षतेवर धडा.
जबाबदार AI च्या तत्त्वे - मायक्रोसॉफ्ट लर्नमधून विनामूल्य शिक्षण मार्ग.
नैतिकता आणि डेटा सायन्स - O'Reilly ईबुक (M. Loukides, H. Mason इत्यादी)
डेटा सायन्स नैतिकता - मिशिगन विद्यापीठाचा ऑनलाइन कोर्स.
Ethics Unwrapped - टेक्सास विद्यापीठाचे केस स्टडीज.

असाइनमेंट

डेटा नैतिकता केस स्टडी लिहा

अस्वीकरण: हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.