You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
165 lines
39 KiB
165 lines
39 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "1341f6da63d434f5ba31b08ea951b02c",
|
|
"translation_date": "2025-09-06T08:21:55+00:00",
|
|
"source_file": "1-Introduction/02-ethics/README.md",
|
|
"language_code": "pa"
|
|
}
|
|
-->
|
|
# ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਪਰਚੇ
|
|
|
|
| ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/02-Ethics.png)|
|
|
|:---:|
|
|
| ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
|
|
|
|
---
|
|
|
|
ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿੰਦੇ ਹਾਂ।
|
|
|
|
ਬਾਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1-ਵਿੱਚ-3 ਵੱਡੇ ਸੰਗਠਨ ਆਪਣਾ ਡਾਟਾ ਆਨਲਾਈਨ [ਬਾਜ਼ਾਰਾਂ ਅਤੇ ਐਕਸਚੇਂਜ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। **ਐਪ ਡਿਵੈਲਪਰਾਂ** ਵਜੋਂ, ਸਾਨੂੰ ਡਾਟਾ-ਚਲਿਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਐਲਗੋਰਿਦਮ-ਚਲਿਤ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਅਤੇ ਸਸਤਾ ਲੱਗੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਵਿਆਪਕ ਹੋ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ [ਇਨ੍ਹਾਂ ਐਲਗੋਰਿਦਮਾਂ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ਦੇ ਵਿਆਪਕ ਪੱਧਰ 'ਤੇ ਹਥਿਆਰਕਰਨ ਨਾਲ ਕੀ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ।
|
|
|
|
ਰੁਝਾਨ ਇਹ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ ਅਸੀਂ [180 ਜੈਟਾਬਾਈਟ](https://www.statista.com/statistics/871513/worldwide-data-created/) ਤੋਂ ਵੱਧ ਡਾਟਾ ਬਣਾਉਣ ਅਤੇ ਖਪਤ ਕਰਨਗੇ। **ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ** ਵਜੋਂ, ਇਹ ਸਾਨੂੰ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਤੱਕ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਪ੍ਰਭਾਵ ਪਾਉਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਨਾਲ [ਮੁਕਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਬਣ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਅਸੀਂ ਪਸੰਦ ਕਰਦੇ ਹਾਂ। ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਸੁਰੱਖਿਆ ਦੇ ਵਿਆਪਕ ਸਵਾਲ ਵੀ ਖੜੇ ਕਰਦਾ ਹੈ।
|
|
|
|
ਡਾਟਾ ਨੈਤਿਕਤਾ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ _ਜ਼ਰੂਰੀ ਰੱਖਵਾਲ_ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਚਲਿਤ ਕਾਰਵਾਈਆਂ ਤੋਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹਨ। [ਗਾਰਟਨਰ ਹਾਈਪ ਸਾਈਕਲ ਫਾਰ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ਡਿਜ਼ੀਟਲ ਨੈਤਿਕਤਾ, ਜ਼ਿੰਮੇਵਾਰ AI, ਅਤੇ AI ਗਵਰਨੈਂਸ ਵਿੱਚ ਸਬੰਧਤ ਰੁਝਾਨਾਂ ਨੂੰ ਵੱਡੇ ਮੈਗਾਟ੍ਰੈਂਡਾਂ ਦੇ ਮੁੱਖ ਚਾਲਕ ਵਜੋਂ ਪਛਾਣਦਾ ਹੈ ਜੋ AI ਦੀ _ਲੋਕਤੰਤਰਤਾ_ ਅਤੇ _ਉਦਯੋਗੀਕਰਨ_ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਹਨ।
|
|
|
|
|
|
|
|
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਦੀ ਪੜਤਾਲ ਕਰਾਂਗੇ - ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਤੋਂ ਲੈ ਕੇ ਕੇਸ ਅਧਿਐਨ ਅਤੇ ਲਾਗੂ ਕੀਤੇ AI ਧਾਰਨਾਵਾਂ ਜਿਵੇਂ ਕਿ ਗਵਰਨੈਂਸ - ਜੋ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
|
|
|
|
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
|
|
|
## ਮੁੱਢਲੀ ਪਰਿਭਾਸ਼ਾਵਾਂ
|
|
|
|
ਆਓ ਮੁੱਢਲੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਸਮਝਣ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ।
|
|
|
|
"ਨੈਤਿਕਤਾ" ਸ਼ਬਦ [ਯੂਨਾਨੀ ਸ਼ਬਦ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ਅਤੇ ਇਸਦੀ ਜੜ "ethos") ਤੋਂ ਆਇਆ ਹੈ ਜਿਸਦਾ ਅਰਥ ਹੈ _ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਪ੍ਰਕਿਰਤੀ_।
|
|
|
|
**ਨੈਤਿਕਤਾ** ਉਹ ਸਾਂਝੇ ਮੁੱਲ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਹਨ ਜੋ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਵਿਵਹਾਰ ਨੂੰ ਸ਼ਾਸਿਤ ਕਰਦੇ ਹਨ। ਨੈਤਿਕਤਾ ਕਾਨੂੰਨਾਂ 'ਤੇ ਨਹੀਂ ਬਲਕਿ ਇਸ ਗੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਕਿ ਕੀ "ਸਹੀ ਵਿਰੁੱਧ ਗਲਤ" ਹੈ। ਹਾਲਾਂਕਿ, ਨੈਤਿਕ ਵਿਚਾਰ ਕਾਰਪੋਰੇਟ ਗਵਰਨੈਂਸ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਅਨੁਕੂਲਤਾ ਲਈ ਵਧੇਰੇ ਪ੍ਰੋਤਸਾਹਨ ਪੈਦਾ ਕਰਦੇ ਹਨ।
|
|
|
|
**ਡਾਟਾ ਨੈਤਿਕਤਾ** ਇੱਕ [ਨੈਤਿਕਤਾ ਦੀ ਨਵੀਂ ਸ਼ਾਖਾ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ਹੈ ਜੋ "_ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸਾਂ_" ਨਾਲ ਜੁੜੀਆਂ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ। ਇੱਥੇ, **"ਡਾਟਾ"** ਜਨਰੇਸ਼ਨ, ਰਿਕਾਰਡਿੰਗ, ਕਿਊਰੇਸ਼ਨ, ਪ੍ਰੋਸੈਸਿੰਗ, ਪ੍ਰਸਾਰਣ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤਣ ਨਾਲ ਜੁੜੀਆਂ ਕਾਰਵਾਈਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, **"ਐਲਗੋਰਿਦਮ"** AI, ਏਜੰਟ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਅਤੇ ਰੋਬੋਟ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਅਤੇ **"ਅਭਿਆਸ"** ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨਤਾ, ਪ੍ਰੋਗਰਾਮਿੰਗ, ਹੈਕਿੰਗ, ਅਤੇ ਨੈਤਿਕਤਾ ਕੋਡਾਂ ਵਰਗੇ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ।
|
|
|
|
**ਲਾਗੂ ਨੈਤਿਕਤਾ** [ਨੈਤਿਕ ਵਿਚਾਰਾਂ ਦੀ ਵਿਵਹਾਰਕ ਲਾਗੂ](https://en.wikipedia.org/wiki/Applied_ethics) ਹੈ। ਇਹ _ਅਸਲ ਦੁਨੀਆ ਦੀਆਂ ਕਾਰਵਾਈਆਂ, ਉਤਪਾਦ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ_ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸਰਗਰਮ ਜਾਂਚ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਅਤੇ ਸਹੀ ਕਾਰਵਾਈਆਂ ਕਰਨ ਲਈ ਸਹੀ ਨੈਤਿਕ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਬਣਾਈ ਰੱਖਣ ਲਈ ਸਹੀ ਕਦਮ ਚੁੱਕਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ।
|
|
|
|
**ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ** [_ਲਾਗੂ ਨੈਤਿਕਤਾ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਬਣਾਉਣ](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ਬਾਰੇ ਹੈ ਤਾਂ ਜੋ ਸਾਡੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਸੰਗਠਨ ਦੇ ਹਰ ਪੱਧਰ 'ਤੇ ਲਗਾਤਾਰ ਅਤੇ ਵਿਆਪਕ ਢੰਗ ਨਾਲ ਅਪਨਾਏ ਜਾ ਸਕਣ। ਸਫਲ ਨੈਤਿਕਤਾ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਸੰਗਠਨ-ਵਿਆਪਕ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀਆਂ ਹਨ, ਅਨੁਕੂਲਤਾ ਲਈ ਅਰਥਪੂਰਨ ਪ੍ਰੋਤਸਾਹਨ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਚਾਹੀਦੇ ਵਿਵਹਾਰਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਅਤੇ ਵਧਾ ਕੇ ਨੈਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀਆਂ ਹਨ।
|
|
|
|
## ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ
|
|
|
|
ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ **ਸਾਂਝੇ ਮੁੱਲ** (ਸਿਧਾਂਤ) ਅਤੇ **ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ** (ਸਮੱਸਿਆਵਾਂ) ਵਰਗੇ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ 'ਤੇ ਚਰਚਾ ਕਰਾਂਗੇ - ਅਤੇ **ਕੇਸ ਅਧਿਐਨ** ਦੀ ਪੜਤਾਲ ਕਰਾਂਗੇ ਜੋ ਤੁਹਾਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਇਹ ਧਾਰਨਾਵਾਂ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
|
|
|
|
### 1. ਨੈਤਿਕ ਸਿਧਾਂਤ
|
|
|
|
ਹਰ ਡਾਟਾ ਨੈਤਿਕਤਾ ਰਣਨੀਤੀ ਦੀ ਸ਼ੁਰੂਆਤ _ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ_ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਨਾਲ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਸਵੀਕਾਰਯੋਗ ਵਿਵਹਾਰਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਅਨੁਕੂਲ ਕਾਰਵਾਈਆਂ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਦਿੰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਟੀਮ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਜ਼ਿਆਦਾਤਰ ਵੱਡੇ ਸੰਗਠਨ ਇਹਨਾਂ ਨੂੰ ਇੱਕ _ਨੈਤਿਕ AI_ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਜਾਂ ਫਰੇਮਵਰਕ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਜੋ ਕਾਰਪੋਰੇਟ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਟੀਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
|
|
|
|
**ਉਦਾਹਰਨ:** ਮਾਈਕਰੋਸਾਫਟ ਦਾ [ਜ਼ਿੰਮੇਵਾਰ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕਹਿੰਦਾ ਹੈ: _"ਅਸੀਂ AI ਦੇ ਅਗਾਂਹ ਵਧਾਉਣ ਲਈ ਵਚਨਬੱਧ ਹਾਂ ਜੋ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਪਹਿਲਾਂ ਰੱਖਦੇ ਹਨ"_ - ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ:
|
|
|
|
|
|
|
|
ਆਓ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਦੀ ਸੰਖੇਪ ਵਿੱਚ ਪੜਤਾਲ ਕਰੀਏ। _ਪਾਰਦਰਸ਼ਤਾ_ ਅਤੇ _ਜਵਾਬਦੇਹੀ_ ਮੁੱਢਲੇ ਮੁੱਲ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਹੋਰ ਸਿਧਾਂਤ ਬਣਾਏ ਗਏ ਹਨ - ਤਾਂ ਆਓ ਇੱਥੇ ਤੋਂ ਸ਼ੁਰੂ ਕਰੀਏ:
|
|
|
|
* [**ਜਵਾਬਦੇਹੀ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਬਣਾਉਂਦੀ ਹੈ, ਅਤੇ ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨਾਲ ਅਨੁਕੂਲਤਾ।
|
|
* [**ਪਾਰਦਰਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਸਮਝਣਯੋਗ_ (ਵਿਆਖਿਆਯੋਗ) ਹਨ, ਫੈਸਲਿਆਂ ਦੇ ਪਿੱਛੇ ਕੀ ਅਤੇ ਕਿਉਂ ਨੂੰ ਸਮਝਾਉਂਦੀਆਂ ਹਨ।
|
|
* [**ਨਿਆਂ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI _ਸਾਰੇ ਲੋਕਾਂ_ ਨਾਲ ਨਿਆਂ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਪ੍ਰਣਾਲੀਕ ਜਾਂ ਅਪਰੋਕਸ਼ ਸਮਾਜ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਸੰਬੋਧਨ ਕਰਦਾ ਹੈ।
|
|
* [**ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI _ਲਗਾਤਾਰ_ ਪਰਿਭਾਸ਼ਿਤ ਮੁੱਲਾਂ ਨਾਲ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ, ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
|
|
* [**ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਡਾਟਾ ਲੀਨੀਅਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ_ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ।
|
|
* [**ਸਮਾਵੇਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ AI ਹੱਲਾਂ ਨੂੰ ਇਰਾਦੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨ, ਉਨ੍ਹਾਂ ਨੂੰ _ਵਿਆਪਕ ਮਨੁੱਖੀ ਜ਼ਰੂਰਤਾਂ_ ਅਤੇ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਕਰਨ ਬਾਰੇ ਹੈ।
|
|
|
|
> 🚨 ਸੋਚੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਨੈਤਿਕਤਾ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕੀ ਹੋ ਸਕਦਾ ਹੈ। ਹੋਰ ਸੰਗਠਨਾਂ ਦੇ ਨੈਤਿਕ AI ਫਰੇਮਵਰਕ ਦੀ ਪੜਤਾਲ ਕਰੋ - ਇੱਥੇ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), ਅਤੇ [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ਤੋਂ ਉਦਾਹਰਨ ਹਨ। ਉਹਨਾਂ ਵਿੱਚ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ ਜਿਸ ਵਿੱਚ ਉਹ ਕੰਮ ਕਰਦੇ ਹਨ?
|
|
|
|
### 2. ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ
|
|
|
|
ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੈਤਿਕ ਸਿਧਾਂਤ ਪਰਿਭਾਸ਼ਿਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਦੇਖਿਆ ਜਾ ਸਕੇ ਕਿ ਉਹ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਹਨ ਜਾਂ ਨਹੀਂ। ਆਪਣੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸੋਚੋ: _ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ_ ਅਤੇ _ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ_।
|
|
|
|
ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਵਿੱਚ **ਵਿਅਕਤੀਗਤ ਡਾਟਾ** ਜਾਂ ਪਹਿਚਾਣਯੋਗ ਜੀਵਤ ਵਿਅਕਤੀਆਂ ਲਈ ਵਿਅਕਤੀਗਤ ਪਹਿਚਾਣਯੋਗ ਜਾਣਕਾਰੀ (PII) ਸ਼ਾਮਲ ਹੋਵੇਗੀ। ਇਸ ਵਿੱਚ [ਗੈਰ-ਵਿਅਕਤੀਗਤ ਡਾਟਾ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ਦੇ ਵਿਭਿੰਨ ਆਈਟਮ ਸ਼ਾਮਲ ਹਨ ਜੋ _ਸਾਂਝੇ ਤੌਰ 'ਤੇ_ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਪਹਿਚਾਣ ਕਰਦੇ ਹਨ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ_, _ਡਾਟਾ ਮਾਲਕੀ_, ਅਤੇ ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ ਕਿ _ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ_ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਬੌਧਿਕ ਸੰਪਤੀ ਅਧਿਕਾਰ_ ਨਾਲ ਸੰਬੰਧਿਤ ਹੋ ਸਕਦੀਆਂ ਹਨ।
|
|
|
|
ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਵਿੱਚ **ਡਾਟਾਸੈਟ** ਇਕੱਠਾ ਅਤੇ ਕਿਊਰੇਟ ਕਰਨਾ ਸ਼ਾਮਲ ਹੋਵੇਗਾ, ਫਿਰ ਉਨ੍ਹਾਂ ਨੂੰ **ਡਾਟਾ ਮਾਡਲ** ਨੂੰ ਸਿਖਾਉਣ ਅਤੇ ਤੈਨਾਤ ਕਰਨ ਲਈ ਵਰਤਣਾ ਜੋ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਪੇਸ਼ਕਸ਼ ਜਾਂ ਫੈਸਲੇ ਆਟੋਮੈਟ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹੁੰਦੇ ਹਨ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾਸੈਟ ਪੱਖਪਾਤ_, _ਡਾਟਾ ਗੁਣਵੱਤਾ_ ਦੇ ਮੁੱਦਿਆਂ, _ਅਨਿਆਂ_, ਅਤੇ ਐਲਗੋਰਿਦਮ ਵਿੱਚ _ਗਲਤ ਪੇਸ਼ਕ
|
|
[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ਇਹ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਕਿਸੇ ਖਾਸ ਡਾਟਾ ਗਰੁੱਪ ਦੇ ਖਿਲਾਫ ਸਿਸਟਮੈਟਿਕ ਤੌਰ 'ਤੇ ਭੇਦਭਾਵ ਕਰਦਾ ਹੈ, ਜਿਸ ਕਾਰਨ _ਵੰਡ_ (ਜਿੱਥੇ ਸਾਧਨ ਉਸ ਗਰੁੱਪ ਤੋਂ ਇਨਕਾਰ ਜਾਂ ਰੋਕੇ ਜਾਂਦੇ ਹਨ) ਅਤੇ _ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ_ (ਜਿੱਥੇ AI ਕੁਝ ਗਰੁੱਪਾਂ ਲਈ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਸਹੀ ਹੁੰਦਾ ਹੈ) ਵਿੱਚ [ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ਹੁੰਦੇ ਹਨ।
|
|
|
|
ਇਥੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
|
|
* ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਗਰੁੱਪਾਂ ਅਤੇ ਸਥਿਤੀਆਂ ਲਈ ਮਾਡਲ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ?
|
|
* ਕੀ ਅਸੀਂ ਸਿਸਟਮ ਨੂੰ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟੀਰੀਓਟਾਈਪਿੰਗ) ਲਈ ਗਹਿਰਾਈ ਨਾਲ ਦੇਖਿਆ?
|
|
* ਕੀ ਅਸੀਂ ਪਛਾਣੇ ਗਏ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡਾਟਾ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ ਜਾਂ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
|
|
|
|
[AI Fairness ਚੈਕਲਿਸਟਾਂ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ਵਰਗੇ ਸਰੋਤਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋ ਤਾਂ ਜੋ ਹੋਰ ਜਾਣਕਾਰੀ ਮਿਲ ਸਕੇ।
|
|
|
|
#### 2.9 ਗਲਤ ਪੇਸ਼ਕਾਰੀ
|
|
|
|
[ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚਾਈ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਡਾਟਾ ਤੋਂ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨੂੰ ਕਿਸੇ ਖਾਸ ਕਹਾਣੀ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਧੋਖੇ ਨਾਲ ਪੇਸ਼ ਕਰ ਰਹੇ ਹਾਂ।
|
|
|
|
ਇਥੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
|
|
* ਕੀ ਅਸੀਂ ਅਧੂਰੇ ਜਾਂ ਗਲਤ ਡਾਟਾ ਦੀ ਰਿਪੋਰਟਿੰਗ ਕਰ ਰਹੇ ਹਾਂ?
|
|
* ਕੀ ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵਿਜੁਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਗਲਤ ਨਤੀਜੇ ਕੱਢਦਾ ਹੈ?
|
|
* ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਮੋੜਨ ਲਈ ਚੁਣਿੰਦਾ ਅੰਕਗਣਿਤ ਤਕਨੀਕਾਂ ਵਰਤ ਰਹੇ ਹਾਂ?
|
|
* ਕੀ ਹੋਰ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਹਨ ਜੋ ਵੱਖਰਾ ਨਤੀਜਾ ਪੇਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ?
|
|
|
|
#### 2.10 ਮੁਫ਼ਤ ਚੋਣ
|
|
[ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਸਟਮ ਦੇ "ਚੋਣ ਆਰਕੀਟੈਕਚਰ" ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਵਰਤਦੇ ਹਨ ਤਾਂ ਜੋ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਿਆ ਜਾਵੇ, ਜਦੋਂ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ [ਡਾਰਕ ਪੈਟਰਨ](https://www.darkpatterns.org/) ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਚੋਣਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਨੁਕਸਾਨਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਲੰਬਾ ਕਰ ਸਕਦੀਆਂ ਹਨ।
|
|
|
|
ਇਥੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
|
|
* ਕੀ ਉਪਭੋਗਤਾ ਨੇ ਉਸ ਚੋਣ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਿਆ?
|
|
* ਕੀ ਉਪਭੋਗਤਾ ਨੂੰ (ਵਿਕਲਪਿਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਬਾਰੇ ਪਤਾ ਸੀ?
|
|
* ਕੀ ਉਪਭੋਗਤਾ ਬਾਅਦ ਵਿੱਚ ਕਿਸੇ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਰੱਦ ਕਰ ਸਕਦਾ ਹੈ?
|
|
|
|
### 3. ਕੇਸ ਸਟੱਡੀਆਂ
|
|
|
|
ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਹਕੀਕਤੀ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸਮਝਣ ਲਈ, ਉਹ ਕੇਸ ਸਟੱਡੀਆਂ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ ਜੋ ਦਿਖਾਉਂਦੀਆਂ ਹਨ ਕਿ ਜਦੋਂ ਨੈਤਿਕ ਮਾਪਦੰਡਾਂ ਦੀ ਅਣਦੇਖੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਇਸਦਾ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ 'ਤੇ ਕੀ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ।
|
|
|
|
ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
|
|
|
|
| ਨੈਤਿਕ ਚੁਣੌਤੀ | ਕੇਸ ਸਟੱਡੀ |
|
|
|--- |--- |
|
|
| **ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ** | 1972 - [ਟਸਕੀਗੀ ਸਿਫ਼ਿਲਿਸ ਸਟੱਡੀ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ਅਫਰੀਕੀ ਅਮਰੀਕੀ ਪੁਰਸ਼ਾਂ ਨੂੰ ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਦੇਖਭਾਲ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ _ਪਰ ਧੋਖਾ ਦਿੱਤਾ ਗਿਆ_ ਕਿਉਂਕਿ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਨਾਂ ਤਾਂ ਉਨ੍ਹਾਂ ਦੀ ਬਿਮਾਰੀ ਬਾਰੇ ਦੱਸਿਆ ਅਤੇ ਨਾਂ ਹੀ ਉਪਲਬਧ ਇਲਾਜ ਬਾਰੇ। ਕਈ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋ ਗਈ ਅਤੇ ਸਾਥੀ ਜਾਂ ਬੱਚੇ ਪ੍ਰਭਾਵਿਤ ਹੋਏ; ਇਹ ਅਧਿਐਨ 40 ਸਾਲ ਚੱਲਿਆ। |
|
|
| **ਡਾਟਾ ਗੋਪਨੀਯਤਾ** | 2007 - [ਨੈਟਫਲਿਕਸ ਡਾਟਾ ਪ੍ਰਾਈਜ਼](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ਨੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ _50,000 ਗਾਹਕਾਂ ਤੋਂ 10 ਮਿਲੀਅਨ ਅਨਾਮ ਫਿਲਮ ਰੈਂਕਿੰਗ_ ਦਿੱਤੀਆਂ ਤਾਂ ਜੋ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾ ਸਕੇ। ਹਾਲਾਂਕਿ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਅਨਾਮ ਡਾਟਾ ਨੂੰ ਬਾਹਰੀ ਡਾਟਾਸੈੱਟਾਂ (ਜਿਵੇਂ ਕਿ IMDb ਟਿੱਪਣੀਆਂ) ਨਾਲ ਜੋੜ ਕੇ ਕੁਝ ਗਾਹਕਾਂ ਦੀ ਪਛਾਣ ਕਰ ਲਈ।|
|
|
| **ਕਲੈਕਸ਼ਨ ਬਾਇਸ** | 2013 - ਬੋਸਟਨ ਸ਼ਹਿਰ ਨੇ [ਸਟ੍ਰੀਟ ਬੰਪ](https://www.boston.gov/transportation/street-bump) ਐਪ ਵਿਕਸਿਤ ਕੀਤਾ, ਜਿਸ ਨਾਲ ਨਾਗਰਿਕ ਗੱਡੇ ਦੇ ਖੱਡੇ ਦੀ ਸੂਚਨਾ ਦੇ ਸਕਦੇ ਸਨ, ਸ਼ਹਿਰ ਨੂੰ ਸੜਕਾਂ ਦੇ ਡਾਟਾ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਮਸਲਿਆਂ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲੀ। ਹਾਲਾਂਕਿ, [ਘੱਟ ਆਮਦਨੀ ਵਾਲੇ ਗਰੁੱਪਾਂ ਦੇ ਲੋਕਾਂ ਕੋਲ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਦੀ ਪਹੁੰਚ ਘੱਟ ਸੀ](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ਜਿਸ ਕਾਰਨ ਉਨ੍ਹਾਂ ਦੇ ਸੜਕਾਂ ਦੇ ਮਸਲੇ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ ਹੋ ਗਏ। ਵਿਕਸਿਤ ਕਰਨ ਵਾਲਿਆਂ ਨੇ ਨਿਆਂਸੰਗਤਾ ਲਈ _ਸਮਾਨ ਪਹੁੰਚ ਅਤੇ ਡਿਜ਼ਿਟਲ ਵੰਡ_ ਦੇ ਮਸਲਿਆਂ 'ਤੇ ਅਕਾਦਮਿਕਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ। |
|
|
| **ਐਲਗੋਰਿਦਮਿਕ ਨਿਆਂਸੰਗਤਾ** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ਨੇ ਲਿੰਗ ਵਰਗੀਕਰਨ ਵਾਲੇ AI ਉਤਪਾਦਾਂ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਜਿਸ ਨਾਲ ਮਹਿਲਾਵਾਂ ਅਤੇ ਰੰਗ-ਭੇਦ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਸਹੀਤਾ ਵਿੱਚ ਘਾਟੇ ਸਾਹਮਣੇ ਆਏ। ਇੱਕ [2019 ਐਪਲ ਕਾਰਡ](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ਨੇ ਮਹਿਲਾਵਾਂ ਨੂੰ ਪੁਰਸ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਕ੍ਰੈਡਿਟ ਦਿੱਤਾ। ਦੋਵੇਂ ਨੇ ਐਲਗੋਰਿਦਮਿਕ ਬਾਇਸ ਦੇ ਮਸਲਿਆਂ ਨੂੰ ਦਰਸਾਇਆ।|
|
|
| **ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ** | 2020 - [ਜਾਰਜੀਆ ਡਿਪਾਰਟਮੈਂਟ ਆਫ਼ ਪਬਲਿਕ ਹੈਲਥ ਨੇ COVID-19 ਚਾਰਟ ਜਾਰੀ ਕੀਤੇ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ਜੋ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਨਾਗਰਿਕਾਂ ਨੂੰ ਮੰਨਣ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਸਨ ਕਿ ਪੁਸ਼ਟੀ ਕੀਤੇ ਕੇਸਾਂ ਦੇ ਰੁਝਾਨ ਘਟ ਰਹੇ ਹਨ। ਇਹ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਂ ਰਾਹੀਂ ਗਲਤ ਪੇਸ਼ਕਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। |
|
|
| **ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ** | 2020 - ਲਰਨਿੰਗ ਐਪ [ABCmouse ਨੇ $10M ਦਾ ਜੁਰਮਾਨਾ ਭਰਿਆ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ਜਿੱਥੇ ਮਾਪੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਫਸ ਗਏ ਜੋ ਉਹ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਸਨ। ਇਹ ਚੋਣ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਡਾਰਕ ਪੈਟਰਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। |
|
|
| **ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ** | 2021 - ਫੇਸਬੁੱਕ [ਡਾਟਾ ਬ੍ਰੀਚ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ਨੇ 530 ਮਿਲੀਅਨ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਡਾਟਾ ਨੂੰ ਜਾਰੀ ਕੀਤਾ, ਜਿਸ ਕਾਰਨ FTC ਨੂੰ $5B ਦਾ ਨਿਵਾਰਨ ਭੁਗਤਣਾ ਪਿਆ। ਹਾਲਾਂਕਿ, ਇਸ ਨੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਬ੍ਰੀਚ ਬਾਰੇ ਸੂਚਿਤ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ। |
|
|
|
|
ਹੋਰ ਕੇਸ ਸਟੱਡੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤ ਵੇਖੋ:
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕ ਦਿਲਚਸਪੀਆਂ।
|
|
* [ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ ਕੋਰਸ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਪ੍ਰਸਿੱਧ ਕੇਸ ਸਟੱਡੀਆਂ ਦੀ ਪੜਚੋਲ।
|
|
* [ਜਿੱਥੇ ਗਲਤੀਆਂ ਹੋਈਆਂ ਹਨ](https://deon.drivendata.org/examples/) - ਡਿਓਨ ਚੈਕਲਿਸਟ ਦੇ ਉਦਾਹਰਣ।
|
|
|
|
> 🚨 ਉਹ ਕੇਸ ਸਟੱਡੀਆਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਵੇਖੀਆਂ ਹਨ - ਕੀ ਤੁਸੀਂ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਇਸੇ ਤਰ੍ਹਾਂ ਦੀ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀਆਂ ਗਈਆਂ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਹੋਰ ਕੇਸ ਸਟੱਡੀ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ?
|
|
|
|
## ਲਾਗੂ ਨੈਤਿਕਤਾ
|
|
|
|
ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਸਿਧਾਂਤਾਂ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਹਕੀਕਤੀ ਸੰਦਰਭਾਂ ਵਿੱਚ ਕੇਸ ਸਟੱਡੀਆਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ। ਪਰ ਅਸੀਂ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰਦੇ ਹਾਂ? ਅਤੇ ਅਸੀਂ ਸ੍ਰੇਸ਼ਠ ਸ਼ਾਸਨ ਲਈ ਇਨ੍ਹਾਂ ਅਭਿਆਸਾਂ ਨੂੰ ਕਿਵੇਂ "ਚਾਲੂ" ਕਰਦੇ ਹਾਂ? ਆਓ ਕੁਝ ਹਕੀਕਤੀ ਹੱਲਾਂ ਦੀ ਪੜਚੋਲ ਕਰੀਏ:
|
|
|
|
### 1. ਪੇਸ਼ੇਵਰ ਕੋਡ
|
|
|
|
ਪੇਸ਼ੇਵਰ ਕੋਡ ਸੰਗਠਨਾਂ ਲਈ ਇੱਕ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਆਪਣੇ ਮੈਂਬਰਾਂ ਨੂੰ ਆਪਣੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ "ਪ੍ਰੇਰਿਤ" ਕੀਤਾ ਜਾ ਸਕੇ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਿਵਹਾਰ ਲਈ _ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼_ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਉਹ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਸੰਗਠਨਾ ਦੇ ਸਿਧਾਂਤਾਂ ਨਾਲ ਸੰਗਤ ਹਨ। ਇਹ ਸਿਰਫ ਮੈਂਬਰਾਂ ਦੀ ਸਵੈ-ਇੱਛਾ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਦੀ ਹੱਦ ਤੱਕ ਹੀ ਲਾਭਦਾਇਕ ਹੁੰਦੇ ਹਨ; ਹਾਲਾਂਕਿ, ਕਈ ਸੰਗਠਨ ਮੈਂਬਰਾਂ ਤੋਂ ਪਾਲਣਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਾਧੂ ਇਨਾਮ ਅਤੇ ਸਜ਼ਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ।
|
|
|
|
ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
|
|
|
|
* [ਆਕਸਫੋਰਡ ਮਿਊਨਿਖ](http://www.code-of-ethics.org/code-of-conduct/) ਨੈਤਿਕਤਾ ਕੋਡ
|
|
* [ਡਾਟਾ ਸਾਇੰਸ ਐਸੋਸੀਏਸ਼ਨ](http://datascienceassn.org/code-of-conduct.html) ਕੋਡ ਆਫ਼ ਕੰਡਕਟ (2013 ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ)
|
|
* [ACM ਕੋਡ ਆਫ਼ ਐਥਿਕਸ ਐਂਡ ਪ੍ਰੋਫੈਸ਼ਨਲ ਕੰਡਕਟ](https://www.acm.org/code-of-ethics) (1993 ਤੋਂ)
|
|
|
|
> 🚨 ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਪੇਸ਼ੇਵਰ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਂ ਡਾਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਨਾਲ ਜੁੜੇ ਹੋ? ਉਨ੍ਹਾਂ ਦੀ ਵੈਬਸਾਈਟ ਦੀ ਪੜਚੋਲ ਕਰੋ ਤਾਂ ਜੋ ਦੇਖ ਸਕੋ ਕਿ ਕੀ ਉਹ ਨੈਤਿਕਤਾ ਦਾ ਕੋਈ ਪੇਸ਼ੇਵਰ ਕੋਡ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੇਰਿਤ" ਕਰ ਰਹੇ ਹਨ?
|
|
|
|
### 2. ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟਾਂ
|
|
|
|
ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਪੇਸ਼ੇਵਰਾਂ ਤੋਂ ਲੋੜੀਂਦੇ _ਨੈਤਿਕ ਵਿਵਹਾਰ_ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਵੱਡੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ [ਲਾਗੂ ਕਰਨ ਦੀ ਜਾਣੀ-ਪਛਾਣੀ ਸੀਮਾਵਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਬਜਾਏ, ਕਈ ਡਾਟਾ ਸਾਇੰਸ ਵਿਸ਼ੇਸ਼ਜ [ਚੈਕਲਿਸਟਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ਜੋ ਕਿ ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਧਿਕਾਰਤ ਅਤੇ ਕਾਰਜਕਾਰੀ ਤਰੀਕਿਆਂ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹਨ।
|
|
|
|
ਚੈਕਲਿਸਟਾਂ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ/ਨਹੀਂ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀਆਂ ਹਨ, ਜੋ ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਆਰੀ ਉਤਪਾਦ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਟ੍ਰੈਕ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀਆਂ ਹਨ।
|
|
|
|
ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
|
|
* [ਡਿਓਨ](https://deon.drivendata.org/) - ਇੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਡਾਟਾ ਐਥਿਕਸ ਚੈਕਲਿਸਟ ਜੋ [ਉਦਯੋਗ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ](https://deon.drivendata.org/#checklist-citations) ਤੋਂ ਬਣਾਈ ਗਈ ਹੈ ਅਤੇ ਇੱਕ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ।
|
|
* [ਗੋਪਨੀਯਤਾ ਆਡਿਟ ਚੈਕਲਿਸਟ](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਨਜ਼ਰੀਏ ਤੋਂ ਜਾਣਕਾਰੀ ਸੰਭਾਲਣ ਦੇ ਅਭਿਆਸਾਂ ਲਈ ਆਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
|
|
* [AI ਨਿਆਂਸੰਗਤਾ ਚੈਕਲਿਸਟ](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ਵਿਕਾਸ ਚੱਕਰਾਂ ਵਿੱਚ ਨਿਆਂਸੰਗਤਾ ਚੈਕਾਂ ਦੇ ਅਪਨਾਵੇ ਅਤੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ AI ਵਿਸ਼ੇਸ਼ਜਾਂ ਦੁਆਰਾ ਬਣਾਈ ਗਈ।
|
|
* [ਡਾਟਾ ਅਤੇ AI ਵਿੱਚ ਨੈਤਿਕਤਾ ਲਈ 22 ਸਵਾਲ](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ਇੱਕ ਹੋਰ ਖੁੱਲ੍ਹਾ-ਅ
|
|
* [ਜਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn ਤੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਪਾਠ।
|
|
* [ਨੈਤਿਕਤਾ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason ਆਦਿ)
|
|
* [ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਮਿਚੀਗਨ ਯੂਨੀਵਰਸਿਟੀ ਤੋਂ ਆਨਲਾਈਨ ਕੋਰਸ।
|
|
* [ਨੈਤਿਕਤਾ ਅਨਵਰਪਡ](https://ethicsunwrapped.utexas.edu/case-studies) - ਟੈਕਸਾਸ ਯੂਨੀਵਰਸਿਟੀ ਤੋਂ ਕੇਸ ਸਟੱਡੀਜ਼।
|
|
|
|
# ਅਸਾਈਨਮੈਂਟ
|
|
|
|
[ਡਾਟਾ ਨੈਤਿਕਤਾ ਕੇਸ ਸਟੱਡੀ ਲਿਖੋ](assignment.md)
|
|
|
|
---
|
|
|
|
**ਅਸਵੀਕਰਤੀ**:
|
|
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। |