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

Utangulizi wa Maadili ya Takwimu

Maadili ya Sayansi ya Takwimu - Sketchnote na @nitya

---

Sisi sote ni raia wa takwimu tunaoishi katika ulimwengu uliojaa data.

Mwelekeo wa soko unaonyesha kwamba kufikia mwaka wa 2022, shirika moja kati ya matatu kubwa litanunua na kuuza data yao kupitia Masoko na Mabadilishano ya Mtandaoni. Kama Watengenezaji wa Programu, tutapata urahisi na gharama nafuu ya kuunganisha maarifa yanayotokana na data na otomatiki inayotegemea algoriti katika uzoefu wa kila siku wa watumiaji. Lakini kadri AI inavyozidi kuenea, tutahitaji pia kuelewa madhara yanayoweza kusababishwa na utumiaji mbaya wa algoriti hizo kwa kiwango kikubwa.

Mwelekeo pia unaonyesha kwamba tutazalisha na kutumia zaidi ya zettabytes 180 za data kufikia mwaka wa 2025. Kama Wanasayansi wa Takwimu, hii inatupa viwango vya kipekee vya ufikiaji wa data ya kibinafsi. Hii inamaanisha tunaweza kujenga wasifu wa tabia za watumiaji na kushawishi maamuzi kwa njia zinazounda udanganyifu wa chaguo huru huku tukiwashawishi watumiaji kuelekea matokeo tunayopendelea. Pia inazua maswali mapana kuhusu faragha ya data na ulinzi wa watumiaji.

Maadili ya takwimu sasa ni miongozo muhimu kwa sayansi ya takwimu na uhandisi, yakitusaidia kupunguza madhara yanayoweza kutokea na matokeo yasiyotarajiwa kutoka kwa vitendo vyetu vinavyotegemea data. Mzunguko wa Hype wa Gartner kwa AI unataja mwelekeo muhimu katika maadili ya kidijitali, AI inayowajibika, na usimamizi wa AI kama vichochezi vikuu vya mwelekeo mkubwa wa demokrasia na viwanda vya AI.

Katika somo hili, tutachunguza eneo la kuvutia la maadili ya takwimu - kuanzia dhana za msingi na changamoto, hadi masomo ya kesi na dhana za AI zinazotumika kama usimamizi - ambazo husaidia kuanzisha utamaduni wa maadili katika timu na mashirika yanayofanya kazi na data na AI.

Jaribio la awali la somo 🎯

Ufafanuzi wa Msingi

Tuanze kwa kuelewa istilahi za msingi.

Neno "maadili" linatokana na neno la Kigiriki "ethikos" (na mzizi wake "ethos") likimaanisha tabia au asili ya maadili.

Maadili yanahusu maadili ya pamoja na kanuni za kimaadili zinazotawala tabia yetu katika jamii. Maadili hayategemei sheria bali yanategemea kanuni zinazokubalika kwa ujumla kuhusu nini ni "sahihi dhidi ya makosa". Hata hivyo, masuala ya kimaadili yanaweza kuathiri mipango ya usimamizi wa mashirika na kanuni za serikali zinazounda motisha zaidi ya kufuata.

Maadili ya Takwimu ni tawi jipya la maadili linalochunguza na kutathmini matatizo ya kimaadili yanayohusiana na data, algoriti na mazoea yanayohusiana. Hapa, "data" inazingatia vitendo vinavyohusiana na uzalishaji, kurekodi, kutunza, kuchakata, kusambaza, kushiriki, na matumizi, "algoriti" inazingatia AI, mawakala, kujifunza kwa mashine, na roboti, na "mazoea" yanazingatia mada kama uvumbuzi unaowajibika, programu, udukuzi, na kanuni za maadili.

Maadili Yanayotumika ni matumizi ya vitendo ya maadili. Ni mchakato wa kuchunguza kwa bidii masuala ya kimaadili katika muktadha wa vitendo halisi, bidhaa na michakato, na kuchukua hatua za kurekebisha ili kuhakikisha kwamba zinabaki kulingana na maadili yetu yaliyofafanuliwa.

Utamaduni wa Maadili unahusu utekelezaji wa maadili yanayotumika ili kuhakikisha kwamba kanuni na mazoea yetu ya kimaadili yanapitishwa kwa njia thabiti na inayoweza kupanuka katika shirika zima. Utamaduni wa maadili uliofanikiwa hufafanua kanuni za kimaadili za shirika, hutoa motisha yenye maana ya kufuata, na kuimarisha kanuni za maadili kwa kuhimiza na kukuza tabia zinazotakiwa katika kila ngazi ya shirika.

Dhana za Maadili

Katika sehemu hii, tutajadili dhana kama maadili ya pamoja (kanuni) na changamoto za kimaadili (matatizo) kwa maadili ya takwimu - na kuchunguza masomo ya kesi yanayokusaidia kuelewa dhana hizi katika muktadha wa ulimwengu halisi.

1. Kanuni za Maadili

Kila mkakati wa maadili ya takwimu huanza kwa kufafanua kanuni za kimaadili - "maadili ya pamoja" yanayoelezea tabia zinazokubalika, na kuongoza vitendo vinavyofuata sheria, katika miradi yetu ya data na AI. Unaweza kufafanua hizi katika ngazi ya mtu binafsi au timu. Hata hivyo, mashirika makubwa mengi hufafanua hizi katika taarifa ya dhamira ya AI inayowajibika au mfumo unaofafanuliwa katika ngazi ya shirika na kutekelezwa kwa uthabiti katika timu zote.

Mfano: Taarifa ya dhamira ya AI inayowajibika ya Microsoft inasema: "Tumejitolea kuendeleza AI inayotokana na kanuni za kimaadili zinazoweka watu mbele" - ikitambua kanuni 6 za kimaadili katika mfumo ulio hapa chini:

Tuchunguze kwa ufupi kanuni hizi. Uwajibikaji na uwazi ni maadili ya msingi ambayo kanuni nyingine zinajengwa juu yake - kwa hivyo tuanze hapo:

• Uwajibikaji huwafanya watendaji wajibike kwa shughuli zao za data na AI, na kufuata kanuni hizi za kimaadili.
• Uwazi huhakikisha kwamba vitendo vya data na AI vinaweza kueleweka (kufasiriwa) na watumiaji, vikielezea nini na kwa nini nyuma ya maamuzi.
• Haki - inalenga kuhakikisha AI inawatendea watu wote kwa haki, ikishughulikia upendeleo wa kijamii na kiufundi katika data na mifumo.
• Uaminifu na Usalama - huhakikisha kwamba AI inafanya kazi kwa uthabiti na maadili yaliyofafanuliwa, ikipunguza madhara yanayoweza kutokea au matokeo yasiyotarajiwa.
• Faragha na Usalama - inahusu kuelewa mwelekeo wa data, na kutoa faragha ya data na ulinzi unaohusiana kwa watumiaji.
• Ujumuishi - inahusu kubuni suluhisho za AI kwa nia, kuzibadilisha ili kukidhi mahitaji na uwezo mbalimbali ya binadamu.

🚨 Fikiria kuhusu nini taarifa yako ya dhamira ya maadili ya takwimu inaweza kuwa. Chunguza mifumo ya AI inayowajibika kutoka kwa mashirika mengine - hapa kuna mifano kutoka IBM, Google, na Facebook. Ni maadili gani ya pamoja wanayo? Je, kanuni hizi zinahusiana vipi na bidhaa za AI au sekta wanayofanya kazi ndani?

2. Changamoto za Maadili

Mara tu tunapokuwa na kanuni za kimaadili zilizofafanuliwa, hatua inayofuata ni kutathmini vitendo vyetu vya data na AI ili kuona kama vinakubaliana na maadili hayo ya pamoja. Fikiria kuhusu vitendo vyako katika makundi mawili: ukusanyaji wa data na muundo wa algoriti.

Katika ukusanyaji wa data, vitendo vinaweza kuhusisha data ya kibinafsi au taarifa inayoweza kumtambua mtu (PII) kwa watu wanaotambulika. Hii inajumuisha vitu mbalimbali vya data isiyo ya kibinafsi ambavyo kwa pamoja vinaweza kumtambua mtu. Changamoto za kimaadili zinaweza kuhusiana na faragha ya data, umiliki wa data, na mada zinazohusiana kama idhini ya taarifa na haki za mali ya kiakili kwa watumiaji.

Katika muundo wa algoriti, vitendo vitahusisha kukusanya na kutunza seti za data, kisha kuzitumia kufundisha na kupeleka miundo ya data inayotabiri matokeo au kuendesha maamuzi katika muktadha wa ulimwengu halisi. Changamoto za kimaadili zinaweza kutokea kutokana na upendeleo wa seti ya data, masuala ya ubora wa data, kutokuwa na haki, na upotoshaji katika algoriti - ikiwa ni pamoja na masuala mengine ambayo ni ya mfumo.

Katika hali zote mbili, changamoto za maadili zinaonyesha maeneo ambapo vitendo vyetu vinaweza kukutana na migogoro na maadili yetu ya pamoja. Ili kugundua, kupunguza, kupunguza, au kuondoa wasiwasi huu - tunahitaji kuuliza maswali ya kimaadili ya "ndiyo/hapana" yanayohusiana na vitendo vyetu, kisha kuchukua hatua za kurekebisha inapohitajika. Hebu tuangalie baadhi ya changamoto za maadili na maswali ya kimaadili wanayozua:

2.1 Umiliki wa Data

Ukusanyaji wa data mara nyingi unahusisha data ya kibinafsi inayoweza kumtambua mhusika wa data. Umiliki wa data unahusu udhibiti na haki za mtumiaji zinazohusiana na uundaji, uchakataji, na usambazaji wa data.

Maswali ya kimaadili tunayotakiwa kuuliza ni:

• Nani anamiliki data? (mtumiaji au shirika)
• Ni haki gani walizonazo wahusika wa data? (mfano: ufikiaji, kufutwa, kubebeka)
• Ni haki gani mashirika yanazo? (mfano: kurekebisha hakiki za watumiaji zenye nia mbaya)

2.2 Idhini ya Taarifa

Idhini ya taarifa inafafanua kitendo cha watumiaji kukubali hatua (kama ukusanyaji wa data) kwa ufahamu kamili wa ukweli muhimu ikiwa ni pamoja na madhumuni, hatari zinazowezekana, na mbadala.

Maswali ya kuchunguza hapa ni:

• Je, mtumiaji (mhusika wa data) alitoa ruhusa ya kukusanya na kutumia data?
• Je, mtumiaji alielewa madhumuni ya kukusanya data hiyo?
• Je, mtumiaji alielewa hatari zinazowezekana kutoka kwa ushiriki wao?

2.3 Mali ya Kiakili

Mali ya kiakili inahusu ubunifu usioonekana unaotokana na juhudi za binadamu, ambao unaweza kuwa na thamani ya kiuchumi kwa watu binafsi au biashara.

Maswali ya kuchunguza hapa ni:

• Je, data iliyokusanywa ilikuwa na thamani ya kiuchumi kwa mtumiaji au biashara?
• Je, mtumiaji ana mali ya kiakili hapa?
• Je, shirika lina mali ya kiakili hapa?
• Ikiwa haki hizi zipo, tunazilindaje?

2.4 Faragha ya Data

Faragha ya data au faragha ya taarifa inahusu kuhifadhi faragha ya mtumiaji na kulinda utambulisho wa mtumiaji kuhusiana na taarifa inayoweza kumtambua mtu.

Maswali ya kuchunguza hapa ni:

• Je, data ya kibinafsi ya watumiaji imelindwa dhidi ya udukuzi na uvujaji?
• Je, data ya watumiaji inapatikana tu kwa watumiaji na muktadha walioidhinishwa?
• Je, kutokujulikana kwa watumiaji kunahifadhiwa wakati data inashirikiwa au kusambazwa?
• Je, mtumiaji anaweza kutotambulika kutoka kwa seti za data zilizofichwa?

2.5 Haki ya Kusahaulika

Haki ya Kusahaulika au Haki ya Kufutwa hutoa ulinzi wa ziada wa data ya kibinafsi kwa watumiaji. Hasa, inawapa watumiaji haki ya kuomba kufutwa au kuondolewa kwa data ya kibinafsi kutoka kwa utafutaji wa mtandaoni na maeneo mengine, chini ya hali maalum - ikiwapa mwanzo mpya mtandaoni bila matendo ya zamani kushikiliwa dhidi yao.

Maswali ya kuchunguza hapa ni:

• Je, mfumo unaruhusu wahusika wa data kuomba kufutwa?
• Je, uondoaji wa idhini ya mtumiaji unapaswa kusababisha kufutwa kiotomatiki?
• Je, data ilikusanywa bila idhini au kwa njia zisizo halali?
• Je, tunafuata kanuni za serikali kuhusu faragha ya data?

2.6 Upendeleo wa Seti ya Data

Upendeleo wa seti ya data au Upendeleo wa Ukusanyaji unahusu kuchagua sehemu isiyowakilisha ya data kwa ajili ya maendeleo ya algoriti, na kuunda matokeo yasiyo ya haki kwa vikundi mbalimbali. Aina za upendeleo ni pamoja na upendeleo wa uteuzi au sampuli, upendeleo wa kujitolea, na upendeleo wa chombo.

Maswali ya kuchunguza hapa ni:

• Je, tulikusanya seti ya wahusika wa data inayowakilisha?
• Je, tulijaribu seti yetu ya data iliyokusanywa au iliyotunzwa kwa upendeleo mbalimbali?
• Je, tunaweza kupunguza au kuondoa upendeleo wowote uliogunduliwa?

2.7 Ubora wa Data

Ubora wa Data huangalia uhalali wa seti ya data iliyotunzwa inayotumika kuendeleza algoriti zetu, ikichunguza kuona kama vipengele na rekodi zinakidhi mahitaji ya kiwango cha usahihi na uthabiti kinachohitajika kwa madhumuni yetu ya AI.

Maswali ya kuchunguza hapa ni:

• Je, tulikusanya vipengele halali kwa muktadha wetu?
• Je, data ilikusanywa kwa uthabiti kutoka kwa vyanzo mbalimbali vya data?
• Je, seti ya data ni kamili kwa hali au matukio mbalimbali?
• Je, taarifa Algorithm Fairness inachunguza kama muundo wa algorithimu unawabagua kwa mfumo maalum makundi fulani ya watu, na kusababisha madhara yanayowezekana katika ugawaji (ambapo rasilimali zinakataliwa au kuzuiliwa kutoka kwa kundi hilo) na ubora wa huduma (ambapo AI haifanyi kazi kwa usahihi kwa baadhi ya makundi kama inavyofanya kwa mengine).

Maswali ya kuzingatia hapa ni:

• Je, tulipima usahihi wa modeli kwa makundi na hali mbalimbali?
• Je, tulichunguza mfumo kwa madhara yanayowezekana (mfano, ubaguzi wa kijinsia)?
• Je, tunaweza kurekebisha data au kufundisha upya modeli ili kupunguza madhara yaliyotambuliwa?

Chunguza rasilimali kama AI Fairness checklists ili kujifunza zaidi.

2.9 Upotoshaji

Upotoshaji wa Data unahusu kujiuliza kama tunawasilisha maarifa kutoka kwa data iliyoripotiwa kwa uaminifu kwa njia ya udanganyifu ili kuunga mkono simulizi inayotakiwa.

Maswali ya kuzingatia hapa ni:

• Je, tunaripoti data isiyo kamili au isiyo sahihi?
• Je, tunawasilisha data kwa njia inayosababisha hitimisho la kupotosha?
• Je, tunatumia mbinu za takwimu za kuchagua ili kudanganya matokeo?
• Je, kuna maelezo mbadala yanayoweza kutoa hitimisho tofauti?

2.10 Uhuru wa Kuchagua

Udanganyifu wa Uhuru wa Kuchagua hutokea pale ambapo "miundo ya uchaguzi" ya mfumo hutumia algorithimu za kufanya maamuzi kuwashawishi watu kuchukua matokeo yanayopendelewa huku wakionekana kuwa na chaguo na udhibiti. Mifumo ya giza inaweza kusababisha madhara ya kijamii na kiuchumi kwa watumiaji. Kwa kuwa maamuzi ya watumiaji yanaathiri wasifu wa tabia, vitendo hivi vinaweza kuendesha chaguo za baadaye ambazo zinaweza kuongeza au kupanua athari za madhara haya.

Maswali ya kuzingatia hapa ni:

• Je, mtumiaji alielewa athari za kufanya chaguo hilo?
• Je, mtumiaji alikuwa na ufahamu wa chaguo (mbadala) na faida na hasara za kila moja?
• Je, mtumiaji anaweza kubadilisha chaguo lililoathiriwa au lililofanywa kiotomatiki baadaye?

3. Masomo ya Kesi

Ili kuweka changamoto hizi za kimaadili katika muktadha wa ulimwengu halisi, inasaidia kuangalia masomo ya kesi yanayoonyesha madhara na matokeo yanayowezekana kwa watu binafsi na jamii, pale ambapo ukiukaji wa maadili hauzingatiwi.

Hapa kuna mifano kadhaa:

Changamoto ya Maadili	Somo la Kesi
Idhini ya Habari	1972 - Tuskegee Syphilis Study - Wanaume wa Kiafrika-Amerika waliokuwa sehemu ya utafiti waliahidiwa huduma ya matibabu lakini walidanganywa na watafiti ambao hawakuwajulisha kuhusu utambuzi wao au upatikanaji wa matibabu. Wengi walikufa na wenzi au watoto waliathirika; utafiti ulidumu kwa miaka 40.
Faragha ya Data	2007 - Netflix data prize iliwapa watafiti alama za filamu milioni 10 zilizofichwa kutoka kwa wateja 50,000 ili kusaidia kuboresha algorithimu za mapendekezo. Hata hivyo, watafiti waliweza kuunganisha data iliyofichwa na data inayotambulika kibinafsi katika seti za data za nje (mfano, maoni ya IMDb) - kwa ufanisi "kufichua" baadhi ya wateja wa Netflix.
Upendeleo wa Ukusanyaji	2013 - Jiji la Boston liliunda Street Bump, programu iliyowaruhusu raia kuripoti mashimo barabarani, ikitoa data bora kwa jiji kutambua na kurekebisha matatizo. Hata hivyo, watu katika makundi ya kipato cha chini walikuwa na upatikanaji mdogo wa magari na simu, na kufanya matatizo yao ya barabara kuwa yasiyoonekana katika programu hii. Waendelezaji walishirikiana na wasomi kushughulikia upatikanaji sawa na mgawanyiko wa kidijitali kwa haki.
Haki ya Algorithimu	2018 - Utafiti wa MIT Gender Shades Study ulitathmini usahihi wa bidhaa za AI za uainishaji wa jinsia, ukifichua mapungufu ya usahihi kwa wanawake na watu wa rangi. Kadi ya Apple ya 2019 ilionekana kutoa mikopo kidogo kwa wanawake kuliko wanaume. Zote zilionyesha masuala ya upendeleo wa algorithimu yanayosababisha madhara ya kijamii na kiuchumi.
Upotoshaji wa Data	2020 - Idara ya Afya ya Georgia ilitoa chati za COVID-19 ambazo zilionekana kupotosha raia kuhusu mwenendo wa kesi zilizothibitishwa kwa mpangilio usio wa kronolojia kwenye mhimili wa x. Hii inaonyesha upotoshaji kupitia mbinu za kuonyesha.
Udanganyifu wa uhuru wa kuchagua	2020 - Programu ya kujifunza ABCmouse ililipa $10M kutatua malalamiko ya FTC ambapo wazazi walinaswa kulipa kwa usajili ambao hawakuweza kufuta. Hii inaonyesha mifumo ya giza katika miundo ya uchaguzi, ambapo watumiaji walishawishiwa kuchukua chaguo zenye madhara.
Faragha ya Data na Haki za Watumiaji	2021 - Uvujaji wa Data wa Facebook ulifichua data kutoka kwa watumiaji milioni 530, na kusababisha makubaliano ya $5B na FTC. Hata hivyo, ilikataa kuwajulisha watumiaji kuhusu uvujaji huo, ikikiuka haki za watumiaji kuhusu uwazi wa data na upatikanaji.

Unataka kuchunguza masomo zaidi ya kesi? Angalia rasilimali hizi:

• Ethics Unwrapped - changamoto za maadili katika sekta mbalimbali.
• Kozi ya Maadili ya Sayansi ya Data - masomo ya kesi muhimu yanachunguzwa.
• Mahali ambapo mambo yameenda vibaya - orodha ya Deon yenye mifano.

🚨 Fikiria kuhusu masomo ya kesi uliyoyaona - je, umewahi kukumbana au kuathiriwa na changamoto ya kimaadili kama hiyo maishani mwako? Je, unaweza kufikiria angalau somo moja la kesi linaloonyesha mojawapo ya changamoto za kimaadili tulizojadili katika sehemu hii?

Maadili ya Kivitendo

Tumeelezea dhana za maadili, changamoto, na masomo ya kesi katika muktadha wa ulimwengu halisi. Lakini tunaanzaje kutumia kanuni na mazoea ya kimaadili katika miradi yetu? Na tunafanyaje utekelezaji wa mazoea haya kwa utawala bora? Hebu tuchunguze suluhisho za ulimwengu halisi:

1. Kanuni za Kitaaluma

Kanuni za Kitaaluma zinatoa chaguo moja kwa mashirika "kuhamasisha" wanachama kuunga mkono kanuni zao za kimaadili na taarifa ya dhamira. Kanuni ni miongozo ya kimaadili kwa tabia ya kitaaluma, kusaidia wafanyakazi au wanachama kufanya maamuzi yanayolingana na kanuni za shirika lao. Zinategemea kufuata kwa hiari kutoka kwa wanachama; hata hivyo, mashirika mengi hutoa tuzo na adhabu za ziada kuhamasisha kufuata kutoka kwa wanachama.

Mifano ni pamoja na:

• Oxford Munich Kanuni za Maadili
• Data Science Association Kanuni za Tabia (iliundwa 2013)
• ACM Code of Ethics and Professional Conduct (tangu 1993)

🚨 Je, wewe ni mwanachama wa shirika la uhandisi au sayansi ya data? Chunguza tovuti yao ili kuona kama wanataja kanuni za kitaaluma za maadili. Inasema nini kuhusu kanuni zao za kimaadili? Wanahamasishaje wanachama kufuata kanuni hizo?

2. Orodha za Maadili

Wakati kanuni za kitaaluma zinafafanua tabia ya kimaadili inayohitajika kutoka kwa wataalamu, zina mapungufu yanayojulikana katika utekelezaji, hasa katika miradi mikubwa. Badala yake, wataalamu wengi wa Sayansi ya Data wanapendekeza orodha za ukaguzi, ambazo zinaweza kuunganisha kanuni na mazoea kwa njia za kivitendo na zinazoweza kutekelezwa.

Orodha za ukaguzi hubadilisha maswali kuwa kazi za "ndiyo/hapana" ambazo zinaweza kutekelezwa, na kuruhusu kufuatiliwa kama sehemu ya mtiririko wa kazi wa kawaida wa kutolewa kwa bidhaa.

Mifano ni pamoja na:

• Deon - orodha ya ukaguzi ya maadili ya data ya matumizi ya jumla iliyoundwa kutoka kwa mapendekezo ya sekta na zana ya mstari wa amri kwa urahisi wa ushirikiano.
• Orodha ya Ukaguzi wa Ukaguzi wa Faragha - inatoa mwongozo wa jumla kwa mazoea ya kushughulikia taarifa kutoka kwa mitazamo ya kisheria na kijamii.
• Orodha ya Ukaguzi wa Haki ya AI - iliyoundwa na wataalamu wa AI kusaidia kupitishwa na ushirikiano wa ukaguzi wa haki katika mizunguko ya maendeleo ya AI.
• Maswali 22 kwa maadili katika data na AI - mfumo wa wazi zaidi, uliopangwa kwa uchunguzi wa awali wa masuala ya kimaadili katika muundo, utekelezaji, na muktadha wa shirika.

3. Kanuni za Maadili

Maadili yanahusu kufafanua maadili ya pamoja na kufanya jambo sahihi kwa hiari. Ufuataji unahusu kufuata sheria ikiwa na pale inapofafanuliwa. Utawala kwa ujumla unahusu njia zote ambazo mashirika yanafanya kazi kutekeleza kanuni za kimaadili na kufuata sheria zilizowekwa.

Leo, utawala unachukua aina mbili ndani ya mashirika. Kwanza, ni kuhusu kufafanua kanuni za AI ya kimaadili na kuanzisha mazoea ya kutekeleza kupitishwa kwa miradi yote inayohusiana na AI katika shirika. Pili, ni kuhusu kufuata kanuni zote za ulinzi wa data zinazotakiwa na serikali kwa maeneo inayoendesha.

Mifano ya kanuni za ulinzi wa data na faragha:

• 1974, US Privacy Act - inasimamia serikali ya shirikisho ukusanyaji, matumizi, na ufichuzi wa taarifa za kibinafsi.
• 1996, US Health Insurance Portability & Accountability Act (HIPAA) - inalinda data ya afya ya kibinafsi.
• 1998, US Children's Online Privacy Protection Act (COPPA) - inalinda faragha ya data ya watoto chini ya miaka 13.
• 2018, General Data Protection Regulation (GDPR) - inatoa haki za watumiaji, ulinzi wa data, na faragha.
• 2018, California Consumer Privacy Act (CCPA) inawapa watumiaji haki zaidi juu ya data yao (ya kibinafsi).
• 2021, Sheria ya Ulinzi wa Taarifa za Kibinafsi ya China imepitishwa, ikianzisha mojawapo ya kanuni kali zaidi za faragha ya data mtandaoni duniani.

🚨 Umoja wa Ulaya ulifafanua GDPR (Kanuni ya Ulinzi wa Data ya Jumla) ambayo inabaki kuwa mojawapo ya kanuni zenye ushawishi mkubwa wa faragha ya data leo. Je, unajua pia inafafanua haki 8 za watumiaji kulinda faragha ya kidijitali na data ya kibinafsi ya raia? Jifunze kuhusu haki hizi ni nini, na kwa nini zinajali.

4. Utamaduni wa Maadili

Kumbuka kuwa kuna pengo lisiloonekana kati ya ufuatiliaji (kufanya vya kutosha kufikia "barua ya sheria") na kushughulikia masuala ya kimfumo (kama ugumu, usawa wa taarifa, na kutokuwepo kwa usawa wa usambazaji) ambayo yanaweza kuharakisha silaha ya AI.

Hili linahitaji njia za ushirikiano za kufafanua utamaduni wa maadili zinazojenga uhusiano wa kihisia na maadili ya pamoja yanayolingana katika mashirika katika sekta. Hii inahitaji zaidi utamaduni wa maadili ya data ulio rasmi katika mashirika - kuruhusu mtu yeyote kuvuta kamba ya Andon (kuibua wasiwasi wa kimaadili mapema katika mchakato) na kufanya tathmini za kimaadili (mfano, katika kuajiri) kuwa kigezo cha msingi cha uundaji wa timu katika miradi ya AI.

---

Jaribio la baada ya somo 🎯

Mapitio na Kujisomea

Kozi na vitabu husaidia kuelewa dhana za msingi za maadili na changamoto, wakati masomo ya kesi na zana husaidia na mazoea ya maadili ya kivitendo katika muktadha wa ulimwengu halisi. Hapa kuna rasilimali chache za kuanza nazo.

• Machine Learning For Beginners - somo kuhusu Haki, kutoka Microsoft.
• Kanuni za AI Inayowajibika - njia ya kujifunza bila malipo kutoka Microsoft Learn.
• Maadili na Sayansi ya Takwimu - Kitabu cha O'Reilly (M. Loukides, H. Mason et. al)
• Maadili ya Sayansi ya Takwimu - kozi ya mtandaoni kutoka Chuo Kikuu cha Michigan.
• Maadili Yaliyofunguliwa - masomo ya kesi kutoka Chuo Kikuu cha Texas.

Kazi

Andika Utafiti wa Kesi Kuhusu Maadili ya Takwimu

---

Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.