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

แนะนำเกี่ยวกับจริยธรรมข้อมูล

จริยธรรมวิทยาศาสตร์ข้อมูล - Sketchnote โดย @nitya

---

เราทุกคนเป็นพลเมืองข้อมูลที่อาศัยอยู่ในโลกที่เต็มไปด้วยข้อมูล

แนวโน้มตลาดบ่งชี้ว่าในปี 2022 องค์กรขนาดใหญ่ 1 ใน 3 จะซื้อและขายข้อมูลของตนผ่าน ตลาดและการแลกเปลี่ยนออนไลน์ ในฐานะ นักพัฒนาแอป เราจะพบว่าการผสานรวมข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลและระบบอัตโนมัติที่ขับเคลื่อนด้วยอัลกอริทึมในประสบการณ์ผู้ใช้รายวันจะง่ายและถูกลง แต่เมื่อ AI แพร่หลายมากขึ้น เราจะต้องเข้าใจอันตรายที่อาจเกิดขึ้นจากการ ใช้เป็นอาวุธ ของอัลกอริทึมเหล่านี้ในวงกว้างด้วย

แนวโน้มระบุว่าในปี 2025 เราจะสร้างและใช้ข้อมูลมากกว่า 180 เซตตะไบต์ สำหรับ นักวิทยาศาสตร์ข้อมูล การระเบิดของข้อมูลนี้ให้การเข้าถึงข้อมูลส่วนบุคคลและพฤติกรรมอย่างไม่เคยมีมาก่อน มาพร้อมกับพลังในการสร้างโปรไฟล์ผู้ใช้อย่างละเอียดและมีอิทธิพลต่อการตัดสินใจอย่างแยบยล — บ่อยครั้งในรูปแบบที่ก่อให้เกิด ภาพลวงตาของการเลือกอย่างเสรี ในขณะที่สิ่งนี้สามารถใช้เพื่อกระตุ้นให้ผู้ใช้ไปสู่ผลลัพธ์ที่ต้องการ แต่มันก็ยังก่อให้เกิดคำถามสำคัญเกี่ยวกับความเป็นส่วนตัวของข้อมูล อิสระ และขอบเขตจริยธรรมของอิทธิพลอัลกอริทึม

จริยธรรมข้อมูลกลายเป็น เส้นเขตแดนที่จำเป็น สำหรับวิทยาศาสตร์ข้อมูลและวิศวกรรมข้อมูล ช่วยให้เราลดอันตรายที่อาจเกิดขึ้นและผลกระทบที่ไม่คาดคิดจากการกระทำที่ขับเคลื่อนด้วยข้อมูลของเรา วงจรความนิยมของ Gartner สำหรับ AI ระบุแนวโน้มที่เกี่ยวข้องกับจริยธรรมดิจิทัล AI ที่รับผิดชอบ และการกำกับดูแล AI เป็นแรงขับเคลื่อนหลักสำหรับเมกะเทรนด์ที่ใหญ่ขึ้นเกี่ยวกับ การทำให้ประชาชนเข้าถึง และ การทำให้เกิดอุตสาหกรรม ของ AI

ในบทเรียนนี้ เราจะสำรวจพื้นที่ที่น่าสนใจของจริยธรรมข้อมูล — ตั้งแต่แนวคิดหลักและความท้าทาย ไปจนถึงกรณีศึกษาและแนวคิด AI ที่ใช้ในทางปฏิบัติเช่นการกำกับดูแล — ซึ่งช่วยสร้างวัฒนธรรมจริยธรรมในทีมและองค์กรที่ทำงานกับข้อมูลและ AI

แบบทดสอบก่อนบรรยาย 🎯

คำนิยามพื้นฐาน

เรามาเริ่มทำความเข้าใจกับคำศัพท์พื้นฐานกัน

คำว่า "ethics" มาจากคำกรีก คำว่า "ethikos" (และรากศัพท์ "ethos") ที่หมายถึง บุคลิกภาพหรือธรรมชาติทางศีลธรรม

จริยธรรม คือค่านิยมและหลักศีลธรรมร่วมที่ควบคุมพฤติกรรมของเราในสังคม จริยธรรมไม่ได้อิงกับกฎหมายแต่ขึ้นอยู่กับบรรทัดฐานที่ได้รับการยอมรับอย่างกว้างขวางเกี่ยวกับสิ่งที่ถือว่า "ถูก vs. ผิด" อย่างไรก็ตาม การพิจารณาทางจริยธรรมสามารถส่งผลกระทบต่อโครงการกำกับดูแลขององค์กรและกฎระเบียบของรัฐบาลที่สร้างแรงจูงใจเพิ่มเติมสำหรับการปฏิบัติตาม

จริยธรรมข้อมูล เป็น สาขาใหม่ของจริยธรรม ที่ "ศึกษาวิเคราะห์ปัญหาทางศีลธรรมที่เกี่ยวข้องกับ ข้อมูล อัลกอริทึม และการปฏิบัติที่สอดคล้องกัน" โดยที่ "ข้อมูล" เน้นการกระทำที่เกี่ยวข้องกับการสร้าง บันทึก การดูแล การประมวลผล การเผยแพร่ การแบ่งปัน และการใช้งาน, "อัลกอริทึม" มุ่งเน้นที่ AI ตัวแทน การเรียนรู้ของเครื่อง และหุ่นยนต์ และ "การปฏิบัติ" มุ่งเน้นเรื่องเช่นนวัตกรรมที่รับผิดชอบ การเขียนโปรแกรม การแฮ็ก และประมวลจริยธรรม

จริยธรรมเชิงประยุกต์ คือ การประยุกต์ใช้การพิจารณาทางศีลธรรมอย่างมีปฏิบัติ เป็นกระบวนการสืบสวนปัญหาทางจริยธรรมอย่างจริงจังในบริบทของ การกระทำจริง ผลิตภัณฑ์ และกระบวนการ และทำการแก้ไขเพื่อให้มั่นใจว่ายังคงสอดคล้องกับค่านิยมจริยธรรมที่กำหนดไว้

วัฒนธรรมจริยธรรม คือการ ปฏิบัติใช้ จริยธรรมเชิงประยุกต์ เพื่อให้แน่ใจว่าหลักการและแนวปฏิบัติทางจริยธรรมของเราถูกนำมาใช้ในลักษณะที่สอดคล้องและสามารถขยายผลได้ทั่วทั้งองค์กร วัฒนธรรมจริยธรรมที่ประสบความสำเร็จจะกำหนดหลักจริยธรรมทั่วทั้งองค์กร ให้แรงจูงใจที่มีความหมายสำหรับการปฏิบัติตาม และสนับสนุนบรรทัดฐานจริยธรรมโดยการส่งเสริมและขยายพฤติกรรมที่ต้องการในทุกระดับขององค์กร

แนวคิดจริยธรรม

ในส่วนนี้ เราจะพูดถึงแนวคิดเช่น ค่านิยมร่วม (หลักการ) และ ความท้าทายทางจริยธรรม (ปัญหา) สำหรับจริยธรรมข้อมูล — และสำรวจ กรณีศึกษา ที่ช่วยให้คุณเข้าใจแนวคิดเหล่านี้ในบริบทโลกแห่งความเป็นจริง

1. หลักจริยธรรม

กลยุทธ์จริยธรรมข้อมูลทุกอันเริ่มต้นด้วยการกำหนด หลักจริยธรรม — "ค่านิยมร่วม" ที่อธิบายพฤติกรรมที่ยอมรับได้ และชี้นำการปฏิบัติที่สอดคล้องในโครงการข้อมูลและ AI ของเรา คุณสามารถกำหนดสิ่งเหล่านี้ในระดับบุคคลหรือทีม อย่างไรก็ตาม องค์กรใหญ่ส่วนใหญ่จะกำหนดสิ่งเหล่านี้ในแถลงการณ์พันธกิจหรือกรอบงาน AI ที่มีจริยธรรม ซึ่งกำหนดในระดับองค์กรและบังคับใช้อย่างสม่ำเสมอทั่วทุกทีม

ตัวอย่าง: แถลงการณ์พันธกิจ AI ที่รับผิดชอบ ของ Microsoft ระบุว่า: "เรามุ่งมั่นสู่ความก้าวหน้าของ AI ที่ขับเคลื่อนด้วยหลักจริยธรรมซึ่งให้ความสำคัญกับมนุษย์เป็นอันดับแรก" — โดยระบุ 6 หลักจริยธรรมในกรอบงานดังนี้:

เรามาดูหลักการเหล่านี้โดยย่อ ความโปร่งใส และ ความรับผิดชอบ เป็นค่านิยมพื้นฐานที่หลักการอื่นสร้างขึ้น ดังนั้นมาดูที่สองข้อนี้ก่อน:

• ความรับผิดชอบ ทำให้ผู้ปฏิบัติงาน รับผิดชอบ ต่อการดำเนินงานด้านข้อมูลและ AI ของพวกเขา และการปฏิบัติตามหลักจริยธรรมเหล่านี้
• ความโปร่งใส ทำให้มั่นใจว่าการกระทำด้านข้อมูลและ AI เป็น ที่เข้าใจได้ (ตีความได้) กับผู้ใช้ อธิบายว่าเหตุใดและอย่างไรในการตัดสินใจต่างๆ
• ความเป็นธรรม — มุ่งเน้นการทำให้แน่ใจว่า AI ปฏิบัติต่อ ทุกคน อย่างยุติธรรม โดยแก้ไขปัญหาความลำเอียงทางสังคมและเชิงเทคนิคที่เป็นระบบหรือแฝงในข้อมูลและระบบ
• ความน่าเชื่อถือและความปลอดภัย — ทำให้มั่นใจว่า AI มีพฤติกรรม สม่ำเสมอ กับค่านิยมที่กำหนด ลดอันตรายที่อาจเกิดขึ้นหรือผลที่ไม่คาดคิดให้น้อยที่สุด
• ความเป็นส่วนตัวและความปลอดภัย — คือการเข้าใจที่มาของข้อมูล และให้ ความเป็นส่วนตัวของข้อมูลและการปกป้องที่เกี่ยวข้อง แก่ผู้ใช้
• ความครอบคลุม — คือการออกแบบโซลูชัน AI อย่างมีเจตนา ปรับให้เหมาะสมเพื่อรองรับ ความต้องการ และความสามารถของมนุษย์ในวงกว้าง

🚨 ลองคิดว่าแถลงการณ์พันธกิจจริยธรรมข้อมูลของคุณอาจเป็นอย่างไร สำรวจกรอบงาน AI ที่มีจริยธรรมจากองค์กรอื่น — ต่อไปนี้คือตัวอย่างจาก IBM, Google, และ Facebook พวกเขามีค่านิยมร่วมกันอะไรบ้าง? หลักการเหล่านี้เกี่ยวข้องอย่างไรกับผลิตภัณฑ์ AI หรืออุตสาหกรรมที่พวกเขาดำเนินงานอยู่?

2. ความท้าทายทางจริยธรรม

เมื่อเรากำหนดหลักจริยธรรมแล้ว ขั้นตอนต่อไปคือการประเมินการกระทำด้านข้อมูลและ AI ของเราเพื่อดูว่าสอดคล้องกับค่านิยมร่วมเหล่านั้นหรือไม่ คิดถึงการกระทำของคุณในสองหมวดหมู่: การเก็บข้อมูล และ การออกแบบอัลกอริทึม

ในการเก็บข้อมูล การกระทำมักเกี่ยวข้องกับ ข้อมูลส่วนบุคคล หรือข้อมูลที่สามารถระบุตัวตนได้ของบุคคลที่มีชีวิต ซึ่งรวมถึง ข้อมูลที่ไม่ใช่ข้อมูลส่วนบุคคลที่หลากหลาย ที่ โดยรวมแล้ว สามารถระบุตัวบุคคลได้ ความท้าทายทางจริยธรรมอาจเกี่ยวข้องกับ ความเป็นส่วนตัวของข้อมูล , ความเป็นเจ้าของข้อมูล และหัวข้อที่เกี่ยวข้อง เช่น ความยินยอมอย่างมีข้อมูล และ สิทธิในทรัพย์สินทางปัญญา สำหรับผู้ใช้

ในการออกแบบอัลกอริทึม การกระทำจะเกี่ยวข้องกับการเก็บรวบรวมและดูแล ชุดข้อมูล จากนั้นใช้ชุดข้อมูลเหล่านั้นในการฝึกและปรับใช้ โมเดลข้อมูล ที่ทำนายผลลัพธ์หรือทำให้การตัดสินใจในบริบทโลกจริงเป็นไปโดยอัตโนมัติ ความท้าทายทางจริยธรรมอาจเกิดจาก ความลำเอียงในชุดข้อมูล , ปัญหาคุณภาพข้อมูล, ความไม่เป็นธรรม และ การบิดเบือน ในอัลกอริทึม — รวมถึงปัญหาบางอย่างที่เป็นระบบ

ในทั้งสองกรณี ความท้าทายด้านจริยธรรมชี้ให้เห็นพื้นที่ที่การกระทำของเราอาจเกิดความขัดแย้งกับค่านิยมร่วม เพื่อที่จะตรวจจับ ลดความรุนแรง ลดผลกระทบ หรือกำจัดข้อกังวลเหล่านี้ — เราจำเป็นต้องตั้งคำถามทางศีลธรรมที่เป็น "ใช่/ไม่ใช่" ที่เกี่ยวข้องกับการกระทำของเรา แล้วดำเนินมาตรการแก้ไขตามความจำเป็น ลองดูความท้าทายทางจริยธรรมบางประการและคำถามทางศีลธรรมที่พวกเขายกขึ้น:

2.1 ความเป็นเจ้าของข้อมูล

การเก็บข้อมูลมักเกี่ยวข้องกับข้อมูลส่วนบุคคลที่สามารถระบุตัวตนเจ้าของข้อมูลได้ ความเป็นเจ้าของข้อมูล คือเรื่องของ การควบคุม และ สิทธิของผู้ใช้ ที่เกี่ยวข้องกับการสร้าง การประมวลผล และการเผยแพร่ข้อมูล

คำถามทางศีลธรรมที่เราต้องถามคือ:

• ใครเป็นเจ้าของข้อมูล? (ผู้ใช้หรือองค์กร)
• เจ้าของข้อมูลมีสิทธิ์อะไรบ้าง? (เช่น: การเข้าถึง การลบ การโอนย้าย)
• องค์กรมีสิทธิ์อะไรบ้าง? (เช่น: การแก้ไขรีวิวผู้ใช้ที่ไม่ดี)

2.2 การยินยอมอย่างมีข้อมูล

การยินยอมอย่างมีข้อมูล คือการที่ผู้ใช้ตกลงทำการกระทำบางอย่าง (เช่น การเก็บข้อมูล) โดยมีความเข้าใจอย่างเต็มที่เกี่ยวกับข้อเท็จจริงที่เกี่ยวข้อง รวมถึงวัตถุประสงค์ ความเสี่ยงที่อาจเกิดขึ้น และทางเลือกอื่น ๆ

คำถามที่ต้องสำรวจที่นี่คือ:

• ผู้ใช้ (เจ้าของข้อมูล) ได้ให้สิทธิ์ในการเก็บและใช้ข้อมูลหรือไม่?
• ผู้ใช้เข้าใจวัตถุประสงค์ที่เก็บข้อมูลนั้นหรือไม่?
• ผู้ใช้เข้าใจความเสี่ยงที่อาจเกิดจากการมีส่วนร่วมของตนหรือไม่?

2.3 ทรัพย์สินทางปัญญา

ทรัพย์สินทางปัญญา หมายถึงผลงานที่ไม่มีตัวตนซึ่งเกิดจากความริเริ่มของมนุษย์ และอาจ มีมูลค่าทางเศรษฐกิจ ต่อบุคคลหรือธุรกิจ

คำถามที่ต้องสำรวจที่นี่คือ:

• ข้อมูลที่เก็บมาสำหรับผู้ใช้หรือธุรกิจมีมูลค่าทางเศรษฐกิจหรือไม่?
• ผู้ใช้ มีทรัพย์สินทางปัญญาในด้านนี้หรือไม่?
• องค์กร มีทรัพย์สินทางปัญญาในด้านนี้หรือไม่?
• หากสิทธิเหล่านี้มีอยู่ เราปกป้องสิทธิเหล่านี้อย่างไร?

2.4 ความเป็นส่วนตัวของข้อมูล

ความเป็นส่วนตัวของข้อมูล หรือความเป็นส่วนตัวของข้อมูลหมายถึงการรักษาความเป็นส่วนตัวของผู้ใช้และการปกป้องตัวตนของผู้ใช้ที่เกี่ยวข้องกับข้อมูลที่สามารถระบุตัวตนได้

คำถามที่ต้องสำรวจที่นี่คือ:

• ข้อมูลส่วนตัวของผู้ใช้ได้รับการป้องกันจากการแฮ็กและการรั่วไหลหรือไม่?
• ข้อมูลของผู้ใช้เข้าถึงได้เฉพาะผู้ใช้และบริบทที่ได้รับอนุญาตหรือไม่?
• การไม่เปิดเผยตัวตนของผู้ใช้ถูกเก็บรักษาไว้เมื่อข้อมูลถูกแบ่งปันหรือเผยแพร่หรือไม่?
• ผู้ใช้สามารถถูกระบุตัวตนใหม่จากชุดข้อมูลที่ไม่ระบุตัวตนได้หรือไม่?

2.5 สิทธิในการถูกลืม

สิทธิในการถูกลืม หรือ สิทธิในการลบ มอบการปกป้องข้อมูลส่วนบุคคลเพิ่มเติมให้กับผู้ใช้ โดยเฉพาะอย่างยิ่ง มันให้สิทธิ์แก่ผู้ใช้ในการขอลบหรือเอาข้อมูลส่วนบุคคลออกจากผลการค้นหาในอินเทอร์เน็ตและสถานที่อื่น ๆ ภายใต้สถานการณ์เฉพาะ — ช่วยให้ผู้ใช้เริ่มต้นใหม่ทางออนไลน์โดยไม่ถูกจับตามองจากการกระทำในอดีต

คำถามที่ต้องสำรวจที่นี่คือ:

• ระบบอนุญาตให้เจ้าของข้อมูลร้องขอการลบข้อมูลหรือไม่?
• การถอนความยินยอมของผู้ใช้ควรทำให้เกิดการลบข้อมูลโดยอัตโนมัติหรือไม่?
• ข้อมูลถูกเก็บรวบรวมโดยไม่ได้รับความยินยมหรือโดยวิธีที่ผิดกฎหมายหรือไม่?
• เราปฏิบัติตามกฎระเบียบของรัฐบาลเกี่ยวกับความเป็นส่วนตัวข้อมูลหรือไม่?

2.6 ความลำเอียงในชุดข้อมูล

ความลำเอียงในชุดข้อมูลหรือ ความลำเอียงในการเก็บข้อมูล คือการเลือกชุดข้อมูลย่อยที่ ไม่เป็นตัวแทน เพื่อพัฒนาอัลกอริทึม ซึ่งสร้างความไม่เป็นธรรมในผลลัพธ์สำหรับกลุ่มที่หลากหลาย โดยความลำเอียงมีหลายประเภท เช่น ความลำเอียงในการเลือกหรือตัวอย่าง, ความลำเอียงของอาสาสมัคร และความลำเอียงของเครื่องมือ

คำถามที่ต้องสำรวจที่นี่คือ:

• เราได้คัดเลือกเจ้าของข้อมูลในชุดตัวอย่างที่เป็นตัวแทนหรือไม่?
• เราได้ทดสอบชุดข้อมูลที่เก็บรวบรวมหรือดูแลสำหรับความลำเอียงต่าง ๆ หรือไม่?
• เราสามารถลดหรือกำจัดความลำเอียงที่พบได้หรือไม่?

2.7 คุณภาพของข้อมูล

คุณภาพของข้อมูล พิจารณาความถูกต้องของชุดข้อมูลที่ดูแลใช้ในการพัฒนาอัลกอริทึมของเรา ตรวจสอบดูว่าคุณลักษณะและบันทึกตรงตามข้อกำหนดในระดับความแม่นยำและความสม่ำเสมอที่จำเป็นสำหรับวัตถุประสงค์ของ AI ของเราหรือไม่

คำถามที่ต้องสำรวจที่นี่คือ:

• เราเก็บรวบรวมคุณลักษณะที่ ถูกต้อง สำหรับกรณีการใช้งานของเราหรือไม่?
• ข้อมูลถูกเก็บรวบรวมอย่าง สม่ำเสมอ จากแหล่งข้อมูลที่หลากหลายหรือไม่?
• ชุดข้อมูลมีความ ครบถ้วน สำหรับเงื่อนไขหรือสถานการณ์ที่หลากหลายหรือไม่?
• ข้อมูลที่ถูกเก็บครอบคลุม ความถูกต้อง ในการสะท้อนความเป็นจริงหรือไม่?

2.8 ความยุติธรรมของอัลกอริทึม

ความยุติธรรมของอัลกอริทึม ตรวจสอบว่าออกแบบอัลกอริทึมอย่างเป็นระบบมีการเลือกปฏิบัติต่อกลุ่มย่อยเฉพาะของข้อมูลหรือไม่ นำไปสู่ อันตรายที่อาจเกิดขึ้น ในเรื่อง การจัดสรร (ซึ่งทรัพยากรถูกปฏิเสธหรือระงับจากกลุ่มนั้น) และ คุณภาพของบริการ (ซึ่ง AI ไม่แม่นยำสำหรับบางกลุ่มย่อยเท่ากับกลุ่มอื่นๆ)

คำถามที่ควรพิจารณาคือ:

• เราได้ประเมินความแม่นยำของแบบจำลองสำหรับกลุ่มย่อยและเงื่อนไขที่หลากหลายหรือไม่?
• เราได้ตรวจสอบระบบเพื่อหาความเสี่ยงที่อาจเกิดขึ้นหรือไม่ (เช่น การเหมารวม)?
• เราสามารถแก้ไขข้อมูลหรือฝึกแบบจำลองใหม่เพื่อลดอันตรายที่ระบุไว้ได้หรือไม่?

สำรวจแหล่งข้อมูลเช่น รายการตรวจสอบความยุติธรรมของ AI เพื่อเรียนรู้เพิ่มเติม

2.9 การบิดเบือนข้อมูล

การบิดเบือนข้อมูล คือการถามว่าเรากำลังสื่อสารข้อมูลเชิงลึกจากข้อมูลที่รายงานอย่างซื่อสัตย์ในลักษณะที่ชักจูงใจเพื่อสนับสนุนเรื่องเล่าที่ต้องการหรือไม่

คำถามที่ควรพิจารณาคือ:

• เรารายงานข้อมูลที่ไม่ครบถ้วนหรือไม่ถูกต้องหรือไม่?
• เรานำเสนอข้อมูลในรูปแบบที่นำไปสู่ข้อสรุปที่ทำให้เข้าใจผิดหรือไม่?
• เราใช้เทคนิคสถิติแบบเลือกสรรเพื่อบิดเบือนผลลัพธ์หรือไม่?
• มีคำอธิบายทางเลือกอื่นที่อาจให้ข้อสรุปต่างออกไปหรือไม่?

2.10 การเลือกเสรีภาพ

มายาคติของการเลือกเสรี เกิดขึ้นเมื่อ "สถาปัตยกรรมการเลือก" ของระบบใช้ขั้นตอนการตัดสินใจด้วยอัลกอริทึมเพื่อโน้มน้าวให้ผู้คนเลือกผลลัพธ์ที่ต้องการ ในขณะที่ดูเหมือนจะให้ทางเลือกและการควบคุมแก่พวกเขา รูปแบบมืดเหล่านี้ (dark patterns) สามารถก่อให้เกิดอันตรายทางสังคมและเศรษฐกิจต่อผู้ใช้ เนื่องจากการตัดสินใจของผู้ใช้ส่งผลต่อโปรไฟล์พฤติกรรม การกระทำเหล่านี้อาจส่งผลต่อการเลือกในอนาคตที่สามารถเพิ่มหรือขยายผลกระทบของอันตรายเหล่านี้ได้

คำถามที่ควรพิจารณาคือ:

• ผู้ใช้เข้าใจผลกระทบของการเลือกนั้นหรือไม่?
• ผู้ใช้ทราบทางเลือกอื่นๆ และข้อดีข้อเสียของแต่ละทางเลือกหรือไม่?
• ผู้ใช้สามารถย้อนกลับการเลือกอัตโนมัติหรือการถูกชักนำได้ในภายหลังหรือไม่?

3. กรณีศึกษา

เพื่อให้ความท้าทายทางจริยธรรมเหล่านี้อยู่ในบริบทของโลกความจริง จะเป็นประโยชน์ที่จะดูกรณีศึกษาที่แสดงถึงอันตรายและผลที่เกิดขึ้นต่อบุคคลและสังคมเมื่อมีการมองข้ามการละเมิดจริยธรรมดังกล่าว

ตัวอย่างบางส่วนมีดังนี้:

ความท้าทายทางจริยธรรม	กรณีศึกษา
การยินยอมอย่างมีข้อมูล	1972 - การศึกษาซิฟิลิส Tuskegee - ผู้ชายผิวดำชาวอเมริกันที่เข้าร่วมการศึกษาถูกสัญญาว่าจะได้รับการดูแลทางการแพทย์ฟรี แต่ถูกหลอกลวง โดยนักวิจัยที่ไม่แจ้งให้กลุ่มตัวอย่างทราบเกี่ยวกับการวินิจฉัยหรือการมีอยู่ของการรักษา ผู้เข้าร่วมหลายคนเสียชีวิต รวมถึงคู่หรือบุตรได้รับผล กระทบ การศึกษาใช้เวลานาน 40 ปี
ความเป็นส่วนตัวของข้อมูล	2007 - รางวัลข้อมูลของ Netflix ให้ข้อมูลการจัดอันดับภาพยนตร์ที่ไม่ระบุชื่อจำนวน 10 ล้านรายการจากลูกค้า 50,000 ราย เพื่อช่วยปรับปรุงอัลกอริทึมแนะนำ แต่อย่างไรก็ตามนักวิจัยสามารถเชื่อมโยงข้อมูลที่ไม่ระบุชื่อกับข้อมูลส่วนบุคคลใน ชุดข้อมูลภายนอก (เช่น ความคิดเห็นบน IMDb) ซึ่งเป็นการ "ลบการไม่เปิดเผยตัวตน" ของสมาชิก Netflix บางรายได้
อคติในการเก็บข้อมูล	2013 - เมืองบอสตัน พัฒนาแอป Street Bump ที่ให้ประชาชนรายงานหลุมบนถนน ส่งผลให้เมืองมีข้อมูลถนนที่ดีขึ้นเพื่อค้นหาและแก้ไขปัญหา อย่างไรก็ตาม ประชากรในกลุ่มรายได้น้อยเข้าถึงรถยนต์และโทรศัพท์ได้น้อยกว่า ทำให้ปัญหาถนนของพวกเขาไม่เห็นในแอปนี้ นักพัฒนาทำงานร่วมกับนักวิชาการเพื่อแก้ไขปัญหาการเข้าถึงอย่างเท่าเทียมและความเหลื่อมล้ำทางดิจิทัล เพื่อความยุติธรรม
ความยุติธรรมของอัลกอริทึม	2018 - การศึกษาของ MIT เรื่อง Gender Shades Study ประเมินความแม่นยำของผลิตภัณฑ์ AI จำแนกเพศ เปิดช่องว่างความแม่นยำสำหรับผู้หญิงและคนผิวสี Apple Card ปี 2019 ดูเหมือนจะให้เครดิตน้อยกว่ากับผู้หญิงเทียบกับผู้ชาย ทั้งสองกรณีแสดงปัญหาอคติในอัลกอริทึมที่นำไปสู่ความเสียหายทางสังคมและเศรษฐกิจ
การบิดเบือนข้อมูล	2020 - กรมสาธารณสุขรัฐจอร์เจียเผยแพร่กราฟ COVID-19 ที่ดูเหมือนทำให้ประชาชนเข้าใจแนวโน้มของผู้ติดเชื้อยืนยันผิดพลาดด้วยการจัดลำดับที่ไม่เรียงตามลำดับเวลาบนแกน x ซึ่งแสดงถึงการบิดเบือนผ่านเทคนิคการแสดงผลข้อมูล
มายาคติแห่งการเลือกเสรี	2020 - แอปการเรียนรู้ ABCmouse จ่ายเงิน 10 ล้านดอลลาร์เพื่อยุติคดี FTC ที่ผู้ปกครองถูกหลอกให้จ่ายค่าสมัครสมาชิกซึ่งไม่สามารถยกเลิกได้ แสดงให้เห็นรูปแบบมืดในสถาปัตยกรรมการเลือกที่โน้มน้าวผู้ใช้ให้เลือกที่อาจเป็นอันตราย
ความเป็นส่วนตัวของข้อมูล & สิทธิของผู้ใช้	2021 - การละเมิดข้อมูลของ Facebook เปิดเผยข้อมูลจากผู้ใช้ 530 ล้านราย ส่งผลให้มีการจ่ายค่าเสียหาย 5 พันล้านดอลลาร์แก่ FTC อย่างไรก็ตาม Facebook ปฏิเสธที่จะแจ้งเตือนผู้ใช้ถึงการละเมิดนี้ซึ่งเป็นการละเมิดสิทธิของผู้ใช้เกี่ยวกับความโปร่งใสและการเข้าถึงข้อมูล

ต้องการสำรวจกรณีศึกษาเพิ่มเติมไหม? ดูแหล่งข้อมูลเหล่านี้:

• Ethics Unwrapped - ปัญหาทางจริยธรรมในอุตสาหกรรมที่หลากหลาย
• หลักสูตรจริยธรรมด้านข้อมูลเชิงวิทยาศาสตร์ - กรณีศึกษาเด่น
• ที่ซึ่งเกิดข้อผิดพลาด - รายการตรวจสอบของ deon พร้อมตัวอย่าง

🚨 คิดถึงกรณีศึกษาที่คุณเคยเห็น คุณเคยประสบหรือได้รับผลกระทบจากความท้าทายทางจริยธรรมที่คล้ายกันในชีวิตไหม? คุณนึกกรณีศึกษาหนึ่งที่แสดงถึงความท้าทายทางจริยธรรมที่เราได้พูดถึงในส่วนนี้ได้หรือไม่?

จริยธรรมที่นำไปใช้ได้จริง

เราได้พูดถึงแนวคิด จริยธรรม ความท้าทาย และกรณีศึกษาในบริบทโลกจริงแล้ว แต่เราจะเริ่ม ประยุกต์ใช้ หลักการและแนวทางจริยธรรมในโครงการของเราอย่างไร? และเราจะ ดำเนินการ แนวทางเหล่านี้เพื่อการบริหารจัดการที่ดีกว่าอย่างไร? ลองสำรวจวิธีแก้ปัญหาในโลกจริง:

1. รหัสจริยธรรมวิชาชีพ

รหัสจริยธรรมวิชาชีพเป็นทางเลือกหนึ่งสำหรับองค์กรที่จะ "จูงใจ" สมาชิกให้สนับสนุนหลักการและภารกิจทางจริยธรรม รหัสเหล่านี้เป็น แนวทางทางศีลธรรม สำหรับพฤติกรรมวิชาชีพ ช่วยให้พนักงานหรือสมาชิกตัดสินใจที่สอดคล้องกับหลักการขององค์กร รหัสเหล่านี้มีประสิทธิภาพขึ้นกับความสมัครใจของสมาชิก อย่างไรก็ตาม องค์กรมักเสนอโบนัสและบทลงโทษเพิ่มเติมเพื่อกระตุ้นให้สมาชิกปฏิบัติตาม

ตัวอย่างเช่น:

• รหัสจริยธรรม Oxford Munich
• รหัสพฤติกรรมของ Data Science Association (สร้างในปี 2013)
• รหัสจริยธรรมและพฤติกรรมวิชาชีพของ ACM (ตั้งแต่ปี 1993)

🚨 คุณเป็นสมาชิกองค์กรวิศวกรรมหรือวิทยาศาสตร์ข้อมูลวิชาชีพไหม? สำรวจเว็บไซต์ของพวกเขาเพื่อดูว่ามีการกำหนดรหัสจริยธรรมวิชาชีพหรือไม่? สิ่งนี้บ่งบอกอะไรเกี่ยวกับหลักการทางจริยธรรมของพวกเขา? พวกเขา "จูงใจ" สมาชิกให้ปฏิบัติตามรหัสอย่างไร?

2. รายการตรวจสอบจริยธรรม

แม้รหัสวิชาชีพจะกำหนด พฤติกรรมที่เป็นจริยธรรม ที่จำเป็นสำหรับผู้ปฏิบัติงาน แต่ มีข้อจำกัดที่ทราบ ในการบังคับใช้ โดยเฉพาะอย่างยิ่งในโครงการขนาดใหญ่ แทนที่จะเป็นเช่นนั้น หลายผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล สนับสนุนรายการตรวจสอบ ที่สามารถ เชื่อมโยงหลักการกับการปฏิบัติ ในวิธีที่มีความแน่นอนและปฏิบัติได้

รายการตรวจสอบเปลี่ยนคำถามเป็นงาน "ใช่/ไม่ใช่" ที่สามารถดำเนินการและติดตามเป็นส่วนหนึ่งของกระบวนการปล่อยผลิตภัณฑ์มาตรฐานได้

ตัวอย่างได้แก่:

• Deon - รายการตรวจสอบจริยธรรมข้อมูลทั่วไปจาก คำแนะนำในอุตสาหกรรม พร้อมเครื่องมือบรรทัดคำสั่งสำหรับการรวมระบบง่าย
• Privacy Audit Checklist - ให้แนวทางทั่วไปเกี่ยวกับการจัดการข้อมูลจากมุมมองทางกฎหมายและสังคม
• AI Fairness Checklist - สร้างโดยผู้ปฏิบัติงาน AI เพื่อสนับสนุนการนำและบูรณาการการตรวจสอบความยุติธรรมในวงจรการพัฒนา AI
• 22 คำถามเกี่ยวกับจริยธรรมในข้อมูลและ AI - กรอบที่เปิดกว้างกว่า จัดโครงสร้างสำหรับการสำรวจเบื้องต้นของปัญหาจริยธรรมในการออกแบบ การใช้งานและบริบทองค์กร

3. กฎหมายจริยธรรม

จริยธรรมคือการกำหนดคุณค่าที่ใช้ร่วมกันและการทำสิ่งที่ถูกต้อง โดยสมัครใจ การปฏิบัติตาม คือการ ปฏิบัติตามกฎหมาย หากและเมื่อมีการกำหนดไว้ การกำกับดูแล ครอบคลุมรูปแบบต่างๆ ที่องค์กรดำเนินการเพื่อบังคับใช้หลักการจริยธรรมและปฏิบัติตามกฎหมายที่กำหนดไว้

ปัจจุบัน การกำกับดูแลมีสองรูปแบบในองค์กร อย่างแรกคือการกำหนดหลักการ AI ที่เป็นจริยธรรม และสร้างแนวทางปฏิบัติเพื่อนำไปใช้กับโครงการ AI ทั้งหมดในองค์กร อย่างที่สองคือการปฏิบัติตาม ข้อกำหนดคุ้มครองข้อมูล ที่รัฐบาลบังคับใช้ในภูมิภาคที่ดำเนินงาน

ตัวอย่างกฎหมายเกี่ยวกับการคุ้มครองและความเป็นส่วนตัวของข้อมูล:

• 1974, US Privacy Act - ควบคุมการเก็บ ใช้ และเปิดเผยข้อมูลส่วนบุคคลของรัฐบาลกลาง
• 1996, US Health Insurance Portability & Accountability Act (HIPAA) - ปกป้องข้อมูลสุขภาพส่วนบุคคล
• 1998, US Children's Online Privacy Protection Act (COPPA) - คุ้มครองความเป็นส่วนตัวข้อมูลเด็กที่อายุต่ำกว่า 13 ปี
• 2018, General Data Protection Regulation (GDPR) - ให้สิทธิแก่ผู้ใช้ การคุ้มครองข้อมูล และความเป็นส่วนตัว
• 2018, California Consumer Privacy Act (CCPA) ให้อำนาจผู้บริโภคในเรื่องสิทธิ มากขึ้น เกี่ยวกับข้อมูล (ส่วนบุคคล) ของพวกเขา
• 2021, กฎหมาย Personal Information Protection Law ของจีน เพิ่งผ่าน สร้างกฎหมายคุ้มครองข้อมูลออนไลน์ที่เข้มงวดที่สุดแห่งหนึ่งในโลก

🚨 สหภาพยุโรปได้กำหนด GDPR (กฎคุ้มครองข้อมูลทั่วไป) ซึ่งยังคงเป็นหนึ่งในการควบคุมความเป็นส่วนตัวของข้อมูลที่ทรงอิทธิพลที่สุดในปัจจุบัน คุณทราบหรือไม่ว่ากฎหมายนี้ยังระบุ 8 สิทธิของผู้ใช้ เพื่อปกป้องความเป็นส่วนตัวดิจิทัลและข้อมูลส่วนบุคคลของพลเมือง? เรียนรู้เกี่ยวกับสิทธิเหล่านี้และเหตุผลว่าทำไมจึงสำคัญ

4. วัฒนธรรมจริยธรรม

โปรดทราบว่ายังคงมีช่องว่างที่จับต้องไม่ได้ระหว่าง การปฏิบัติตามกฎหมาย (ทำพอให้ตรงกับ "ตัวหนังสือของกฎหมายนั้น") กับการแก้ไข ปัญหาเชิงระบบ (เช่น การแข็งตัวของโครงสร้าง ข้อมูลไม่สมดุล และความไม่เท่าเทียมในการกระจาย) ที่สามารถเร่งการนำ AI ไปใช้ในทางที่ผิด

ประเด็นหลังต้องการ แนวทางร่วมมือในการกำหนดวัฒนธรรมจริยธรรม ที่สร้างความสัมพันธ์ทางอารมณ์และค่านิยมร่วมกันอย่างสม่ำเสมอ ข้ามองค์กร ในอุตสาหกรรมนี้ เรียกร้องให้มี วัฒนธรรมจริยธรรมข้อมูลที่เป็นทางการมากขึ้น ในองค์กร - อนุญาตให้ ใครก็ได้ ดึงสาย Andon (เพื่อยกประเด็นจริยธรรมตั้งแต่ต้นกระบวนการ) และทำให้ การประเมินจริยธรรม (เช่น ในการจ้างงาน) เป็นเกณฑ์หลักของทีมในการทำงานโครงการ AI

---

แบบทดสอบหลังบรรยาย 🎯

ทบทวน & ศึกษาด้วยตนเอง

หลักสูตรและหนังสือช่วยให้เข้าใจแนวคิดและความท้าทายด้านจริยธรรม ในขณะที่กรณีศึกษาและเครื่องมือช่วยในการปฏิบัติตามจริยธรรมในบริบทโลกจริง นี่คือแหล่งข้อมูลบางส่วนเริ่มต้น

• Machine Learning For Beginners - บทเรียนเกี่ยวกับความยุติธรรม จาก Microsoft
• หลักการของ AI ที่รับผิดชอบ - เส้นทางการเรียนรู้ฟรีจาก Microsoft Learn
• จริยธรรมและวิทยาการข้อมูล - หนังสืออิเล็กทรอนิกส์ของ O'Reilly (M. Loukides, H. Mason และคณะ)
• จริยธรรมวิทยาการข้อมูล - หลักสูตรออนไลน์จากมหาวิทยาลัยมิชิแกน
• Ethics Unwrapped - กรณีศึกษาจากมหาวิทยาลัยเท็กซัส

การบ้าน

เขียนกรณีศึกษาเกี่ยวกับจริยธรรมข้อมูล

---

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้