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

Translation for chunk 1 of 'README.md' skipped due to timeout.

• വിവരങ്ങൾ യാഥാർത്ഥ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നതിൽ സത്യസന്ധമായി പിടിച്ചെടുത്തിട്ടുണ്ടോ?

2.8 ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം

ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം പരിശോധിക്കുന്നത് ആൽഗോരിതം രൂപകൽപ്പന പ്രത്യേക ഡാറ്റാ സബ്ഗ്രൂപ്പുകളെ വ്യത്യസ്തമായി വേർതിരിക്കുന്നുണ്ടോ എന്ന് കാണാനാണ്, ഇത് വിഭജനം (ആ ഗ്രൂപ്പിൽ നിന്നുള്ള വിഭവങ്ങൾ നിഷേധിക്കപ്പെടുകയോ തടയപ്പെടുകയോ ചെയ്യുന്നത്) കൂടാതെ സേവന ഗുണമേന്മ (കുറഞ്ഞ ചില സബ്ഗ്രൂപ്പുകൾക്ക് AI മറ്റുള്ളവരെക്കാൾ കൃത്യമായില്ല) എന്നിവയിൽ സാധ്യമായ ഹാനികൾ ഉണ്ടാക്കുന്നു.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:

• വ്യത്യസ്ത സബ്ഗ്രൂപ്പുകൾക്കും സാഹചര്യങ്ങൾക്കും മോഡൽ കൃത്യത ഞങ്ങൾ വിലയിരുത്തിയോ?
• സിസ്റ്റത്തിൽ സാധ്യതയുള്ള ഹാനികൾ (ഉദാ: സ്റ്റീരിയോടൈപ്പിംഗ്) പരിശോധിച്ചോ?
• തിരിച്ചറിയപ്പെട്ട ഹാനികൾ കുറയ്ക്കാൻ ഡാറ്റ തിരുത്തുകയോ മോഡലുകൾ പുനരുപയോഗം ചെയ്യുകയോ ചെയ്യാമോ?

കൂടുതൽ അറിയാൻ AI നീതിമാന്മാർഗ്ഗ ചെക്ക്ലിസ്റ്റുകൾ പോലുള്ള വിഭവങ്ങൾ പരിശോധിക്കുക.

2.9 തെറ്റായ പ്രതിനിധാനം

ഡാറ്റ തെറ്റായ പ്രതിനിധാനം എന്നത് നമുക്ക് സത്യസന്ധമായി റിപ്പോർട്ട് ചെയ്ത ഡാറ്റയിൽ നിന്നുള്ള洞察ങ്ങൾ വഞ്ചനാപരമായി പ്രദർശിപ്പിച്ച് ഒരു ആഗ്രഹിച്ച നാരേറ്റീവ് പിന്തുണയ്ക്കുന്നുണ്ടോ എന്ന് ചോദിക്കുന്നതാണ്.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:

• നാം അപൂർണ്ണമോ തെറ്റായോ ഡാറ്റ റിപ്പോർട്ട് ചെയ്യുകയാണോ?
• തെറ്റിദ്ധരിപ്പിക്കുന്ന നിഗമനങ്ങൾ സൃഷ്ടിക്കുന്ന രീതിയിൽ ഡാറ്റ ദൃശ്യവൽക്കരിക്കുകയാണോ?
• ഫലങ്ങൾ നിയന്ത്രിക്കാൻ തിരഞ്ഞെടുക്കപ്പെട്ട സാംഖ്യിക സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുകയാണോ?
• വ്യത്യസ്ത നിഗമനങ്ങൾ നൽകുന്ന മറ്റ് വ്യാഖ്യാനങ്ങൾ ഉണ്ടോ?

2.10 സ്വതന്ത്ര തിരഞ്ഞെടുപ്പ്

സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം സംഭവിക്കുന്നത് സിസ്റ്റം "തിരഞ്ഞെടുപ്പ് ഘടനകൾ" തീരുമാനമെടുക്കൽ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ആളുകളെ ഒരു ഇഷ്ടപ്പെട്ട ഫലത്തിലേക്ക് നയിക്കുമ്പോൾ അവർക്ക് ഓപ്ഷനുകളും നിയന്ത്രണവും നൽകുന്ന പോലെ തോന്നിക്കുന്നതാണ്. ഈ ഡാർക്ക് പാറ്റേണുകൾ ഉപയോക്താക്കൾക്ക് സാമൂഹിക-ആര്ത്ഥിക ഹാനി ഉണ്ടാക്കാം. ഉപയോക്തൃ തീരുമാനങ്ങൾ പെരുമാറ്റ പ്രൊഫൈലുകളെ ബാധിക്കുന്നതിനാൽ, ഈ പ്രവർത്തനങ്ങൾ ഭാവിയിലെ തിരഞ്ഞെടുപ്പുകൾക്ക് പ്രേരകമാകുകയും ഹാനികൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യാം.

ഇവിടെ പരിശോധിക്കേണ്ട ചോദ്യങ്ങൾ:

• ആ തിരഞ്ഞെടുപ്പ് ചെയ്യുന്നതിന്റെ ഫലങ്ങൾ ഉപയോക്താവ് മനസ്സിലാക്കിയിരുന്നോ?
• ഉപയോക്താവ് (മറ്റു) തിരഞ്ഞെടുപ്പുകളും അവയുടെ ഗുണദോഷങ്ങളും അറിയാമോ?
• ഉപയോക്താവ് പിന്നീട് സ്വയംമാറ്റം ചെയ്യാനോ സ്വയം നിയന്ത്രിക്കാനോ കഴിയുമോ?

3. കേസ്സ് സ്റ്റഡികൾ

ഈ നൈതിക വെല്ലുവിളികൾ യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിൽ എങ്ങനെ പ്രതിഫലിക്കുന്നു എന്ന് കാണാൻ, വ്യക്തികൾക്കും സമൂഹത്തിനും സംഭവിക്കുന്ന ഹാനികളും ഫലങ്ങളും വ്യക്തമാക്കുന്ന കേസ്സ് സ്റ്റഡികൾ സഹായിക്കുന്നു.

ചില ഉദാഹരണങ്ങൾ:

നൈതിക വെല്ലുവിളി	കേസ്സ് സ്റ്റഡി
അറിയിപ്പോടെ സമ്മതം	1972 - Tuskegee Syphilis Study - പഠനത്തിൽ പങ്കെടുത്ത ആഫ്രിക്കൻ അമേരിക്കൻ പുരുഷന്മാർക്ക് സൗജന്യ മെഡിക്കൽ പരിചരണം വാഗ്ദാനം ചെയ്തിരുന്നെങ്കിലും, രോഗനിർണയം അല്ലെങ്കിൽ ചികിത്സ ലഭ്യതയെക്കുറിച്ച് അറിയിക്കാതെ ഗവേഷകർ വഞ്ചിച്ചു. പലർ മരിച്ചു, പങ്കാളികൾക്കും കുട്ടികൾക്കും ബാധിച്ചു; പഠനം 40 വർഷം നീണ്ടു.
ഡാറ്റാ സ്വകാര്യത	2007 - Netflix data prize 50,000 ഉപഭോക്താക്കളിൽ നിന്നുള്ള 10M അനോണിമൈസ്ഡ് മൂവി റാങ്കിംഗുകൾ ഗവേഷകർക്ക് നൽകി ശുപാർശ ആൽഗോരിതങ്ങൾ മെച്ചപ്പെടുത്താൻ സഹായിച്ചു. എന്നാൽ, ഗവേഷകർ അനോണിമൈസ്ഡ് ഡാറ്റയെ വ്യക്തിഗതമായി തിരിച്ചറിയാവുന്ന ഡാറ്റയുമായി (ഉദാ: IMDb കമന്റുകൾ) ബന്ധിപ്പിച്ച് ചില Netflix ഉപഭോക്താക്കളെ "ഡീ-അനോണിമൈസ്" ചെയ്തു.
സംഗ്രഹണ പാകം	2013 - ബോസ്റ്റൺ നഗരം Street Bump എന്ന ആപ്പ് വികസിപ്പിച്ചു, പാതയിലെ പാളങ്ങൾ റിപ്പോർട്ട് ചെയ്യാൻ പൗരന്മാർക്ക് അനുവദിച്ചു, നഗരത്തിന് റോഡുകളുടെ മെച്ചപ്പെടുത്തലിന് മികച്ച ഡാറ്റ ലഭിച്ചു. എന്നാൽ, കുറഞ്ഞ വരുമാനമുള്ളവർക്ക് കാറുകളും ഫോണുകളും കുറവായിരുന്നു, അവരുടെ റോഡ് പ്രശ്നങ്ങൾ ആ ആപ്പിൽ കാണാനാകാതെ പോയി. വികസിപ്പിച്ചവർ അക്കാദമികരുമായി ചേർന്ന് സമതുല്യ ആക്‌സസ് പ്രശ്നങ്ങളും ഡിജിറ്റൽ വിഭജനം പരിഹരിക്കാൻ പ്രവർത്തിച്ചു.
ആൽഗോരിതം നീതിമാന്മാർഗ്ഗം	2018 - MIT Gender Shades Study ലിംഗ തിരിച്ചറിയൽ AI ഉൽപ്പന്നങ്ങളുടെ കൃത്യത വിലയിരുത്തി, സ്ത്രീകൾക്കും വർണ്ണജാതി വ്യക്തികൾക്കും കൃത്യതയിൽ വ്യത്യാസങ്ങൾ കണ്ടെത്തി. 2019-ലെ Apple Card സ്ത്രീകൾക്ക് പുരുഷന്മാരേക്കാൾ കുറവ് ക്രെഡിറ്റ് നൽകുന്നതായി തോന്നി. ഇരുവരും ആൽഗോരിതം പാകം മൂലം സാമൂഹ്യ-ആര്ത്ഥിക ഹാനികൾ ഉണ്ടാകുന്നതിന്റെ ഉദാഹരണങ്ങൾ.
ഡാറ്റ തെറ്റായ പ്രതിനിധാനം	2020 - ജോർജിയ പബ്ലിക് ഹെൽത്ത് വകുപ്പ് COVID-19 ചാർട്ടുകൾ പുറത്തിറക്കി, സ്ഥിരീകരിച്ച കേസുകളുടെ പ്രവണതയെക്കുറിച്ച് പൗരന്മാരെ തെറ്റിദ്ധരിപ്പിക്കുന്നതായി തോന്നി, x-അക്ഷത്തിൽ ക്രമരഹിതമായ ഓർഡറിംഗ് ഉപയോഗിച്ചു. ഇത് ദൃശ്യവൽക്കരണ തന്ത്രങ്ങളിലൂടെ തെറ്റായ പ്രതിനിധാനത്തിന്റെ ഉദാഹരണമാണ്.
സ്വതന്ത്ര തിരഞ്ഞെടുപ്പിന്റെ മായാജാലം	2020 - പഠന ആപ്പ് ABCmouse FTC പരാതിയിൽ $10M തീർപ്പു നൽകി, രക്ഷിതാക്കൾക്ക് റദ്ദാക്കാനാകാത്ത സബ്സ്ക്രിപ്ഷനുകൾക്ക് പണം നൽകേണ്ടി വന്നു. ഇത് തിരഞ്ഞെടുപ്പ് ഘടനകളിലെ ഡാർക്ക് പാറ്റേണുകളുടെ ഉദാഹരണമാണ്, ഉപയോക്താക്കളെ ഹാനികരമായ തിരഞ്ഞെടുപ്പുകളിലേക്ക് നയിക്കുന്നു.
ഡാറ്റാ സ്വകാര്യത & ഉപയോക്തൃ അവകാശങ്ങൾ	2021 - Facebook ഡാറ്റാ ലംഘനം 530M ഉപയോക്താക്കളുടെ ഡാറ്റ പുറത്തുവിട്ടു, FTC-യുമായി $5B തീർപ്പ് ഉണ്ടായി. എന്നാൽ, ലംഘനത്തെക്കുറിച്ച് ഉപയോക്താക്കളെ അറിയിക്കാൻ Facebook തള്ളിപ്പറഞ്ഞു, ഡാറ്റാ പരദർശിത്വവും ആക്‌സസും സംബന്ധിച്ച ഉപയോക്തൃ അവകാശങ്ങൾ ലംഘിച്ചു.

കൂടുതൽ കേസ്സ് സ്റ്റഡികൾ അന്വേഷിക്കണോ? ഈ വിഭവങ്ങൾ പരിശോധിക്കുക:

• Ethics Unwrapped - വ്യത്യസ്ത വ്യവസായങ്ങളിലെ നൈതിക പ്രശ്നങ്ങൾ.
• Data Science Ethics course - പ്രധാനപ്പെട്ട കേസ്സ് സ്റ്റഡികൾ.
• Where things have gone wrong - deon ചെക്ക്ലിസ്റ്റ് ഉദാഹരണങ്ങളോടെ.

🚨 നിങ്ങൾ കണ്ട കേസ്സ് സ്റ്റഡികൾക്കുറിച്ച് ചിന്തിക്കുക - നിങ്ങൾ ജീവിതത്തിൽ സമാനമായ നൈതിക വെല്ലുവിളി അനുഭവിച്ചിട്ടുണ്ടോ? ഈ വിഭാഗത്തിൽ ചർച്ച ചെയ്ത നൈതിക വെല്ലുവിളികളിൽ ഒന്നിനെ പ്രതിപാദിക്കുന്ന മറ്റൊരു കേസ്സ് സ്റ്റഡി നിങ്ങൾക്ക് ഓർക്കാമോ?

പ്രയോഗാത്മക നൈതികത

നാം നൈതിക ആശയങ്ങൾ, വെല്ലുവിളികൾ, യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ കേസ്സ് സ്റ്റഡികൾ ചർച്ച ചെയ്തു. എന്നാൽ നമുക്ക് എങ്ങനെ നൈതിക സിദ്ധാന്തങ്ങളും പ്രയോഗങ്ങളും നമ്മുടെ പ്രോജക്ടുകളിൽ പ്രയോഗിക്കാം? മികച്ച ഭരണത്തിനായി ഈ പ്രയോഗങ്ങൾ എങ്ങനെ പ്രവർത്തനക്ഷമമാക്കാം? യാഥാർത്ഥ്യ പരിഹാരങ്ങൾ പരിശോധിക്കാം:

1. പ്രൊഫഷണൽ കോഡുകൾ

പ്രൊഫഷണൽ കോഡുകൾ സംഘടനകൾക്ക് അംഗങ്ങളെ അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളും ദൗത്യം പ്രസ്താവനയും പിന്തുണയ്ക്കാൻ "പ്രേരിപ്പിക്കാൻ" ഒരു മാർഗമാണ്. കോഡുകൾ പ്രൊഫഷണൽ പെരുമാറ്റത്തിനുള്ള നൈതിക മാർഗ്ഗനിർദ്ദേശങ്ങളാണ്, ജീവനക്കാർക്ക് അല്ലെങ്കിൽ അംഗങ്ങൾക്ക് അവരുടെ സംഘടനയുടെ സിദ്ധാന്തങ്ങളുമായി പൊരുത്തപ്പെടുന്ന തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു. അംഗങ്ങളുടെ സ്വമേധയാ അനുസരണമാണ് ഇവയുടെ ഗുണമേന്മ; എന്നാൽ, പല സംഘടനകളും അംഗങ്ങളെ പ്രേരിപ്പിക്കാൻ അധിക ബഹുമതികളും ശിക്ഷകളും നൽകുന്നു.

ഉദാഹരണങ്ങൾ:

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

🚨 നിങ്ങൾ പ്രൊഫഷണൽ എഞ്ചിനീയറിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ സയൻസ് സംഘടനയുടെ അംഗമാണോ? അവരുടെ സൈറ്റ് പരിശോധിച്ച് അവർ പ്രൊഫഷണൽ നൈതിക കോഡ് നിർവചിച്ചിട്ടുണ്ടോ എന്ന് നോക്കൂ. അവരുടെ നൈതിക സിദ്ധാന്തങ്ങളെക്കുറിച്ച് ഇത് എന്ത് പറയുന്നു? അംഗങ്ങളെ കോഡ് പാലിക്കാൻ അവർ എങ്ങനെ "പ്രേരിപ്പിക്കുന്നു"?

2. നൈതിക ചെക്ക്ലിസ്റ്റുകൾ

പ്രൊഫഷണൽ കോഡുകൾ പ്രയോഗകരിൽ നിന്നുള്ള ആവശ്യമായ നൈതിക പെരുമാറ്റം നിർവചിക്കുന്നുവെങ്കിലും, വലിയ പ്രോജക്ടുകളിൽ അവയ്ക്ക് പരിധികൾ അറിയപ്പെടുന്നു. പകരം, പല ഡാറ്റാ സയൻസ് വിദഗ്ധരും ചെക്ക്ലിസ്റ്റുകൾ പ്രോത്സാഹിപ്പിക്കുന്നു, അവ സിദ്ധാന്തങ്ങളെ പ്രയോഗങ്ങളുമായി ബന്ധിപ്പിക്കുന്നു കൂടുതൽ നിർണായകവും പ്രായോഗികവുമായ രീതിയിൽ.

ചെക്ക്ലിസ്റ്റുകൾ ചോദ്യങ്ങളെ "അതെ/ഇല്ല" പ്രവർത്തനങ്ങളായി മാറ്റുന്നു, ഇത് സാധാരണ ഉൽപ്പന്ന റിലീസ് പ്രവൃത്തികളിൽ ട്രാക്ക് ചെയ്യാൻ കഴിയും.

ഉദാഹരണങ്ങൾ:

• Deon - വ്യവസായ ശുപാർശകളിൽ നിന്നുള്ള സാമാന്യ ഡാറ്റാ നൈതിക ചെക്ക്ലിസ്റ്റ് സൃഷ്ടിച്ച കമാൻഡ്-ലൈൻ ടൂൾ.
• Privacy Audit Checklist - നിയമപരവും സാമൂഹ്യപരവുമായ വിവര കൈകാര്യം മാർഗ്ഗനിർദ്ദേശങ്ങൾ.
• AI Fairness Checklist - AI വികസന ചക്രങ്ങളിൽ നീതിമാന്മാർഗ്ഗ പരിശോധനകൾ ഉൾപ്പെടുത്താൻ AI പ്രയോഗകർ സൃഷ്ടിച്ചത്.
• 22 questions for ethics in data and AI - കൂടുതൽ തുറന്ന ഘടന, രൂപകൽപ്പന, നടപ്പാക്കൽ, സംഘടനാ സാഹചര്യങ്ങളിൽ നൈതിക പ്രശ്നങ്ങൾ ആദ്യമായി പരിശോധിക്കാൻ.

3. നൈതിക നിയമങ്ങൾ

നൈതികത എന്നത് പങ്കുവെക്കുന്ന മൂല്യങ്ങൾ നിർവചിച്ച് ശരിയായത് സ്വമേധയാ ചെയ്യുന്നതാണ്. അനുസരണം എന്നാൽ നിയമം പാലിക്കുന്നതും അതിന്റെ പരിധിയിൽ പ്രവർത്തിക്കുന്നതുമാണ്. ഭരണസംവിധാനം സംഘടനകൾ നൈതിക സിദ്ധാന്തങ്ങൾ നടപ്പിലാക്കാനും നിയമങ്ങൾ പാലിക്കാനും ഉപയോഗിക്കുന്ന എല്ലാ മാർഗ്ഗങ്ങളും ഉൾക്കൊള്ളുന്നു.

ഇന്ന്, ഭരണസംവിധാനം രണ്ട് രൂപത്തിലാണ്. ഒന്നാമത്, സംഘടനയിലെ എല്ലാ AI-സംബന്ധപ്പെട്ട പ്രോജക്ടുകളിലും നൈതിക AI സിദ്ധാന്തങ്ങൾ നിർവചിച്ച് അവ സ്വീകരിക്കാൻ പ്രയോഗങ്ങൾ സ്ഥാപിക്കുന്നതും. രണ്ടാമത്, പ്രവർത്തിക്കുന്ന പ്രദേശങ്ങളിലെ എല്ലാ സർക്കാർ നിർദ്ദേശിച്ച ഡാറ്റാ സംരക്ഷണ നിയമങ്ങൾ പാലിക്കുന്നതും.

ഡാറ്റാ സംരക്ഷണവും സ്വകാര്യതയും സംബന്ധിച്ച നിയമങ്ങളുടെ ഉദാഹരണങ്ങൾ:

• 1974, US Privacy Act - ഫെഡറൽ സർക്കാർ വ്യക്തിഗത വിവരങ്ങൾ ശേഖരിക്കൽ, 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 വയസ്സിന് താഴെയുള്ള കുട്ടികളുടെ ഡാറ്റാ സ്വകാര്യത സംരക്ഷിക്കുന്നു.
• 2018, General Data Protection Regulation (GDPR) - ഉപയോക്തൃ അവകാശങ്ങൾ, ഡാറ്റ സംരക്ഷണം, സ്വകാര്യത നൽകുന്നു.
• 2018, California Consumer Privacy Act (CCPA) ഉപഭോക്താക്കൾക്ക് അവരുടെ (വ്യക്തിഗത) ഡാറ്റയിൽ കൂടുതൽ അവകാശങ്ങൾ നൽകുന്നു.
• 2021, ചൈനയുടെ Personal Information Protection Law ഏറ്റവും ശക്തമായ ഓൺലൈൻ ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിൽ ഒന്നായി.

🚨 യൂറോപ്യൻ യൂണിയൻ നിർവചിച്ച GDPR (General Data Protection Regulation) ഇന്നും ഏറ്റവും സ്വാധീനമുള്ള ഡാറ്റാ സ്വകാര്യത നിയമങ്ങളിലൊന്നാണ്. ഇത് 8 ഉപയോക്തൃ അവകാശങ്ങളും നിർവചിക്കുന്നു എന്ന് നിങ്ങൾ അറിയാമോ? ഇവ എന്തൊക്കെയാണ്, എന്തുകൊണ്ട് അവ പ്രധാനമാണെന്ന് പഠിക്കൂ.

4. നൈതിക സംസ്കാരം

അനുസരണം (നിയമത്തിന്റെ "അക്ഷരം" പാലിക്കുന്നത്) 与 സിസ്റ്റമാറ്റിക് പ്രശ്നങ്ങൾ (ഉദാ: ഒസ്സിഫിക്കേഷൻ, വിവര അസമത്വം, വിതരണ നീതിമാന്മാർഗ്ഗം) ഇടയിൽ അദൃശ്യമായ ഒരു ഇടവേള ഇപ്പോഴും നിലനിൽക്കുന്നു, ഇത് AI ആയുധമാക്കൽ വേഗത്തിലാക്കാം.

അവസാനത്തെ പരിഹരിക്കാൻ നൈതിക സംസ്കാരങ്ങൾ നിർവചിക്കുന്ന സഹകരണ സമീപനങ്ങൾ ആവശ്യമാണ്, ഇത് വ്യവസായത്തിലെ സംഘടനകളിലുടനീളം മാനസിക ബന്ധങ്ങളും സ്ഥിരതയുള്ള പങ്കുവെച്ച മൂല്യങ്ങളും സൃഷ്ടിക്കുന്നു. ഇത് സംഘടനകളിൽ കൂടുതൽ ഫോർമലൈസ്ഡ് ഡാറ്റാ നൈതിക സംസ്കാരങ്ങൾ ആവശ്യപ്പെടുന്നു - ഏതെങ്കിലും ആളുകൾക്ക് അണ്ടോൺ കോർഡ് പുള്‍ ചെയ്യാൻ (പ്രക്രിയയിൽ നൈതിക പ്രശ്നങ്ങൾ നേരത്തെ ഉയർത്താൻ) അനുവദിക്കുകയും, AI പ്രോജക്ടുകളിൽ നൈതിക വിലയിരുത്തലുകൾ (ഉദാ: നിയമനം) ഒരു പ്രധാന മാനദണ്ഡമാക്കുകയും ചെയ്യുന്നു.

---

പോസ്റ്റ്-ലെക്ചർ ക്വിസ് 🎯

അവലോകനം & സ്വയം പഠനം

കോഴ്സുകളും പുസ്തകങ്ങളും അടിസ്ഥാന നൈതിക ആശയങ്ങളും വെല്ലുവിളികളും മനസ്സിലാക്കാൻ സഹായിക്കുന്നു, കേസ്സ് സ്റ്റഡികളും ഉപകരണങ്ങളും യാഥാർത്ഥ്യ സാഹചര്യങ്ങളിലെ പ്രയോഗാത്മക നൈതികതയിൽ സഹായിക്കുന്നു. തുടങ്ങാൻ ചില വിഭവങ്ങൾ ഇവിടെ.

• ആരംഭക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - മൈക്രോസോഫ്റ്റിൽ നിന്നുള്ള ഫെയർനെസ്സ് പാഠം.
• ഉത്തരവാദിത്വമുള്ള AI ന്റെ സിദ്ധാന്തങ്ങൾ - മൈക്രോസോഫ്റ്റ് ലേണിൽ നിന്നുള്ള സൗജന്യ പഠന പാത.
• നൈതികതയും ഡാറ്റാ സയൻസും - O'Reilly ഇബുക്ക് (എം. ലൂക്കിഡസ്, എച്ച്. മേസൺ എന്നിവരാൽ)
• ഡാറ്റാ സയൻസ് നൈതികത - മിഷിഗൺ സർവകലാശാലയിൽ നിന്നുള്ള ഓൺലൈൻ കോഴ്സ്.
• എതിക്സ് അൺവ്രാപ്പഡ് - ടെക്സാസ് സർവകലാശാലയിൽ നിന്നുള്ള കേസ് സ്റ്റഡികൾ.

അസൈൻമെന്റ്

ഡാറ്റാ എതിക്സ് കേസ് സ്റ്റഡി എഴുതുക

---

അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.