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

การแนะนำเรื่องจริยธรรมข้อมูล

จริยธรรมข้อมูล - สเก็ตช์โน้ตโดย @nitya

---

เราทุกคนเป็นพลเมืองข้อมูลที่อาศัยอยู่ในโลกที่เต็มไปด้วยข้อมูล

แนวโน้มตลาดบอกเราว่า ภายในปี 2022 องค์กรขนาดใหญ่ 1 ใน 3 จะซื้อและขายข้อมูลของพวกเขาผ่าน ตลาดและการแลกเปลี่ยนออนไลน์ ในฐานะ นักพัฒนาแอป เราจะพบว่าการผสานข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลและระบบอัตโนมัติที่ขับเคลื่อนด้วยอัลกอริทึมเข้ากับประสบการณ์ผู้ใช้ในชีวิตประจำวันนั้นง่ายและถูกลง แต่เมื่อ AI กลายเป็นสิ่งที่แพร่หลาย เราก็ต้องเข้าใจถึงอันตรายที่อาจเกิดขึ้นจาก การใช้ในทางที่ผิด ของอัลกอริทึมเหล่านี้ในระดับใหญ่ด้วย

แนวโน้มบ่งชี้ว่า ภายในปี 2025 เราจะสร้างและบริโภคข้อมูลมากกว่า 180 เซตตะไบต์ สำหรับ นักวิทยาศาสตร์ข้อมูล การระเบิดของข้อมูลนี้ให้การเข้าถึงข้อมูลส่วนบุคคลและพฤติกรรมที่ไม่เคยมีมาก่อน ซึ่งมาพร้อมกับพลังในการสร้างโปรไฟล์ผู้ใช้ที่ละเอียดและมีอิทธิพลต่อการตัดสินใจอย่างละเอียดอ่อน—บ่อยครั้งในลักษณะที่สร้าง ภาพลวงตาของการเลือกอย่างอิสระ แม้ว่าสิ่งนี้จะสามารถใช้เพื่อกระตุ้นให้ผู้ใช้ไปสู่ผลลัพธ์ที่ต้องการ แต่ก็ยังทำให้เกิดคำถามสำคัญเกี่ยวกับความเป็นส่วนตัวของข้อมูล ความเป็นอิสระ และขอบเขตทางจริยธรรมของอิทธิพลอัลกอริทึม

จริยธรรมข้อมูลจึงกลายเป็น รั้วป้องกันที่จำเป็น สำหรับวิทยาศาสตร์ข้อมูลและวิศวกรรม ช่วยลดอันตรายที่อาจเกิดขึ้นและผลกระทบที่ไม่ได้ตั้งใจจากการกระทำที่ขับเคลื่อนด้วยข้อมูลของเรา Gartner Hype Cycle for AI ระบุแนวโน้มที่เกี่ยวข้องในจริยธรรมดิจิทัล AI ที่รับผิดชอบ และการกำกับดูแล AI เป็นตัวขับเคลื่อนสำคัญสำหรับแนวโน้มใหญ่ที่เกี่ยวกับ การทำให้เป็นประชาธิปไตย และ การทำให้เป็นอุตสาหกรรม ของ AI

ในบทเรียนนี้ เราจะสำรวจพื้นที่ที่น่าสนใจของจริยธรรมข้อมูล ตั้งแต่แนวคิดหลักและความท้าทาย ไปจนถึงกรณีศึกษาและแนวคิด AI ที่ประยุกต์ใช้ เช่น การกำกับดูแล—ที่ช่วยสร้างวัฒนธรรมจริยธรรมในทีมและองค์กรที่ทำงานกับข้อมูลและ AI

แบบทดสอบก่อนการบรรยาย 🎯

คำจำกัดความพื้นฐาน

เริ่มต้นด้วยการทำความเข้าใจคำศัพท์พื้นฐานกันก่อน

คำว่า "จริยธรรม" มาจาก คำภาษากรีก "ethikos" (และรากศัพท์ "ethos") ซึ่งหมายถึง ลักษณะนิสัยหรือธรรมชาติทางศีลธรรม

จริยธรรม เกี่ยวกับค่านิยมร่วมกันและหลักการทางศีลธรรมที่กำหนดพฤติกรรมของเราในสังคม จริยธรรมไม่ได้ขึ้นอยู่กับกฎหมาย แต่ขึ้นอยู่กับบรรทัดฐานที่ได้รับการยอมรับอย่างกว้างขวางว่าอะไรคือ "ถูก vs. ผิด" อย่างไรก็ตาม การพิจารณาด้านจริยธรรมสามารถมีอิทธิพลต่อการริเริ่มการกำกับดูแลองค์กรและกฎระเบียบของรัฐบาลที่สร้างแรงจูงใจเพิ่มเติมสำหรับการปฏิบัติตาม

จริยธรรมข้อมูล เป็น สาขาใหม่ของจริยธรรม ที่ "ศึกษาและประเมินปัญหาทางศีลธรรมที่เกี่ยวข้องกับ ข้อมูล อัลกอริทึม และการปฏิบัติที่เกี่ยวข้อง" ที่นี่ "ข้อมูล" มุ่งเน้นไปที่การกระทำที่เกี่ยวข้องกับการสร้าง การบันทึก การดูแล การประมวลผล การเผยแพร่ การแบ่งปัน และการใช้งาน "อัลกอริทึม" มุ่งเน้นไปที่ AI ตัวแทน การเรียนรู้ของเครื่อง และหุ่นยนต์ และ "การปฏิบัติ" มุ่งเน้นไปที่หัวข้อต่างๆ เช่น นวัตกรรมที่รับผิดชอบ การเขียนโปรแกรม การแฮ็ก และรหัสจริยธรรม

จริยธรรมประยุกต์ คือ การประยุกต์ใช้ข้อพิจารณาทางศีลธรรมในทางปฏิบัติ เป็นกระบวนการตรวจสอบปัญหาด้านจริยธรรมอย่างแข็งขันในบริบทของ การกระทำ ผลิตภัณฑ์ และกระบวนการในโลกแห่งความเป็นจริง และดำเนินการแก้ไขเพื่อให้สิ่งเหล่านี้ยังคงสอดคล้องกับค่านิยมทางจริยธรรมที่เรากำหนดไว้

วัฒนธรรมจริยธรรม เกี่ยวกับ การทำให้จริยธรรมประยุกต์เป็นรูปธรรม เพื่อให้แน่ใจว่าหลักการและการปฏิบัติทางจริยธรรมของเราได้รับการนำไปใช้ในลักษณะที่สอดคล้องและปรับขนาดได้ทั่วทั้งองค์กร วัฒนธรรมจริยธรรมที่ประสบความสำเร็จจะกำหนดหลักการทางจริยธรรมทั่วทั้งองค์กร ให้แรงจูงใจที่มีความหมายสำหรับการปฏิบัติตาม และเสริมสร้างบรรทัดฐานทางจริยธรรมโดยการสนับสนุนและขยายพฤติกรรมที่ต้องการในทุกระดับขององค์กร

แนวคิดจริยธรรม

ในส่วนนี้ เราจะพูดถึงแนวคิด เช่น ค่านิยมร่วมกัน (หลักการ) และ ความท้าทายด้านจริยธรรม (ปัญหา) สำหรับจริยธรรมข้อมูล—และสำรวจ กรณีศึกษา ที่ช่วยให้คุณเข้าใจแนวคิดเหล่านี้ในบริบทของโลกแห่งความเป็นจริง

1. หลักการจริยธรรม

กลยุทธ์จริยธรรมข้อมูลทุกอย่างเริ่มต้นด้วยการกำหนด หลักการจริยธรรม—"ค่านิยมร่วมกัน" ที่อธิบายพฤติกรรมที่ยอมรับได้ และแนะนำการกระทำที่สอดคล้องในโครงการข้อมูลและ AI ของเรา คุณสามารถกำหนดสิ่งเหล่านี้ในระดับบุคคลหรือทีม อย่างไรก็ตาม องค์กรขนาดใหญ่ส่วนใหญ่มักกำหนดสิ่งเหล่านี้ในแถลงการณ์พันธกิจ AI เชิงจริยธรรม หรือกรอบงานที่กำหนดในระดับองค์กรและบังคับใช้อย่างสม่ำเสมอในทุกทีม

ตัวอย่าง: แถลงการณ์พันธกิจ AI ที่รับผิดชอบ ของ Microsoft ระบุว่า: "เรามุ่งมั่นที่จะพัฒนา AI ที่ขับเคลื่อนด้วยหลักการทางจริยธรรมที่ให้ความสำคัญกับผู้คนเป็นอันดับแรก"—โดยระบุหลักการจริยธรรม 6 ข้อในกรอบงานด้านล่าง:

ลองสำรวจหลักการเหล่านี้กัน ความโปร่งใส และ ความรับผิดชอบ เป็นค่านิยมพื้นฐานที่หลักการอื่นๆ สร้างขึ้น—ดังนั้นเรามาเริ่มต้นที่นี่:

• ความรับผิดชอบ ทำให้ผู้ปฏิบัติงาน รับผิดชอบ ต่อการดำเนินงานข้อมูลและ AI ของพวกเขา และการปฏิบัติตามหลักการจริยธรรมเหล่านี้
• ความโปร่งใส ทำให้การกระทำของข้อมูลและ AI เข้าใจได้ (ตีความได้) สำหรับผู้ใช้ โดยอธิบายว่าอะไรและทำไมที่อยู่เบื้องหลังการตัดสินใจ
• ความเป็นธรรม มุ่งเน้นไปที่การทำให้ AI ปฏิบัติต่อ ทุกคน อย่างเป็นธรรม โดยแก้ไขอคติทางสังคม-เทคนิคที่เป็นระบบหรือโดยนัยในข้อมูลและระบบ
• ความน่าเชื่อถือและความปลอดภัย ทำให้ AI มีพฤติกรรม สอดคล้อง กับค่านิยมที่กำหนด ลดอันตรายที่อาจเกิดขึ้นหรือผลกระทบที่ไม่ได้ตั้งใจ
• ความเป็นส่วนตัวและความปลอดภัย เกี่ยวกับการทำความเข้าใจสายข้อมูล และให้ ความเป็นส่วนตัวของข้อมูลและการป้องกันที่เกี่ยวข้อง แก่ผู้ใช้
• การรวมกลุ่ม เกี่ยวกับการออกแบบโซลูชัน AI ด้วยความตั้งใจ ปรับให้เหมาะสมกับ ความต้องการและความสามารถของมนุษย์ที่หลากหลาย

🚨 ลองคิดดูว่าแถลงการณ์พันธกิจจริยธรรมข้อมูลของคุณจะเป็นอย่างไร สำรวจกรอบงาน AI เชิงจริยธรรมจากองค์กรอื่นๆ—นี่คือตัวอย่างจาก IBM, Google, และ Facebook ค่านิยมร่วมกันที่พวกเขามีเหมือนกันคืออะไร? หลักการเหล่านี้เกี่ยวข้องกับผลิตภัณฑ์ AI หรืออุตสาหกรรมที่พวกเขาดำเนินการอย่างไร?

2. ความท้าทายด้านจริยธรรม

เมื่อเรากำหนดหลักการจริยธรรมแล้ว ขั้นตอนต่อไปคือการประเมินการกระทำของข้อมูลและ AI ของเราเพื่อดูว่ามันสอดคล้องกับค่านิยมร่วมกันเหล่านั้นหรือไม่ ลองคิดถึงการกระทำของคุณในสองหมวดหมู่: การเก็บรวบรวมข้อมูล และ การออกแบบอัลกอริทึม

ในการเก็บรวบรวมข้อมูล การกระทำมักจะเกี่ยวข้องกับ ข้อมูลส่วนบุคคล หรือข้อมูลที่สามารถระบุตัวบุคคลได้ (PII) สำหรับบุคคลที่สามารถระบุตัวตนได้ ซึ่งรวมถึง รายการข้อมูลที่ไม่ใช่ข้อมูลส่วนบุคคลที่หลากหลาย ที่ รวมกัน สามารถระบุตัวบุคคลได้ ความท้าทายด้านจริยธรรมอาจเกี่ยวข้องกับ ความเป็นส่วนตัวของข้อมูล การเป็นเจ้าของข้อมูล และหัวข้อที่เกี่ยวข้อง เช่น การยินยอมที่ได้รับการแจ้ง และ สิทธิ์ในทรัพย์สินทางปัญญา สำหรับผู้ใช้

ในการออกแบบอัลกอริทึม การกระทำจะเกี่ยวข้องกับการเก็บรวบรวมและดูแล ชุดข้อมูล จากนั้นใช้มันเพื่อฝึกฝนและปรับใช้ โมเดลข้อมูล ที่คาดการณ์ผลลัพธ์หรือทำการตัดสินใจอัตโนมัติในบริบทของโลกแห่งความเป็นจริง ความท้าทายด้านจริยธรรมอาจเกิดจาก อคติในชุดข้อมูล ปัญหาคุณภาพข้อมูล ความไม่เป็นธรรม และ การบิดเบือน ในอัลกอริทึม—รวมถึงปัญหาบางอย่างที่เป็นระบบ

ในทั้งสองกรณี ความท้าทายด้านจริยธรรมเน้นพื้นที่ที่การกระทำของเราอาจขัดแย้งกับค่านิยมร่วมกันของเรา เพื่อที่จะตรวจจับ ลดผลกระทบ ลด หรือกำจัดข้อกังวลเหล่านี้—เราจำเป็นต้องตั้งคำถามทางศีลธรรม "ใช่/ไม่ใช่" ที่เกี่ยวข้องกับการกระทำของเรา จากนั้นดำเนินการแก้ไขตามความจำเป็น ลองดูความท้าทายด้านจริยธรรมบางประการและคำถามทางศีลธรรมที่พวกเขาเสนอ:

2.1 การเป็นเจ้าของข้อมูล

การเก็บรวบรวมข้อมูลมักเกี่ยวข้องกับข้อมูลส่วนบุคคลที่สามารถระบุตัวบุคคลได้ การเป็นเจ้าของข้อมูล เกี่ยวกับ การควบคุม และ สิทธิ์ของผู้ใช้ ที่เกี่ยวข้องกับการสร้าง การประมวลผล และการเผยแพร่ข้อมูล

คำถามทางศีลธรรมที่เราต้องถามคือ:

• ใครเป็นเจ้าของข้อมูล? (ผู้ใช้หรือองค์กร)
• ผู้ใช้มีสิทธิ์อะไรบ้าง? (เช่น การเข้าถึง การลบ การพกพา)
• องค์กรมีสิทธิ์อะไรบ้าง? (เช่น การแก้ไขรีวิวผู้ใช้ที่เป็นอันตราย)

2.2 การยินยอมที่ได้รับการแจ้ง

การยินยอมที่ได้รับการแจ้ง หมายถึงการที่ผู้ใช้ตกลงที่จะดำเนินการ (เช่น การเก็บข้อมูล) โดยมี ความเข้าใจอย่างเต็มที่ เกี่ยวกับข้อเท็

• ข้อมูลที่บันทึกไว้สะท้อนความเป็นจริงได้ ถูกต้อง หรือไม่?

2.8 ความเป็นธรรมของอัลกอริทึม

ความเป็นธรรมของอัลกอริทึม คือการตรวจสอบว่า การออกแบบอัลกอริทึมมีการเลือกปฏิบัติต่อกลุ่มย่อยของผู้ใช้ข้อมูลอย่างเป็นระบบหรือไม่ ซึ่งอาจนำไปสู่ ผลกระทบที่อาจเกิดขึ้น ในเรื่อง การจัดสรรทรัพยากร (เช่น การปฏิเสธหรือการระงับทรัพยากรสำหรับกลุ่มนั้น) และ คุณภาพของบริการ (เช่น AI มีความแม่นยำต่ำกว่าสำหรับบางกลุ่มเมื่อเทียบกับกลุ่มอื่น)

คำถามที่ควรพิจารณา:

• เราได้ประเมินความแม่นยำของโมเดลสำหรับกลุ่มย่อยและเงื่อนไขที่หลากหลายหรือไม่?
• เราได้ตรวจสอบระบบเพื่อหาผลกระทบที่อาจเกิดขึ้น (เช่น การเหมารวม) หรือไม่?
• เราสามารถปรับปรุงข้อมูลหรือฝึกโมเดลใหม่เพื่อบรรเทาผลกระทบที่พบได้หรือไม่?

สำรวจแหล่งข้อมูล เช่น AI Fairness checklists เพื่อเรียนรู้เพิ่มเติม

2.9 การบิดเบือนข้อมูล

การบิดเบือนข้อมูล คือการตั้งคำถามว่า เรากำลังสื่อสารข้อมูลเชิงลึกจากข้อมูลที่รายงานอย่างซื่อสัตย์ในลักษณะที่หลอกลวงเพื่อสนับสนุนเรื่องราวที่ต้องการหรือไม่

คำถามที่ควรพิจารณา:

• เรากำลังรายงานข้อมูลที่ไม่ครบถ้วนหรือไม่ถูกต้องหรือไม่?
• เรากำลังแสดงภาพข้อมูลในลักษณะที่นำไปสู่ข้อสรุปที่หลอกลวงหรือไม่?
• เรากำลังใช้เทคนิคทางสถิติที่เลือกสรรเพื่อปรับเปลี่ยนผลลัพธ์หรือไม่?
• มีคำอธิบายทางเลือกอื่นที่อาจนำไปสู่ข้อสรุปที่แตกต่างหรือไม่?

2.10 การเลือกอย่างอิสระ

ภาพลวงตาของการเลือกอย่างอิสระ เกิดขึ้นเมื่อ "สถาปัตยกรรมการเลือก" ของระบบใช้การตัดสินใจผ่านอัลกอริทึมเพื่อชักจูงให้ผู้คนเลือกผลลัพธ์ที่ต้องการ ในขณะที่ดูเหมือนว่าพวกเขามีตัวเลือกและการควบคุม สิ่งเหล่านี้เรียกว่า รูปแบบมืด ซึ่งอาจก่อให้เกิดผลกระทบทางสังคมและเศรษฐกิจต่อผู้ใช้ การตัดสินใจของผู้ใช้ส่งผลต่อโปรไฟล์พฤติกรรม ซึ่งอาจขับเคลื่อนการเลือกในอนาคตที่ขยายผลกระทบเหล่านี้ออกไป

คำถามที่ควรพิจารณา:

• ผู้ใช้เข้าใจผลกระทบของการเลือกนั้นหรือไม่?
• ผู้ใช้รับรู้ถึงตัวเลือก (ทางเลือก) และข้อดีข้อเสียของแต่ละตัวเลือกหรือไม่?
• ผู้ใช้สามารถย้อนกลับการเลือกที่ถูกชักจูงหรืออัตโนมัติในภายหลังได้หรือไม่?

3. กรณีศึกษา

เพื่อให้เข้าใจความท้าทายด้านจริยธรรมในบริบทของโลกจริง การศึกษากรณีที่แสดงให้เห็นถึงผลกระทบและผลลัพธ์ที่อาจเกิดขึ้นต่อบุคคลและสังคมเมื่อมีการละเมิดจริยธรรมเหล่านี้เป็นสิ่งสำคัญ

ตัวอย่างบางส่วน:

ความท้าทายด้านจริยธรรม	กรณีศึกษา
การยินยอมที่ได้รับข้อมูลครบถ้วน	1972 - Tuskegee Syphilis Study - ชายชาวแอฟริกันอเมริกันที่เข้าร่วมการศึกษานี้ได้รับสัญญาว่าจะได้รับการดูแลทางการแพทย์ฟรี แต่ถูกหลอกลวง โดยนักวิจัยที่ไม่แจ้งให้ทราบถึงการวินิจฉัยหรือการรักษาที่มีอยู่ ผู้เข้าร่วมหลายคนเสียชีวิต และคู่สมรสหรือบุตรได้รับผลกระทบ การศึกษานี้ดำเนินไปนานถึง 40 ปี
ความเป็นส่วนตัวของข้อมูล	2007 - Netflix data prize มอบข้อมูลการจัดอันดับภาพยนตร์ 10 ล้านรายการ จากลูกค้า 50,000 คนให้กับนักวิจัยเพื่อปรับปรุงอัลกอริทึมการแนะนำ อย่างไรก็ตาม นักวิจัยสามารถเชื่อมโยงข้อมูลที่ไม่ระบุตัวตนกับข้อมูลที่สามารถระบุตัวตนได้ใน ชุดข้อมูลภายนอก (เช่น ความคิดเห็นใน IMDb) ซึ่งทำให้สามารถ "ระบุตัวตน" ของสมาชิก Netflix บางคนได้
อคติในการเก็บข้อมูล	2013 - เมืองบอสตัน พัฒนา Street Bump แอปที่ให้พลเมืองรายงานหลุมบ่อ เพื่อให้เมืองมีข้อมูลถนนที่ดีขึ้นในการแก้ไขปัญหา อย่างไรก็ตาม ผู้คนในกลุ่มรายได้ต่ำมีการเข้าถึงรถยนต์และโทรศัพท์น้อยกว่า ทำให้ปัญหาถนนของพวกเขาไม่ปรากฏในแอปนี้ นักพัฒนาทำงานร่วมกับนักวิชาการเพื่อแก้ไขปัญหา การเข้าถึงที่เท่าเทียมและช่องว่างทางดิจิทัล เพื่อความเป็นธรรม
ความเป็นธรรมของอัลกอริทึม	2018 - MIT Gender Shades Study ประเมินความแม่นยำของ AI ในการจำแนกเพศ เผยให้เห็นช่องว่างในความแม่นยำสำหรับผู้หญิงและคนผิวสี Apple Card ปี 2019 ดูเหมือนจะให้เครดิตน้อยกว่ากับผู้หญิงเมื่อเทียบกับผู้ชาย ทั้งสองกรณีแสดงให้เห็นถึงปัญหาอคติในอัลกอริทึมที่นำไปสู่ผลกระทบทางเศรษฐกิจและสังคม
การบิดเบือนข้อมูล	2020 - กรมสาธารณสุขจอร์เจียเผยแพร่กราฟ COVID-19 ที่ดูเหมือนจะหลอกลวงประชาชนเกี่ยวกับแนวโน้มของจำนวนผู้ติดเชื้อที่ยืนยัน โดยการจัดเรียงแกน x แบบไม่เรียงตามลำดับเวลา กรณีนี้แสดงให้เห็นถึงการบิดเบือนผ่านการแสดงภาพ
ภาพลวงตาของการเลือกอย่างอิสระ	2020 - แอปการเรียนรู้ ABCmouse จ่ายเงิน 10 ล้านดอลลาร์เพื่อยุติข้อร้องเรียนของ FTC ซึ่งผู้ปกครองถูกบังคับให้จ่ายเงินสำหรับการสมัครสมาชิกที่ไม่สามารถยกเลิกได้ กรณีนี้แสดงให้เห็นถึงรูปแบบมืดในสถาปัตยกรรมการเลือก ที่ชักจูงผู้ใช้ไปสู่การเลือกที่อาจเป็นอันตราย
ความเป็นส่วนตัวของข้อมูลและสิทธิของผู้ใช้	2021 - การละเมิดข้อมูล Facebook เปิดเผยข้อมูลจากผู้ใช้ 530 ล้านคน ส่งผลให้มีการยุติข้อร้องเรียนกับ FTC ด้วยเงิน 5 พันล้านดอลลาร์ อย่างไรก็ตาม Facebook ปฏิเสธที่จะแจ้งผู้ใช้เกี่ยวกับการละเมิด ซึ่งเป็นการละเมิดสิทธิของผู้ใช้ในเรื่องความโปร่งใสและการเข้าถึงข้อมูล

ต้องการสำรวจกรณีศึกษาเพิ่มเติมหรือไม่? ลองดูแหล่งข้อมูลเหล่านี้:

• Ethics Unwrapped - ปัญหาด้านจริยธรรมในอุตสาหกรรมหลากหลาย
• หลักสูตร Data Science Ethics - กรณีศึกษาสำคัญที่ถูกสำรวจ
• ตัวอย่างที่เกิดปัญหา - เช็คลิสต์ Deon พร้อมตัวอย่าง

🚨 ลองคิดถึงกรณีศึกษาที่คุณเคยเห็น - คุณเคยประสบหรือได้รับผลกระทบจากความท้าทายด้านจริยธรรมที่คล้ายกันในชีวิตของคุณหรือไม่? คุณสามารถคิดถึงกรณีศึกษาอื่นที่แสดงให้เห็นถึงหนึ่งในความท้าทายด้านจริยธรรมที่เราได้พูดถึงในส่วนนี้หรือไม่?

จริยธรรมประยุกต์

เราได้พูดถึงแนวคิดด้านจริยธรรม ความท้าทาย และกรณีศึกษาในบริบทของโลกจริง แต่เราจะเริ่มต้น การประยุกต์ใช้ หลักการและแนวปฏิบัติด้านจริยธรรมในโครงการของเราได้อย่างไร? และเราจะ ทำให้เป็นระบบ แนวปฏิบัติเหล่านี้เพื่อการกำกับดูแลที่ดีขึ้นได้อย่างไร? มาสำรวจวิธีแก้ปัญหาในโลกจริงกัน:

1. รหัสวิชาชีพ

รหัสวิชาชีพเป็นตัวเลือกหนึ่งสำหรับองค์กรในการ "จูงใจ" สมาชิกให้สนับสนุนหลักการด้านจริยธรรมและพันธกิจขององค์กร รหัสเหล่านี้เป็น แนวทางทางศีลธรรม สำหรับพฤติกรรมวิชาชีพ ช่วยให้พนักงานหรือสมาชิกตัดสินใจที่สอดคล้องกับหลักการขององค์กร อย่างไรก็ตาม รหัสเหล่านี้จะมีประสิทธิภาพเท่ากับการปฏิบัติตามโดยสมัครใจจากสมาชิกเท่านั้น แต่หลายองค์กรมีการเสนอรางวัลและบทลงโทษเพิ่มเติมเพื่อกระตุ้นการปฏิบัติตามจากสมาชิก

ตัวอย่าง:

• Oxford Munich รหัสจริยธรรม
• Data Science Association รหัสการปฏิบัติ (สร้างขึ้นในปี 2013)
• ACM Code of Ethics and Professional Conduct (ตั้งแต่ปี 1993)

🚨 คุณเป็นสมาชิกขององค์กรวิศวกรรมหรือวิทยาศาสตร์ข้อมูลวิชาชีพหรือไม่? ลองสำรวจเว็บไซต์ของพวกเขาเพื่อดูว่าพวกเขากำหนดรหัสจริยธรรมวิชาชีพหรือไม่ สิ่งนี้บอกอะไรเกี่ยวกับหลักการด้านจริยธรรมของพวกเขา? พวกเขา "จูงใจ" สมาชิกให้ปฏิบัติตามรหัสอย่างไร?

2. เช็คลิสต์ด้านจริยธรรม

ในขณะที่รหัสวิชาชีพกำหนดพฤติกรรม ด้านจริยธรรม ที่จำเป็นจากผู้ปฏิบัติงาน แต่ มีข้อจำกัดที่ทราบกันดี ในการบังคับใช้ โดยเฉพาะในโครงการขนาดใหญ่ ดังนั้นผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลจำนวนมาก สนับสนุนการใช้เช็คลิสต์ ซึ่งสามารถ เชื่อมโยงหลักการกับแนวปฏิบัติ ในลักษณะที่กำหนดและนำไปปฏิบัติได้จริงมากขึ้น

เช็คลิสต์เปลี่ยนคำถามให้เป็นงาน "ใช่/ไม่ใช่" ที่สามารถนำไปปฏิบัติได้ ทำให้สามารถติดตามได้เป็นส่วนหนึ่งของกระบวนการปล่อยผลิตภัณฑ์มาตรฐาน

ตัวอย่าง:

• Deon - เช็คลิสต์จริยธรรมข้อมูลทั่วไปที่สร้างขึ้นจาก คำแนะนำในอุตสาหกรรม พร้อมเครื่องมือบรรทัดคำสั่งสำหรับการผสานรวมที่ง่ายดาย
• Privacy Audit Checklist - ให้คำแนะนำทั่วไปสำหรับแนวปฏิบัติในการจัดการข้อมูลจากมุมมองทางกฎหมายและสังคม
• AI Fairness Checklist - สร้างขึ้นโดยผู้ปฏิบัติงาน AI เพื่อสนับสนุนการนำและการผสานรวมการตรวจสอบความเป็นธรรมในวงจรการพัฒนา AI
• 22 คำถามสำหรับจริยธรรมในข้อมูลและ AI - กรอบงานที่เปิดกว้างมากขึ้น โครงสร้างสำหรับการสำรวจเบื้องต้นเกี่ยวกับปัญหาด้านจริยธรรมในด้านการออกแบบ การดำเนินการ และบริบทขององค์กร

3. กฎระเบียบด้านจริยธรรม

จริยธรรมเกี่ยวกับการกำหนดค่านิยมร่วมกันและการทำสิ่งที่ถูกต้อง โดยสมัครใจ การปฏิบัติตาม คือการ ปฏิบัติตามกฎหมาย หากมีการกำหนดไว้ การกำกับดูแล ครอบคลุมวิธีการทั้งหมดที่องค์กรดำเนินการเพื่อบังคับใช้หลักการด้านจริยธรรมและปฏิบัติตามกฎหมายที่กำหนดไว้

ปัจจุบัน การกำกับดูแลมีสองรูปแบบในองค์กร ประการแรกคือการกำหนดหลักการ AI ด้านจริยธรรม และการจัดตั้งแนวปฏิบัติเพื่อการนำไปใช้ในโครงการที่เกี่ยวข้องกับ AI ทั้งหมดในองค์กร ประการที่สองคือการปฏิบัติตาม กฎระเบียบการคุ้มครองข้อมูล ที่รัฐบาลกำหนดสำหรับภูมิภาคที่องค์กรดำเนินการอยู่

ตัวอย่างกฎระเบียบการคุ้มครองข้อมูลและความเป็นส่วนตัว:

• 1974, US Privacy Act - ควบคุมการเก็บรวบรวม การใช้ และการเปิดเผยข้อมูลส่วนบุคคลของ รัฐบาลกลาง
• 1996, US Health Insurance Portability & Accountability Act (HIPAA) - ปกป้องข้อมูลสุขภาพส่วนบุคคล
• 1998, US Children's Online Privacy Protection Act (COPPA) - ปกป้องความเป็นส่วนตัวของข้อมูลเด็กอายุต่ำกว่า 13 ปี
• 2018, General Data Protection Regulation (GDPR) - ให้สิทธิผู้ใช้ การคุ้มครองข้อมูล และความเป็นส่วนตัว
• 2018, California Consumer Privacy Act (CCPA) - ให้สิทธิผู้บริโภคมากขึ้นเกี่ยวกับข้อมูลส่วนบุคคลของพวกเขา
• 2021, กฎหมายคุ้มครองข้อมูลส่วนบุคคลของจีน เพิ่งผ่าน ซึ่งเป็นหนึ่งในกฎระเบียบความเป็นส่วนตัวออนไลน์ที่เข้มงวดที่สุดในโลก

🚨 สหภาพยุโรปกำหนด GDPR (General Data Protection Regulation) ซึ่งยังคงเป็นหนึ่งในกฎระเบียบการคุ้มครองข้อมูลที่มีอิทธิพลมากที่สุดในปัจจุบัน คุณทราบหรือไม่ว่ามันยังกำหนด 8 สิทธิของผู้ใช้ เพื่อปกป้องความเป็นส่วนตัวดิจิทัลและข้อมูลส่วนบุคคลของพลเมือง? เรียนรู้เกี่ยวกับสิ่งเหล่านี้และเหตุผลที่สำคัญ

4. วัฒนธรรมด้านจริยธรรม

โปรดทราบว่ายังมีช่องว่างที่จับต้องไม่ได้ระหว่าง การปฏิบัติตาม (การทำเพียงพอเพื่อให้เป็นไปตาม "ตัวอักษรของกฎหมาย") และการแก

• Machine Learning For Beginners - บทเรียนเกี่ยวกับความยุติธรรมจาก Microsoft
• Principles of Responsible AI - เส้นทางการเรียนรู้ฟรีจาก Microsoft Learn
• Ethics and Data Science - หนังสืออิเล็กทรอนิกส์จาก O'Reilly (M. Loukides, H. Mason และอื่น ๆ)
• Data Science Ethics - คอร์สออนไลน์จากมหาวิทยาลัยมิชิแกน
• Ethics Unwrapped - กรณีศึกษาจากมหาวิทยาลัยเท็กซัส

งานที่ได้รับมอบหมาย

เขียนกรณีศึกษาด้านจริยธรรมข้อมูล

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้