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

ডেটা নীতিশাস্ত্রের পরিচিতি

ডেটা সায়েন্স নীতিশাস্ত্র - @nitya দ্বারা স্কেচনোট

---

আমরা সবাই একটি ডেটা-নির্ভর জগতে ডেটা নাগরিক হিসেবে বসবাস করছি।

বাজারের প্রবণতা আমাদের জানায় যে ২০২২ সালের মধ্যে, প্রতি তিনটি বড় প্রতিষ্ঠানের মধ্যে একটি তাদের ডেটা অনলাইনে মার্কেটপ্লেস এবং এক্সচেঞ্জ এর মাধ্যমে ক্রয়-বিক্রয় করবে। অ্যাপ ডেভেলপার হিসেবে, আমাদের জন্য ডেটা-চালিত অন্তর্দৃষ্টি এবং অ্যালগরিদম-চালিত স্বয়ংক্রিয়তাকে দৈনন্দিন ব্যবহারকারীর অভিজ্ঞতায় সংহত করা সহজ এবং সাশ্রয়ী হবে। তবে, যখন এআই সর্বব্যাপী হয়ে উঠছে, তখন আমাদের এটাও বুঝতে হবে যে অস্ত্রায়ন এর মাধ্যমে বড় পরিসরে এই অ্যালগরিদমগুলো কী ধরনের ক্ষতি করতে পারে।

প্রবণতা আরও দেখায় যে ২০২৫ সালের মধ্যে আমরা ১৮০ জেটাবাইট এর বেশি ডেটা তৈরি এবং ব্যবহার করব। ডেটা সায়েন্টিস্ট হিসেবে, এটি আমাদের ব্যক্তিগত ডেটার অভূতপূর্ব স্তরে প্রবেশাধিকার দেয়। এর মানে আমরা ব্যবহারকারীদের আচরণগত প্রোফাইল তৈরি করতে পারি এবং এমনভাবে সিদ্ধান্ত গ্রহণে প্রভাব ফেলতে পারি যা মুক্ত পছন্দের ভ্রম তৈরি করে, তবে ব্যবহারকারীদের আমাদের পছন্দসই ফলাফলের দিকে ঠেলে দেয়। এটি ডেটা গোপনীয়তা এবং ব্যবহারকারীর সুরক্ষার উপর আরও বিস্তৃত প্রশ্নও উত্থাপন করে।

ডেটা নীতিশাস্ত্র এখন ডেটা সায়েন্স এবং প্রকৌশলের জন্য প্রয়োজনীয় গার্ডরেল, যা আমাদের ডেটা-চালিত কর্ম থেকে সম্ভাব্য ক্ষতি এবং অনিচ্ছাকৃত পরিণতি হ্রাস করতে সাহায্য করে। গার্টনার হাইপ সাইকেল ফর এআই ডিজিটাল নীতিশাস্ত্র, দায়িত্বশীল এআই এবং এআই গভর্নেন্সের মতো প্রবণতাগুলিকে বড় মেগাট্রেন্ডগুলির মূল চালক হিসাবে চিহ্নিত করে, যেমন এআই-এর গণতন্ত্রায়ন এবং শিল্পায়ন।

এই পাঠে, আমরা ডেটা নীতিশাস্ত্রের চমকপ্রদ ক্ষেত্রটি অন্বেষণ করব - মূল ধারণা এবং চ্যালেঞ্জ থেকে শুরু করে কেস স্টাডি এবং গভর্নেন্সের মতো প্রয়োগকৃত এআই ধারণা পর্যন্ত - যা ডেটা এবং এআই নিয়ে কাজ করা দল এবং প্রতিষ্ঠানে একটি নীতিশাস্ত্র সংস্কৃতি প্রতিষ্ঠায় সাহায্য করে।

পাঠ-পূর্ব কুইজ 🎯

মৌলিক সংজ্ঞা

চলুন মৌলিক পরিভাষা বোঝা দিয়ে শুরু করি।

"নীতিশাস্ত্র" শব্দটি এসেছে গ্রিক শব্দ "ethikos" (এবং এর মূল "ethos") থেকে, যার অর্থ চরিত্র বা নৈতিক প্রকৃতি।

নীতিশাস্ত্র হলো সেই শেয়ার করা মূল্যবোধ এবং নৈতিক নীতিমালা যা সমাজে আমাদের আচরণ নিয়ন্ত্রণ করে। নীতিশাস্ত্র আইন নয়, বরং "সঠিক বনাম ভুল" এর ব্যাপারে সর্বজনীনভাবে গৃহীত মানদণ্ডের উপর ভিত্তি করে। তবে, নৈতিক বিবেচনা কর্পোরেট গভর্নেন্স উদ্যোগ এবং সরকারী নিয়মকানুনকে প্রভাবিত করতে পারে, যা সম্মতির জন্য আরও প্রণোদনা তৈরি করে।

ডেটা নীতিশাস্ত্র হলো নীতিশাস্ত্রের একটি নতুন শাখা, যা "ডেটা, অ্যালগরিদম এবং সংশ্লিষ্ট অনুশীলন" সম্পর্কিত নৈতিক সমস্যাগুলি অধ্যয়ন এবং মূল্যায়ন করে। এখানে, "ডেটা" জেনারেশন, রেকর্ডিং, কিউরেশন, প্রসেসিং, প্রচার, শেয়ারিং এবং ব্যবহারের সাথে সম্পর্কিত ক্রিয়াকলাপগুলির উপর দৃষ্টি নিবদ্ধ করে; "অ্যালগরিদম" এআই, এজেন্ট, মেশিন লার্নিং এবং রোবটগুলির উপর দৃষ্টি নিবদ্ধ করে; এবং "অনুশীলন" দায়িত্বশীল উদ্ভাবন, প্রোগ্রামিং, হ্যাকিং এবং নীতিশাস্ত্র কোডের মতো বিষয়গুলির উপর দৃষ্টি নিবদ্ধ করে।

প্রয়োগকৃত নীতিশাস্ত্র হলো নৈতিক বিবেচনার ব্যবহারিক প্রয়োগ। এটি হলো বাস্তব জীবনের কর্ম, পণ্য এবং প্রক্রিয়ার প্রেক্ষাপটে নৈতিক বিষয়গুলি সক্রিয়ভাবে তদন্ত করার প্রক্রিয়া এবং আমাদের সংজ্ঞায়িত নৈতিক মূল্যবোধের সাথে এগুলি সামঞ্জস্যপূর্ণ রাখতে সংশোধনমূলক ব্যবস্থা গ্রহণ করা।

নীতিশাস্ত্র সংস্কৃতি হলো প্রয়োগকৃত নীতিশাস্ত্রকে কার্যকর করা, যাতে আমাদের নৈতিক নীতিমালা এবং অনুশীলনগুলি পুরো প্রতিষ্ঠানের মধ্যে ধারাবাহিক এবং স্কেলযোগ্যভাবে গৃহীত হয়। সফল নীতিশাস্ত্র সংস্কৃতি প্রতিষ্ঠানের সর্বত্র নৈতিক নীতিমালা সংজ্ঞায়িত করে, সম্মতির জন্য অর্থবহ প্রণোদনা প্রদান করে এবং প্রত্যাশিত আচরণকে উৎসাহিত ও জোরদার করে নীতিশাস্ত্রের মানদণ্ডকে শক্তিশালী করে।

নীতিশাস্ত্রের ধারণা

এই অংশে, আমরা শেয়ার করা মূল্যবোধ (নীতিমালা) এবং নৈতিক চ্যালেঞ্জ (সমস্যা) নিয়ে আলোচনা করব, এবং কেস স্টাডি অন্বেষণ করব যা আপনাকে বাস্তব জীবনের প্রেক্ষাপটে এই ধারণাগুলি বুঝতে সাহায্য করবে।

১. নীতিশাস্ত্রের নীতিমালা

প্রত্যেক ডেটা নীতিশাস্ত্র কৌশল শুরু হয় নৈতিক নীতিমালা সংজ্ঞায়িত করার মাধ্যমে - "শেয়ার করা মূল্যবোধ" যা গ্রহণযোগ্য আচরণ বর্ণনা করে এবং আমাদের ডেটা ও এআই প্রকল্পে সম্মতিমূলক কর্ম পরিচালনা করে। আপনি এগুলি ব্যক্তিগত বা দলীয় স্তরে সংজ্ঞায়িত করতে পারেন। তবে, বেশিরভাগ বড় প্রতিষ্ঠান এগুলি একটি নৈতিক এআই মিশন বিবৃতি বা কাঠামোতে সংজ্ঞায়িত করে, যা কর্পোরেট স্তরে সংজ্ঞায়িত এবং সমস্ত দলের মধ্যে ধারাবাহিকভাবে প্রয়োগ করা হয়।

উদাহরণ: মাইক্রোসফটের দায়িত্বশীল এআই মিশন বিবৃতি বলে: "আমরা নৈতিক নীতিমালার দ্বারা চালিত এআই-এর অগ্রগতির জন্য প্রতিশ্রুতিবদ্ধ, যা মানুষকে প্রথমে রাখে" - যা নিচের কাঠামোতে ৬টি নৈতিক নীতিমালা চিহ্নিত করে:

চলুন এই নীতিমালাগুলি সংক্ষেপে অন্বেষণ করি। স্বচ্ছতা এবং দায়িত্বশীলতা হলো মৌলিক মূল্যবোধ, যার উপর অন্যান্য নীতিমালা নির্মিত হয় - তাই এখানে শুরু করা যাক:

• দায়িত্বশীলতা ডেটা ও এআই কার্যক্রম এবং এই নৈতিক নীতিমালার সাথে সম্মতির জন্য অনুশীলনকারীদের দায়িত্বশীল করে তোলে।
• স্বচ্ছতা নিশ্চিত করে যে ডেটা এবং এআই কর্মগুলো ব্যবহারকারীদের জন্য বোধ্য (ব্যাখ্যাযোগ্য), যা সিদ্ধান্তের পেছনের কী এবং কেন ব্যাখ্যা করে।
• ন্যায্যতা - নিশ্চিত করে যে এআই সব মানুষকে ন্যায্যভাবে আচরণ করে, ডেটা এবং সিস্টেমে থাকা যেকোনো পদ্ধতিগত বা অন্তর্নিহিত সামাজিক-প্রযুক্তিগত পক্ষপাতিত্ব মোকাবেলা করে।
• নির্ভরযোগ্যতা ও নিরাপত্তা - নিশ্চিত করে যে এআই সংজ্ঞায়িত মূল্যবোধের সাথে সামঞ্জস্যপূর্ণ আচরণ করে, সম্ভাব্য ক্ষতি বা অনিচ্ছাকৃত পরিণতি হ্রাস করে।
• গোপনীয়তা ও সুরক্ষা - ডেটার উত্স বোঝা এবং ব্যবহারকারীদের ডেটা গোপনীয়তা এবং সংশ্লিষ্ট সুরক্ষা প্রদান সম্পর্কে।
• অন্তর্ভুক্তি - উদ্দেশ্য নিয়ে এআই সমাধান ডিজাইন করা, এগুলিকে বিস্তৃত মানব প্রয়োজন এবং সক্ষমতার সাথে মানিয়ে নেওয়া।

🚨 আপনার ডেটা নীতিশাস্ত্র মিশন বিবৃতি কী হতে পারে তা নিয়ে ভাবুন। অন্যান্য প্রতিষ্ঠানের নৈতিক এআই কাঠামো অন্বেষণ করুন - এখানে আইবিএম, গুগল, এবং ফেসবুক এর উদাহরণ রয়েছে। তাদের মধ্যে কী শেয়ার করা মূল্যবোধ রয়েছে? এই নীতিমালাগুলি তাদের এআই পণ্য বা শিল্পের সাথে কীভাবে সম্পর্কিত?

২. নীতিশাস্ত্রের চ্যালেঞ্জ

যখন নৈতিক নীতিমালাগুলি সংজ্ঞায়িত করা হয়, তখন পরবর্তী ধাপ হলো আমাদের ডেটা এবং এআই কর্মগুলো মূল্যায়ন করা, সেগুলি এই শেয়ার করা মূল্যবোধের সাথে সামঞ্জস্যপূর্ণ কিনা তা দেখতে। আপনার কর্মগুলোকে দুটি বিভাগে ভাবুন: ডেটা সংগ্রহ এবং অ্যালগরিদম ডিজাইন।

ডেটা সংগ্রহের ক্ষেত্রে, কর্মগুলো সম্ভবত ব্যক্তিগত ডেটা বা ব্যক্তিগতভাবে সনাক্তযোগ্য তথ্য (PII) এর সাথে সম্পর্কিত হবে, যা জীবিত ব্যক্তিদের সনাক্ত করতে পারে। এটি বিভিন্ন ধরনের অ-ব্যক্তিগত ডেটা অন্তর্ভুক্ত করে, যা সমষ্টিগতভাবে একজন ব্যক্তিকে সনাক্ত করে। নৈতিক চ্যালেঞ্জগুলো ডেটা গোপনীয়তা, ডেটার মালিকানা, এবং অবগত সম্মতি এবং ব্যবহারকারীদের বুদ্ধিবৃত্তিক সম্পত্তি অধিকার এর মতো সম্পর্কিত বিষয়গুলির সাথে সম্পর্কিত হতে পারে।

অ্যালগরিদম ডিজাইনের ক্ষেত্রে, কর্মগুলো ডেটাসেট সংগ্রহ এবং কিউরেট করা, তারপর সেগুলো ব্যবহার করে ডেটা মডেল প্রশিক্ষণ এবং বাস্তব জীবনের প্রেক্ষাপটে ফলাফল পূর্বাভাস বা সিদ্ধান্ত স্বয়ংক্রিয় করার সাথে সম্পর্কিত হবে। নৈতিক চ্যালেঞ্জগুলো ডেটাসেট পক্ষপাতিত্ব, ডেটার গুণমান সমস্যা, অন্যায্যতা, এবং অ্যালগরিদমে ভুল উপস্থাপনা থেকে উদ্ভূত হতে পারে - যার মধ্যে কিছু পদ্ধতিগত প্রকৃতির হতে পারে।

উভয় ক্ষেত্রেই, নীতিশাস্ত্রের চ্যালেঞ্জগুলো এমন ক্ষেত্রগুলো হাইলাইট করে যেখানে আমাদের কর্মগুলো শেয়ার করা মূল্যবোধের সাথে সংঘর্ষে আসতে পারে। এই উদ্বেগগুলো সনাক্ত, প্রশমিত, হ্রাস, বা নির্মূল করতে, আমাদের কর্মগুলোর সাথে সম্পর্কিত নৈতিক "হ্যাঁ/না" প্রশ্ন জিজ্ঞাসা করতে হবে, তারপর প্রয়োজনীয় সংশোধনমূলক ব্যবস্থা নিতে হবে। চলুন কিছু নৈতিক চ্যালেঞ্জ এবং সেগুলো যে নৈতিক প্রশ্ন উত্থাপন করে তা দেখি:

২.১ ডেটার মালিকানা

ডেটা সংগ্রহ প্রায়ই ব্যক্তিগত ডেটার সাথে সম্পর্কিত, যা ডেটা বিষয়গুলোকে সনাক্ত করতে পারে। ডেটার মালিকানা হলো ডেটার সৃষ্ট, প্রক্রিয়াকরণ এবং প্রচারের সাথে সম্পর্কিত নিয়ন্ত্রণ এবং ব্যবহারকারীর অধিকার।

আমাদের জিজ্ঞাসা করা নৈতিক প্রশ্নগুলো হলো:

• ডেটার মালিক কে? (ব্যবহারকারী নাকি প্রতিষ্ঠান)
• ডেটা বিষয়গুলোর কী অধিকার রয়েছে? (যেমন: অ্যাক্সেস, মুছে ফেলা, পোর্টেবিলিটি)
• প্রতিষ্ঠানের কী অধিকার রয়েছে? (যেমন: ক্ষতিকারক ব্যবহারকারীর পর্যালোচনা সংশোধন)

২.২ অবগত সম্মতি

অবগত সম্মতি ব্যবহারকারীদের একটি কর্মে (যেমন ডেটা সংগ্রহ) সম্মতি দেওয়ার কাজকে সংজ্ঞায়িত করে, যেখানে তারা প্রাসঙ্গিক তথ্যের সম্পূর্ণ বোঝাপড়া রাখে, যার মধ্যে উদ্দেশ্য, সম্ভাব্য ঝুঁকি, এবং বিকল্পগুলো অন্তর্ভুক্ত।

এখানে অন্বেষণ করার প্রশ্নগুলো হলো:

• ব্যবহারকারী (ডেটা বিষয়) কি ডেটা সংগ্রহ এবং ব্যবহারের জন্য অনুমতি দিয়েছে?
• ব্যবহারকারী কি বুঝেছে যে ডেটা কোন উদ্দেশ্যে সংগ্রহ করা হয়েছে?
• ব্যবহারকারী কি তাদের অংশগ্রহণ থেকে সম্ভাব্য ঝুঁকিগুলো বুঝেছে?

২.৩ বুদ্ধিবৃত্তিক সম্পত্তি

বুদ্ধিবৃত্তিক সম্পত্তি হলো মানব উদ্যোগ থেকে উদ্ভূত অমূর্ত সৃষ্টি, যা ব্যক্তিদের বা ব্যবসার জন্য অর্থনৈতিক মূল্য রাখতে পারে।

এখানে অন্বেষণ করার প্রশ্নগুলো হলো:

• সংগৃহীত ডেটার কি ব্যবহারকারী বা ব্যবসার জন্য অর্থনৈতিক মূল্য ছিল?
• এখানে ব্যবহারকারীর কি বুদ্ধিবৃত্তিক সম্পত্তি রয়েছে?
• এখানে প্রতিষ্ঠানের কি বুদ্ধিবৃত্তিক সম্পত্তি রয়েছে?
• যদি এই অধিকারগুলো থাকে, আমরা কীভাবে সেগুলো রক্ষা করছি?

২.৪ ডেটা গোপনীয়তা

ডেটা গোপনীয়তা বা তথ্য গোপনীয়তা হলো ব্যবহারকারীর গোপনীয়তা সংরক্ষণ এবং ব্যক্তিগতভাবে সনাক্তযোগ্য তথ্যের সাথে ব্যবহারকারীর পরিচয় সুরক্ষার বিষয়।

এখানে অন্বেষণ করার প্রশ্নগুলো হলো:

• ব্যবহারকারীর (ব্যক্তিগত) ডেটা কি হ্যাক এবং ফাঁস থেকে সুরক্ষিত?
• ব্যবহারকারীর ডেটা কি শুধুমাত্র অনুমোদিত ব্যবহারকারী এবং প্রেক্ষাপটের জন্য অ্যাক্সেসযোগ্য?
• ডেটা শেয়ার বা প্রচারের সময় ব্যবহারকারীর নাম গোপনীয়তা কি সংরক্ষিত?
• ব্যবহারকারী কি বেনামী ডেটাসেট থেকে সনাক্তযোগ্য হতে পারে?

২.৫ ভুলে যাওয়ার অধিকার

ভুলে যাওয়ার অধিকার বা মুছে ফেলার অধিকার ব্যবহারকারীদের অতিরিক্ত ব্যক্তিগত ডেটা সুরক্ষা প্রদান করে। বিশেষ করে, এটি ব্যবহারকারীদের নির্দিষ্ট পরিস্থিতিতে ইন্টারনেট অনুসন্ধান এবং অন্যান্য স্থানে ব্যক্তিগত ডেটা মুছে ফেলার বা অপসারণের অনুরোধ করার অধিকার দেয় - তাদের অনলাইনে একটি নতুন সূচনা করার অনুমতি দেয় যাতে অতীত কর্ম তাদের বিরুদ্ধে না থাকে।

এখানে অন্বেষণ করার প্রশ্নগুলো হলো:

• সিস্টেম কি ডেটা বিষয়গুলোকে মুছে ফেলার অনুরোধ করার অনুমতি দেয়?
• ব্যবহারকারীর সম্মতি প্রত্যাহার কি স্বয়ংক্রিয় মুছে ফেলা ট্রিগার করা উচিত?
• ডেটা কি সম্মতি ছাড়া বা অব Algorithm Fairness পরীক্ষা করে দেখে যে কোনো অ্যালগরিদম ডিজাইন কি নির্দিষ্ট ডেটা সাবগ্রুপের বিরুদ্ধে পক্ষপাতমূলক আচরণ করছে কিনা, যা বণ্টন (যেখানে সেই গ্রুপের কাছে সম্পদ অস্বীকার করা হয় বা আটকে রাখা হয়) এবং সেবার মান (যেখানে AI কিছু সাবগ্রুপের জন্য অন্যদের তুলনায় কম সঠিক) ক্ষেত্রে সম্ভাব্য ক্ষতি সৃষ্টি করতে পারে।

এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:

• আমরা কি বিভিন্ন সাবগ্রুপ এবং শর্তের জন্য মডেলের সঠিকতা মূল্যায়ন করেছি?
• আমরা কি সম্ভাব্য ক্ষতির জন্য সিস্টেমটি গভীরভাবে পর্যবেক্ষণ করেছি (যেমন, স্টেরিওটাইপিং)?
• আমরা কি চিহ্নিত ক্ষতি কমানোর জন্য ডেটা সংশোধন বা মডেল পুনরায় প্রশিক্ষণ করতে পারি?

আরও জানার জন্য AI Fairness checklists এর মতো রিসোর্সগুলো অন্বেষণ করুন।

2.9 ভুল উপস্থাপন

ডেটা ভুল উপস্থাপন হলো এই প্রশ্ন করা যে আমরা কি সৎভাবে রিপোর্ট করা ডেটা থেকে প্রাপ্ত অন্তর্দৃষ্টি এমনভাবে উপস্থাপন করছি যা একটি পছন্দসই বর্ণনার সমর্থনে বিভ্রান্তিকর হতে পারে।

এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:

• আমরা কি অসম্পূর্ণ বা ভুল ডেটা রিপোর্ট করছি?
• আমরা কি ডেটা এমনভাবে ভিজ্যুয়ালাইজ করছি যা বিভ্রান্তিকর সিদ্ধান্তে পৌঁছাতে সাহায্য করে?
• আমরা কি নির্বাচিত পরিসংখ্যানগত কৌশল ব্যবহার করে ফলাফলকে প্রভাবিত করছি?
• এমন কোনো বিকল্প ব্যাখ্যা আছে কি যা ভিন্ন সিদ্ধান্ত দিতে পারে?

2.10 স্বাধীন পছন্দ

স্বাধীন পছন্দের বিভ্রম ঘটে যখন সিস্টেমের "পছন্দ স্থাপত্য" সিদ্ধান্ত গ্রহণের অ্যালগরিদম ব্যবহার করে মানুষকে একটি পছন্দসই ফলাফলের দিকে ঠেলে দেয়, যদিও তাদের বিকল্প এবং নিয়ন্ত্রণ দেওয়ার ভান করা হয়। এই ডার্ক প্যাটার্ন ব্যবহারকারীদের সামাজিক এবং অর্থনৈতিক ক্ষতি করতে পারে। যেহেতু ব্যবহারকারীর সিদ্ধান্ত আচরণগত প্রোফাইলকে প্রভাবিত করে, এই পদক্ষেপগুলো ভবিষ্যতের পছন্দগুলোকে আরও বাড়াতে বা প্রসারিত করতে পারে।

এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:

• ব্যবহারকারী কি সেই পছন্দ করার প্রভাবগুলো বুঝতে পেরেছে?
• ব্যবহারকারী কি (বিকল্প) পছন্দ এবং প্রতিটির সুবিধা ও অসুবিধা সম্পর্কে সচেতন ছিল?
• ব্যবহারকারী কি পরে একটি স্বয়ংক্রিয় বা প্রভাবিত পছন্দ পরিবর্তন করতে পারে?

3. কেস স্টাডি

এই নৈতিক চ্যালেঞ্জগুলোকে বাস্তব জীবনের প্রেক্ষাপটে রাখার জন্য, এমন কেস স্টাডি দেখা সহায়ক যা নৈতিক লঙ্ঘন উপেক্ষা করার ফলে ব্যক্তি এবং সমাজের উপর সম্ভাব্য ক্ষতি এবং পরিণতি তুলে ধরে।

কিছু উদাহরণ এখানে দেওয়া হলো:

নৈতিক চ্যালেঞ্জ	কেস স্টাডি
সচেতন সম্মতি	1972 - Tuskegee Syphilis Study - আফ্রিকান আমেরিকান পুরুষদের বিনামূল্যে চিকিৎসার প্রতিশ্রুতি দেওয়া হয়েছিল, কিন্তু গবেষকরা তাদের রোগ নির্ণয় বা চিকিৎসার প্রাপ্যতা সম্পর্কে জানাতে ব্যর্থ হন। অনেক অংশগ্রহণকারী মারা যান এবং তাদের সঙ্গী বা সন্তান ক্ষতিগ্রস্ত হন; গবেষণাটি ৪০ বছর ধরে চলে।
ডেটা গোপনীয়তা	2007 - Netflix data prize গবেষকদের ৫০,০০০ গ্রাহকের ১০ মিলিয়ন অ্যানোনিমাইজড মুভি রেটিং প্রদান করেছিল সুপারিশ অ্যালগরিদম উন্নত করতে। তবে, গবেষকরা অ্যানোনিমাইজড ডেটাকে বাহ্যিক ডেটাসেট (যেমন, IMDb মন্তব্য) এর সাথে সংযুক্ত করতে সক্ষম হন - কার্যত কিছু Netflix গ্রাহকদের "ডি-অ্যানোনিমাইজ" করে।
সংগ্রহ পক্ষপাত	2013 - বোস্টন শহর Street Bump অ্যাপ তৈরি করেছিল যা নাগরিকদের গর্ত রিপোর্ট করতে দেয়, শহরকে ভালো রাস্তার ডেটা প্রদান করে সমস্যা খুঁজে বের করতে এবং সমাধান করতে। তবে, নিম্ন আয়ের গ্রুপের মানুষের গাড়ি এবং ফোনে কম প্রবেশাধিকার ছিল, যার ফলে তাদের রাস্তার সমস্যাগুলো এই অ্যাপে অদৃশ্য ছিল। ডেভেলপাররা ন্যায্যতার জন্য সমান প্রবেশাধিকার এবং ডিজিটাল বিভাজন সমস্যাগুলো নিয়ে একাডেমিকদের সাথে কাজ করেন।
অ্যালগরিদমিক ন্যায্যতা	2018 - MIT Gender Shades Study লিঙ্গ শ্রেণীবিন্যাস AI পণ্যের সঠিকতা মূল্যায়ন করে, নারীদের এবং রঙের ব্যক্তিদের জন্য সঠিকতার ফাঁকগুলো প্রকাশ করে। একটি 2019 Apple Card নারীদের তুলনায় পুরুষদের বেশি ক্রেডিট দেওয়ার প্রবণতা দেখায়। উভয়ই অ্যালগরিদমিক পক্ষপাতের সমস্যাগুলো তুলে ধরে যা সামাজিক-অর্থনৈতিক ক্ষতি সৃষ্টি করে।
ডেটা ভুল উপস্থাপন	2020 - Georgia Department of Public Health COVID-19 চার্ট প্রকাশ করে যা নিশ্চিত কেসের প্রবণতা সম্পর্কে নাগরিকদের বিভ্রান্ত করতে পারে, x-অক্ষের অ-কালানুক্রমিক ক্রমের মাধ্যমে। এটি ভিজ্যুয়ালাইজেশন কৌশলের মাধ্যমে ভুল উপস্থাপনের উদাহরণ।
স্বাধীন পছন্দের বিভ্রম	2020 - লার্নিং অ্যাপ ABCmouse $10M জরিমানা দিয়ে FTC অভিযোগ মীমাংসা করে যেখানে অভিভাবকরা এমন সাবস্ক্রিপশন পেমেন্টে আটকা পড়েন যা তারা বাতিল করতে পারেননি। এটি পছন্দ স্থাপত্যে ডার্ক প্যাটার্নের উদাহরণ, যেখানে ব্যবহারকারীদের ক্ষতিকর পছন্দের দিকে ঠেলে দেওয়া হয়।
ডেটা গোপনীয়তা ও ব্যবহারকারীর অধিকার	2021 - Facebook ডেটা লঙ্ঘন ৫৩০ মিলিয়ন ব্যবহারকারীর ডেটা প্রকাশ করে, যার ফলে FTC-কে $5B জরিমানা দিতে হয়। তবে, এটি ব্যবহারকারীদের লঙ্ঘনের বিষয়ে জানাতে অস্বীকার করে, যা ডেটা স্বচ্ছতা এবং প্রবেশাধিকার সম্পর্কে ব্যবহারকারীর অধিকার লঙ্ঘন করে।

আরও কেস স্টাডি অন্বেষণ করতে চান? এই রিসোর্সগুলো দেখুন:

• Ethics Unwrapped - বিভিন্ন শিল্পের নৈতিক দ্বিধা।
• Data Science Ethics course - গুরুত্বপূর্ণ কেস স্টাডি।
• Where things have gone wrong - ডিওন চেকলিস্টের উদাহরণ।

🚨 আপনি যে কেস স্টাডিগুলো দেখেছেন তা নিয়ে ভাবুন - আপনার জীবনে কি এমন কোনো নৈতিক চ্যালেঞ্জের অভিজ্ঞতা হয়েছে বা আপনি ক্ষতিগ্রস্ত হয়েছেন? আপনি কি এই বিভাগে আলোচনা করা নৈতিক চ্যালেঞ্জগুলোর মধ্যে অন্তত একটি চিত্রিত করে এমন অন্য কোনো কেস স্টাডি ভাবতে পারেন?

প্রয়োগকৃত নৈতিকতা

আমরা নৈতিকতার ধারণা, চ্যালেঞ্জ এবং বাস্তব জীবনের প্রেক্ষাপটে কেস স্টাডি নিয়ে আলোচনা করেছি। কিন্তু কীভাবে আমরা আমাদের প্রকল্পগুলোতে নৈতিক নীতিমালা এবং অনুশীলন প্রয়োগ করতে শুরু করব? এবং কীভাবে আমরা অপারেশনালাইজ করব এই অনুশীলনগুলোকে ভালো শাসনের জন্য? আসুন কিছু বাস্তব সমাধান অন্বেষণ করি:

1. পেশাদার কোড

পেশাদার কোডগুলো সংগঠনগুলোকে তাদের নৈতিক নীতিমালা এবং মিশন বিবৃতিকে সমর্থন করতে সদস্যদের "উৎসাহিত" করার একটি বিকল্প প্রদান করে। কোডগুলো পেশাদার আচরণের জন্য নৈতিক নির্দেশিকা প্রদান করে, যা কর্মচারী বা সদস্যদের সিদ্ধান্ত নিতে সাহায্য করে যা তাদের সংগঠনের নীতিমালার সাথে সামঞ্জস্যপূর্ণ। এগুলো শুধুমাত্র সদস্যদের স্বেচ্ছাসেবী সম্মতির উপর নির্ভর করে কার্যকর; তবে, অনেক সংগঠন সদস্যদের সম্মতি উৎসাহিত করতে অতিরিক্ত পুরস্কার এবং শাস্তি প্রদান করে।

উদাহরণ:

• Oxford Munich নৈতিকতার কোড
• Data Science Association আচরণবিধি (২০১৩ সালে তৈরি)
• ACM Code of Ethics and Professional Conduct (১৯৯৩ সাল থেকে)

🚨 আপনি কি কোনো পেশাদার ইঞ্জিনিয়ারিং বা ডেটা সায়েন্স সংগঠনের সদস্য? তাদের সাইটটি অন্বেষণ করুন এবং দেখুন তারা কি একটি পেশাদার নৈতিকতার কোড সংজ্ঞায়িত করেছে। এটি তাদের নৈতিক নীতিমালা সম্পর্কে কী বলে? তারা কীভাবে সদস্যদের কোড অনুসরণ করতে "উৎসাহিত" করছে?

2. নৈতিকতার চেকলিস্ট

যদিও পেশাদার কোডগুলো অনুশীলনকারীদের থেকে প্রয়োজনীয় নৈতিক আচরণ সংজ্ঞায়িত করে, তারা পরিচিত সীমাবদ্ধতা রাখে, বিশেষত বৃহৎ প্রকল্পগুলোর প্রয়োগে। পরিবর্তে, অনেক ডেটা সায়েন্স বিশেষজ্ঞ চেকলিস্টের পক্ষে যুক্তি দেন, যা নীতিমালাকে অনুশীলনের সাথে সংযুক্ত করে আরও নির্ধারক এবং কার্যকর উপায়ে।

চেকলিস্টগুলো প্রশ্নগুলোকে "হ্যাঁ/না" কাজগুলোতে রূপান্তর করে যা অপারেশনালাইজ করা যায়, এবং এগুলোকে স্ট্যান্ডার্ড প্রোডাক্ট রিলিজ ওয়ার্কফ্লোতে ট্র্যাক করা যায়।

উদাহরণ:

• Deon - শিল্পের সুপারিশ থেকে তৈরি একটি সাধারণ উদ্দেশ্য ডেটা নৈতিকতার চেকলিস্ট।
• Privacy Audit Checklist - আইনি এবং সামাজিক এক্সপোজার দৃষ্টিকোণ থেকে তথ্য পরিচালনার সাধারণ নির্দেশিকা প্রদান করে।
• AI Fairness Checklist - AI উন্নয়ন চক্রে ন্যায্যতা চেকগুলোর গ্রহণ এবং সংহতকরণ সমর্থন করার জন্য তৈরি।
• 22 questions for ethics in data and AI - নকশা, বাস্তবায়ন এবং সাংগঠনিক প্রেক্ষাপটে নৈতিক সমস্যার প্রাথমিক অনুসন্ধানের জন্য কাঠামোবদ্ধ।

3. নৈতিকতার নিয়মকানুন

নৈতিকতা হলো ভাগ করা মূল্যবোধ সংজ্ঞায়িত করা এবং স্বেচ্ছায় সঠিক কাজ করা। অনুবর্তিতা হলো আইন মেনে চলা যেখানে এবং যেভাবে সংজ্ঞায়িত। শাসন ব্যাপকভাবে সংগঠনগুলো কীভাবে নৈতিক নীতিমালা প্রয়োগ এবং প্রতিষ্ঠিত আইন মেনে চলার জন্য পরিচালনা করে তা কভার করে।

আজ, শাসন সংগঠনগুলোর মধ্যে দুটি রূপ নেয়। প্রথমত, এটি নৈতিক AI নীতিমালা সংজ্ঞায়িত করা এবং সংগঠনের সমস্ত AI-সম্পর্কিত প্রকল্পে গ্রহণের অপারেশনালাইজ করার অনুশীলন প্রতিষ্ঠা করা। দ্বিতীয়ত, এটি যে অঞ্চলে এটি পরিচালনা করে তার জন্য সমস্ত সরকার-নির্ধারিত ডেটা সুরক্ষা নিয়মকানুন মেনে চলা।

ডেটা সুরক্ষা এবং গোপনীয়তার নিয়মকানুনের উদাহরণ:

• 1974, US Privacy Act - ফেডারেল সরকার দ্বারা ব্যক্তিগত তথ্য সংগ্রহ, ব্যবহার এবং প্রকাশ নিয়ন্ত্রণ করে।
• 1996, US Health Insurance Portability & Accountability Act (HIPAA) - ব্যক্তিগত স্বাস্থ্য ডেটা সুরক্ষা করে।
• 1998, US Children's Online Privacy Protection Act (COPPA) - ১৩ বছরের কম বয়সী শিশুদের ডেটা গোপনীয়তা সুরক্ষা করে।
• 2018, General Data Protection Regulation (GDPR) - ব্যবহারকারীর অধিকার, ডেটা সুরক্ষা এবং গোপনীয়তা প্রদান করে।
• 2018, California Consumer Privacy Act (CCPA) - ভোক্তাদের তাদের (ব্যক্তিগত) ডেটার উপর আরও অধিকার প্রদান করে।
• 2021, চীনের Personal Information Protection Law সম্প্রতি পাস হয়েছে, যা বিশ্বের অন্যতম শক্তিশালী অনলাইন ডেটা গোপনীয়তা নিয়মকানুন তৈরি করেছে।

🚨 ইউরোপীয় ইউনিয়ন দ্বারা সংজ্ঞায়িত GDPR (General Data Protection Regulation) আজকের অন্যতম প্রভাবশালী ডেটা গোপনীয়তা নিয়মকানুন। আপনি কি জানেন এটি ৮টি ব্যবহারকারীর অধিকার সংজ্ঞায়িত করে যা নাগরিকদের ডিজিটাল গোপনীয়তা এবং ব্যক্তিগত ডেটা সুরক্ষা করে? এগুলো কী এবং কেন গুরুত্বপূর্ণ তা জানুন।

4. নৈতিকতার সংস্কৃতি

লক্ষ্য করুন যে অনুবর্তিতা (আইনের "অক্ষর" পূরণ করার জন্য যথেষ্ট করা) এবং পদ্ধতিগত সমস্যাগুলো (যেমন, অস্থিরতা, তথ্য অসমতা এবং বিতরণগত অন্যায্যতা) সমাধান করার মধ্যে একটি অদৃশ্য ফাঁক রয়ে গেছে যা AI-এর অস্ত্রায়নকে ত্বরান্বিত করতে পারে।

পরবর্তীটি নৈতিকতার সংস্কৃতি সংজ্ঞায়িত করার জন্য সহযোগিতামূলক পদ্ধতির আহ্বান জানায় যা সংস্থাগুলোর মধ্যে আবেগগত সংযোগ এবং ধারাবাহিক ভাগ করা মূল্যবোধ তৈরি করে। এটি সংগঠনগুলোতে আরও আনুষ্ঠানিক ডেটা নৈতিকতার সংস্কৃতি তৈরি করার আহ্বান জানায় - যা যেকোনো ব্যক্তিকে অ্যান্ডন কর্ড টানতে (প্রক্রিয়ার প্রাথমিক পর্যায়ে নৈতিক উদ্বেগ উত্থাপন করতে) এবং নৈতিক মূল্যায়ন (যেমন, নিয়োগে) AI প্রকল্পে দল গঠনের একটি মূল মানদণ্ড তৈরি করে।

---

পোস্ট-লেকচার কুইজ 🎯

পর্যালোচনা ও স্ব-অধ্যয়ন

কোর্স এবং বইগুলো নৈতিকতার মূল ধারণা এবং চ্যালেঞ্জগুলো বুঝতে সাহায্য করে, যখন কেস স্টাডি এবং টুলগুলো বাস্তব জীবনের প্রেক্ষাপটে প্রয়োগকৃত নৈতিকতার অনুশীলনে সাহায্য করে। শুরু করার জন্য এখানে কিছু রিসোর্স দেওয়া হলো:

• Machine Learning For Beginners - Microsoft থেকে ন্যায্যতা নিয়ে পাঠ।
• Responsible AI এর নীতিমালা - Microsoft Learn থেকে বিনামূল্যে শেখার পথ।
• নৈতিকতা এবং ডেটা সায়েন্স - O'Reilly ইবুক (M. Loukides, H. Mason প্রমুখ)
• ডেটা সায়েন্স নৈতিকতা - মিশিগান বিশ্ববিদ্যালয়ের অনলাইন কোর্স।
• Ethics Unwrapped - টেক্সাস বিশ্ববিদ্যালয়ের কেস স্টাডি।

অ্যাসাইনমেন্ট

ডেটা নৈতিকতার একটি কেস স্টাডি লিখুন

---

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।