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

ဒေတာသိက္တစ်ဆိုင်ရာကျင့်ဝတ်များကိုမိတ်ဆက်ခြင်း

ဒေတာသိပ္ပံကျင့်ဝတ်များ - Sketchnote by @nitya

---

ကျွန်တော်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်နှက်နေသောကမ္ဘာတစ်ခုတွင် နေထိုင်နေကြသည်။

ဈေးကွက်လမ်းညွှန်များအရ ၂၀၂၂ ခုနှစ်တွင် ကြီးမားသောအဖွဲ့အစည်းများ၏ သုံးပုံတစ်ပုံသည် ဈေးကွက်နှင့်အလဲအလှယ်စင်တာများမှတစ်ဆင့် ဒေတာကို ဝယ်ယူရောင်းချလိမ့်မည်ဟု ခန့်မှန်းထားသည်။ အက်ပ်ဖွံ့ဖြိုးသူများအနေဖြင့် ဒေတာအခြေပြုသိမြင်မှုများနှင့် အယ်လဂိုရီသမ်အခြေပြု အလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ်အသုံးပြုသူအတွေ့အကြုံများထဲသို့ ပိုမိုလွယ်ကူစွာ ထည့်သွင်းနိုင်မည်ဖြစ်သည်။ သို့သော် AI သည် ပိုမိုကျယ်ပြန့်လာသည့်အခါ၌၊ အယ်လဂိုရီသမ်များ၏လက်နက်ပြုလုပ်မှုကြောင့် ဖြစ်ပေါ်နိုင်သည့် နောက်ဆက်တွဲအန္တရာယ်များကိုလည်း နားလည်ရန်လိုအပ်လာမည်ဖြစ်သည်။

ထို့အပြင် ၂၀၂၅ ခုနှစ်တွင် ၁၈၀ ဇက်တာဘိုက် ကျော်သော ဒေတာကို ဖန်တီးသုံးစွဲမည်ဟု ခန့်မှန်းထားသည်။ ဒေတာသိပ္ပံပညာရှင်များအနေဖြင့်၊ ၎င်းသည် ကိုယ်ရေးကိုယ်တာဒေတာများကို များစွာရရှိစေမည်ဖြစ်သည်။ ၎င်းသည် အသုံးပြုသူများ၏ အပြုအမူကို ပရိုဖိုင်ဖွဲ့နိုင်စေပြီး၊ ရွေးချယ်ခွင့်၏အလွှာအမြှောက်ကို ဖန်တီးသည့်နည်းလမ်းများဖြင့် ဆုံးဖြတ်မှုများကို သက်ရောက်မှုရှိစေမည်ဖြစ်သည်။ ဒါ့အပြင် ဒေတာကိုယ်ရေးကိုယ်တာနှင့် အသုံးပြုသူကာကွယ်မှုဆိုင်ရာ ကျယ်ပြန့်သောမေးခွန်းများကိုလည်း ထွက်ပေါ်စေသည်။

ဒေတာကျင့်ဝတ်များသည် ဒေတာသိပ္ပံနှင့် အင်ဂျင်နီယာလုပ်ငန်းများအတွက် လိုအပ်သောလမ်းညွှန်များ ဖြစ်လာပြီး၊ ဒေတာအခြေပြုလုပ်ဆောင်မှုများမှ ဖြစ်ပေါ်နိုင်သည့် အန္တရာယ်များနှင့် မတော်တဆဖြစ်ရပ်များကို လျှော့ချရန် ကူညီပေးသည်။ Gartner Hype Cycle for AI သည် ဒစ်ဂျစ်တယ်ကျင့်ဝတ်များ၊ တာဝန်ရှိသော AI နှင့် AI အုပ်ချုပ်မှုဆိုင်ရာ လမ်းကြောင်းများကို အဓိကအချက်အဖြစ် ဖော်ပြထားပြီး၊ AI ၏ ဒီမိုကရေတိုက်ရေး နှင့် စက်မှုလုပ်ငန်းရေးရာ ဆိုင်ရာအကြီးမားဆုံးလမ်းကြောင်းများကို ဦးဆောင်ပေးသည်။

ဒီသင်ခန်းစာတွင်၊ ဒေတာကျင့်ဝတ်ဆိုင်ရာ အခြေခံအယူအဆများနှင့် စိန်ခေါ်မှုများမှစ၍ အဖွဲ့အစည်းများနှင့် အဖွဲ့များတွင် ကျင့်ဝတ်ယဉ်ကျေးမှုကို တည်ဆောက်ရန် အထောက်အကူပြုသော အုပ်ချုပ်မှုလိုက်နာမှုများအထိ စိတ်ဝင်စားဖွယ်ရာ ဒေတာကျင့်ဝတ်နယ်ပယ်ကို လေ့လာသွားမည်ဖြစ်သည်။

Pre-lecture quiz 🎯

အခြေခံအဓိပ္ပါယ်များ

အရင်ဆုံး ကျင့်ဝတ်ဆိုင်ရာ အခြေခံအဓိပ္ပါယ်များကို နားလည်ကြည့်ပါ။

"Ethics" ဆိုသောစကားလုံးသည် ဂရိစကားလုံး "ethikos" (နှင့် ၎င်း၏အရင်းခံ "ethos") မှ ဆင်းသက်လာပြီး အကျင့်စရိုက် သို့မဟုတ် သဘာဝကျင့်ဝတ် ဟု အဓိပ္ပါယ်ရသည်။

ကျင့်ဝတ်များဆိုသည်မှာ လူ့အသိုင်းအဝိုင်းတွင် ကျင့်သုံးသည့် အကျင့်စရိုက်နှင့် ကျင့်ဝတ်များကို အခြေခံထားသော ပုံမှန်များနှင့် တန်းတူဖြစ်သည်။ ၎င်းသည် ဥပဒေများအပေါ်မူတည်ခြင်းမဟုတ်ဘဲ၊ "မှန်/မှား" ကို သတ်မှတ်သည့် လူမှုအသိအမြင်များအပေါ် အခြေခံထားသည်။ သို့သော် ကျင့်ဝတ်ဆိုင်ရာစဉ်းစားမှုများသည် ကော်ပိုရေးရှင်းအုပ်ချုပ်မှုနှင့် အစိုးရစည်းမျဉ်းများကို သက်ရောက်မှုရှိစေပြီး၊ လိုက်နာမှုအတွက် အားပေးမှုများကို ဖန်တီးပေးနိုင်သည်။

ဒေတာကျင့်ဝတ်များသည် ကျင့်ဝတ်၏အသစ်တစ်မျိုးသောအခွဲ ဖြစ်ပြီး၊ "ဒေတာ၊ အယ်လဂိုရီသမ်များနှင့် ၎င်းတို့နှင့်ဆိုင်သော လုပ်ဆောင်မှုများနှင့်ပတ်သက်သော ကျင့်ဝတ်ပြဿနာများကို လေ့လာသုံးသပ်သည်"။ ဤတွင် "ဒေတာ" ဆိုသည်မှာ ဖန်တီးခြင်း၊ မှတ်တမ်းတင်ခြင်း၊ စီမံခြင်း၊ လုပ်ငန်းစဉ်များနှင့် အသုံးပြုခြင်းတို့နှင့်ဆိုင်သော လုပ်ဆောင်မှုများကို အဓိကထားသည်။ "အယ်လဂိုရီသမ်များ" ဆိုသည်မှာ AI၊ အေးဂျင့်များ၊ စက်လေ့လာမှုနှင့် ရိုဘော့များကို အဓိကထားသည်။ "လုပ်ဆောင်မှုများ" ဆိုသည်မှာ တာဝန်ရှိသောဆန်းသစ်မှု၊ ပရိုဂရမ်ရေးခြင်း၊ ဟက်ကင်းလုပ်ခြင်းနှင့် ကျင့်ဝတ်ကုဒ်များကို အဓိကထားသည်။

ကျင့်ဝတ်ဆိုင်ရာလက်တွေ့ကျင့်သုံးမှု (Applied Ethics) ဆိုသည်မှာ ကျင့်ဝတ်ဆိုင်ရာစဉ်းစားမှုများကို လက်တွေ့အသုံးချခြင်း ဖြစ်သည်။ ၎င်းသည် လက်တွေ့လုပ်ဆောင်မှုများ၊ ထုတ်ကုန်များနှင့် လုပ်ငန်းစဉ်များ တွင် ကျင့်ဝတ်ပြဿနာများကို လေ့လာပြီး၊ ၎င်းတို့ကို သတ်မှတ်ထားသော ကျင့်ဝတ်တန်ဖိုးများနှင့် ကိုက်ညီစေရန် ပြင်ဆင်မှုများကို လုပ်ဆောင်ခြင်းဖြစ်သည်။

ကျင့်ဝတ်ယဉ်ကျေးမှု (Ethics Culture) ဆိုသည်မှာ ကျင့်ဝတ်ဆိုင်ရာလက်တွေ့ကျင့်သုံးမှုများကို လုပ်ငန်းအတွင်းသို့ ပေါင်းစည်းခြင်း ဖြစ်ပြီး၊ ကျင့်ဝတ်ဆိုင်ရာစံနှုန်းများနှင့် လုပ်ဆောင်မှုများကို အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်ပြိုင်တည်းနှင့် အကျိုးရှိစွာ လက်ခံအသုံးပြုစေရန် ရည်ရွယ်သည်။ အောင်မြင်သောကျင့်ဝတ်ယဉ်ကျေးမှုများသည် အဖွဲ့အစည်းအတွင်း ကျင့်ဝတ်ဆိုင်ရာစံနှုန်းများကို သတ်မှတ်ပြီး၊ လိုက်နာမှုအတွက် အားပေးမှုများကို ပံ့ပိုးပေးပြီး၊ အဖွဲ့အစည်းအဆင့်တိုင်းတွင် လိုအပ်သောအပြုအမူများကို အားပေးနှင့် တိုးချဲ့ပေးသည်။

ကျင့်ဝတ်ဆိုင်ရာအယူအဆများ

ဤအပိုင်းတွင် မျှဝေသောတန်ဖိုးများ (principles) နှင့် ကျင့်ဝတ်ပြဿနာများ (problems) ကို ဆွေးနွေးပြီး၊ လက်တွေ့လေ့လာမှုများ (case studies) ကို လေ့လာသွားမည်ဖြစ်သည်။ ၎င်းတို့သည် ကျင့်ဝတ်ဆိုင်ရာအယူအဆများကို လက်တွေ့ကမ္ဘာတွင် နားလည်ရန် အထောက်အကူပြုသည်။

1. ကျင့်ဝတ်ဆိုင်ရာစံနှုန်းများ

ဒေတာကျင့်ဝတ်မဟာဗျူဟာတိုင်းသည် ကျင့်ဝတ်ဆိုင်ရာစံနှုန်းများ ကို သတ်မှတ်ခြင်းဖြင့် စတင်သည် - ၎င်းသည် ဒေတာနှင့် AI ပရောဂျက်များတွင် လိုက်နာရမည့် လုပ်ဆောင်မှုများကို ဖော်ပြသည့် "မျှဝေသောတန်ဖိုးများ" ဖြစ်သည်။ ၎င်းတို့ကို တစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အဆင့်တွင် သတ်မှတ်နိုင်သည်။ သို့သော် အများစုသောကြီးမားသောအဖွဲ့အစည်းများသည် ၎င်းတို့၏ ကျင့်ဝတ် AI မဟာဗျူဟာ သို့မဟုတ် ဖွဲ့စည်းမှုတွင် သတ်မှတ်ထားပြီး၊ အဖွဲ့အစည်းရှိ အဖွဲ့အားလုံးတွင် တစ်ပြိုင်တည်းနှင့် လိုက်နာမှုရှိစေရန် အတည်ပြုထားသည်။

ဥပမာ: Microsoft ၏ တာဝန်ရှိသော AI မဟာဗျူဟာသည် "ကျနော်တို့သည် လူသားများကို ဦးစားပေးသော ကျင့်ဝတ်ဆိုင်ရာစံနှုန်းများဖြင့် AI ကို တိုးတက်စေရန် ကတိပြုထားသည်" ဟု ဖော်ပြထားပြီး၊ အောက်ပါဖွဲ့စည်းမှုတွင် ကျင့်ဝတ်ဆိုင်ရာစံနှုန်း ၆ ခုကို ဖော်ပြထားသည်။

ဤစံနှုန်းများကို အနည်းငယ်လေ့လာကြည့်ပါ။ တင်ပြမှု (Transparency) နှင့် တာဝန်ရှိမှု (Accountability) သည် အခြေခံတန်ဖိုးများဖြစ်ပြီး၊ အခြားစံနှုန်းများသည် ၎င်းတို့အပေါ် အခြေခံထားသည် - ထို့ကြောင့် ၎င်းတို့မှ စတင်ကြည့်ပါ:

• တာဝန်ရှိမှု သည် ဒေတာနှင့် AI လုပ်ငန်းစဉ်များအတွက် လုပ်ဆောင်သူများကို တာဝန်ရှိ စေသည်။
• တင်ပြမှု သည် ဒေတာနှင့် AI လုပ်ဆောင်မှုများကို အသုံးပြုသူများအတွက် နားလည်နိုင်စေ (ရှင်းလင်းစေ) သည်။
• တရားမျှတမှု - AI သည် လူတိုင်းကို တရားမျှတစွာ ဆက်ဆံစေရန် အာရုံစိုက်သည်။
• ယုံကြည်စိတ်ချမှုနှင့် လုံခြုံမှု - AI သည် သတ်မှတ်ထားသောတန်ဖိုးများနှင့် အညီ လုပ်ဆောင်စေရန် အာရုံစိုက်သည်။
• ကိုယ်ရေးကိုယ်တာနှင့် လုံခြုံရေး - ဒေတာ၏လမ်းကြောင်းကို နားလည်ပြီး၊ အသုံးပြုသူများအား ကိုယ်ရေးကိုယ်တာနှင့်ဆိုင်သော ကာကွယ်မှုများ ပေးသည်။
• ပါဝင်မှု - AI ဖြေရှင်းချက်များကို လူသားအများစု၏ လိုအပ်ချက်များနှင့် စွမ်းရည်များ ကို ဖြည့်ဆည်းစေရန် ရည်ရွယ်သည်။

🚨 သင်၏ ဒေတာကျင့်ဝတ်မဟာဗျူဟာသည် ဘယ်လိုဖြစ်သင့်မလဲဆိုတာ စဉ်းစားကြည့်ပါ။ အခြားအဖွဲ့အစည်းများ၏ ကျင့်ဝတ် AI ဖွဲ့စည်းမှုများကို လေ့လာပါ - ဤနေရာတွင် IBM၊ Google နှင့် Facebook ၏ ဥပမာများကို တွေ့နိုင်သည်။ ၎င်းတို့တွင် မျှဝေသောတန်ဖိုးများ ဘယ်လိုတူညီသလဲ။ ၎င်းတို့၏စံနှုန်းများသည် ၎င်းတို့၏ AI ထုတ်ကုန် သို့မဟုတ် စက်မှုလုပ်ငန်းနှင့် ဘယ်လိုဆက်စပ်နေသလဲ? Algorithm Fairness သည် အယ်လဂိုရီသမ်ဒီဇိုင်းသည် အချက်အလက်အုပ်စုတစ်ခုခုကို စနစ်တကျ ခွဲခြားဆက်ဆံမှုရှိမရှိ စစ်ဆေးရာတွင် အသုံးပြုသည်။ ၎င်းသည် allocation (အရင်းအမြစ်များကို အုပ်စုတစ်ခုမှ ပယ်ချခြင်း သို့မဟုတ် ဖယ်ရှားထားခြင်း) နှင့် quality of service (AI သည် အချို့သောအုပ်စုများအတွက် အခြားအုပ်စုများနှင့် တန်းတူ တိကျမှုမရှိခြင်း) တို့တွင် အန္တရာယ်ဖြစ်နိုင်မှုများ ဖြစ်ပေါ်စေနိုင်သည်။

ဤအပိုင်းတွင် စဉ်းစားရန်မေးခွန်းများမှာ -

• မျိုးစုံသောအုပ်စုများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ပြီးပြီလား။
• စနစ်ကို အန္တရာယ်ဖြစ်နိုင်မှုများ (ဥပမာ- စံပုံဖော်ခြင်း) အတွက် စိစစ်ပြီးပြီလား။
• တွေ့ရှိထားသော အန္တရာယ်များကို လျော့ပါးစေရန် အချက်အလက်များကို ပြင်ဆင်ခြင်း သို့မဟုတ် မော်ဒယ်များကို ပြန်လည်လေ့ကျင့်ခြင်း ပြုလုပ်နိုင်ပါသလား။

AI Fairness checklists ကဲ့သို့သော အရင်းအမြစ်များကို လေ့လာပါ။

2.9 အချက်အလက်မှားဖော်ပြမှု

Data Misrepresentation သည် အချက်အလက်မှန်များမှ အချက်အလက်အမြင်များကို မတရားဖော်ပြခြင်းဖြင့် လိုချင်သော အကြောင်းပြချက်ကို ထောက်ခံရန် အသုံးပြုနေမရှိကြောင်း စစ်ဆေးခြင်းနှင့် ဆိုင်သည်။

ဤအပိုင်းတွင် စဉ်းစားရန်မေးခွန်းများမှာ -

• မပြည့်စုံသော သို့မဟုတ် မတိကျသော အချက်အလက်များကို ဖော်ပြနေပါသလား။
• အချက်အလက်များကို အလွဲသုံးစားဆောင်ရန် ခေါင်းဆောင်မှုများကို ဖြစ်ပေါ်စေသော ပုံဖော်မှုများကို အသုံးပြုနေပါသလား။
• ရလဒ်များကို လှည့်စားရန် ရွေးချယ်ထားသော စာရင်းအင်းနည်းလမ်းများကို အသုံးပြုနေပါသလား။
• အခြားသော အကြောင်းပြချက်များက အခြားသော သတ်မှတ်ချက်များကို ပေးနိုင်မည်ဖြစ်ပါသလား။

2.10 လွတ်လပ်စွာရွေးချယ်မှု

Illusion of Free Choice သည် စနစ် "ရွေးချယ်မှုဖွဲ့စည်းမှုများ" သည် လူများကို ရွေးချယ်မှုများနှင့် ထိန်းချုပ်မှုရှိသည်ဟု ထင်ရစေသော်လည်း သတ်မှတ်ထားသော ရလဒ်တစ်ခုကို ရောက်ရန် အားပေးသော အခြေအနေဖြစ်သည်။ ဤ dark patterns များသည် အသုံးပြုသူများအတွက် လူမှုရေးနှင့် စီးပွားရေးအန္တရာယ်များ ဖြစ်ပေါ်စေနိုင်သည်။ အသုံးပြုသူ၏ ဆုံးဖြတ်ချက်များသည် အပြုအမူပရိုဖိုင်များကို သက်ရောက်စေနိုင်ပြီး၊ ဤအန္တရာယ်များ၏ သက်ရောက်မှုကို တိုးမြှင့်စေနိုင်သည်။

ဤအပိုင်းတွင် စဉ်းစားရန်မေးခွန်းများမှာ -

• အသုံးပြုသူသည် ၎င်းရွေးချယ်မှု၏ သက်ရောက်မှုများကို နားလည်ခဲ့ပါသလား။
• အသုံးပြုသူသည် (အခြားရွေးချယ်မှုများ) နှင့် ၎င်းတို့၏ အားသာချက်များနှင့် အားနည်းချက်များကို သိရှိခဲ့ပါသလား။
• အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်း ပြန်လည်ဖျက်သိမ်းနိုင်ပါသလား။

3. လေ့လာမှုများ

ဤကျင့်ဝတ်စိစစ်မှုများကို အမှန်တကယ်ကမ္ဘာကြီးတွင် သက်ရောက်မှုများနှင့် အကျိုးဆက်များကို နားလည်ရန်၊ ကျင့်ဝတ်ချိုးဖောက်မှုများကို မသတိထားမိသောအခါ လူများနှင့် လူ့အဖွဲ့အစည်းအပေါ် ဖြစ်ပေါ်နိုင်သော အန္တရာယ်များကို ဖော်ပြသည့် လေ့လာမှုများကို ကြည့်ရှုရန် အထောက်အကူဖြစ်သည်။

ဤအချို့သော ဥပမာများကို ကြည့်ပါ -

ကျင့်ဝတ်စိစစ်မှု	လေ့လာမှု
သတင်းပေးသဘောတူညီမှု	1972 - Tuskegee Syphilis Study - အာဖရိကန်-အမေရိကန်လူမျိုးသားများကို အခမဲ့ဆေးကုသမှုပေးမည်ဟု ကတိပေးခဲ့သော်လည်း၊ ၎င်းတို့၏ ရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်း မသတိပေးခဲ့သော သုတေသနမှူးများက လှည့်စားခဲ့သည်။
ဒေတာကိုယ်ရေးအချက်အလက်လုံခြုံမှု	2007 - Netflix data prize - 50,000 ဖောက်သည်များ၏ 10M အမည်မဖော်ထားသော ရုပ်ရှင်အဆင့်သတ်မှတ်မှုများကို ထုတ်ပြန်ခဲ့သည်။ သို့သော် အခြားဒေတာများနှင့် ဆက်စပ်၍ Netflix အသုံးပြုသူများကို "အမည်ဖော်" လုပ်နိုင်ခဲ့သည်။
အချက်အလက်စုဆောင်းမှုအလွဲအချော်	2013 - Street Bump - အနိမ့်ဝင်ငွေအုပ်စုများတွင် ကားနှင့်ဖုန်းများကို အသုံးပြုနိုင်မှုနည်းပါးသောကြောင့်၊ ၎င်းတို့၏ လမ်းမပြဿနာများကို မမြင်နိုင်ခဲ့ပါ။
Algorithmic Fairness	2018 - MIT Gender Shades Study - AI များတွင် အမျိုးသမီးများနှင့် အရောင်သားများအတွက် တိကျမှုနည်းပါးမှုကို ဖော်ထုတ်ခဲ့သည်။
ဒေတာမှားဖော်ပြမှု	2020 - Georgia COVID-19 charts - အချိန်အစီအစဉ်မမှန်သော x-axis ဖြင့် ပြည်သူများကို လွှဲမှားစေသော visualization များကို အသုံးပြုခဲ့သည်။
လွတ်လပ်စွာရွေးချယ်မှု၏ မျှော်မှန်းမှု	2020 - ABCmouse - မိဘများကို မရပ်တန့်နိုင်သော subscription များအတွက် ပိတ်မိစေခဲ့သည်။
ဒေတာလုံခြုံမှုနှင့် အသုံးပြုသူအခွင့်အရေးများ	2021 - Facebook Data Breach - အသုံးပြုသူ 530M ၏ ဒေတာကို ဖော်ထုတ်ခဲ့သည်။

ပိုမိုလေ့လာလိုပါသလား? ဤအရင်းအမြစ်များကို ကြည့်ပါ -

• Ethics Unwrapped
• Data Science Ethics course
• Where things have gone wrong

🚨 သင်ကြားခဲ့သော လေ့လာမှုများကို စဉ်းစားပါ - သင်သည် ဤကျင့်ဝတ်စိစစ်မှုတစ်ခုနှင့် ဆင်တူသော အခက်အခဲတစ်ခုကို သက်ရောက်ခံဖူးပါသလား။

ကျင့်ဝတ်ကျင့်သုံးမှု

ကျင့်ဝတ်အကြောင်းအရာများ၊ စိစစ်မှုများနှင့် အမှန်တကယ်ကမ္ဘာကြီးတွင် ဖြစ်ပေါ်သော လေ့လာမှုများကို ဆွေးနွေးခဲ့ပါသည်။ ၎င်းတို့ကို သင်၏ပရောဂျက်များတွင် ကျင့်သုံးရန် စတင်ရန်အတွက် အချို့သောဖြေရှင်းနည်းများကို လေ့လာကြည့်ပါ -

1. Professional Codes

Professional Codes သည် အဖွဲ့အစည်းများအတွက် ၎င်းတို့၏ ကျင့်ဝတ်စည်းမျဉ်းများနှင့် မစ်ရှင်ကို ထောက်ခံရန် အဖွဲ့ဝင်များကို "အားပေး" ရန် ရွေးချယ်မှုတစ်ခုဖြစ်သည်။

ဥပမာများ -

• Oxford Munich Code of Ethics
• Data Science Association Code of Conduct
• ACM Code of Ethics and Professional Conduct

🚨 သင်သည် ပရော်ဖက်ရှင်နယ်အဖွဲ့အစည်းတစ်ခု၏ အဖွဲ့ဝင်ဖြစ်ပါသလား? ၎င်းတို့၏ ကျင့်ဝတ်စည်းမျဉ်းများကို စူးစမ်းကြည့်ပါ။

2. Ethics Checklists

Checklists များသည် ကျင့်ဝတ်စည်းမျဉ်းများကို လုပ်ဆောင်နိုင်သော နည်းလမ်းများအဖြစ် ပြောင်းလဲပေးသည်။

ဥပမာများ -

• Deon
• Privacy Audit Checklist
• AI Fairness Checklist
• 22 questions for ethics in data and AI

3. Ethics Regulations

Governance သည် ကျင့်ဝတ်စည်းမျဉ်းများနှင့် တရားဥပဒေများကို လိုက်နာရန် အဖွဲ့အစည်းများ၏ လုပ်ဆောင်မှုများကို ဖော်ပြသည်။

ဥပမာများ -

• 1974, US Privacy Act
• 1996, HIPAA
• 2018, GDPR
• 2021, China's Personal Information Protection Law

🚨 GDPR သည် ယနေ့အထိ အရေးကြီးသော ဒေတာလုံခြုံမှုဥပဒေတစ်ခုဖြစ်သည်။

4. Ethics Culture

ကျင့်ဝတ်စည်းမျဉ်းများကို အဖွဲ့အစည်းများတွင် ပိုမိုတည်ငြိမ်သော ယဉ်ကျေးမှုအဖြစ် ဖော်ဆောင်ရန် လိုအပ်သည်။

🚨 Ethics Culture သည် အဖွဲ့အစည်းများအတွင်း သက်ရောက်မှုရှိသော ကျင့်ဝတ်စည်းမျဉ်းများကို တည်ဆောက်ရန် အရေးကြီးသည်။

---

Post-lecture quiz 🎯

Review & Self Study

သင်ယူရန် အရင်းအမြစ်များ -

• Machine Learning For Beginners
• AI တာဝန်ယူမှုဆိုင်ရာ မူဝါဒများ - Microsoft Learn မှ အခမဲ့ သင်ကြားမှု လမ်းကြောင်း။
• Ethics and Data Science - O'Reilly EBook (M. Loukides, H. Mason စသည်တို့)
• Data Science Ethics - မီချီဂန်တက္ကသိုလ်မှ အွန်လိုင်း သင်တန်း။
• Ethics Unwrapped - တက္ကဆက်တက္ကသိုလ်မှ ကိစ္စလေ့လာမှုများ။

လုပ်ငန်းတာဝန်

ဒေတာကျင့်ဝတ်ဆိုင်ရာ ကိစ္စလေ့လာမှုရေးသားရန်

---

အကြောင်းကြားချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် ရှုလို့ရပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။