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

ডেটা নৈতিকতার পরিচিতি

ডেটা সায়েন্স নৈতিকতা - @nitya দ্বারা স্কেচনোট

---

আমরা সবাই একটি ডেটা-নির্ভর বিশ্বে বসবাসকারী ডেটা নাগরিক।

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

প্রবণতা বলে যে ২০২৫ সালের মধ্যে, আমরা ১৮০ জেটাবাইট এর বেশি ডেটা তৈরি এবং ব্যবহার করব। ডেটা বিজ্ঞানীদের জন্য, এই তথ্যের বিস্ফোরণ ব্যক্তিগত এবং আচরণগত ডেটার অভূতপূর্ব অ্যাক্সেস প্রদান করে। এর মাধ্যমে ব্যবহারকারীদের বিস্তারিত প্রোফাইল তৈরি এবং সিদ্ধান্ত গ্রহণে সূক্ষ্ম প্রভাব ফেলার ক্ষমতা আসে—যা প্রায়ই মুক্ত পছন্দের বিভ্রম তৈরি করে। যদিও এটি ব্যবহারকারীদের পছন্দসই ফলাফলের দিকে ঠেলে দিতে ব্যবহার করা যেতে পারে, এটি ডেটা গোপনীয়তা, স্বায়ত্তশাসন এবং অ্যালগরিদমিক প্রভাবের নৈতিক সীমা সম্পর্কে গুরুত্বপূর্ণ প্রশ্নও তোলে।

ডেটা নৈতিকতা এখন ডেটা বিজ্ঞান এবং প্রকৌশলের জন্য প্রয়োজনীয় গার্ডরেল, যা আমাদের ডেটা-নির্ভর কর্ম থেকে সম্ভাব্য ক্ষতি এবং অনিচ্ছাকৃত পরিণতি কমাতে সাহায্য করে। গার্টনার হাইপ সাইকেল ফর AI ডিজিটাল নৈতিকতা, দায়িত্বশীল AI এবং AI গভর্ন্যান্সের প্রাসঙ্গিক প্রবণতাগুলিকে চিহ্নিত করে, যা AI-এর গণতন্ত্রায়ন এবং শিল্পায়ন এর বৃহত্তর মেগাট্রেন্ডগুলির মূল চালক।

এই পাঠে, আমরা ডেটা নৈতিকতার চমকপ্রদ ক্ষেত্রটি অন্বেষণ করব - মূল ধারণা এবং চ্যালেঞ্জ থেকে শুরু করে কেস স্টাডি এবং গভর্ন্যান্সের মতো প্রয়োগকৃত AI ধারণা - যা ডেটা এবং AI নিয়ে কাজ করা দল এবং সংস্থাগুলিতে একটি নৈতিকতার সংস্কৃতি প্রতিষ্ঠায় সাহায্য করে।

পূর্ব-লেকচার কুইজ 🎯

মৌলিক সংজ্ঞা

চলুন মৌলিক পরিভাষা বোঝা শুরু করি।

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

নৈতিকতা হলো সমাজে আমাদের আচরণ পরিচালনা করার জন্য ভাগ করা মূল্যবোধ এবং নৈতিক নীতিগুলির বিষয়। নৈতিকতা আইন নয় বরং "সঠিক বনাম ভুল" এর ব্যাপারে ব্যাপকভাবে গৃহীত মানদণ্ডের উপর ভিত্তি করে। তবে, নৈতিক বিবেচনা কর্পোরেট গভর্ন্যান্স উদ্যোগ এবং সরকারী নিয়মকানুনকে প্রভাবিত করতে পারে যা সম্মতির জন্য আরও প্রণোদনা তৈরি করে।

ডেটা নৈতিকতা হলো 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 ফোকাস করে, "অ্যালগরিদম" AI, এজেন্ট, মেশিন লার্নিং এবং রোবটের উপর ফোকাস করে, এবং "অনুশীলন" দায়িত্বশীল উদ্ভাবন, প্রোগ্রামিং, হ্যাকিং এবং নৈতিকতার কোডের মতো বিষয়গুলির উপর ফোকাস করে।

প্রয়োগকৃত নৈতিকতা হলো নৈতিক বিবেচনার বাস্তব প্রয়োগ। এটি হলো বাস্তব-জগতের কর্ম, পণ্য এবং প্রক্রিয়ার প্রসঙ্গে নৈতিক সমস্যাগুলি সক্রিয়ভাবে তদন্ত করার প্রক্রিয়া এবং আমাদের সংজ্ঞায়িত নৈতিক মূল্যবোধের সাথে সঙ্গতিপূর্ণ রাখতে সংশোধনমূলক ব্যবস্থা গ্রহণ।

নৈতিকতার সংস্কৃতি হলো প্রয়োগকৃত নৈতিকতাকে কার্যকর করা যাতে আমাদের নৈতিক নীতিগুলি এবং অনুশীলনগুলি পুরো সংস্থার মধ্যে ধারাবাহিক এবং স্কেলযোগ্যভাবে গৃহীত হয়। সফল নৈতিকতার সংস্কৃতি সংস্থার-ব্যাপী নৈতিক নীতিগুলি সংজ্ঞায়িত করে, সম্মতির জন্য অর্থপূর্ণ প্রণোদনা প্রদান করে এবং প্রতিটি স্তরে পছন্দসই আচরণকে উৎসাহিত এবং প্রসারিত করে নৈতিকতার মানদণ্ডকে শক্তিশালী করে।

নৈতিকতার ধারণা

এই বিভাগে, আমরা ভাগ করা মূল্যবোধ (নীতিমালা) এবং নৈতিক চ্যালেঞ্জ (সমস্যা) নিয়ে আলোচনা করব ডেটা নৈতিকতার জন্য - এবং কেস স্টাডি অন্বেষণ করব যা আপনাকে বাস্তব-জগতের প্রসঙ্গে এই ধারণাগুলি বুঝতে সাহায্য করবে।

১. নৈতিকতার নীতিমালা

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

উদাহরণ: Microsoft's Responsible AI মিশন বিবৃতি বলে: "আমরা AI-এর অগ্রগতির জন্য প্রতিশ্রুতিবদ্ধ যা নৈতিক নীতিগুলি দ্বারা পরিচালিত হয় যা মানুষকে প্রথমে রাখে" - নিচের কাঠামোতে ৬টি নৈতিক নীতিমালা চিহ্নিত করে:

চলুন এই নীতিগুলি সংক্ষেপে অন্বেষণ করি। স্বচ্ছতা এবং দায়িত্বশীলতা হলো মৌলিক মূল্যবোধ যার উপর অন্যান্য নীতিগুলি তৈরি করা হয়েছে - তাই এখান থেকে শুরু করা যাক:

• দায়িত্বশীলতা অনুশীলনকারীদের তাদের ডেটা ও AI কার্যক্রম এবং এই নৈতিক নীতিমালার সাথে সম্মতির জন্য দায়িত্বশীল করে তোলে।
• স্বচ্ছতা নিশ্চিত করে যে ডেটা এবং AI কর্মগুলি ব্যবহারকারীদের কাছে বোধ্য (ব্যাখ্যাযোগ্য) হয়, সিদ্ধান্তের পেছনের কী এবং কেন ব্যাখ্যা করে।
• ন্যায্যতা - নিশ্চিত করে যে AI সব মানুষকে ন্যায্যভাবে আচরণ করে, ডেটা এবং সিস্টেমে থাকা যেকোনো পদ্ধতিগত বা অন্তর্নিহিত সামাজিক-প্রযুক্তিগত পক্ষপাত দূর করে।
• বিশ্বাসযোগ্যতা ও নিরাপত্তা - নিশ্চিত করে যে AI সংজ্ঞায়িত মূল্যবোধের সাথে ধারাবাহিকভাবে আচরণ করে, সম্ভাব্য ক্ষতি বা অনিচ্ছাকৃত পরিণতি কমিয়ে দেয়।
• গোপনীয়তা ও নিরাপত্তা - ডেটার উত্স বোঝা এবং ব্যবহারকারীদের ডেটা গোপনীয়তা এবং সংশ্লিষ্ট সুরক্ষা প্রদান সম্পর্কে।
• অন্তর্ভুক্তি - উদ্দেশ্য নিয়ে AI সমাধান ডিজাইন করার বিষয়ে, এটি মানব প্রয়োজন এবং সক্ষমতার বিস্তৃত পরিসর পূরণের জন্য মানিয়ে নেওয়া।

🚨 আপনার ডেটা নৈতিকতার মিশন বিবৃতি কী হতে পারে তা নিয়ে ভাবুন। অন্যান্য সংস্থার নৈতিক AI কাঠামো অন্বেষণ করুন - এখানে IBM, Google, এবং Facebook এর উদাহরণ রয়েছে। তাদের মধ্যে কী সাধারণ ভাগ করা মূল্যবোধ রয়েছে? এই নীতিগুলি তারা যে AI পণ্য বা শিল্পে কাজ করে তার সাথে কীভাবে সম্পর্কিত?

২. নৈতিক চ্যালেঞ্জ

একবার আমরা নৈতিক নীতিমালা সংজ্ঞায়িত করলে, পরবর্তী ধাপ হলো আমাদের ডেটা এবং AI কর্মগুলি মূল্যায়ন করা যাতে তারা সেই ভাগ করা মূল্যবোধের সাথে সামঞ্জস্যপূর্ণ কিনা তা দেখা যায়। আপনার কর্মগুলি দুটি বিভাগে ভাবুন: ডেটা সংগ্রহ এবং অ্যালগরিদম ডিজাইন।

ডেটা সংগ্রহের ক্ষেত্রে, কর্মগুলি সম্ভবত ব্যক্তিগত ডেটা বা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) এর সাথে সম্পর্কিত হবে যা জীবিত ব্যক্তিদের শনাক্ত করতে পারে। এর মধ্যে রয়েছে বিভিন্ন ধরনের অ-ব্যক্তিগত ডেটা যা সমষ্টিগতভাবে একজন ব্যক্তিকে শনাক্ত করে। নৈতিক চ্যালেঞ্জগুলি ডেটা গোপনীয়তা, ডেটা মালিকানা, এবং অবগত সম্মতি এবং ব্যবহারকারীদের বুদ্ধিবৃত্তিক সম্পত্তি অধিকার এর মতো সম্পর্কিত বিষয়গুলির সাথে সম্পর্কিত হতে পারে।

অ্যালগরিদম ডিজাইনের ক্ষেত্রে, কর্মগুলি ডেটাসেট সংগ্রহ এবং কিউরেট করা, তারপর সেগুলি ব্যবহার করে ডেটা মডেল তৈরি এবং বাস্তব-জগতের প্রসঙ্গে ফলাফল পূর্বাভাস বা সিদ্ধান্ত অটোমেট করার জন্য ব্যবহার করা। নৈতিক চ্যালেঞ্জগুলি ডেটাসেট পক্ষপাত, ডেটার গুণমান সমস্যা, অন্যায়তা, এবং অ্যালগরিদমে ভুল উপস্থাপন থেকে উদ্ভূত হতে পারে - যার মধ্যে কিছু সমস্যা পদ্ধতিগত প্রকৃতির।

উভয় ক্ষেত্রেই, নৈতিক চ্যালেঞ্জগুলি এমন ক্ষেত্রগুলিকে হাইলাইট করে যেখানে আমাদের কর্মগুলি আমাদের ভাগ করা মূল্যবোধের সাথে সংঘর্ষে আসতে পারে। এই উদ্বেগগুলি সনাক্ত, প্রশমিত, কমানো বা দূর করতে, আমাদের কর্মগুলির সাথে সম্পর্কিত নৈতিক "হ্যাঁ/না" প্রশ্ন জিজ্ঞাসা করতে হবে, তারপর প্রয়োজন অনুযায়ী সংশোধনমূলক ব্যবস্থা নিতে হবে। চলুন কিছু নৈতিক চ্যালেঞ্জ এবং তারা যে নৈতিক প্রশ্ন উত্থাপন করে তা দেখি:

২.১ ডেটা মালিকানা

ডেটা সংগ্রহ প্রায়ই ব্যক্তিগত ডেটার সাথে সম্পর্কিত যা ডেটা বিষয়গুলিকে শনাক্ত করতে পারে। ডেটা মালিকানা হলো ডেটা তৈরি, প্রক্রিয়াকরণ এবং প্রচারের সাথে সম্পর্কিত নিয়ন্ত্রণ এবং ব্যবহারকারীর অধিকার।

নৈতিক প্রশ্ন যা আমাদের জিজ্ঞাসা করতে হবে:

• ডেটার মালিক কে? (ব্যবহারকারী বা সংস্থা)
• ডেটা বিষয়গুলির কী অধিকার রয়েছে? (যেমন: অ্যাক্সেস, মুছে ফেলা, পোর্টেবিলিটি)
• সংস্থার কী অধিকার রয়েছে? (যেমন: ক্ষতিকারক ব্যবহারকারীর পর্যালোচনা সংশোধন করা)

২.২ অবগত সম্মতি

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

এখানে অনুসন্ধানের প্রশ্ন:

• ব্যবহারকারী (ডেটা বিষয়) কি ডেটা সংগ্রহ এবং ব্যবহারের জন্য অনুমতি দিয়েছেন?
• ব্যবহারকারী কি বুঝেছেন যে ডেটা সংগ্রহের উদ্দেশ্য কী ছিল?
• ব্যবহারকারী কি তাদের অংশগ্রহণ থেকে সম্ভাব্য ঝুঁকি বুঝেছেন?

২.৩ বুদ্ধিবৃত্তিক সম্পত্তি

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

এখানে অনুসন্ধানের প্রশ্ন:

• সংগৃহীত ডেটার কি ব্যবহারকারী বা ব্যবসার জন্য অর্থনৈতিক মূল্য ছিল?
• এখানে ব্যবহারকারী কি বুদ্ধিবৃত্তিক সম্পত্তি অধিকার রাখেন?
• এখানে সংস্থা কি বুদ্ধিবৃত্তিক সম্পত্তি অধিকার রাখে?
• যদি এই অধিকারগুলি থাকে, আমরা কীভাবে সেগুলি রক্ষা করছি?

২.৪ ডেটা গোপনীয়তা

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

এখানে অনুসন্ধানের প্রশ্ন:

• ব্যবহারকারীদের (ব্যক্তিগত) ডেটা কি হ্যাক এবং লিক থেকে সুরক্ষিত?
• ব্যবহারকারীদের ডেটা কি শুধুমাত্র অনুমোদিত ব্যবহারকারী এবং প্রসঙ্গের জন্য অ্যাক্সেসযোগ্য?
• ডেটা শেয়ার বা প্রচার করার সময় ব্যবহারকারীদের নাম গোপন রাখা হয়েছে কি?
• ব্যবহারকারী কি বেনামী ডেটাসেট থেকে শনাক্ত করা যেতে পারে?

২.৫ ভুলে যাওয়ার অধিকার

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

এখানে অনুসন্ধানের প্রশ্ন:

• সিস্টেম কি ডেটা বিষয়গুলিকে অপসারণের অনুরোধ করার অনুমতি দেয়?
• ব্যবহারকারীর সম্মতি প্রত্যাহার কি স্বয়ংক্রিয় অপসারণকে ট্রিগার করা উচিত?
• ডেটা কি সম্মতি ছাড়া বা অবৈধ উপায়ে সংগ্রহ করা হয়েছিল?
• আমরা কি ডেটা গোপনীয়তার জন্য সরকারী নিয়মকানুনের সাথে সম্মত?

২.৬ ডেটাসেট পক্ষপাত

ডেটাসেট বা সংগ্রহ পক্ষপাত হলো অ্যালগরিদম উন্নয়নের জন্য একটি অপ্রতিনিধিত্বমূলক ডেটার উপসেট নির্বাচন করা, যা বিভিন্ন গোষ্ঠীর জন্য ফলাফলের ক্ষেত্রে সম্ভাব্য অন্যায়তা তৈরি করে। পক্ষপাতের ধরনগুল

• তথ্য কি বাস্তবতার প্রতিফলন সঠিকভাবে তুলে ধরে?

২.৮ অ্যালগরিদমের ন্যায্যতা

অ্যালগরিদমের ন্যায্যতা পরীক্ষা করে দেখে অ্যালগরিদমের নকশা কি নির্দিষ্ট ডেটা গোষ্ঠীর বিরুদ্ধে পদ্ধতিগতভাবে বৈষম্য সৃষ্টি করছে, যার ফলে বণ্টন (যেখানে সেই গোষ্ঠীকে সম্পদ থেকে বঞ্চিত বা আটকানো হয়) এবং সেবার গুণগত মান (যেখানে AI কিছু গোষ্ঠীর জন্য অন্যদের তুলনায় কম সঠিক) ক্ষেত্রে সম্ভাব্য ক্ষতি হতে পারে।

এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:

• আমরা কি বিভিন্ন গোষ্ঠী এবং পরিস্থিতির জন্য মডেলের সঠিকতা মূল্যায়ন করেছি?
• আমরা কি সিস্টেমের সম্ভাব্য ক্ষতি (যেমন, স্টেরিওটাইপিং) নিয়ে গভীরভাবে পর্যবেক্ষণ করেছি?
• আমরা কি চিহ্নিত ক্ষতি কমানোর জন্য ডেটা সংশোধন বা মডেল পুনরায় প্রশিক্ষণ করতে পারি?

আরও জানতে AI ন্যায্যতার চেকলিস্ট এর মতো সম্পদগুলো অন্বেষণ করুন।

২.৯ ভুল উপস্থাপন

ডেটার ভুল উপস্থাপন হলো এই প্রশ্ন করা যে আমরা কি সৎভাবে রিপোর্ট করা ডেটা থেকে অন্তর্দৃষ্টি এমনভাবে উপস্থাপন করছি যা একটি পছন্দসই বর্ণনাকে সমর্থন করার জন্য বিভ্রান্তিকর।

এখানে অনুসন্ধানের জন্য কিছু প্রশ্ন:

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

২.১০ স্বাধীন পছন্দ

স্বাধীন পছন্দের বিভ্রম ঘটে যখন সিস্টেমের "পছন্দের স্থাপত্য" সিদ্ধান্ত গ্রহণের অ্যালগরিদম ব্যবহার করে মানুষকে একটি পছন্দসই ফলাফলের দিকে ঠেলে দেয়, যদিও তাদের বিকল্প এবং নিয়ন্ত্রণ দেওয়ার মতো মনে হয়। এই ডার্ক প্যাটার্ন ব্যবহারকারীদের সামাজিক এবং অর্থনৈতিক ক্ষতি করতে পারে। কারণ 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 একটি স্বয়ংক্রিয় বা প্রভাবিত পছন্দ পরে পরিবর্তন করতে পারে?

৩. 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	১৯৭২ - টাস্কিগি সিফিলিস স্টাডি - আফ্রিকান আমেরিকান পুরুষদের বিনামূল্যে চিকিৎসার প্রতিশ্রুতি দেওয়া হয়েছিল কিন্তু প্রতারিত করা হয়েছিল গবেষকদের দ্বারা যারা বিষয়গুলোকে তাদের রোগ নির্ণয় বা চিকিৎসার প্রাপ্যতা সম্পর্কে জানাতে ব্যর্থ হয়েছিল। অনেক বিষয় মারা গিয়েছিল এবং তাদের সঙ্গী বা সন্তান ক্ষতিগ্রস্ত হয়েছিল; গবেষণাটি ৪০ বছর ধরে চলেছিল।
ডেটা গোপনীয়তা	২০০৭ - নেটফ্লিক্স ডেটা পুরস্কার গবেষকদের ৫০ হাজার গ্রাহকের ১০ মিলিয়ন অ্যানোনিমাইজড মুভি রেটিং প্রদান করেছিল সুপারিশ অ্যালগরিদম উন্নত করতে। তবে, গবেষকরা অ্যানোনিমাইজড ডেটাকে বাহ্যিক ডেটাসেটের (যেমন, IMDb মন্তব্য) সাথে সংযুক্ত করতে সক্ষম হয়েছিল - কার্যত কিছু নেটফ্লিক্স গ্রাহকদের "ডি-অ্যানোনিমাইজ" করে।
সংগ্রহের পক্ষপাতিত্ব	২০১৩ - বোস্টন শহর স্ট্রিট বাম্প তৈরি করেছিল, একটি অ্যাপ যা নাগরিকদের গর্ত রিপোর্ট করতে দেয়, শহরকে ভালো রাস্তার ডেটা দিয়ে সমস্যা খুঁজে বের করতে এবং ঠিক করতে সাহায্য করে। তবে, নিম্ন আয়ের গোষ্ঠীর 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 করেছিল।
অ্যালগরিদমের ন্যায্যতা	২০১৮ - MIT জেন্ডার শেডস স্টাডি লিঙ্গ শ্রেণীবিন্যাস AI পণ্যের সঠিকতা মূল্যায়ন করেছিল, নারীদের এবং রঙের মানুষের জন্য সঠিকতার ফাঁকগুলো প্রকাশ করেছিল। একটি ২০১৯ অ্যাপল কার্ড পুরুষদের তুলনায় নারীদের কম ক্রেডিট দিতে দেখা গেছে। উভয়ই অ্যালগরিদমের পক্ষপাতিত্বের সমস্যাগুলো তুলে ধরেছে যা সামাজিক-অর্থনৈতিক ক্ষতি সৃষ্টি করে।
ডেটার ভুল উপস্থাপন	২০২০ - জর্জিয়া ডিপার্টমেন্ট অফ পাবলিক হেলথ COVID-19 চার্ট প্রকাশ করেছিল 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	২০২০ - লার্নিং অ্যাপ ABCmouse FTC অভিযোগ মেটাতে $১০ মিলিয়ন প্রদান করেছিল যেখানে অভিভাবকরা এমন সাবস্ক্রিপশনগুলোর জন্য আটকা পড়েছিল যা তারা বাতিল করতে পারেনি। এটি পছন্দের স্থাপত্যে ডার্ক প্যাটার্নের উদাহরণ, যেখানে ব্যবহারকারীদের সম্ভাব্য ক্ষতিকর পছন্দের দিকে ঠেলে দেওয়া হয়েছিল।
ডেটা গোপনীয়তা ও ব্যবহারকারীর অধিকার	২০২১ - ফেসবুক ডেটা লঙ্ঘন ৫৩০ মিলিয়ন ব্যবহারকারীর ডেটা প্রকাশ করেছিল, যার ফলে FTC-কে $৫ বিলিয়ন জরিমানা দিতে হয়েছিল। তবে, এটি ব্যবহারকারীদের লঙ্ঘন সম্পর্কে জানাতে অস্বীকার করেছিল, যা ডেটা স্বচ্ছতা এবং প্রবেশাধিকারের ক্ষেত্রে ব্যবহারকারীর অধিকার লঙ্ঘন করে।

আরও কেস স্টাডি অন্বেষণ করতে চান? এই সম্পদগুলো দেখুন:

• Ethics Unwrapped - বিভিন্ন শিল্পের নৈতিক দ্বিধা।
• ডেটা সায়েন্স নৈতিকতা কোর্স - গুরুত্বপূর্ণ কেস স্টাডি।
• যেখানে জিনিসগুলো ভুল হয়েছে - ডিওন চেকলিস্টের উদাহরণ।

🚨 আপনি যে কেস স্টাডিগুলো দেখেছেন তা নিয়ে ভাবুন - আপনি কি কখনো এমন কোনো নৈতিক চ্যালেঞ্জের মুখোমুখি হয়েছেন বা 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 এই অনুশীলনগুলোকে কার্যকর করব ভালো শাসনের জন্য? আসুন কিছু বাস্তব সমাধান অন্বেষণ করি:

১. পেশাদার কোড

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

উদাহরণগুলো অন্তর্ভুক্ত:

• Oxford Munich নৈতিকতার কোড
• ডেটা সায়েন্স অ্যাসোসিয়েশন আচরণবিধি (২০১৩ সালে তৈরি)
• ACM নৈতিকতা এবং পেশাদার আচরণের কোড (১৯৯৩ সাল থেকে)

🚨 আপনি কি কোনো পেশাদার ইঞ্জিনিয়ারিং বা ডেটা সায়েন্স সংস্থার 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?

২. নৈতিকতার চেকলিস্ট

যখন পেশাদার কোডগুলো অনুশীলনকারীদের প্রয়োজনীয় নৈতিক আচরণ সংজ্ঞায়িত করে, তখন তারা পরিচিত সীমাবদ্ধতা নিয়ে আসে প্রয়োগে, বিশেষত বৃহৎ প্রকল্পগুলোতে। পরিবর্তে, অনেক ডেটা সায়েন্স বিশেষজ্ঞ চেকলিস্টের পক্ষে যুক্তি দেন, যা নীতিগুলোকে অনুশীলনে সংযুক্ত করতে পারে আরও নির্ধারক এবং কার্যকর উপায়ে।

চেকলিস্টগুলো প্রশ্নগুলোকে "হ্যাঁ/না" কাজগুলোতে রূপান্তর করে যা কার্যকর করা যায়, যা স্ট্যান্ডার্ড প্রোডাক্ট রিলিজ ওয়ার্কফ্লো হিসেবে ট্র্যাক করা যায়।

উদাহরণগুলো অন্তর্ভুক্ত:

• Deon - শিল্পের সুপারিশ থেকে তৈরি একটি সাধারণ উদ্দেশ্য ডেটা নৈতিকতার চেকলিস্ট, যা সহজ ইন্টিগ্রেশনের জন্য একটি কমান্ড-লাইন টুল প্রদান করে।
• গোপনীয়তা অডিট চেকলিস্ট - আইনি এবং সামাজিক এক্সপোজার দৃষ্টিকোণ থেকে তথ্য পরিচালনার অনুশীলনের জন্য সাধারণ নির্দেশিকা প্রদান করে।
• AI ন্যায্যতার চেকলিস্ট - AI উন্নয়ন চক্রে ন্যায্যতার চেকগুলো গ্রহণ এবং সংহত করার জন্য AI অনুশীলনকারীদের দ্বারা তৈরি।
• ডেটা এবং AI-তে নৈতিকতার জন্য ২২টি প্রশ্ন - আরও খোলা কাঠামো, নকশা, বাস্তবায়ন এবং সাংগঠনিক প্রেক্ষাপটে নৈতিক সমস্যাগুলোর প্রাথমিক অনুসন্ধানের জন্য গঠিত।

৩. নৈতিকতার নিয়মকানুন

নৈতিকতা হলো ভাগ করা মূল্যবোধ সংজ্ঞায়িত করা এবং স্বেচ্ছায় সঠিক কাজ করা। অনুগত্য হলো আইন অনুসরণ করা যদি এবং যেখানে সংজ্ঞায়িত করা হয়। শাসন ব্যাপকভাবে সমস্ত উপায়কে কভার করে যার মাধ্যমে সংস্থাগুলো নৈতিক নীতিমালা প্রয়োগ করতে এবং প্রতিষ্ঠিত আইন মেনে চলতে পরিচালিত হয়।

আজ, শাসন সংস্থাগুলোর মধ্যে দুটি রূপ নেয়। প্রথমত, এটি নৈতিক AI নীতিমালা সংজ্ঞায়িত করা এবং সংস্থার সমস্ত AI-সম্পর্কিত প্রকল্পে গ্রহণের কার্যকরী অনুশীলন প্রতিষ্ঠা করা। দ্বিতীয়ত, এটি সংস্থার পরিচালিত অঞ্চলের জন্য সমস্ত সরকার-নির্ধারিত ডেটা সুরক্ষা নিয়মকানুন মেনে চলা।

ডেটা সুরক্ষা এবং গোপনীয়তার নিয়মকানুনের উদাহরণ:

• ১৯৭৪, US Privacy Act - ফেডারেল সরকার দ্বারা ব্যক্তিগত তথ্য সংগ্রহ, ব্যবহার এবং প্রকাশ নিয়ন্ত্রণ করে।
• ১৯৯৬, US Health Insurance Portability & Accountability Act (HIPAA) - ব্যক্তিগত স্বাস্থ্য ডেটা সুরক্ষা করে।
• ১৯৯৮, US Children's Online Privacy Protection Act (COPPA) - ১৩ বছরের কম বয়সী শিশুদের ডেটা গোপনীয়তা সুরক্ষা করে।
• ২০১৮, General Data Protection Regulation (GDPR) - ব্যবহারকারীর অধিকার, ডেটা সুরক্ষা এবং গোপনীয়তা প্রদান করে।
• ২০১৮, California Consumer Privacy Act (CCPA) - ভোক্তাদের তাদের (ব্যক্তিগত) ডেটার উপর আরও অধিকার প্রদান করে।
• ২০২১, চীনের Personal Information Protection Law সম্প্রতি পাস হয়েছে, যা বিশ্বব্যাপী অনলাইনে ডেটা গোপনীয়তার সবচেয়ে শক্তিশালী নিয়মকানুন তৈরি করেছে।

🚨 ইউরোপীয় ইউনিয়ন দ্বারা সংজ্ঞায়িত GDPR (General Data Protection Regulation) আজকের দিনে সবচেয়ে প্রভাবশালী ডেটা গোপনীয়তার নিয়মকানুনগুলোর মধ্যে একটি। আপনি কি জানেন এটি নাগরিকদের ডিজিটাল গোপনীয়তা এবং ব্যক্তিগত ডেটা সুরক্ষার জন্য ৮টি ব্যবহারকারীর অধিকার সংজ্ঞায়িত করে? এগুলো কী এবং কেন গুরুত্বপূর্ণ তা জানুন।

৪. নৈতিকতার সংস্কৃতি

লক্ষ্য করুন যে অনুগত্য (আইনের "অক্ষর" পূরণ করার জন্য যথেষ্ট করা) এবং পদ্ধতিগত সমস্যাগুলো (যেমন, অস্থিরতা, তথ্যের 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 করে যা শিল্পের মধ্যে সংস্থাগুলোর মধ্যে আবেগগত সংযোগ এবং ধারাবাহিক ভাগ করা মূল্যবোধ তৈরি করে। এটি সংস্থাগুলোতে আরও আনুষ্ঠানিক ডেটা নৈতিকতার সংস্কৃতি তৈরি করার আহ্বান জানায় - যা যেকোনো ব্যক্তিকে অ্যান্ডন কর্ড টানতে (প্রক্রিয়ার শুরুতেই নৈতিক উদ্বেগ উত্থাপন করতে) এবং AI প্রকল্পে দল গঠ

• Machine Learning For Beginners - Microsoft-এর পক্ষ থেকে ন্যায্যতা নিয়ে পাঠ।
• Principles of Responsible AI - Microsoft Learn-এর বিনামূল্যের শিক্ষার পথ।
• Ethics and Data Science - O'Reilly ইবুক (M. Loukides, H. Mason প্রমুখ)
• Data Science Ethics - 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 যথাসাধ্য সঠিকতার জন্য 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।