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

ဒေတာအကျင့်သိက္ခာအကျဉ်းချုပ်

ဒေတာသိပ္ပံအကျင့်သိက္ခာ - Sketchnote by @nitya

---

ကျွန်ုပ်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်နှက်နေသောကမ္ဘာတွင် နေထိုင်နေသော ဒေတာပြည်သူများဖြစ်ပါသည်။

ဈေးကွက်လမ်းကြောင်းများက 2022 ခုနှစ်တွင် 1-in-3 အကြီးစားအဖွဲ့အစည်းများသည် Marketplaces and Exchanges မှတဆင့် သူတို့၏ဒေတာကို ဝယ်ယူရောင်းချမည်ဖြစ်ကြောင်း ပြသထားသည်။ App Developers အနေဖြင့် ဒေတာအခြေခံသုံးသပ်မှုများနှင့် algorithm အခြေခံအလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ်အသုံးပြုသူအတွေ့အကြုံများတွင် ပေါင်းစပ်ရန် ပိုမိုလွယ်ကူပြီး စျေးသက်သာလာမည်ဖြစ်သည်။ သို့သော် AI သည် ပျံ့နှံ့လာသည့်အခါတွင် weaponization ဖြစ်နိုင်ခြေရှိသော algorithm များ၏ အကျိုးသက်ရောက်မှုများကိုလည်း နားလည်ရန်လိုအပ်လာမည်ဖြစ်သည်။

2025 ခုနှစ်တွင် ကျွန်ုပ်တို့သည် 180 zettabytes ကျော်သော ဒေတာကို ဖန်တီးပြီး သုံးစွဲမည်ဖြစ်ကြောင်း လမ်းကြောင်းများက ပြသထားသည်။ Data Scientists အနေဖြင့် ဒေတာအလွန်များပြားမှုသည် ကိုယ်ရေးနှင့် အပြုအမူဆိုင်ရာဒေတာများကို များစွာရရှိစေမည်ဖြစ်သည်။ ဒါကြောင့် အသုံးပြုသူများ၏ အသေးစိတ်ပရိုဖိုင်များကို တည်ဆောက်ပြီး ဆုံးဖြတ်မှုများကို သွယ်ဝိုက်စွာ အကျိုးသက်ရောက်စေခြင်းတို့ကို လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။ illusion of free choice ကို ဖန်တီးခြင်းဖြင့် အသုံးပြုသူများကို သဘောတူသောရလဒ်များသို့ ဦးတည်စေခြင်းအတွက် အသုံးပြုနိုင်သော်လည်း ဒေတာကိုယ်ရေးအချက်အလက်များ၊ ကိုယ်ပိုင်အာဏာနှင့် algorithm အကျိုးသက်ရောက်မှု၏ အကျင့်သိက္ခာကန့်သတ်မှုများနှင့်ပတ်သက်သော အရေးကြီးသောမေးခွန်းများကိုလည်း ထွက်ပေါ်စေသည်။

ဒေတာအကျင့်သိက္ခာသည် ဒေတာသိပ္ပံနှင့် အင်ဂျင်နီယာလုပ်ငန်းများအတွက် လိုအပ်သောလမ်းညွှန်များ ဖြစ်လာပြီး ဒေတာအခြေခံလုပ်ဆောင်မှုများမှ ဖြစ်နိုင်သောအန္တရာယ်များနှင့် မတော်တဆဖြစ်ရပ်များကို လျှော့ချရန် ကူညီပေးသည်။ Gartner Hype Cycle for AI သည် ဒစ်ဂျစ်တယ်အကျင့်သိက္ခာ၊ တာဝန်ရှိသော AI နှင့် AI အုပ်ချုပ်မှုတို့ကို AI ရှေ့ဆောင်မှု နှင့် AI စက်မှုလုပ်ငန်း အကြီးစားလမ်းကြောင်းများ၏ အဓိကမောင်းနှင်မှုအဖြစ် သတ်မှတ်ထားသည်။

ဒီသင်ခန်းစာတွင် ဒေတာအကျင့်သိက္ခာ၏ စိတ်ဝင်စားဖွယ်ကဏ္ဍကို လေ့လာမည်ဖြစ်ပြီး - အဓိကအယူအဆများနှင့် စိန်ခေါ်မှုများမှ စတင်ကာ အကျင့်သိက္ခာအုပ်ချုပ်မှုကဲ့သို့သော Applied AI အယူအဆများကို လေ့လာမည်ဖြစ်သည်။ ဒါဟာ ဒေတာနှင့် AI ကို အသုံးပြုသောအဖွဲ့များနှင့် အဖွဲ့အစည်းများတွင် အကျင့်သိက္ခာယဉ်ကျေးမှုတည်ဆောက်ရန် ကူညီပေးသည်။

Pre-lecture quiz 🎯

အခြေခံအဓိပ္ပါယ်များ

အဓိကအကြောင်းအရာများကို နားလည်ရန် စတင်လိုက်ပါ။

"Ethics" ဆိုသောစကားလုံးသည် ဂရိစကားလုံး "ethikos" (နှင့် ၎င်း၏ရင်းမြစ် "ethos") မှ ဆင်းသက်လာပြီး အကျင့်စရိုက် သို့မဟုတ် ကိုယ်ရည်ကိုယ်သွေး ကိုဆိုလိုသည်။

Ethics သည် လူမှုအဖွဲ့အစည်းတွင် ကျွန်ုပ်တို့၏အပြုအမူကို အုပ်ချုပ်သော အများအားဖြင့်လက်ခံထားသော တန်ဖိုးများနှင့် ကိုယ်ရည်ကိုယ်သွေးဆိုင်ရာမူဝါဒများအကြောင်းဖြစ်သည်။ Ethics သည် ဥပဒေများအပေါ်မူတည်ထားခြင်းမဟုတ်ဘဲ "မှန်ကန်မှုနှင့် မှားယွင်းမှု" အကြောင်းအရာများအပေါ် အများအားဖြင့်လက်ခံထားသောစံနှုန်းများအပေါ်မူတည်သည်။ သို့သော် အကျင့်သိက္ခာဆိုင်ရာစဉ်းစားမှုများသည် ကော်ပိုရိတ်အုပ်ချုပ်မှုအစီအမံများနှင့် လိုက်နာမှုအတွက် ပိုမိုအကျိုးခံစားမှုများဖန်တီးသော အစိုးရအုပ်ချုပ်မှုများကို သက်ရောက်စေနိုင်သည်။

Data Ethics သည် "ဒေတာ၊ algorithm နှင့် ၎င်းနှင့်ဆက်စပ်သောအလေ့အကျင့်များနှင့်ပတ်သက်သော ကိုယ်ရည်ကိုယ်သွေးဆိုင်ရာပြဿနာများကို လေ့လာပြီး အကဲဖြတ်သည်" ဟု Ethics ၏ အသစ်သောခွဲခြားမှု ဖြစ်သည်။ ဒီမှာ "ဒေတာ" သည် ဖန်တီးခြင်း၊ မှတ်တမ်းတင်ခြင်း၊ စုစည်းခြင်း၊ အလုပ်လုပ်ခြင်း၊ ဖြန့်ဝေခြင်း၊ မျှဝေခြင်းနှင့် အသုံးပြုခြင်းဆိုင်ရာ လုပ်ဆောင်မှုများကို အာရုံစိုက်သည်။ "algorithm" သည် AI၊ agents၊ machine learning နှင့် robots ကို အာရုံစိုက်သည်။ "အလေ့အကျင့်များ" သည် တာဝန်ရှိသောဆန်းသစ်မှု၊ programming၊ hacking နှင့် ethics codes ကဲ့သို့သောအကြောင်းအရာများကို အာရုံစိုက်သည်။

Applied Ethics သည် ကိုယ်ရည်ကိုယ်သွေးဆိုင်ရာစဉ်းစားမှုများ၏ လက်တွေ့အသုံးချမှု ဖြစ်သည်။ ၎င်းသည် လက်တွေ့လုပ်ဆောင်မှုများ၊ ထုတ်ကုန်များနှင့် လုပ်ငန်းစဉ်များ ၏အကျင့်သိက္ခာပြဿနာများကို တက်ကြွစွာစုံစမ်းပြီး သတ်မှတ်ထားသောအကျင့်သိက္ခာတန်ဖိုးများနှင့်အညီရှိနေစေရန် ပြင်ဆင်ရေးဆောင်ရွက်မှုများကို လုပ်ဆောင်ခြင်းဖြစ်သည်။

Ethics Culture သည် Applied Ethics ကို လုပ်ငန်းအဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်ပြိုင်တည်းနှင့် အကျိုးရှိစွာ လက်ခံအသုံးပြုစေရန် အကျင့်သိက္ခာဆိုင်ရာမူဝါဒများနှင့် လုပ်ဆောင်မှုများကို လက်တွေ့ကျ စေခြင်းအကြောင်းဖြစ်သည်။ အောင်မြင်သော Ethics Culture များသည် အဖွဲ့အစည်းအဆင့်တစ်ခုလုံးတွင် အကျင့်သိက္ခာဆိုင်ရာမူဝါဒများကို သတ်မှတ်ပြီး လိုက်နာမှုအတွက် အဓိကအကျိုးခံစားမှုများပေးကာ အဖွဲ့အစည်း၏အဆင့်တိုင်းတွင် လိုအပ်သောအပြုအမူများကို အားပေးပြီး တိုးတက်စေသည်။

Ethics အယူအဆများ

ဒီအပိုင်းတွင် shared values (principles) နှင့် ethical challenges (problems) ဆိုင်ရာအယူအဆများကို ဆွေးနွေးပြီး case studies များကို လေ့လာမည်ဖြစ်သည်။ ၎င်းတို့သည် အကျင့်သိက္ခာအယူအဆများကို လက်တွေ့ကဏ္ဍများတွင် နားလည်စေရန် ကူညီပေးသည်။

1. Ethics Principles

ဒေတာအကျင့်သိက္ခာမူဝါဒတိုင်းသည် ethical principles သတ်မှတ်ခြင်းဖြင့် စတင်သည် - ၎င်းသည် "shared values" ဖြစ်ပြီး ဒေတာနှင့် AI ပရောဂျက်များတွင် လက်ခံနိုင်သောအပြုအမူများကို ဖော်ပြကာ လိုက်နာမှုဆိုင်ရာလုပ်ဆောင်မှုများကို လမ်းညွှန်ပေးသည်။ ၎င်းတို့ကို တစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အဆင့်တွင် သတ်မှတ်နိုင်သည်။ သို့သော် အကြီးစားအဖွဲ့အစည်းများအများစုသည် ၎င်းတို့၏ ethical AI မစ်ရှင်ကြေညာချက် သို့မဟုတ် framework တွင် corporate အဆင့်တွင် သတ်မှတ်ပြီး အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်ပြိုင်တည်းအကျိုးရှိစွာ လိုက်နာစေသည်။

ဥပမာ: Microsoft's Responsible AI မစ်ရှင်ကြေညာချက်တွင် "AI ကို လူသားများကို ဦးစားပေးသော အကျင့်သိက္ခာဆိုင်ရာမူဝါဒများဖြင့် တိုးတက်စေခြင်းအတွက် ကျွန်ုပ်တို့ကတိပြုထားသည်" ဟုဖော်ပြထားပြီး အောက်ပါ framework တွင် 6 ခုသော အကျင့်သိက္ခာဆိုင်ရာမူဝါဒများကို ဖော်ပြထားသည်။

ဒီမူဝါဒများကို အနည်းငယ်လေ့လာကြည့်ပါ။ Transparency နှင့် accountability သည် အခြေခံတန်ဖိုးများဖြစ်ပြီး အခြားမူဝါဒများကို အပေါ်တွင် တည်ဆောက်ထားသည် - ထို့ကြောင့် အဲဒီနေရာမှ စတင်ပါ:

• Accountability သည် data နှင့် AI လုပ်ဆောင်မှုများအတွက် တာဝန်ရှိမှုကို လုပ်ဆောင်သူများအား တာဝန်ရှိစေ သည်။
• Transparency သည် data နှင့် AI လုပ်ဆောင်မှုများကို အသုံးပြုသူများအတွက် နားလည်နိုင်စေ (interpretable) သည်။
• Fairness - AI သည် လူတိုင်းကို တရားမျှတစွာ ဆက်ဆံစေရန် အာရုံစိုက်သည်။
• Reliability & Safety - AI သည် သတ်မှတ်ထားသောတန်ဖိုးများနှင့် အညီ လုပ်ဆောင်စေရန် အာရုံစိုက်သည်။
• Privacy & Security - data lineage ကို နားလည်ပြီး အသုံးပြုသူများကို ဒေတာကိုယ်ရေးအချက်အလက်များနှင့် ဆက်စပ်သောကာကွယ်မှုများ ပေးသည်။
• Inclusiveness - AI ဖြေရှင်းချက်များကို လူသားများ၏လိုအပ်ချက်များနှင့် စွမ်းရည်များ အကျယ်အဝန်းကို ဖြည့်ဆည်းရန် ရည်ရွယ်ချက်ဖြင့် ဒီဇိုင်းဆွဲသည်။

🚨 သင့်ဒေတာအကျင့်သိက္ခာမစ်ရှင်ကြေညာချက်က ဘာဖြစ်နိုင်မလဲဆိုတာ စဉ်းစားပါ။ အခြားအဖွဲ့အစည်းများ၏ ethical AI frameworks ကို လေ့လာပါ - ဤနေရာတွင် IBM, Google, နှင့် Facebook ၏ ဥပမာများရှိသည်။ ၎င်းတို့တွင် အများအားဖြင့်လက်ခံထားသော shared values များက ဘာတွေလဲ။ ၎င်းတို့၏ AI ထုတ်ကုန် သို့မဟုတ် လုပ်ငန်းကဏ္ဍနှင့် မူဝါဒများသည် ဘယ်လိုဆက်စပ်နေသလဲ။

2. Ethics Challenges

Ethical principles များကို သတ်မှတ်ပြီးနောက် ဒေတာနှင့် AI လုပ်ဆောင်မှုများသည် shared values များနှင့် ကိုက်ညီမှုရှိမရှိကို အကဲဖြတ်ရန် လိုအပ်သည်။ သင့်လုပ်ဆောင်မှုများကို data collection နှင့် algorithm design ဆိုသော အမျိုးအစားနှစ်မျိုးတွင် စဉ်းစားပါ။

Data collection တွင် လုပ်ဆောင်မှုများသည် personal data သို့မဟုတ် personally identifiable information (PII) ကို အများအားဖြင့်ပါဝင်မည်ဖြစ်သည်။ ၎င်းတွင် non-personal data များပါဝင်ပြီး စုစုပေါင်း အနေဖြင့် တစ်ဦးချင်းကို ဖော်ထုတ်နိုင်သည်။ Ethical challenges များသည် data privacy, data ownership, နှင့် informed consent နှင့် intellectual property rights ကဲ့သို့သောအကြောင်းအရာများနှင့် ဆက်စပ်နိုင်သည်။

Algorithm design တွင် လုပ်ဆောင်မှုများသည် datasets ကို စုဆောင်းပြီး data models များကို လေ့ကျင့်ကာ လက်တွေ့ကဏ္ဍများတွင် ဆုံးဖြတ်ချက်များကို အလိုအလျောက်လုပ်ဆောင်ရန် အသုံးပြုမည်ဖြစ်သည်။ Ethical challenges များသည် dataset bias, data quality ပြဿနာများ, unfairness, နှင့် misrepresentation ကဲ့သို့သော algorithm များတွင် ဖြစ်နိုင်သည်။

နှစ်ခုစလုံးတွင် ethics challenges များသည် shared values များနှင့် ဆန့်ကျင်မှုရှိနိုင်သောနေရာများကို ဖော်ပြသည်။ ၎င်းတို့ကို ရှာဖွေ၊ လျှော့ချ၊ သက်သာစေ သို့မဟုတ် ဖယ်ရှားရန် - လုပ်ဆောင်မှုများနှင့်ပတ်သက်သော ကိုယ်ရည်ကိုယ်သွေးဆိုင်ရာ "yes/no" မေးခွန်းများကို မေးပြီး လိုအပ်သောပြင်ဆင်ရေးဆောင်ရွက်မှုများကို လုပ်ဆောင်ရမည်။ အကျင့်သိက္ခာပြဿနာများနှင့် ၎င်းတို့က ဆွေးနွေးသော ကို

• အချက်အလက်များကို အမှန်တကယ်ကို အတိအကျဖော်ပြနိုင်ပါသလား?

2.8 Algorithm Fairness

Algorithm Fairness သည် အယ်လဂိုရစ်သ်ဒီဇိုင်းသည် အချက်အလက်အပေါ်မူတည်၍ အထူးအုပ်စုများကို စနစ်တကျ ခွဲခြားဆက်ဆံမှုရှိမရှိကို စစ်ဆေးသည်။ ၎င်းသည် အရင်းအမြစ်များ (အရင်းအမြစ်များကို အုပ်စုတစ်ခုမှ ပိတ်ပင်ခြင်း) နှင့် ဝန်ဆောင်မှုအရည်အသွေး (AI သည် အုပ်စုတစ်ခုအတွက် အတိအကျဖြစ်စေခြင်းမရှိခြင်း) အပေါ် ထိခိုက်မှုများ ဖြစ်စေခြင်းကို စစ်ဆေးသည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:

• မျိုးစုံအုပ်စုများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ခဲ့ပါသလား?
• စနစ်ကို ထိခိုက်မှုများ (ဥပမာ- စံနှုန်းချမှတ်မှု) အတွက် စစ်ဆေးခဲ့ပါသလား?
• ထိခိုက်မှုများကို လျှော့ချရန် အချက်အလက်များကို ပြင်ဆင်ခြင်း သို့မဟုတ် မော်ဒယ်များကို ပြန်လေ့ကျင့်ခြင်းဖြင့် ပြုပြင်နိုင်ပါသလား?

AI Fairness checklists ကဲ့သို့သော အရင်းအမြစ်များကို လေ့လာပါ။

2.9 Misrepresentation

Data Misrepresentation သည် အချက်အလက်များကို အမှန်တကယ်ဖော်ပြခြင်းမရှိဘဲ ရည်ရွယ်ထားသော အကြောင်းပြချက်များကို ထောက်ခံရန် လှည့်ဖြားဖော်ပြနေခြင်းရှိမရှိကို စစ်ဆေးခြင်းဖြစ်သည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:

• မပြီးစီးသော သို့မဟုတ် မမှန်ကန်သော အချက်အလက်များကို ဖော်ပြနေပါသလား?
• အချက်အလက်များကို လှည့်ဖြားသော အကျိုးသက်ရောက်မှုများကို ဖြစ်စေသော ပုံစံဖြင့် ရှင်းလင်းဖော်ပြနေပါသလား?
• ရလဒ်များကို လှည့်ဖြားရန် ရွေးချယ်ထားသော စက်မှုစံနှုန်းများကို အသုံးပြုနေပါသလား?
• အခြားသော အကြောင်းပြချက်များသည် ကွဲပြားသော အကျိုးသက်ရောက်မှုများကို ပေးနိုင်ပါသလား?

2.10 Free Choice

Illusion of Free Choice သည် စနစ် "ရွေးချယ်မှုအဆောက်အအုံများ" သည် လူများကို ရွေးချယ်မှုများပေးသလိုပုံစံဖြင့် သတ်မှတ်ထားသော ရလဒ်ကို ရွေးချယ်ရန် အားပေးသော အယ်လဂိုရစ်သ်များကို အသုံးပြုသောအခါ ဖြစ်ပေါ်သည်။ ဤ dark patterns သည် အသုံးပြုသူများအတွက် လူမှုရေးနှင့် စီးပွားရေးထိခိုက်မှုများကို ဖြစ်စေနိုင်သည်။ အသုံးပြုသူ၏ ဆုံးဖြတ်ချက်များသည် အပြုအမူပရိုဖိုင်များကို သက်ရောက်စေပြီး ထိုအကျိုးသက်ရောက်မှုများကို တိုးတက်စေသည့် ရလဒ်များကို ဖြစ်စေနိုင်သည်။

ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:

• အသုံးပြုသူသည် ထိုရွေးချယ်မှုကို ပြုလုပ်ခြင်း၏ သက်ရောက်မှုများကို နားလည်ခဲ့ပါသလား?
• အသုံးပြုသူသည် (အခြား) ရွေးချယ်မှုများနှင့် ၎င်းတို့၏ အားသာချက်များနှင့် အားနည်းချက်များကို သိရှိခဲ့ပါသလား?
• အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်း ပြန်လည်ပြင်ဆင်နိုင်ပါသလား?

3. Case Studies

ဤကျင့်ဝတ်ပြဿနာများကို အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများတွင် ထည့်သွင်းစဉ်းစားရန်၊ ကျင့်ဝတ်ချိုးဖောက်မှုများကို မသတိထားမိခြင်းကြောင့် လူများနှင့် လူမှုအဖွဲ့အစည်းအပေါ် ဖြစ်နိုင်သော ထိခိုက်မှုများနှင့် အကျိုးသက်ရောက်မှုများကို ဖော်ပြသည့် ကိစ္စလေ့လာမှုများကို ကြည့်ရှုရန် အထောက်အကူဖြစ်စေသည်။

ဤနေရာတွင် ဥပမာအချို့ကို ဖော်ပြထားသည်-

ကျင့်ဝတ်ပြဿနာ	ကိစ္စလေ့လာမှု
Informed Consent	1972 - Tuskegee Syphilis Study - သုတေသနတွင် ပါဝင်ခဲ့သော အာဖရိကန်-အမေရိကန်လူမျိုးများကို အခမဲ့ဆေးကုသမှုပေးမည်ဟု ကတိပေးခဲ့သော်လည်း သုတေသနသူများက ၎င်းတို့၏ရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်းကို မသတိပေးခဲ့ပါ။ အများအပြားသောလူများ သေဆုံးခဲ့ပြီး အိမ်ထောင်ဖော်များ သို့မဟုတ် ကလေးများကိုလည်း ထိခိုက်စေခဲ့သည်။ သုတေသနသည် ၄၀ နှစ်ကြာခဲ့သည်။
Data Privacy	2007 - Netflix data prize သည် သုတေသနသူများကို 50,000 ကျော်သော ဖောက်သည်များ၏ 10M အမည်မဖော်ထားသော ရုပ်ရှင်အဆင့်သတ်မှတ်မှုများ ပေးခဲ့သည်။ သို့သော် သုတေသနသူများသည် အမည်မဖော်ထားသော အချက်အလက်များကို အပြင်အဆင့်အချက်အလက်များ (ဥပမာ- IMDb မှ မှတ်ချက်များ) နှင့် ဆက်စပ်နိုင်ခဲ့သည်။ ၎င်းသည် Netflix ဖောက်သည်များကို "အမည်ဖော်" လုပ်နိုင်ခဲ့သည်။
Collection Bias	2013 - Boston မြို့သည် Street Bump ကို ဖန်တီးခဲ့သည်။ ၎င်းသည် မြို့သားများကို ခရီးလမ်းပြဿနာများကို အစီရင်ခံရန် ခွင့်ပြုသည့် app ဖြစ်ပြီး မြို့တော်ကို ကောင်းမွန်သော လမ်းများအချက်အလက်များကို ပေးခဲ့သည်။ သို့သော် အနိမ့်ဝင်ငွေအုပ်စုများရှိသူများသည် ကားများနှင့် ဖုန်းများကို သက်ဆိုင်မှုနည်းသောကြောင့် ၎င်းတို့၏ လမ်းပြဿနာများကို app တွင် မမြင်နိုင်ခဲ့ပါ။ ဖွံ့ဖြိုးသူများသည် တရားမျှတမှုအတွက် အခွင့်အရေးတန်းတူမှုနှင့် ဒစ်ဂျစ်တယ်ကွာဟမှုများ ပြဿနာများကို သုတေသနသူများနှင့် ပူးပေါင်းလုပ်ဆောင်ခဲ့သည်။
Algorithmic Fairness	2018 - MIT Gender Shades Study သည် လိင်ခွဲခြားမှု AI ထုတ်ကုန်များ၏ တိကျမှုကို သုံးသပ်ခဲ့ပြီး အမျိုးသမီးများနှင့် အရောင်ရှိသူများအတွက် တိကျမှုကွာဟမှုများကို ဖော်ထုတ်ခဲ့သည်။ 2019 Apple Card သည် အမျိုးသမီးများထက် အမျိုးသားများကို ခရက်ဒစ်နည်းပေးသည့်ပုံရသည်။ ၎င်းတို့သည် အယ်လဂိုရစ်သ်ကွဲလွဲမှုများကြောင့် လူမှု-စီးပွားရေးထိခိုက်မှုများကို ဖော်ပြခဲ့သည်။
Data Misrepresentation	2020 - Georgia ပြည်နယ် COVID-19 charts သည် အတည်ပြုထားသော ကူးစက်မှုအခြေအနေများအပေါ် လှည့်ဖြားသော အကျိုးသက်ရောက်မှုများကို ဖြစ်စေသော x-axis ပေါ်တွင် မရိုးရိုးစဉ်လိုက်စီစဉ်မှုများဖြင့် ပြည်သူများကို လှည့်ဖြားခဲ့သည်။ ၎င်းသည် visualization tricks ဖြင့် အချက်အလက်များကို လှည့်ဖြားဖော်ပြမှုကို ဖော်ပြသည်။
Illusion of free choice	2020 - ABCmouse သင်ကြားရေး app FTC အပြစ်တင်မှုကို $10M ဖြင့် ဖြေရှင်းခဲ့သည်။ ၎င်းသည် မိဘများကို စာရင်းသွင်းမှုများကို ပယ်ဖျက်၍ မရနိုင်သောအခြေအနေတွင် ထိန်းချုပ်ခဲ့သည်။ ၎င်းသည် အသုံးပြုသူများကို ထိခိုက်စေသော ရွေးချယ်မှုများကို အားပေးသည့် dark patterns ကို ဖော်ပြသည်။
Data Privacy & User Rights	2021 - Facebook Data Breach သည် 530M အသုံးပြုသူများ၏ အချက်အလက်များကို ဖော်ထုတ်ခဲ့ပြီး FTC အတွက် $5B ဖြေရှင်းခဲ့သည်။ သို့သော် အသုံးပြုသူများကို အချက်အလက်ဖော်ထုတ်မှုအကြောင်း မသတိပေးခဲ့ပါ။ ၎င်းသည် အသုံးပြုသူ၏ အချက်အလက်ထင်ရှားမှုနှင့် ဝင်ရောက်ခွင့်ကို ချိုးဖောက်ခဲ့သည်။

နောက်ထပ် ကိစ္စလေ့လာမှုများကို လေ့လာလိုပါသလား? ဤအရင်းအမြစ်များကို ကြည့်ပါ:

• Ethics Unwrapped - စက်မှုလုပ်ငန်းများအမျိုးမျိုးတွင် ကျင့်ဝတ်ပြဿနာများ။
• Data Science Ethics course - landmark case studies explored။
• Where things have gone wrong - deon checklist နှင့် ဥပမာများ။

🚨 သင်ကြည့်ရှုခဲ့သော ကိစ္စလေ့လာမှုများကို စဉ်းစားပါ - သင်၏ဘဝတွင် အလားတူကျင့်ဝတ်ပြဿနာတစ်ခုကို ကြုံတွေ့ခဲ့ပါသလား? ဤအပိုင်းတွင် ဆွေးနွေးခဲ့သော ကျင့်ဝတ်ပြဿနာတစ်ခုကို ဖော်ပြသည့် ကိစ္စလေ့လာမှုတစ်ခုကို အနည်းဆုံး စဉ်းစားနိုင်ပါသလား?

Applied Ethics

ကျင့်ဝတ်ဆိုင်ရာ အယူအဆများ၊ ပြဿနာများနှင့် အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများတွင် case studies များကို ဆွေးနွေးခဲ့ပါသည်။ သို့သော် ကျင့်ဝတ်ဆိုင်ရာ အခြေခံသဘောတရားများနှင့် လုပ်ထုံးလုပ်နည်းများကို အသုံးချ စတင်ရန် သင်ဘယ်လိုလုပ်ရမလဲ? သင်၏စီမံကိန်းများအတွက် governance ကို လုပ်ဆောင် ရန် သင်ဘယ်လိုလုပ်ရမလဲ? အမှန်တကယ်ဖြစ်ပျက်သော ဖြေရှင်းနည်းများကို လေ့လာကြည့်ပါ။

1. Professional Codes

Professional Codes သည် အဖွဲ့အစည်းများအနေဖြင့် ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ အခြေခံသဘောတရားများနှင့် mission statement ကို အဖွဲ့ဝင်များအား "အားပေး" ရန် ရွေးချယ်မှုတစ်ခုကို ပေးသည်။ Codes သည် အဖွဲ့အစည်း၏ အခြေခံသဘောတရားများနှင့် ကိုက်ညီသော ဆုံးဖြတ်ချက်များကို လုပ်ဆောင်ရန် ဝန်ထမ်းများ သို့မဟုတ် အဖွဲ့ဝင်များကို ကူညီပေးသည့် ကျင့်ဝတ်လမ်းညွှန်ချက်များ ဖြစ်သည်။ ၎င်းတို့သည် အဖွဲ့ဝင်များ၏ အလိုအလျောက်လိုက်နာမှုအပေါ် မူတည်သည်။ သို့သော် အဖွဲ့အစည်းများသည် အဖွဲ့ဝင်များ၏လိုက်နာမှုကို အားပေးရန် အပိုဆုများနှင့် အပြစ်များကို ပေးသည်။

ဥပမာများမှာ:

• Oxford Munich Code of Ethics
• Data Science Association Code of Conduct (created 2013)
• ACM Code of Ethics and Professional Conduct (since 1993)

🚨 သင်သည် Professional engineering သို့မဟုတ် data science အဖွဲ့အစည်းတစ်ခု၏ အဖွဲ့ဝင်ဖြစ်ပါသလား? ၎င်းတို့၏ site ကို လေ့လာပြီး ကျင့်ဝတ်ဆိုင်ရာ code of ethics ကို သတ်မှတ်ထားပါသလားဆိုတာ ကြည့်ပါ။ ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ အခြေခံသဘောတရားများအကြောင်း ဘာများပြောထားပါသလဲ? အဖွဲ့ဝင်များအား code ကို လိုက်နာရန် "အားပေး" နည်းလမ်းများကို ဘယ်လိုလုပ်ဆောင်နေပါသလဲ?

2. Ethics Checklists

Professional codes သည် ကျင့်ဝတ်ဆိုင်ရာ လုပ်ဆောင်မှုများကို သတ်မှတ်ပေးသော်လည်း အကန့်အသတ်များ ရှိသည်။ အထူးသဖြင့် အကြီးစားစီမံကိန်းများတွင် enforcement အတွက် အခက်အခဲများရှိသည်။ ထို့အစား data science ကျွမ်းကျင်သူများသည် checklists ကို အားပေးသည်။ ၎င်းသည် principles များကို လုပ်ဆောင်မှုများနှင့် ချိတ်ဆက် ပေးပြီး ပိုမိုသတ်မှတ်နိုင်သော နည်းလမ်းများဖြင့် လုပ်ဆောင်နိုင်သည်။

Checklists သည် မေးခွန်းများကို "yes/no" tasks အဖြစ် ပြောင်းလဲပြီး operationalized ဖြစ်စေသည်။ ၎င်းတို့ကို standard product release workflows အတွင်းတွင် tracking အဖြစ် ထည့်သွင်းနိုင်သည်။

ဥပမာများမှာ:

• Deon - industry recommendations မှ ဖန်တီးထားသော general-purpose data ethics checklist တစ်ခုဖြစ်ပြီး command-line tool ဖြင့် integration လွယ်ကူစေသည်။
• Privacy Audit Checklist - ဥပဒေရေးရာနှင့် လူမှုရေးအထောက်အထားများအရ အချက်အလက်ကို ကိုင်တွယ်မှုအတွက် လမ်းညွှန်ချက်များပေးသည်။
• AI Fairness Checklist - AI ဖွံ့ဖြိုးမှုဆိုင်ရာ cycles တွင် fairness checks များကို ထည့်သွင်းအသုံးပြုရန် အထောက်အကူဖြစ်စ
• Machine Learning For Beginners - Microsoft မှ Fairness အကြောင်း သင်ခန်းစာ။
• Principles of Responsible AI - Microsoft Learn မှ အခမဲ့ သင်ကြားမှု လမ်းကြောင်း။
• Ethics and Data Science - O'Reilly EBook (M. Loukides, H. Mason et. al)
• Data Science Ethics - University of Michigan မှ အွန်လိုင်း သင်တန်း။
• Ethics Unwrapped - University of Texas မှ ကိစ္စလေ့လာမှုများ။

လုပ်ငန်း

Data Ethics Case Study ရေးရန်

---

အကြောင်းကြားချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရားရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲသုံးစားမှု သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။