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

Utangulizi wa Maadili ya Takwimu

Maadili ya Sayansi ya Takwimu - Sketchnote na @nitya

---

Sote ni raia wa takwimu tunaishi katika dunia iliyojaa takwimu.

Mwelekeo wa soko unaonyesha kwamba kufikia mwaka 2022, 1 kati ya 3 ya mashirika makubwa yataweza kununua na kuuza takwimu zao kupitia Masoko na Mabadilishano ya Mtandaoni. Kama Watengenezaji wa Programu, tutapata urahisi na gharama nafuu ya kuunganisha maarifa yanayotokana na takwimu na otomatiki inayotokana na algorithimu katika uzoefu wa kila siku wa watumiaji. Lakini kadri AI inavyozidi kuenea, tutahitaji pia kuelewa madhara yanayoweza kusababishwa na utumiaji mbaya wa algorithimu hizi kwa kiwango kikubwa.

Mwelekeo unaonyesha kwamba kufikia mwaka 2025, tutazalisha na kutumia zaidi ya zettabytes 180 za takwimu. Kwa Wanasayansi wa Takwimu, mlipuko huu wa taarifa unatoa fursa ya kipekee ya kupata takwimu za kibinafsi na tabia. Pamoja na hayo, kuna nguvu ya kujenga maelezo ya kina ya watumiaji na kuathiri maamuzi kwa njia ya hila—mara nyingi kwa njia zinazokuza udanganyifu wa uhuru wa kuchagua. Ingawa hii inaweza kutumika kuhamasisha watumiaji kuelekea matokeo yanayopendelewa, pia inazua maswali muhimu kuhusu faragha ya takwimu, uhuru, na mipaka ya kimaadili ya ushawishi wa algorithimu.

Maadili ya takwimu sasa ni miongozo muhimu kwa sayansi ya takwimu na uhandisi, yakitusaidia kupunguza madhara yanayoweza kutokea na matokeo yasiyotarajiwa kutoka kwa vitendo vyetu vinavyotegemea takwimu. Gartner Hype Cycle for AI inatambua mwelekeo muhimu katika maadili ya kidijitali, AI inayowajibika, na usimamizi wa AI kama vichochezi vikuu vya mwelekeo mkubwa wa demokrasia na viwanda vya AI.

Katika somo hili, tutachunguza eneo la kuvutia la maadili ya takwimu - kuanzia dhana za msingi na changamoto, hadi masomo ya kesi na dhana za AI zinazotumika kama usimamizi - ambazo husaidia kuanzisha utamaduni wa maadili katika timu na mashirika yanayofanya kazi na takwimu na AI.

Jaribio la awali la somo 🎯

Ufafanuzi wa Msingi

Tuanzie kwa kuelewa istilahi za msingi.

Neno "maadili" linatokana na neno la Kigiriki "ethikos" (na mzizi wake "ethos") likimaanisha tabia au asili ya maadili.

Maadili yanahusu maadili ya pamoja na kanuni za kimaadili zinazotawala tabia zetu katika jamii. Maadili hayategemei sheria bali yanategemea kanuni zinazokubalika kwa ujumla kuhusu nini ni "sahihi dhidi ya makosa". Hata hivyo, masuala ya kimaadili yanaweza kuathiri mipango ya usimamizi wa mashirika na kanuni za serikali zinazounda motisha zaidi ya kufuata.

Maadili ya Takwimu ni tawi jipya la maadili linalochunguza na kutathmini matatizo ya kimaadili yanayohusiana na takwimu, algorithimu na mazoea yanayohusiana. Hapa, "takwimu" inazingatia vitendo vinavyohusiana na uzalishaji, kurekodi, kuhifadhi, kuchakata, kusambaza, kushiriki, na kutumia, "algorithimu" inazingatia AI, mawakala, kujifunza kwa mashine, na roboti, na "mazoea" yanazingatia mada kama uvumbuzi unaowajibika, programu, udukuzi, na kanuni za maadili.

Maadili Yanayotumika ni matumizi ya vitendo ya maadili. Ni mchakato wa kuchunguza kwa bidii masuala ya kimaadili katika muktadha wa vitendo halisi, bidhaa na michakato, na kuchukua hatua za kurekebisha ili kuhakikisha kuwa zinabaki kulingana na maadili yetu yaliyofafanuliwa.

Utamaduni wa Maadili unahusu utekelezaji wa maadili yanayotumika ili kuhakikisha kwamba kanuni zetu za kimaadili na mazoea yanatekelezwa kwa njia thabiti na inayoweza kupanuka katika shirika zima. Utamaduni wa maadili uliofanikiwa hufafanua kanuni za kimaadili za shirika zima, hutoa motisha ya maana ya kufuata, na kuimarisha kanuni za maadili kwa kuhimiza na kukuza tabia zinazotakiwa katika kila ngazi ya shirika.

Dhana za Maadili

Katika sehemu hii, tutajadili dhana kama maadili ya pamoja (kanuni) na changamoto za kimaadili (matatizo) kwa maadili ya takwimu - na kuchunguza masomo ya kesi yanayokusaidia kuelewa dhana hizi katika muktadha wa ulimwengu halisi.

1. Kanuni za Maadili

Kila mkakati wa maadili ya takwimu huanza kwa kufafanua kanuni za maadili - "maadili ya pamoja" yanayoelezea tabia zinazokubalika, na kuongoza vitendo vinavyofuata sheria, katika miradi yetu ya takwimu na AI. Unaweza kufafanua hizi katika ngazi ya mtu binafsi au timu. Hata hivyo, mashirika makubwa mengi hufafanua hizi katika taarifa ya dhamira ya AI ya kimaadili au mfumo unaofafanuliwa katika ngazi ya shirika na kutekelezwa kwa uthabiti katika timu zote.

Mfano: Taarifa ya dhamira ya AI inayowajibika ya Microsoft inasomeka: "Tumejitolea kuendeleza AI inayosukumwa na kanuni za kimaadili zinazoweka watu mbele" - ikitambua kanuni 6 za kimaadili katika mfumo ulio hapa chini:

Hebu tuchunguze kwa ufupi kanuni hizi. Uwajibikaji na uwazi ni maadili ya msingi ambayo kanuni nyingine zinajengwa juu yake - kwa hivyo tuanze hapo:

• Uwajibikaji huwafanya watendaji wajibike kwa shughuli zao za takwimu na AI, na kufuata kanuni hizi za kimaadili.
• Uwazi huhakikisha kwamba vitendo vya takwimu na AI vinaeleweka (vinaweza kufasiriwa) na watumiaji, kwa kuelezea nini na kwa nini nyuma ya maamuzi.
• Haki - inazingatia kuhakikisha AI inawatendea watu wote kwa haki, ikishughulikia upendeleo wowote wa kijamii au wa kiufundi katika takwimu na mifumo.
• Uaminifu na Usalama - huhakikisha kwamba AI inafanya kazi kwa uthabiti na maadili yaliyofafanuliwa, ikipunguza madhara yanayoweza kutokea au matokeo yasiyotarajiwa.
• Faragha na Usalama - inahusu kuelewa mzunguko wa takwimu, na kutoa faragha ya takwimu na ulinzi unaohusiana kwa watumiaji.
• Ujumuishi - inahusu kubuni suluhisho za AI kwa nia, kuzibadilisha ili kukidhi mahitaji na uwezo mbalimbali ya binadamu.

🚨 Fikiria kuhusu nini taarifa yako ya dhamira ya maadili ya takwimu inaweza kuwa. Chunguza mifumo ya AI ya kimaadili kutoka kwa mashirika mengine - hapa kuna mifano kutoka IBM, Google, na Facebook. Ni maadili gani ya pamoja wanayoshiriki? Je, kanuni hizi zinahusiana vipi na bidhaa za AI au sekta wanayofanya kazi?

2. Changamoto za Maadili

Mara tu tunapokuwa na kanuni za maadili zilizofafanuliwa, hatua inayofuata ni kutathmini vitendo vyetu vya takwimu na AI ili kuona kama vinakubaliana na maadili hayo ya pamoja. Fikiria kuhusu vitendo vyako katika makundi mawili: ukusanyaji wa takwimu na muundo wa algorithimu.

Katika ukusanyaji wa takwimu, vitendo vinaweza kuhusisha takwimu za kibinafsi au taarifa zinazoweza kumtambua mtu binafsi. Hii inajumuisha vitu mbalimbali vya takwimu zisizo za kibinafsi ambavyo kwa pamoja vinaweza kumtambua mtu. Changamoto za kimaadili zinaweza kuhusiana na faragha ya takwimu, umiliki wa takwimu, na mada zinazohusiana kama idhini ya taarifa na haki za mali ya kiakili kwa watumiaji.

Katika muundo wa algorithimu, vitendo vitahusisha kukusanya na kuhifadhi seti za takwimu, kisha kuzitumia kufundisha na kuendesha miundo ya takwimu inayotabiri matokeo au kuendesha maamuzi katika muktadha wa ulimwengu halisi. Changamoto za kimaadili zinaweza kutokea kutokana na upendeleo wa seti ya takwimu, masuala ya ubora wa takwimu, kutokuwa na haki, na upotoshaji katika algorithimu - ikiwa ni pamoja na masuala mengine ambayo ni ya mfumo.

Katika hali zote mbili, changamoto za maadili zinaonyesha maeneo ambapo vitendo vyetu vinaweza kukutana na migogoro na maadili yetu ya pamoja. Ili kugundua, kupunguza, kupunguza, au kuondoa wasiwasi huu - tunahitaji kuuliza maswali ya kimaadili ya "ndiyo/hapana" yanayohusiana na vitendo vyetu, kisha kuchukua hatua za kurekebisha kama inavyohitajika. Hebu tuangalie baadhi ya changamoto za kimaadili na maswali ya kimaadili wanayozua:

2.1 Umiliki wa Takwimu

Ukusanyaji wa takwimu mara nyingi unahusisha takwimu za kibinafsi zinazoweza kumtambua mhusika wa takwimu. Umiliki wa takwimu unahusu udhibiti na haki za mtumiaji zinazohusiana na uundaji, uchakataji, na usambazaji wa takwimu.

Maswali ya kimaadili tunayotakiwa kuuliza ni:

• Nani anamiliki takwimu? (mtumiaji au shirika)
• Ni haki gani walizonazo wahusika wa takwimu? (mfano: ufikiaji, kufutwa, kubebeka)
• Ni haki gani mashirika yanayo? (mfano: kurekebisha maoni ya watumiaji yenye nia mbaya)

2.2 Idhini ya Taarifa

Idhini ya taarifa inafafanua kitendo cha watumiaji kukubali hatua (kama vile ukusanyaji wa takwimu) kwa ufahamu kamili wa ukweli muhimu ikiwa ni pamoja na kusudi, hatari zinazowezekana, na mbadala.

Maswali ya kuchunguza hapa ni:

• Je, mtumiaji (mhusika wa takwimu) alitoa idhini ya kukusanya na kutumia takwimu?
• Je, mtumiaji alielewa kusudi ambalo takwimu hizo zilichukuliwa?
• Je, mtumiaji alielewa hatari zinazowezekana kutoka kwa ushiriki wao?

2.3 Mali ya Kiakili

Mali ya kiakili inahusu ubunifu wa kiakili unaotokana na juhudi za binadamu, ambazo zinaweza kuwa na thamani ya kiuchumi kwa watu binafsi au biashara.

Maswali ya kuchunguza hapa ni:

• Je, takwimu zilizokusanywa zina thamani ya kiuchumi kwa mtumiaji au biashara?
• Je, mtumiaji ana mali ya kiakili hapa?
• Je, shirika lina mali ya kiakili hapa?
• Ikiwa haki hizi zipo, tunazilindaje?

2.4 Faragha ya Takwimu

Faragha ya takwimu au faragha ya taarifa inahusu uhifadhi wa faragha ya mtumiaji na ulinzi wa utambulisho wa mtumiaji kuhusiana na taarifa zinazoweza kumtambua mtu binafsi.

Maswali ya kuchunguza hapa ni:

• Je, takwimu za kibinafsi za watumiaji zinalindwa dhidi ya udukuzi na uvujaji?
• Je, takwimu za watumiaji zinapatikana tu kwa watumiaji na muktadha ulioidhinishwa?
• Je, utambulisho wa watumiaji unahifadhiwa wakati takwimu zinashirikiwa au kusambazwa?
• Je, mtumiaji anaweza kutotambulika kutoka kwa seti za takwimu zilizofichwa?

2.5 Haki ya Kusahaulika

Haki ya Kusahaulika au Haki ya Kufutwa inatoa ulinzi wa ziada wa takwimu za kibinafsi kwa watumiaji. Hasa, inawapa watumiaji haki ya kuomba kufutwa au kuondolewa kwa takwimu za kibinafsi kutoka kwa utafutaji wa mtandao na maeneo mengine, chini ya hali maalum - ikiwapa mwanzo mpya mtandaoni bila matendo ya zamani kuwahukumu.

Maswali ya kuchunguza hapa ni:

• Je, mfumo unaruhusu wahusika wa takwimu kuomba kufutwa?
• Je, uondoaji wa idhini ya mtumiaji unapaswa kusababisha kufutwa kiotomatiki?
• Je, takwimu zilichukuliwa bila idhini au kwa njia zisizo halali?
• Je, tunafuata kanuni za serikali kuhusu faragha ya takwimu?

2.6 Upendeleo wa Seti ya Takwimu

Seti ya takwimu au Upendeleo wa Ukusanyaji unahusu kuchagua sehemu isiyo ya uwakilishi ya takwimu kwa ajili ya maendeleo ya algorithimu, na kuunda matokeo yasiyo ya haki kwa makundi mbalimbali. Aina za upendeleo ni pamoja na upendeleo wa uteuzi au sampuli, upendeleo wa kujitolea, na upendeleo wa chombo.

Maswali ya kuchunguza hapa ni:

• Je, tulikusanya seti ya wahusika wa takwimu inayowakilisha?
• Je, tulijaribu seti yetu ya takwimu iliyokusanywa au kuhifadhiwa kwa upendeleo mbalimbali?
• Je, tunaweza kupunguza au kuondoa upendeleo wowote uliogunduliwa?

2.7 Ubora wa Takwimu

[Ub

• Je, taarifa zimekusanywa kwa usahihi ili kuakisi hali halisi?

2.8 Usawa wa Algorithimu

Usawa wa Algorithimu huchunguza kama muundo wa algorithimu unawabagua kwa mfumo maalum makundi fulani ya watu, na kusababisha madhara yanayowezekana katika ugawaji (ambapo rasilimali zinanyimwa au kuzuiliwa kwa kundi hilo) na ubora wa huduma (ambapo AI haifanyi kazi kwa usahihi sawa kwa makundi fulani kama inavyofanya kwa mengine).

Maswali ya kuzingatia hapa ni:

• Je, tulipima usahihi wa modeli kwa makundi na hali mbalimbali?
• Je, tulichunguza mfumo kwa madhara yanayowezekana (mfano, ubaguzi wa kijinsia)?
• Je, tunaweza kurekebisha data au kufundisha upya modeli ili kupunguza madhara yaliyotambuliwa?

Gundua rasilimali kama Orodha za ukaguzi wa usawa wa AI ili kujifunza zaidi.

2.9 Upotoshaji

Upotoshaji wa Data ni kuhusu kujiuliza kama tunawasilisha maarifa kutoka kwa data iliyoripotiwa kwa uaminifu kwa njia ya udanganyifu ili kuunga mkono simulizi fulani.

Maswali ya kuzingatia hapa ni:

• Je, tunaripoti data isiyo kamili au isiyo sahihi?
• Je, tunawasilisha data kwa njia inayosababisha hitimisho la kupotosha?
• Je, tunatumia mbinu za takwimu za kuchagua ili kudanganya matokeo?
• Je, kuna maelezo mbadala yanayoweza kutoa hitimisho tofauti?

2.10 Uhuru wa Kuchagua

Udanganyifu wa Uhuru wa Kuchagua hutokea pale ambapo "miundo ya uchaguzi" ya mfumo hutumia algorithimu za kufanya maamuzi kuwashawishi watu kuchukua matokeo yanayopendelewa huku wakionekana kuwa na chaguo na udhibiti. Mifumo hii ya giza inaweza kusababisha madhara ya kijamii na kiuchumi kwa watumiaji. Kwa kuwa maamuzi ya watumiaji huathiri wasifu wa tabia, vitendo hivi vinaweza kuendesha chaguo za baadaye ambazo zinaweza kuongeza au kupanua athari za madhara haya.

Maswali ya kuzingatia hapa ni:

• Je, mtumiaji alielewa athari za kufanya chaguo hilo?
• Je, mtumiaji alikuwa na ufahamu wa chaguo (mbadala) na faida na hasara za kila moja?
• Je, mtumiaji anaweza kubadilisha chaguo lililoathiriwa au lililoamuliwa kiotomatiki baadaye?

3. Masomo ya Kesi

Ili kuweka changamoto hizi za kimaadili katika muktadha wa ulimwengu halisi, inasaidia kuangalia masomo ya kesi yanayoonyesha madhara na matokeo yanayoweza kutokea kwa watu binafsi na jamii, pale ambapo ukiukaji wa maadili hauzingatiwi.

Hapa kuna mifano kadhaa:

Changamoto ya Maadili	Somo la Kesi
Idhini ya Habari	1972 - Utafiti wa Kaswende wa Tuskegee - Wanaume wa Kiafrika wa Marekani walioshiriki katika utafiti waliahidiwa huduma ya matibabu lakini walidanganywa na watafiti ambao hawakuwajulisha kuhusu utambuzi wao au upatikanaji wa matibabu. Wengi walikufa na wenzi au watoto waliathirika; utafiti ulidumu kwa miaka 40.
Faragha ya Data	2007 - Zawadi ya data ya Netflix iliwapa watafiti alama za filamu milioni 10 zilizofichwa kutoka kwa wateja 50,000 ili kusaidia kuboresha algorithimu za mapendekezo. Hata hivyo, watafiti waliweza kuunganisha data iliyofichwa na data inayotambulika kibinafsi katika seti za data za nje (mfano, maoni ya IMDb) - kwa ufanisi "kufichua" baadhi ya wateja wa Netflix.
Upendeleo wa Ukusanyaji	2013 - Jiji la Boston liliunda Street Bump, programu iliyowawezesha raia kuripoti mashimo barabarani, ikilipa jiji data bora ya barabara ili kutambua na kurekebisha matatizo. Hata hivyo, watu katika makundi ya kipato cha chini walikuwa na upatikanaji mdogo wa magari na simu, na kufanya matatizo yao ya barabara kuwa yasiyoonekana katika programu hii. Watengenezaji walishirikiana na wasomi kushughulikia upatikanaji sawa na mgawanyiko wa kidijitali kwa usawa.
Usawa wa Algorithimu	2018 - Utafiti wa MIT Gender Shades ulipima usahihi wa bidhaa za AI za uainishaji wa kijinsia, ukionyesha mapungufu ya usahihi kwa wanawake na watu wa rangi. Kadi ya Apple ya 2019 ilionekana kutoa mikopo kidogo kwa wanawake kuliko wanaume. Zote zilionyesha masuala ya upendeleo wa algorithimu yanayosababisha madhara ya kijamii na kiuchumi.
Upotoshaji wa Data	2020 - Idara ya Afya ya Georgia ilitoa chati za COVID-19 ambazo zilionekana kupotosha raia kuhusu mwenendo wa kesi zilizothibitishwa kwa mpangilio usio wa kijiografia kwenye mhimili wa x. Hii inaonyesha upotoshaji kupitia mbinu za taswira.
Udanganyifu wa uhuru wa kuchagua	2020 - Programu ya kujifunza ABCmouse ililipa $10M kumaliza malalamiko ya FTC ambapo wazazi walinaswa kulipa kwa usajili ambao hawakuweza kufuta. Hii inaonyesha mifumo ya giza katika miundo ya uchaguzi, ambapo watumiaji walishawishiwa kuchukua chaguo zinazoweza kuwa na madhara.
Faragha ya Data na Haki za Watumiaji	2021 - Uvujaji wa Data wa Facebook ulifichua data kutoka kwa watumiaji milioni 530, na kusababisha makubaliano ya $5B na FTC. Hata hivyo, ilikataa kuwajulisha watumiaji kuhusu uvujaji huo, ikikiuka haki za watumiaji kuhusu uwazi wa data na upatikanaji.

Unataka kuchunguza masomo zaidi ya kesi? Angalia rasilimali hizi:

• Ethics Unwrapped - changamoto za maadili katika sekta mbalimbali.
• Kozi ya Maadili ya Sayansi ya Data - masomo ya kesi maarufu yanachunguzwa.
• Mahali ambapo mambo yameenda vibaya - orodha ya ukaguzi ya deon yenye mifano.

🚨 Fikiria kuhusu masomo ya kesi ambayo umeona - je, umewahi kupitia au kuathiriwa na changamoto ya kimaadili kama hiyo maishani mwako? Je, unaweza kufikiria angalau somo moja la kesi linaloonyesha mojawapo ya changamoto za kimaadili tulizojadili katika sehemu hii?

Maadili ya Kivitendo

Tumeelezea dhana za maadili, changamoto, na masomo ya kesi katika muktadha wa ulimwengu halisi. Lakini tunaanzaje kutumia kanuni na mazoea ya kimaadili katika miradi yetu? Na tunafanyaje utekelezaji wa mazoea haya kwa utawala bora? Hebu tuchunguze suluhisho za ulimwengu halisi:

1. Kanuni za Kitaaluma

Kanuni za Kitaaluma zinatoa chaguo moja kwa mashirika "kuwahamasisha" wanachama wao kuunga mkono kanuni zao za kimaadili na taarifa ya dhamira. Kanuni ni miongozo ya kimaadili kwa tabia ya kitaaluma, kusaidia wafanyakazi au wanachama kufanya maamuzi yanayolingana na kanuni za shirika lao. Zinategemea utiifu wa hiari kutoka kwa wanachama; hata hivyo, mashirika mengi hutoa zawadi na adhabu za ziada ili kuhamasisha utiifu kutoka kwa wanachama.

Mifano ni pamoja na:

• Oxford Munich Kanuni za Maadili
• Chama cha Sayansi ya Data Kanuni za Tabia (iliundwa 2013)
• Kanuni za Maadili na Tabia ya Kitaaluma za ACM (tangu 1993)

🚨 Je, wewe ni mwanachama wa shirika la uhandisi au sayansi ya data? Chunguza tovuti yao ili kuona kama wanataja kanuni za kitaaluma za maadili. Hii inasema nini kuhusu kanuni zao za kimaadili? Wanahamasishaje wanachama kufuata kanuni hizo?

2. Orodha za Ukaguzi wa Maadili

Wakati kanuni za kitaaluma zinafafanua tabia ya kimaadili inayohitajika kutoka kwa wataalamu, zina mapungufu yanayojulikana katika utekelezaji, hasa katika miradi mikubwa. Badala yake, wataalamu wengi wa Sayansi ya Data wanapendekeza orodha za ukaguzi, ambazo zinaweza kuunganisha kanuni na mazoea kwa njia ya kimaamuzi na inayoweza kutekelezwa.

Orodha za ukaguzi hubadilisha maswali kuwa kazi za "ndiyo/hapana" ambazo zinaweza kutekelezwa, na kuruhusu kufuatiliwa kama sehemu ya mtiririko wa kazi wa kawaida wa kutolewa kwa bidhaa.

Mifano ni pamoja na:

• Deon - orodha ya ukaguzi ya maadili ya data ya matumizi ya jumla iliyoundwa kutoka kwa mapendekezo ya sekta na zana ya mstari wa amri kwa urahisi wa ujumuishaji.
• Orodha ya Ukaguzi wa Ukaguzi wa Faragha - inatoa mwongozo wa jumla kwa mazoea ya kushughulikia taarifa kutoka kwa mitazamo ya kisheria na kijamii.
• Orodha ya Ukaguzi wa Usawa wa AI - iliyoundwa na wataalamu wa AI kusaidia kupitishwa na ujumuishaji wa ukaguzi wa usawa katika mizunguko ya maendeleo ya AI.
• Maswali 22 kwa maadili katika data na AI - mfumo wa wazi zaidi, uliopangwa kwa uchunguzi wa awali wa masuala ya kimaadili katika muundo, utekelezaji, na muktadha wa shirika.

3. Kanuni za Maadili

Maadili ni kuhusu kufafanua maadili ya pamoja na kufanya jambo sahihi kwa hiari. Utiifu ni kuhusu kufuata sheria ikiwa na pale inapofafanuliwa. Utawala kwa ujumla unahusu njia zote ambazo mashirika yanafanya kazi ili kutekeleza kanuni za kimaadili na kufuata sheria zilizowekwa.

Leo, utawala unachukua aina mbili ndani ya mashirika. Kwanza, ni kuhusu kufafanua kanuni za AI ya kimaadili na kuanzisha mazoea ya kutekeleza kupitishwa kwa miradi yote inayohusiana na AI katika shirika. Pili, ni kuhusu kufuata kanuni zote za ulinzi wa data zinazotolewa na serikali kwa maeneo inayoendesha.

Mifano ya kanuni za ulinzi wa data na faragha:

• 1974, Sheria ya Faragha ya Marekani - inasimamia serikali ya shirikisho ukusanyaji, matumizi, na ufichuzi wa taarifa za kibinafsi.
• 1996, Sheria ya Uhamaji na Uwajibikaji wa Bima ya Afya ya Marekani (HIPAA) - inalinda data ya afya ya kibinafsi.
• 1998, Sheria ya Ulinzi wa Faragha ya Mtoto Mtandaoni ya Marekani (COPPA) - inalinda faragha ya data ya watoto chini ya miaka 13.
• 2018, Kanuni ya Ulinzi wa Data ya Jumla (GDPR) - inatoa haki za watumiaji, ulinzi wa data, na faragha.
• 2018, Sheria ya Faragha ya Watumiaji wa California (CCPA) inawapa watumiaji haki zaidi juu ya data yao (ya kibinafsi).
• 2021, Sheria ya Ulinzi wa Taarifa za Kibinafsi ya China imepitishwa, ikianzisha mojawapo ya kanuni kali zaidi za faragha ya data mtandaoni duniani.

🚨 Umoja wa Ulaya ulifafanua GDPR (Kanuni ya Ulinzi wa Data ya Jumla) ambayo inabaki kuwa mojawapo ya kanuni zenye ushawishi mkubwa wa faragha ya data leo. Je, unajua pia inafafanua haki 8 za watumiaji ili kulinda faragha ya kidijitali na data ya kibinafsi ya raia? Jifunze kuhusu haki hizi ni zipi, na kwa nini zinajali.

4. Utamaduni wa Maadili

Kumbuka kuwa kuna pengo lisiloonekana kati ya utiifu (kufanya vya kutosha kufikia "barua ya sheria") na kushughulikia masuala ya kimfumo (kama ugumu wa mabadiliko, usawa wa taarifa, na kutokuwepo kwa usawa wa mgawanyo) ambayo yanaweza kuharakisha silaha ya AI.

Hili linahitaji njia za ushirikiano za kufafanua utamaduni wa maadili zinazojenga uhusiano wa kihisia na maadili ya pamoja yanayolingana katika mashirika katika sekta. Hii inahitaji utamaduni wa maadili ya data ulio rasmi zaidi katika mashirika - kuruhusu mtu yeyote kushusha kamba ya Andon (kuibua wasiwasi wa kimaadili mapema katika mchakato) na kufanya tathmini za kimaadili (mfano, katika kuajiri) kuwa kigezo kikuu cha uundaji wa timu katika miradi ya AI.

---

Jaribio la baada ya somo 🎯

Mapitio na Kujisomea

Kozi na vitabu husaidia kuelewa dhana za msingi za maadili na changamoto, wakati masomo ya kesi na zana husaidia katika mazoea ya maadili ya kivitendo katika muktadha wa ulimwengu halisi. Hapa kuna rasilimali chache za kuanza nazo

• Machine Learning For Beginners - somo kuhusu Usawa, kutoka Microsoft.
• Principles of Responsible AI - njia ya kujifunza bila malipo kutoka Microsoft Learn.
• Ethics and Data Science - Kitabu cha O'Reilly (M. Loukides, H. Mason na wengine).
• Data Science Ethics - kozi ya mtandaoni kutoka Chuo Kikuu cha Michigan.
• Ethics Unwrapped - masomo ya kesi kutoka Chuo Kikuu cha Texas.

Kazi

Andika Uchunguzi wa Kesi Kuhusu Maadili ya Takwimu

---

Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.