ML-For-Beginners/translations/bn/1-Introduction/3-fairness

দায়িত্বশীল AI সঙ্গে মেশিন লার্নিং সমাধান তৈরি

স্কেচনোট Tomomi Imura দ্বারা

পূর্ব-লেকচার কুইজ

পরিচিতি

এই পাঠক্রমে, আপনি আবিষ্কার করতে শুরু করবেন যে মেশিন লার্নিং কীভাবে এবং কীভাবে আমাদের দৈনন্দিন জীবনে প্রভাব ফেলছে। এমনকি এখনো, সিস্টেম এবং মডেলগুলি দৈনন্দিন সিদ্ধান্ত গ্রহণের কাজগুলোতে জড়িত, যেমন স্বাস্থ্যসেবা নির্ণয়, ঋণ অনুমোদন বা জালিয়াতি সনাক্তকরণ। তাই, এই মডেলগুলো ভাল কাজ করা গুরুত্বপূর্ণ যাতে ফলাফলগুলি বিশ্বাসযোগ্য হয়। যেকোনো সফটওয়্যার অ্যাপ্লিকেশনের মত, AI সিস্টেমগুলো প্রত্যাশা মিস করতে পারে বা অনাকাঙ্ক্ষিত ফলাফল প্রদান করতে পারে। এজন্য AI মডেলের আচরণ বুঝতে এবং ব্যাখ্যা করতে পারা অত্যাবশ্যক।

কল্পনা করুন, যখন আপনি যে ডেটা ব্যবহার করছেন মডেল গড়ার জন্য সেটিতে নির্দিষ্ট কিছু জনসমষ্টি যেমন জাতি, লিঙ্গ, রাজনৈতিক দৃষ্টিভঙ্গি, ধর্ম অনুপস্থিত বা অসমভাবে প্রতিনিধিত্ব করছে। যখন মডেলের আউটপুট কোনো একটি জনসমষ্টির পক্ষপাত করে ব্যাখ্যা করা হয় তখন কী হবে? প্রয়োগের জন্য এর কি পরিণতি? এছাড়াও, যখন মডেল নেতিবাচক ফল দেয় এবং মানুষের জন্য ক্ষতিকর হয় তখন কী হবে? AI সিস্টেমের আচরণের জন্য কে দায়ী? এই হল কিছু প্রশ্ন যা আমরা এই পাঠক্রমে অন্বেষণ করব।

এই পাঠে আপনি:

• মেশিন লার্নিংএ ন্যায্যতার গুরুত্ব এবং ন্যায্যতা-সম্পর্কিত ক্ষতির বিষয়ে আপনার সচেতনতা বৃদ্ধি করবেন।
• নির্ভরযোগ্যতা এবং নিরাপত্তা নিশ্চিত করতে আউটলার এবং অস্বাভাবিক পরিস্থিতি অনুসন্ধানের প্র্যাকটিস সম্পর্কে পরিচিত হবেন।
• অন্তর্ভুক্তিমূলক সিস্টেম ডিজাইনের মাধ্যমে সবাইকে ক্ষমতায়ন করার প্রয়োজনীয়তা বুঝতে পারবেন।
• তথ্য ও মানুষের গোপনীয়তা ও নিরাপত্তা রক্ষার কি গুরুত্ব তা অন্বেষণ করবেন।
• AI মডেলের আচরণ ব্যাখ্যা করার জন্য গ্লাস বক্স পদ্ধতির গুরুত্ব দেখবেন।
• AI সিস্টেমে বিশ্বাস গড়ার জন্য দায়বদ্ধতার প্রয়োজনীয়তা সম্পর্কে সচেতন হবেন।

পূর্বপ্রয়োজনীয়তা

পূর্বপ্রয়োজনীয়তা হিসেবে, দয়া করে "Responsible AI Principles" শেখার পথ গ্রহণ করুন এবং নিচের ভিডিওটি দেখুন:

এই Learning Path অনুসরণ করে দায়িত্বশীল AI সম্পর্কে আরও জানুন

🎥 উপরোক্ত ছবিতে ক্লিক করে একটি ভিডিও দেখুন: Microsoft's Approach to Responsible AI

ন্যায্যতা

AI সিস্টেমগুলো সকলকে ন্যায্যভাবে আচরণ করা উচিত এবং একই ধরনের মানুষের একাধিক গোষ্ঠীকে বিভিন্নভাবে প্রভাবিত করা এড়ানো উচিত। উদাহরণস্বরূপ, যখন AI সিস্টেমগুলি চিকিৎসা চিকিৎসা, ঋণ আবেদন বা চাকরিতে নির্দেশনা প্রদান করে, তখন তাদের একই লক্ষণ, আর্থিক পরিস্থিতি, বা পেশাগত যোগ্যতা সম্পন্ন সবাইকে একই পরামর্শ দেওয়া উচিত। প্রত্যেক মানুষের মধ্যেই উত্তরাধিকার সূত্রে প্রাপ্ত পক্ষপাত থাকে যা আমাদের সিদ্ধান্ত ও ক্রিয়াকলাপকে প্রভাবিত করে। এই ধরণের পক্ষপাত AI সিস্টেম প্রশিক্ষণে ব্যবহৃত ডেটাতে প্রকাশ পেতে পারে। কখনো কখনো এটি অজান্তেই ঘটে। সচেতনভাবে জানা কঠিন কখন আপনি ডেটাতে পক্ষপাত প্রবেশ করাচ্ছেন।

“অন্যায়” মানে হলো নেতিবাচক প্রভাব বা “ক্ষতি”, যেমন জাতি, লিঙ্গ, বয়স বা প্রতিবন্ধকতা অবস্থার ভিত্তিতে সংজ্ঞায়িত একটি গোষ্ঠীর জন্য। প্রধান ন্যায্যতা-সম্পর্কিত ক্ষতিসমূহ শ্রেণীবদ্ধ করা যায়:

• বণ্টন, উদাহরণস্বরূপ লিঙ্গ বা জাতি যাতে অন্যের চেয়ে প্রাধান্য পায়।
• সেবার গুণমান। যদি কোনো নির্দিষ্ট পরিস্থিতির জন্য ডেটা প্রশিক্ষণ দেওয়া হয় কিন্তু বাস্তবতা অনেক বেশি জটিল হয়, তাহলে খারাপ কর্মক্ষমতার সেবা হয়। উদাহরণস্বরূপ, একটি হাত ধোয়ার সাবানের ডিসপেন্সার যা অন্ধকার ত্বকের মানুষকে সনাক্ত করতে পারেনি। Reference
• বিরূপ মন্তব্য। অন্যায়ভাবে সমালোচনা ও লেবেল করা। উদাহরণস্বরূপ, একটি ছবি লেবেলিং প্রযুক্তি অন্ধকার ত্বকের মানুষদের ছবিকে গরিলার মতো ভুল লেবেল করেছিল।
• অতিরিক্ত বা কম প্রতিনিধিত্ব। ধারণাটি হলো কোনো একটি গোষ্ঠী একটি পেশায় দেখা যায় না, আর কোনো সেবা বা ফাংশন যা সেটি প্রচার করে সেটি ক্ষতিসাধন করে।
• স্টেরিওটাইপিং। কোনো গোষ্ঠীকে পূর্বনির্ধারিত বৈশিষ্ট্যের সাথে যুক্ত করা। উদাহরণস্বরূপ, ইংরেজি ও তুর্কি ভাষার অনুবাদ ব্যবস্থায় লিঙ্গভিত্তিক স্টেরিওটাইপিকাল শব্দ ব্যবহারে ভুল হতে পারে।

তুর্কিতে অনুবাদ

আবার ইংরেজিতে অনুবাদ

AI সিস্টেম ডিজাইন এবং পরীক্ষা করার সময়, নিশ্চিত করতে হবে AI ন্যায্য এবং পক্ষপাতদুষ্ট বা বৈষম্যমূলক সিদ্ধান্ত গ্রহণের জন্য প্রোগ্রাম করা হয়নি, যা মানুষেরাও করতে পারে না। AI ও মেশিন লার্নিং-এ ন্যায্যতা নিশ্চিত রাখা জটিল সামাজিক-প্রযুক্তিগত চ্যালেঞ্জ।

নির্ভরযোগ্যতা এবং নিরাপত্তা

বিশ্বাস গড়ে তুলতে, AI সিস্টেমগুলিকে নির্ভরযোগ্য, নিরাপদ ও সাধারণ এবং অপ্রত্যাশিত অবস্থায় ধারাবাহিক হতে হবে। বিভিন্ন পরিস্থিতিতে AI সিস্টেম কেমন আচরণ করবে জানা গুরুত্বপূর্ণ, বিশেষ করে যখন তারা আউটলার হয়। AI সমাধান তৈরি করার সময় বিভিন্ন বিচিত্র পরিস্থিতির মোকাবেলায় যথেষ্ট মনোযোগ দিতে হবে যা AI সিস্টেম পেতে পারে। উদাহরণস্বরূপ, একটি স্বয়ংচালিত গাড়ি মানুষের নিরাপত্তাকে সর্বোচ্চ অগ্রাধিকার দিতে হবে। তাই গাড়ির AI-কে সন্ধ্যা, ঝড়, তুষারঝড়, রাস্তা পার হওয়া শিশুরা, পোষা প্রাণী, রাস্তা নির্মাণ ইত্যাদি পরিস্থিতি বিবেচনা করতে হবে। একটি AI সিস্টেম কীভাবে বিস্তৃত পরিস্থিতি নির্ভরযোগ্য ও নিরাপদে মোকাবেলা করে তা ডিজাইন বা পরীক্ষার সময় ডেটা বিজ্ঞানী বা AI ডেভেলপার কতটা পূর্বাভাস দিয়েছেন তা প্রতিফলিত করে।

🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ নির্ভরযোগ্যতা এবং নিরাপত্তা

অন্তর্ভুক্তিমূলকতা

AI সিস্টেম ডিজাইন করা উচিত সবাইকে সক্রিয় এবং ক্ষমতায়িত করার জন্য। যখন AI সিস্টেম ডিজাইন ও বাস্তবায়ন করেন, তখন ডেটা বিজ্ঞানী এবং ডেভেলপাররা সিস্টেমে এমন বাধাগুলো শনাক্ত করে ও সমাধান করেন যা অনিচ্ছাকৃতভাবে মানুষকে বর্জন করতে পারে। উদাহরণস্বরূপ, পৃথিবীতে প্রায় ১ বিলিয়ন প্রতিবন্ধী মানুষ রয়েছে। AI-এর অগ্রগতির সাথে তারা দৈনন্দিন জীবনে সহজে অনেক তথ্য ও সুযোগ পেতে পারে। বাধাগুলো ঠিক করে AI পণ্য উন্নয়ন ও উদ্ভাবনের সুযোগ সৃষ্টি হয় যা সবার জন্য উন্নত অভিজ্ঞতা প্রদান করে।

🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ অন্তর্ভুক্তিমূলকতা

নিরাপত্তা এবং গোপনীয়তা

AI সিস্টেম নিরাপদ হওয়া উচিত এবং মানুষের গোপনীয়তা সম্মান করা উচিত। যারা তাদের গোপনীয়তা, তথ্য বা জীবন ঝুঁকিতে ফেলে, সেসব সিস্টেমে মানুষের বিশ্বাস কম থাকে। মেশিন লার্নিং মডেল প্রশিক্ষণে আমরা ডেটার ওপর নির্ভর করি সর্বোত্তম ফলাফল দেওয়ার জন্য। তাই ডেটার উৎস এবং অখণ্ডতা বিবেচনা করা অপরিহার্য। যেমন, ডেটা ব্যবহারকারী দ্বারা জমা দেওয়া নাকি প্রকাশ্যে পাওয়া যায়? এরপর কাজ করার সময় গোপনীয় তথ্য রক্ষা করতে পারে এবং আক্রমণের প্রতিরোধ করতে পারে এমন AI সিস্টেম তৈরি করতে হবে। AI যখন প্রচলিত হচ্ছে, ব্যক্তিগত ও ব্যবসায়িক তথ্য সুরক্ষা আরও গুরুত্বপূর্ণ ও জটিল হচ্ছে। গোপনীয়তা এবং ডেটা নিরাপত্তা AI-এর জন্য বিশেষভাবে গুরুত্বপূর্ণ কারণ সঠিক ও তথ্যভিত্তিক পূর্বাভাস ও সিদ্ধান্ত নিতে AI সিস্টেমের ডেটা প্রবেশাধিকার অপরিহার্য।

🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ নিরাপত্তা

• শিল্প হিসেবে আমরা গোপনীয়তা ও নিরাপত্তায় উল্লেখযোগ্য অগ্রগতি করেছি, যা GDPR (General Data Protection Regulation) মত নিয়মাবলীর দ্বারা ব্যাপকভাবে চালিত।
• তথাপি AI সিস্টেমে আমাদের স্বীকার করতে হবে যে ব্যক্তিগত ডেটা বেশি প্রয়োজন যাতে সিস্টেম আরও ব্যক্তিগত এবং কার্যকর হয়—এবং গোপনীয়তার মধ্যে উত্তেজনা থাকে।
• যেমন ইন্টারনেট সংযুক্ত কম্পিউটারের জন্মের সময়, এখন AI সম্পর্কিত অনেক নিরাপত্তা সমস্যা বেড়ে চলেছে।
• একই সঙ্গে আমরা দেখছি AI নিরাপত্তা উন্নত করার জন্য ব্যবহৃত হচ্ছে। উদাহরণস্বরূপ, বর্তমানে আধুনিক অ্যান্টিভাইরাস স্ক্যানারগুলো AI হিউরিস্টিক দ্বারা চালিত।
• আমাদের নিশ্চিত করতে হবে ডেটা সায়েন্স প্রক্রিয়াগুলো সাম্প্রতিক গোপনীয়তা ও নিরাপত্তা অনুশীলনের সাথে সাদৃশ্যপূর্ণ।

স্বচ্ছতা

AI সিস্টেম বুঝতে সুবিধাজনক হওয়া উচিত। স্বচ্ছতার অন্যতম গুরুত্বপূর্ণ অংশ হলো AI সিস্টেম ও তাদের উপাদানগুলোর আচরণ ব্যাখ্যা করা। AI সিস্টেম বোধগম্য করতে স্টেকহোল্ডারদের বুঝতে হবে কিভাবে এবং কেন তারা কাজ করে যাতে তারা সম্ভাব্য কর্মক্ষমতা সমস্যা, নিরাপত্তা ও গোপনীয়তা উদ্বেগ, পক্ষপাত, বর্জনমূলক প্র্যাকটিস বা অনাকাঙ্ক্ষিত ফলাফল চিহ্নিত করতে পারে। আমরা বিশ্বাস করি যারা AI সিস্টেম ব্যবহার করে তারা কখন, কেন এবং কিভাবে সেগুলো ব্যবহার করবে সে বিষয়ে খোলাখুলি এবং সততা বজায় রাখবে। তাদের ব্যবহৃত সিস্টেমের সীমাবদ্ধতাও জানাতে হবে। উদাহরণস্বরূপ, যদি কোনো ব্যাংক গ্রাহকের ঋণ সিদ্ধান্তে AI সিস্টেম ব্যবহার করে, ফলাফল পরীক্ষা করা এবং জানতে হবে কোন ডেটা সিস্টেমের সুপারিশে প্রভাব ফেলে। সরকার শিল্পগুলোতে AI নিয়ন্ত্রণ শুরু করেছে, তাই ডেটা বিজ্ঞানী ও প্রতিষ্ঠানকে ব্যাখ্যা করতে হবে AI সিস্টেম নিয়ন্ত্রক চাহিদা পূরণ করে কি না, বিশেষত যখন অপ্রত্যাশিত ফল হয়।

🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ স্বচ্ছতা

• AI সিস্টেম অত্যন্ত জটিল, তাই কীভাবে কাজ করে এবং ফলাফল ব্যাখ্যা করা কঠিন।
• এই বোঝাপড়ার অভাবে সিস্টেমগুলি ব্যবস্থাপনা, অপারেশন ও নথিভুক্তকরণে প্রভাব পড়ে।
• সবচেয়ে গুরুত্বপূর্ণ, এই বোঝাপড়ার অভাবে এই সিস্টেমগুলি তৈরি ফলাফলের ভিত্তিতে গৃহীত সিদ্ধান্তগুলিতে প্রভাব পড়ে।

দায়িত্ব

যারা AI সিস্টেম ডিজাইন ও বাস্তবায়ন করে তারা তাদের সিস্টেমের অপারেশনের জন্য দায়িত্বশীল হতে হবে। দায়িত্বপূর্ণ থাকা বিশেষভাবে গুরুত্বপূর্ণ স্পর্শকাতর প্রযুক্তির জন্য যেমন মুখ সনাক্তকরণ। সম্প্রতি, মুখ সনাক্তকরণ প্রযুক্তির চাহিদা বাড়ছে, বিশেষত আইন প্রয়োগকারী সংস্থার থেকে যারা মিসিং শিশু খুঁজে পাওয়ার মতো কাজে এর সম্ভাবনা দেখে। তবে এই প্রযুক্তি সরকার কর্তৃক নাগরিকদের মৌলিক স্বাধীনতাকে ঝুঁকিতে ফেলার জন্য যেমন নিরবিচ্ছিন্ন নজরদারিতে ব্যবহৃত হতে পারে। সুতরাং, ডেটা বিজ্ঞানী ও প্রতিষ্ঠানদের দায়িত্ব নিতে হবে AI সিস্টেমের প্রভাব সম্পর্কে যা ব্যক্তি বা সমাজকে প্রভাবিত করে।

🎥 উপরোক্ত ছবিতে ক্লিক করে একটি ভিডিও দেখুন: মুখ সনাক্তকরণের মাধ্যমে ব্যাপক নজরদারির সতর্কতা

মূলত আমাদের প্রজন্মের জন্য সবচেয়ে বড় প্রশ্ন হলো, যেহেতু আমরা প্রথম প্রজন্ম যারা AI সমাজে নিয়ে আসছে, কীভাবে নিশ্চিত করা যায় কম্পিউটাররা মানুষের প্রতি দায়িত্বশীল থাকবে এবং যারা কম্পিউটার ডিজাইন করে তারা অন্য সবার প্রতি দায়িত্বশীল থাকবে।

প্রভাব মূল্যায়ন

মেশিন লার্নিং মডেল প্রশিক্ষণের আগে, AI সিস্টেমের উদ্দেশ্য বুঝতে একটি প্রভাব মূল্যায়ন করা গুরুত্বপূর্ণ; এর ব্যবহার কী; কোথায় এটি বাস্তবায়িত হবে; এবং কে সিস্টেমের সাথে ইন্টারাক্ট করবে। এটি রিভিউয়ার বা পরীক্ষকের জন্য কার্যকর যারা সিস্টেম পর্যালোচনার সময় সম্ভাব্য ঝুঁকি এবং প্রত্যাশিত পরিণতি নিরূপনে বিষয়গুলো বিবেচনা করবে।

প্রভাব মূল্যায়ন করার সময় নিম্নলিখিত ক্ষেত্রগুলো ফোকাস হয়:

• ব্যক্তিদের উপর নেতিবাচক প্রভাব। যেকোনো সীমাবদ্ধতা, বাধা বা অপ্রত্যাশিত ব্যবহার ও সীমাবদ্ধতার সচেতন থাকা জরুরি যাতে সিস্টেম স্বাস্থ্যের জন্য ক্ষতিকর না হয়।
• ডেটা চাহিদা। সিস্টেম ডেটা ব্যবহার করবে কোথায় ও কীভাবে তা বোঝা রিভিউয়ারদের ডেটা চাহিদা যেমন GDPR বা HIPAA ডেটা নিয়মাবলী যাচাই করতে সাহায্য করে। এছাড়া ডেটার উৎস বা পরিমাণ প্রশিক্ষণের জন্য যথেষ্ট কিনা তা খতিয়ে দেখা।
• প্রভাবের সারাংশ। সিস্টেম ব্যবহারের ফলে উদ্ভূত সম্ভাব্য ক্ষতির তালিকা সংগ্রহ। ML জীবনচক্র জুড়ে নির্ধারিত সমস্যা মোকাবেলা বা সমাধান হয়েছে কিনা পর্যালোচনা।
• সম্ভাব্য লক্ষ্যসমূহ প্রতিটি ছয়টি মূল নীতির জন্য। মূলনীতির লক্ষ্য পূরণ হয়েছে কিনা এবং কোনো ফাঁক আছে কিনা মূল্যায়ন।

দায়িত্বশীল AI দিয়ে ডিবাগিং

সফটওয়্যার অ্যাপ্লিকেশন ডিবাগ করার মত, AI সিস্টেম ডিবাগিং হলো সিস্টেমের সমস্যা সনাক্ত ও সমাধানের প্রয়োজনীয় প্রক্রিয়া। অনেক কারণ আছে যার ফলে মডেল প্রত্যাশিত বা দায়িত্বশীলভাবে কাজ করে না। অধিকাংশ প্রচলিত মডেল পারফরমেন্স মেট্রিক হলো মডেলের পারফরমেন্সের পরিমাণগত সারাংশ, যা পর্যাপ্ত নয় যখন বিশ্লেষণ করতে হয় কিভাবে মডেল দায়িত্বশীল AI নীতিমালা লঙ্ঘন করে। তদুপরি, মেশিন লার্নিং মডেল একটি ব্ল্যাক বক্স যা তার ফলাফলের কারণ বুঝতে ও ভুল হলে ব্যাখ্যা দিতে কঠিন। পরবর্তী এই কোর্সে, আমরা শিখব কিভাবে দায়িত্বশীল AI ড্যাশবোর্ড ব্যবহার করে AI সিস্টেম ডিবাগ করা যায়। ড্যাশবোর্ড ডেটা বিজ্ঞানী এবং AI ডেভেলপারদের জন্য একটি হোলিস্টিক টুল যা প্রদান করে:

• ত্রুটি বিশ্লেষণ। মডেলের ত্রুটি বিতরণ নির্ধারণ করতে যা সিস্টেমের ন্যায্যতা বা নির্ভরযোগ্যতার ওপর প্রভাব ফেলে।
• মডেল ওভারভিউ। ডেটা কোহর্টের মধ্যে মডেলের পারফরমেন্স বৈষম্য কোথায় তা আবিষ্কার করতে।
• ডেটা বিশ্লেষণ। ডেটা বিতরণ বুঝতে এবং সম্ভাব্য পক্ষপাত সনাক্ত করতে যা ন্যায্যতা, অন্তর্ভুক্তিমূলকতা ও নির্ভরযোগ্যতার সমস্যা সৃষ্টি করতে পারে।
• মডেল ব্যাখ্যাযোগ্যতা। মডেলের পূর্বাভাসে কি প্রভাব ফেলে তা বুঝতে। এটি মডেলের আচরণ ব্যাখ্যা করতে সাহায্য করে, যা স্বচ্ছতা ও দায়িত্বের জন্য গুরুত্বপূর্ণ।

🚀 চ্যালেঞ্জ

ক্ষতি প্রথম থেকেই প্রতিরোধ করতে হলে আমাদের:

• সিস্টেমে কাজ করা মানুষের মধ্যে পটভূমি ও দৃষ্টিভঙ্গির বৈচিত্র্য থাকতে হবে
• আমাদের সমাজের বৈচিত্র্য প্রতিফলিত করে এমন ডেটাসেটে বিনিয়োগ করতে হবে
• পুরো মেশিন লার্নিং জীবনচক্র জুড়ে দায়িত্বহীন AI সনাক্ত ও সংশোধনের উন্নত পদ্ধতি তৈরি করতে হবে

বাস্তব জীবনের পরিস্থিতি সম্পর্কে ভাবুন যেখানে মডেলের অবিশ্বাসযোগ্যতা মডেল নির্মাণ ও ব্যবহারে স্পষ্ট। আর কী বিবেচনা করা উচিত?

পোস্ট-লেকচার কুইজ

রিভিউ ও স্ব-অধ্যয়ন

এই পাঠে, আপনি মেশিন লার্নিংয়ে ন্যায্যতা এবং অন্যায়ের মৌলিক ধারণাগুলো শিখেছেন।

নিচের কর্মশালা দেখুন বিষয়গুলো গভীরভাবে বুঝতে:

• দায়িত্বশীল AI অনুসরণে: নীতিমালা বাস্তবে আনার উপর Besmira Nushi, Mehrnoosh Sameki এবং Amit Sharma দ্বারা

🎥 উপরের ছবিতে ক্লিক করে একটি ভিডিও দেখুন: RAI Toolbox: দায়িত্বশীল এআই তৈরির জন্য একটি ওপেন-সোর্স ফ্রেমওয়ার্ক, তৈরি করেছেন বেসমিরা নুশি, মেহরনুশ সামেকি, এবং অমিত শর্মা

এছাড়াও পড়ুন:

• মাইক্রোসফটের RAI রিসোর্স সেন্টার: দায়িত্বশীল এআই রিসোর্স – মাইক্রোসফট এআই

• মাইক্রোসফটের FATE গবেষণা দল: FATE: ন্যায্যতা, জবাবদিহিতা, স্বচ্ছতা, এবং নৈতিকতা এআই-তে - মাইক্রোসফট রিসার্চ

RAI Toolbox:

• দায়িত্বশীল এআই টুলবক্স গিটহাব রিপোজিটরি

আজুর মেশিন লার্নিং এর ন্যায্যতা নিশ্চিত করার টুল নিয়ে পড়ুন:

• আজুর মেশিন লার্নিং

অ্যাসাইনমেন্ট

RAI Toolbox অন্বেষণ করুন

---

অস্বীকৃতি: এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।