ML-For-Beginners/translations/km/1-Introduction/3-fairness/README.md

# ការសាងសង់ដំណោះស្រាយរបស់ការរៀនម៉ាស៊ីនជាមួយ AI ដែលមានការទទួលខុសត្រូវ
 
![សង្ខេបអំពី AI ដែលមានការទទួលខុសត្រូវក្នុងការរៀនម៉ាស៊ីនជាមួយនូវគំនូរសង្ខេប](../../../../translated_images/km/ml-fairness.ef296ebec6afc98a.webp)
> គំនូរសង្ខេបដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac)

## [សំនួរជំនួញមុនមុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/)
 
## ការណែនាំ

នៅក្នុងវគ្គសិក្សានេះ អ្នកនឹងចាប់ផ្តើមរកឃើញថា តើការរៀនម៉ាស៊ីនអាចមានឥទ្ធិពល និងកំពុងប៉ះពាល់ដល់ជីវិតប្រចាំថ្ងៃរបស់យើងយ៉ាងដូចម្តេច។ ទោះបីជាឥលូវនេះ ការតំឡើងប្រព័ន្ធ និងគំរូបានស្ថិតក្នុងការអនុវត្តន៍ការផ្តល់សេចក្ដីសម្រេចក្នុងជីវិតប្រចាំថ្ងៃ ដូចជាការធ្វើវេជ្ជបញ្ជា ការអនុម័តបំណុល ឬការរកឃើញការលួចលើស។ ដូច្នេះ វាសំខាន់ណាស់ដែលគំរូទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជាមុខងារសូម្បីតែកម្មវិធីទូទៅណាមួយ ប្រព័ន្ធ AI អាចនឹងខកខានរំពឹងទុក ឬមានលទ្ធផលមិនល្អ។ នេះហើយជាហេតុផលដែលវាសំខាន់ក្នុងការរួមរៀនយល់ និងពន្យល់អំពីអាកប្បកិរិយារបស់គំរូ AI។

សូមនឹកស្រមៃអ្វីអាចកើតឡើងពេលដែលទិន្នន័យដែលអ្នកប្រើក្នុងការសាងសង់គំរូទាំងនេះខ្វះខាតពូជភាគីមួយចំនួន ដូចជាជាតិសាសន៍ ភេទ មតិយោបល់នយោបាយ សាសនា ឬតំណាងមិនសមស្របចំពោះពូជភាគីនោះ។ តើមានអ្វីកើតឡើងនៅពេលលទ្ធផលគំរូត្រូវបានបកស្រាយក្នុងទិសដៅគាំទ្រដល់ពូជភាគីមួយចំនួន? ប្រសិនបើគំរូមានលទ្ធផលអវិជ្ជមាន ហើយបង្ករខូចខាតដល់មនុស្ស តើនរណាជាទទួលខុសត្រូវចំពោះអាកប្បកិរិយារបស់ប្រព័ន្ធ AI? នេះគឺជាសំណួរមួយចំនួនដែលយើងនឹងស្រាវជ្រាវក្នុងវគ្គសិក្សានេះ។

នៅក្នុងមេរៀននេះ អ្នកនឹង:

- ឡើងកម្រិតការយល់ដឹងអំពីសារៈសំខាន់នៃភាពត្រឹមត្រូវក្នុងការរៀនម៉ាស៊ីន និងការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវ។
- ធ្លាប់ទទួលស្គាល់ពីការអនុវត្តន៍ស្វែងរកអត្តឃាត និងស្ថានភាពអវិជ្ជមាន ដើម្បីធានាសុវត្ថិភាព និងភាពជឿជាក់។
- យល់ដឹងពីចាំបាច់ក្នុងការចែកអំណាចជូនមនុស្សគ្រប់រូប ដោយរចនាប្រព័ន្ធបញ្ចូលគ្នា។
- ស្វែងយល់ពីសារៈសំខាន់នៃការការពារភាពឯកជន និងសុវត្ថិភាពនៃទិន្នន័យ និងមនុស្ស។
- មើលថា មានសារៈសំខាន់ក្នុងការអនុវត្តវិធីសាស្រ្តកញ្ចក់បំបែក ដើម្បីពន្យល់អាកប្បកិរិយារបស់គំរូ AI។
- ប្រុងប្រយ័ត្នពីភាពទទួលខុសត្រូវ ដែលមានសារៈសំខាន់សម្រាប់ការបង្កើតទំនុកចិត្តក្នុងប្រព័ន្ធ AI។

## លក្ខខណ្ឌមុន

ជាលក្ខខណ្ឌមុន សូមអ្នកចូលរួមយល់ពីនីតិវិធី "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមស្តីពីប្រធានបទនេះ។

រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវ ដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)

[![វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ")

> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ: វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ

## ភាពត្រឹមត្រូវ

ប្រព័ន្ធ AI គួរតែដោះស្រាយមនុស្សគ្រប់រូបយ៉ាងត្រឹមត្រូវ និងជៀសវាងការប៉ះពាល់ដល់ក្រុមមនុស្សដូចគ្នាទៅក្នុងវិធីផ្សេងៗគ្នា។ ឧទាហរណ៍ ពេលប្រព័ន្ធ AI ផ្តល់នូវការណែនាំអំពីការព្យាបាលវេជ្ជសាស្រ្ត ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ នេះគួរតែផ្តល់យោបល់ដូចគ្នា ទៅមនុស្សគ្រប់រូបដែលមានរលក្ខណៈពិបាក ស្ថានភាពហិរញ្ញវត្ថុ ឬគុណវុឌ្ឍិវិជ្ជាជីវៈដូចគ្នា។ មនុស្សម្នាក់ៗជាអ្នកមានអត្រាប្រជាជនដែលបានបណ្តាលឲ្យកើតមានការរំខាន ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ ការរំខានទាំងនេះអាចត្រូវបានចង្អុលបង្ហាញក្នុងទិន្នន័យដែលយើងប្រើសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធ AI ។ ការបំលែងនេះអាចកើតឡើងដោយមិនចៃដន្យ។ វាក៏ពិបាកក្នុងការយល់បានយ៉ាងយកចិត្តទុកដាក់ថា ពេលណាអ្នកបានបញ្ចូលអត្រាប្រជាជនក្នុងទិន្នន័យ។

**“ភាពមិនត្រឹមត្រូវ”** គ្របដណ្តប់លើផលប៉ះពាល់អវិជ្ជមាន ឬ “ការខូចខាត” របស់ក្រុមមនុស្ស ដូចជាក្រុមដែលបានកំណត់ដោយជាតិភេទ អាយុ ឬស្ថានភាពពិការភាព។ ការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវអាចចែកចេញជា៖

- **ការចែកចាយ** ប្រសិនបើភេទ ឬជាតិសាសន៍មួយត្រូវបានលើកទឹកចិត្តយ៉ាងបំផុតជាងមួយផ្សេងទៀត។
- **គុណភាពសេវាកម្ម** ប្រសិនបើអ្នកបណ្តុះបណ្តាលទិន្នន័យសម្រាប់ស្ថានភាពជាក់លាក់មួយ ប៉ុន្តែនៅពេលពិតវាមានភាពស្មុគស្មាញច្រើន វានាំឲ្យសេវាកម្មមានគុណភាពទាប។ ឧទាហរណ៍ ប្រដាប់ចាក់សាប៊ូដៃមួយដែលមិនអាចសម្គាល់មនុស្សដែលមានស្បែកខ្មៅបាន។ [ហេតុផល](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **ការខិតខំដេទ** បង្ហាញជាអាក្រក់ និងដាក់ស្លាកអំពីអ្វីមួយ ឬនរណាមួយដោយមិនត្រឹមត្រូវ។ ឧទាហរណ៍ បច្ចេកវិទ្យាស្លាកបង្ហាញរូបភាពបានដាក់ស្លាករូបភាពនៃមនុស្សស្បែកងងឹតដូចជាគ្រូហុច។
- **ការបង្ហាញពុម្ពលើឬក្រោម** គំនិតគឺថាក្រុមមួយមិនត្រូវបានឃើញក្នុងវិជ្ជាជីវៈមួយ និងសេវាកម្ម ឬមុខងារណាមួយដែលបន្តលើកតម្កើងករណីនេះកំពុងបង្កើតការខូចខាត។
- **ការរំលេចពុម្ពគំរូ** ភ្ជាប់ក្រុមមួយជាមួយលក្ខណៈដែលបានកំណត់ជាមុន។ ឧទាហរណ៍ ប្រព័ន្ធបកប្រែភាសារវាងភាសាអង់គ្លេស និងភាសាទួរគីអាចមានការខុសប្លែកដោយសារពាក្យដែលមានការភ្ជាប់ពុម្ពលើភេទ។

![បកប្រែទៅភាសាទួរគី](../../../../translated_images/km/gender-bias-translate-en-tr.f185fd8822c2d437.webp)
> បកប្រែទៅភាសាទួរគី

![បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស](../../../../translated_images/km/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp)
> បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស

នៅពេលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI ត្រូវត្រូវបានបំពាក់ឲ្យមានភាពត្រឹមត្រូវ ហើយមិនទទួលប្រាក់ចំណេញដោយការអនុវត្តន៍ព្រហ្មទណ្ឌ ឬការលើកលែងទេ ដែលមនុស្សក៏ត្រូវបានហាមឃាត់ផងដែរ។ ការធានាថាភាពត្រឹមត្រូវក្នុង AI និងការរៀនម៉ាស៊ីននៅតែមួយជាបញ្ហាសង្គមបច្ចេកវិទ្យាដែលស្មុគស្មាញ។

### ភាពជឿជាក់ និងសុវត្ថិភាព

ដើម្បីកសាងទំនុកចិត្ត ប្រព័ន្ធ AI ត្រូវត្រូវបានមានភាពជឿជាក់ សុវត្ថិភាព និងឥរិយាបថថេរអ្នកនៅក្នុងលក្ខខណ្ឌធម្មតា និងលក្ខខណ្ឌមិនឆ្ងាញ់។ វាសំខាន់ក្នុងការដឹងថា ប្រព័ន្ធ AI នឹងមានឥរិយាបថយ៉ាងដូចម្តេច នៅក្នុងស្ថានភាពផ្សេងៗ ជាពិសេសពេលដែលពួកវាជាអត្តឃាត។ នៅពេលសាងសង់ដំណោះស្រាយ AI គួរត្រូវមានការផ្ដោតខ្លាំងលើរបៀបដោះស្រាយលក្ខខណ្ឌជាច្រើនដែលដំណោះស្រាយ AI នឹងប្រឈមមុខ។ ឧទាហរណ៍ រថយន្តបើកដោយខ្លួនឯងត្រូវដាក់សុវត្ថិភាពមនុស្សជាអាទិភាពខ្ពស់។ ដូច្នេះ AI ដែលបើកបររថយន្ត ត្រូវរៀបចំឲ្យពិចារណាលើលក្ខខណ្ឌដែលអាចនឹងកើតឡើង ដូចជាពេលយប់ ព្យុះខ្យល់ ឬព្យុះករណី កុមាររត់ឆ្លងផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ល។ វិធីដែលប្រព័ន្ធ AI អាចដោះស្រាយបញ្ហានានាទាំងនេះយ៉ាងគ្រឹះត្រូវ និងសុវត្ថិភាព បង្ហាញពីកំរិតនៃការរំពឹងទុកដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ ឬអ្នកអភិវឌ្ឍ AI បានគិតពេលរចនាឬសាកល្បងប្រព័ន្ធ។

> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)

### ភាពរួមបញ្ចូល

ប្រព័ន្ធ AI គួរត្រូវបានរចនាឲ្យផ្តល់នូវការចូលរួម និងអំណាចដល់មនុស្សគ្រប់រូប។ នៅពេលដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI រចនា និងអនុវត្តប្រព័ន្ធទាំងនេះ គេត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលអាចលុបចោលមនុស្សមួយចំនួនដោយមិនចៃដន្យ។ ឧទាហរណ៍ មានមនុស្សជាង ១ ពាន់លាននៅជុំវិញពិភពលោកមានជម្ងឺលំបាក។ ជាមួយនឹងការរីកចម្រើននៃ AI ពួកគេអាចចូលដំណើរការព័ត៌មាន និងឱកាសជាច្រើនបានងាយស្រួលយ៉ាងខ្លាំង។ ដោយដោះស្រាយឧបសគ្គនេះវាបង្កើតឱកាសក្នុងការបង្កើត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធន៍ល្អប្រសើរដល់មនុស្សគ្រប់រូប។

> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពរួមបញ្ចូលក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)

### សុវត្ថិភាព និងភាពឯកជន

ប្រព័ន្ធ AI គួរតែមានសុវត្ថិភាព និងគោរពភាពឯកជនរបស់មនុស្ស។ មនុស្សមានទំនុកចិត្តតិចជាងក្នុងប្រព័ន្ធដែលបង្កការប្រកាសឲ្យធ្វើការប៉ះពាល់លើភាពឯកជន ព័ត៌មាន ឬជីវិតរបស់ពួកគេ។ នៅពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន យើងពឹងផ្អែកលើទិន្នន័យដើម្បីបង្កើតលទ្ធផលល្អបំផុត។ ដូច្នេះ ប្រភពនៃទិន្នន័យ និងភាពស្មោះត្រង់ត្រូវត្រូវបានគិតទុកជាមុន។ ឧទាហរណ៍ តើទិន្នន័យមានប្រភពពីអ្នកប្រើប្រាស់ ឬមាននៅសាធារណៈ? បន្ទាប់មក នៅពេលធ្វើការជាមួយទិន្នន័យ វាសំខាន់ក្នុងការអភិវឌ្ឍប្រព័ន្ធ AI ដែលអាចការពារព័ត៌មានលម្អិត និងធន់ទ្រាំការវាយប្រហារ។ នៅពេល AI កាន់តែមានប្រជាប្រិយភាព ការការពារភាពឯកជន និងការការពារព័ត៌មានបុគ្គលនិងអាជីវកម្មសំខាន់ៗកាន់តែមានសារៈសំខាន់ និងស្មុគស្មាញ។ បញ្ហាភាពឯកជន និងសុវត្ថិភាពទិន្នន័យទាមទារការផ្តោតអារម្មណ៍ជាពិសេសសម្រាប់ AI ពីព្រោះការចូលប្រើទិន្នន័យជារឿងចាំបាច់ សម្រាប់ប្រព័ន្ធ AI ដើម្បីធ្វើការព្យាករ និងសម្រេចចិត្តត្រឹមត្រូវ និងមានព័ត៌មានគ្រប់គ្រាន់អំពីមនុស្ស។

> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: សុវត្ថិភាពក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)

- ជាឧស្សាហកម្ម យើងបានធ្វើការវិវឌ្ឍយ៉ាងខ្លាំងក្នុងការការពារ និងសុវត្ថិភាព ពីការប្រកាសដែលមានប្រតិបត្តិការដូច GDPR (បទបញ្ជានីតិវិធីការពារទិន្នន័យទូទៅ)។
- ទោះជាយ៉ាងណា លើប្រព័ន្ធ AI យើងត្រូវទទួលស្គាល់មូលហេតុភាពតានតឹងចំពោះការត្រូវការទិន្នន័យបុគ្គលបន្ថែមសម្រាប់ធ្វើឲ្យប្រព័ន្ធមានលទ្ធផលឥទ្ធិពលនិងមានអានុភាព – ដល់ភាពឯកជន។
- ដូចជាករណីកំណើតរបស់កុំព្យូទ័រតភ្ជាប់ជាមួយអ៊ីនធឺណិត យើងកំពុងឃើញក្របខ័ណ្ឌបញ្ហាសុវត្ថិភាពដែលទាក់ទងនឹង AI កើនឡើងយ៉ាងច្រើន។
- ពេលតែមួយ យើងបានឃើញថា AI ត្រូវបានប្រើប្រាស់ដើម្បីបង្កើនសុវត្ថិភាព។ ឧទាហរណ៍ កម្មវិធីរោទិ៍មេរោគច្រើនគឺមានគោលការណ៍ AI ជាមូលដ្ឋាន។
- យើងត្រូវធានាថា ដំណើរការវិទ្យាសាស្រ្តទិន្នន័យរបស់យើងត្រូវមានការចម្រុះយោគយល់ជាមួយការអនុវត្តលក្ខណៈថ្មីៗនៃភាពឯកជន និងសុវត្ថិភាព។


### ភាពច្បាស់លាស់
ប្រព័ន្ធ AI គួរត្រូវបានយល់ដឹងបានយ៉ាងច្បាស់។ ផ្នែកសំខាន់មួយនៃភាពច្បាស់លាស់គឺការពន្យល់អាកប្បកិរិយារបស់ប្រព័ន្ធ AI និងធាតុផ្សារបស់វា។ ការកែលម្អការយល់ដឹងអំពីប្រព័ន្ធ AI តម្រូវឱ្យអ្នកពាក់ព័ន្ធយល់ពីរបៀប និងមូលហេតុដែលវាធ្វើការ ដើម្បីពួកគេអាចកំណត់បញ្ហាអនុវត្ត ការព្រួយបារម្ភលើសុវត្ថិភាព និងភាពឯកជន ការចំណាយលើការខ្វះការចូលរួម ឬលទ្ធផលដែលមិនបានរំពឹង។ យើងក៏ជឿថា អ្នកប្រើប្រព័ន្ធ AI គួរតែសុចរិត និងត្រូវបង្ហាញពីពេលណា ហេតុអ្វី និងរបៀបដែលពួកគេច្រើនត្រូវប្រើប្រាស់វា។ ព្រមទាំងកំណត់លក្ខខណ្ឌនៃប្រព័ន្ធដែលពួកគេច្រើនប្រើប្រាស់។ ឧទាហរណ៍ ប្រសិនបើធនាគារ ប្រើប្រព័ន្ធ AI ដើម្បីគាំទ្រការសម្រេចចិត្តខ្ចីប្រាក់របស់អតិថិជន វាសំខាន់ក្នុងការពិនិត្យលទ្ធផលហើយយល់ថាទិន្នន័យណាដែលប៉ះពាល់លើការផ្តល់យោបល់របស់ប្រព័ន្ធ។ រាជរដ្ឋាភិបាលបានចាប់ផ្តើមគ្រប់គ្រង AI នៅឧស្សាហកម្ម ផ្ទាល់ខ្លួន អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវតែពន្យល់ថាប្រព័ន្ធ AI ណាដែលបំពេញតាមលក្ខខណ្ឌគ្រប់គ្រង យ៉ាងពិសេសនៅពេលដែលមានលទ្ធផលមិនចង់បាន។

> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពច្បាស់លាស់ក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)

- ព្រោះប្រព័ន្ធ AI មានភាពស្មុគស្មាញខ្ពស់ វាពិបាកក្នុងការយល់ថាវាធ្វើការយ៉ាងដូចម្តេច និងបកស្រាយលទ្ធផល។
- ការខ្វះការយល់ដឹងនេះប៉ះពាល់ទៅលើរបៀបដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង អនុវត្ត និងចុះបញ្ជី។
- ការ ខ្វះការយល់ដឹងនេះមានសារៈសំខាន់ជាងគេ ពេលធ្វើការសម្រេចចិត្តដោយប្រើលទ្ធផលដែលទទួលបានពីប្រព័ន្ធទាំងនេះ។

### ភាពទទួលខុសត្រូវ
 
មនុស្សដែលរចនា និងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ភាពចាំបាច់សម្រាប់ភាពទទួលខុសត្រូវមានសារៈសំខាន់ជាពិសេសក្នុងបច្ចេកវិទ្យាប្រើសម្គាល់មុខមនុស្ស។ ពីព្រោះឥឡូវនេះ មានការទាមទារកើនឡើងសម្រាប់បច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស ជាពិសេសពីស្ថាប័នច្បាប់ដែលឃើញថាបច្ចេកវិទ្យានេះអាចប្រើសម្រាប់ស្វែងរកកុមារបាត់ខ្លួន។ ទោះជាយ៉ាងណា បច្ចេកវិទ្យាណាខ្លះអាចត្រូវបានរដ្ឋាភិបាលប្រើសម្រាប់បង្កការជឿរដល់សេរីភាពមូលដ្ឋានរបស់ប្រជាពលរដ្ឋ ដូចជាការតាមដានបន្តបន្ទាប់លើមនុស្សជាក់លាក់។ ដូច្នេះ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវរក្សាភាពទទួលខុសត្រូវចំពោះវិធានការរបស់ប្រព័ន្ធ AI របស់ពួកគេចំពោះមនុស្ស ឬសង្គម។

[![អ្នកស្រាវជ្រាវ AI ផ្តល់ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស](../../../../translated_images/km/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ")

> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស

ចុងក្រោយមួយចំនួននៃសំណួរធំសម្រាប់ជំនាន់យើង ពីព្រោះជាជំនាន់ដំបូងដែលនាំ AI ទៅឲ្យសង្គម គឺ តើធ្វើដូចម្តេចដើម្បីធានាថា កុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្ស ហើយធានាថាមនុស្សដែលរចនាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្សគ្រប់រូប។

## ការវាយតម្លៃឥទ្ធិពល

មុនពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន វាសំខាន់ក្នុងការធ្វើការវាយតម្លៃឥទ្ធិពល ដើម្បីយល់ពីគោលបំណងនៃប្រព័ន្ធ AI; តើវាត្រូវប្រើសម្រាប់អ្វី; តើវាត្រូវប្រើនៅឯណា; និងតើនរណានឹងធ្វើប្រតិបត្តិការជាមួយប្រព័ន្ធ។ នេះជារឿងដែលពោរពេញទៅដោយប្រយោជន៍សម្រាប់អ្នកពិនិត្យ ឬអ្នកសាកល្បងប្រព័ន្ធ ដើម្បីដឹងថាត្រូវប្រាប់អ្វីខ្លះនៅពេលកំណត់ហានិភ័យអាចមាន និងផលវិបាកនឹងកើតមាន។

តំបន់ដែលត្រូវផ្ដោតពេលធ្វើការវាយតម្លៃឥទ្ធិពលមានដូចខាងក្រោម៖

* **ផលប៉ះពាល់អវិជ្ជមានលើមនុស្ស**។ ស្គាល់សំខាន់អំពីការកំណត់ ឬតម្រូវការ ការប្រើប្រាស់មិនគាំទ្រ ឬកំណត់ចំណុចខ្វះដែលបំពានសមត្ថភាពប្រព័ន្ធ ដើម្បីធានាថាបំណងប្រើប្រាស់ប្រព័ន្ធមិនបង្កការខូចខាតលើមនុស្ស។
* **តម្រូវការទិន្នន័យ**។ យល់ដឹងពីរបៀប និងទីកន្លែងដែលប្រព័ន្ធនឹងប្រើទិន្នន័យ អ្នកពិនិត្យអាចស្វែងរកតម្រូវការណាមួយដែលអ្នកត្រូវប្រុងប្រយ័ត្ន (ឧ. របៀបគ្រប់គ្រងទិន្នន័យ GDPR ឬ HIPAA)។ ក៏ដូចជាពិនិត្យមើលថាប្រភពឬចំនួនទិន្នន័យគ្រប់គ្រាន់សម្រាប់ការបណ្តុះបណ្តាលឬអត់។
* **សង្ខេបពីឥទ្ធិពល**។ ប្រមូលផ្តុំបញ្ជីនៃការខូចខាតអាចកើតមានពីការប្រើប្រាស់ប្រព័ន្ធ។ នៅកម្រិតវដ្តជីវិត ML ពិនិត្យមើលថាបញ្ហាដែលកំណត់បាន ត្រូវបានកាត់បន្ថយ ឬដោះស្រាយឲ្យស្រេច។
* **គោលបំណង សមស្រប** សម្រាប់គោលការណ៍មូលដ្ឋានប្រាំមួយ។ វាយតម្លៃថាគោលបំណងនៃគោលការណ៍នីមួយៗត្រូវបានបំពេញល្អឬមិន និងតើមានចន្លោះណាមួយអត់។


## ការរកកំហុសជាមួយ AI ដែលមានការទទួលខុសត្រូវ  

ដូចជាការរកកំហុសកម្មវិធីទូទៅ ការរកកំហុសប្រព័ន្ធ AI គឺជាដំណើរការសំខាន់ក្នុងការកំណត់ និងដោះស្រាយបញ្ហាក្នុងប្រព័ន្ធ។ មានហេតុផលជាច្រើនដែលអាចប៉ះពាល់ឲ្យគំរូមិនអនុវត្តតាមការរំពឹងទុក ឬមិនទទួលខុសត្រូវ។ ប្រភេទតុល្យមាត្រអនុវត្តគំរូធម្មតាច្រើនជាតុល្យមាត្រប្រមូលទិន្នន័យកំណត់លទ្ធភាពនៃការអនុវត្តគំរូ ដែលមិនគ្រប់គ្រាន់សម្រាប់វិភាគថាគំរូរំលំលើគោលការណ៍ AI ទទួលខុសត្រូវបែបណា។ លើសពីនេះទៅទៀត គំរូរៀនម៉ាស៊ីនគឺជាប្រអប់ខ្មៅ ដែលកំចាត់ការយល់ដឹងឲ្យយល់ថាតើអ្វីបណ្តាលឲ្យមានលទ្ធផលឬពន្យល់ពេលវាមានកំហុស។ នៅពេលក្រោយក្នុងវគ្គសិក្សានេះ យើងនឹងសិក្សាលើរបៀបប្រើប្រាស់ផ្ទាំងគ្រប់គ្រង Responsible AI ដើម្បីជួយរកកំហុសប្រព័ន្ធ AI។ ផ្ទាំងគ្រប់គ្រងផ្តល់ឧបករណ៍សរុបសម្រាប់អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI ដើម្បីអនុវត្តជាក្រោម៖

* **វិភាគកំហុស**។ ដើម្បីកំណត់ការចែកចាយកំហុសរបស់គំរូដែលអាចប៉ះពាល់ទៅលើភាពត្រឹមត្រូវឬភាពជឿជាក់នៃប្រព័ន្ធ។
* **ទិដ្ឋភាពទូទៅនៃគំរូ**។ ដើម្បីស្វែងរកកន្លែងដែលមានភាពខុសគ្នានៅក្នុងការអនុវត្តគំរូនៅលើក្រុមទិន្នន័យ។
* **វិភាគទិន្នន័យ**។ ដើម្បីយល់ពីការចែកចាយទិន្នន័យ និងកំណត់សភាពប៉ះពាល់ទ្រព្យសម្បត្តិនៃទិន្នន័យដែលអាចនាំឲ្យមានបញ្ហាផ្សេងៗ ដូចជា ភាពត្រឹមត្រូវ ភាពរួមបញ្ចូល និងភាពជឿជាក់។
* **ការពន្យល់គំរូ**។ ដើម្បីយល់ថាអ្វីប៉ះពាល់ ឬអ្វីបណ្តាលឲ្យការព្យាករណ៍របស់គំរូ។ វាជួយក្នុងការពន្យល់អាកប្បកិរិយារបស់គំរូ ដែលមានសារៈសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងភាពទទួលខុសត្រូវ។


## 🚀 챌린지
 
ដើម្បីទប់ស្កាត់ការខូចខាតពីការបញ្ចូលកើតឡើងសិន គួរតែ:

- មានប្រភពខុសគ្នានិងទស្សនៈខុសគ្នារវាងមនុស្សដែលធ្វើការលើប្រព័ន្ធ
- វិនិយោគលើឯកសារទិន្នន័យដែលបង្ហាញពីភាពចម្រុះនៃសហគមន៍យើង
- អភិវឌ្ឍវិធីសាស្រ្តល្អប្រសើរពីវដ្តជីវិតរៀនម៉ាស៊ីនសម្រាប់រក និងដោះស្រាយ AI យ៉ាងទទួលខុសត្រូវ នៅពេលវាកើតឡើង

សូមគិតអំពីស្ថានភាពជាក់លាក់ក្នុងជីវិត ប្រភេទមិនមានភាពទុកចិត្តបង្ហាញក្នុងការសាងសង់គំរូ និងការប្រើប្រាស់។ តើយើងគួរជួយគិតអ្វីបន្ថែមទៀត?

## [សំនួរជំនួញបន្ទាប់មុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/)

## ការពិនិត្យ និងរៀនដោយខ្លួនឯង
 

នៅមេរៀននេះ អ្នកបានរៀនពីមូលដ្ឋានខ្លះៗនៃគំនិតស្តីពីភាពយុត្តិធម៌ និងភាពមិនយុត្តិធម៌ក្នុងការរៀនម៉ាស៊ីន។  
 
សូមមើលវគ្គបណ្តុះបណ្តាលនេះសម្រាប់ចូលជ្រាលជ្រៅជាងនេះទៅក្នុងប្រធានបទ៖ 

- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវៈ នាំយកគោលការណ៍ទៅអនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma

[![ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវ")

> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma

ផងដែរ សូមអាន៖ 

- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft: [ធនធាន AI ដែលមានការទទួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) 

- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft: [FATE៖ ភាពយុត្តិធម៌ ការទទួលខុសត្រូវ ភាពត្រឹមត្រូវ និងទស្សនៈអំពី AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) 

ប្រអប់ឧបករណ៍ RAI៖

- [ហាង GitHub ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox)

អានអំពីឧបករណ៍ Azure Machine Learning ដើម្បីធានាបាននូវភាពយុត្តិធម៌៖

- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) 

## កិច្ចការផ្ទះ

[ស្វែងយល់ពីប្រអប់ឧបករណ៍ RAI](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ការបដិសេធ**:
ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។
<!-- CO-OP TRANSLATOR DISCLAIMER END -->