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

ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਉਣਾ

ਸکیچਨੋਟ ਟੋਮੋਮੀ ਇਮੁਰਾ ਵੱਲੋਂ

ਪ੍ਰੀ-ਲੈਕਚਰ ਖੇਡ

ਪਰਿਚਯ

ਇਸ ਸਿਲੇਬਸ ਵਿੱਚ, ਤੁਸੀਂ ਖੋਜਣਾ ਸ਼ੁਰੂ ਕਰੋਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ 'ਤੇ ਕਿਵੇਂ ਅਸਰ ਪਾ ਰਹੀ ਹੈ। ਹੁਣ ਵੀ, ਸਿਸਟਮ ਅਤੇ ਮਾਡਲ ਦਿਨ-ਪਰਦਿਨ ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੇਵਾ ਦੀ ਜਾਂਚਾਂ, ਕਰਜ਼ਿਆਂ ਦੀ ਮਨਜ਼ੂਰੀਆਂ ਜਾਂ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲੱਗਣਾ। ਇਸ ਲਈ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰ ਸਕਣ। ਕਿਸੇ ਵੀ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਵਾਂਗ, ਏਆਈ ਸਿਸਟਮ ਉਮੀਦਾਂ ਨੂੰ ਅਪਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ ਜਾਂ ਨਿਤੀਜੇ ਨਾਖ਼ੁਸ਼ਗਵਾਰ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਏਆਈ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰ ਸਕਣਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ।

ਸੋਚੋ ਕਿ ਕੀ ਹੋ ਸਕਦਾ ਹੈ ਜੇ ਤੁਹਾਡੇ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡਾਟਾ ਕੁਝ ਵੱਖ-ਵੱਖ ਸਮੂਹਾਂ ਦੇ ਡੇਮੋਗ੍ਰਾਫਿਕਜ਼, ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਰਾਜਨੀਤਕ ਰਾਏ, ਧਰਮ, ਜਾਂ ਬੇਅੰਤ ਸਮੂਹਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਦਰਸ਼ਾਉਂਦਾ ਹੈ ਜਾਂ ਘੱਟ ਦਰਸ਼ਾਉਂਦਾ ਹੈ। ਜੇ ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਸੇ ਖਾਸ ਸਮੂਹ ਨੂੰ ਅਧਿਕਤਰ ਪਸੰਦ ਕਰਨ ਲਈ ਵਿਆਖਿਆ ਕੀਤਾ ਜਾਵੇ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਅਰਜ਼ੀ ਲਈ ਇਸ ਦਾ ਨਤੀਜਾ ਕੀ ਹੋਵੇਗਾ? ਇਸਦੇ ਨਾਲ-ਨਾਲ, ਜੇ ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਨੁਕਸਾਨਦੇਹ ਹੋਵੇ ਅਤੇ ਲੋਕਾਂ ਲਈ ਖ਼ਤਰਨਾਕ ਹੋਵੇ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਏਆਈ ਸਿਸਟਮਾਂ ਦੇ ਵਿਹਾਰ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਕੌਣ ਹੈ? ਇਹ ਕੁਝ ਸਵਾਲ ਹਨ ਜੋ ਅਸੀਂ ਇਸ ਸਿਲੇਬਸ ਵਿੱਚ ਵੱਖਰੇ ਕਰਾਂਗੇ।

ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ:

• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਇਨਸਾਫ਼ ਨਾਲ ਸਬੰਧਿਤ ਨੁਕਸਾਨ ਬਾਰੇ ਜਾਗਰੂਕਤਾ ਵਧਾਓਗੇ।
• ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਅਸਧਾਰਣ ਹਾਲਾਤਾਂ ਅਤੇ ਅਜੀਬ ਪਰਸਥਿਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਪ੍ਰਥਾ ਨਾਲ ਜਾਣੂ ਹੋਵੋਗੇ।
• ਸਮਝੋਂਗੇ ਕਿ ਸਭ ਨੂੰ ਸ਼ਾਮਿਲ ਕਰਨ ਵਾਲੇ ਸਿਸਟਮ ਬਣਾਉਣ ਨਾਲ ਕਿਵੇਂ ਸਾਰੀ ਲੋਕ ਤੇਜ਼ੀ ਨਾਲ ਤਾਕਤਵਰ ਹੁੰਦੇ ਹਨ।
• ਡਾਟਾ ਅਤੇ ਲੋਕਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀ ਸੁਰੱਖਿਆ ਕਿਵੇਂ ਜਰੂਰੀ ਹੈ, ਇਸ ਬਾਰੇ ਜਾਣੂ ਹੋਵੋਗੇ।
• ਏਆਈ ਮਾਡਲਾਂ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਗਲਾਸ ਬਾਕਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਮਹੱਤਤਾ ਵੇਖੋਂਗੇ।
• ਏਹੋ-ਜਿਹੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਮਝਣ ਵਾਲੇ ਹੋਵੋਗੇ ਜੋ ਏਆਈ ਸਿਸਟਮਾਂ ਵਿੱਚ ਭਰੋਸਾ ਬਣਾਉਂਦੇ ਹਨ।

ਲਾਜ਼ਮੀ ਸ਼ੱਕਲਾਂ

ਲਾਜ਼ਮੀ ਸ਼ਰਤ ਦੇ ਤੌਰ ਤੇ, ਕਿਰਪਾ ਕਰਕੇ "Responsible AI Principles" ਲਰਨ ਪਾਥ ਲਵੋ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੀ ਵਿਡੀਓ ਵੇਖੋ:

ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਬਾਰੇ ਹੋਰ ਸਿੱਖਣ ਲਈ ਇਸ Learning Path ਨੂੰ ਫਾਲੋ ਕਰੋ

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਲਈ ਵਿਡੀਓ: Microsoft's Approach to Responsible AI

ਇਨਸਾਫ਼

ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਹਰ ਕਿਸੇ ਨਾਲ ਇਨਸਾਫ਼ ਨਾਲ ਪੇਸ਼ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇੱਕੋ ਜਿਹਾ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਤੋਂ ਬਚਣਾ ਚਾਹੀਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜਦੋਂ ਏਆਈ ਸਿਸਟਮ ਮੇਡੀਕਲ ਇਲਾਜ, ਕਰਜ਼ਾ ਅਰਜ਼ੀਆਂ ਜਾਂ ਨੌਕਰੀ ਲਈ ਸਲਾਹ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਉਹ ਹਰ ਕਿਸੇ ਨੂੰ ਇੱਕੋ ਜਿਹੇ ਲੱਛਣਾਂ, ਆਰਥਿਕ ਹਾਲਾਤਾਂ ਜਾਂ ਪੇਸ਼ੇਵਰ ਯੋਗਤਾਵਾਂ ਵਾਲੇ ਲਈ ਸਮਾਨ ਸਿਫਾਰਸ਼ਾਂ ਦੇਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਸਾਡੇ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਮਨੁੱਖ ਵਾਰਸੇਵਾਲੇ ਧਰਮਾਂਸ਼/ਰੁਝਾਨ ਲੈ ਕੇ ਫੈਸਲੇ ਅਤੇ ਕਰਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਧਰਮਾਂਸ਼ਾ ਅਕਸਰ ਜਿਹੜੇ ਡਾਟਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿਸਟਮਾਂ ਨੂੰ ਸਿਖਾਉਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਵਿੱਚ ਵੀ ਸਮਾਈ ਹੋਈਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਪ੍ਰਭਾਵ ਕਈ ਵਾਰ ਬੇਇੰਤਜ਼ਾਲੀ ਫੈਲਾਏ ਜਾਂਦੇ ਹਨ। ਡਾਟਾ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਜਾਗਰੂਕ ਤੌਰ ਤੇ ਜਾਣਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।

“ਅਨਇਨਸਾਫ਼ੀ” ਉਸ ਸਮੂਹ ਲਈ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵਾਂ ਜਾਂ "ਨੁਕਸਾਨ", ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਉਮਰ ਜਾਂ ਅਪਾਹਜਤਾ ਹਾਲਤ ਦੇ ਅਧਾਰ 'ਤੇ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਮੁੱਖ ਇਨਸਾਫ਼ ਨਾਲ ਸਬੰਧਿਤ ਨੁਕਸਾਨ ਕਲਾਸੀਫਾਈ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ:

• ਅਲੌਕੈਸ਼ਨ, ਜੇ ਕਿਸੇ ਲਿੰਗ ਜਾਂ ਜਾਤੀ ਨੂੰ, ਉਦਾਹਰਣ ਵਜੋਂ, ਹੋਰ ਕਿਸੇ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਪ੍ਰਾਥਮਿਕਤਾ ਮਿਲਦੀ ਹੈ।
• ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ। ਜੇ ਤੁਸੀਂ ਇੱਕ ਖਾਸ ਸਥਿਤੀ ਲਈ ਡਾਟਾ ਤਿਆਰ ਕਰਦੇ ਹੋ ਪਰ ਹਕੀਕਤ ਜ਼ਿਆਦਾ ਜਟਿਲ ਹੈ ਤਾਂ ਇਹ ਖਰਾਬ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਸੇਵਾ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਹੱਥ ਧੋਣ ਵਾਲੇ ਸੋਪ ਡਿਸਪੈਂਸਰ ਨੂੰ ਲੋਕਾਂ ਦੀਆਂ ਕਾਲੀਆਂ ਤਵਚਾ ਵਾਲੀਆਂ ਨੂੰ ਮਹਿਸੂਸ ਕਰਨ ਵਿੱਚ ਸਮੱਸਿਆ ਆਈ. ਸੰਬੰਧਿਤ
• ਨਿੰਦਨ। ਕਿਸੇ ਚੀਜ਼ ਜਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਅਨਇਨਸਾਫ਼ੀ ਨਾਲ ਆਲੋਚਨਾ ਅਤੇ ਲੇਬਲਿੰਗ ਕਰਨਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਚਿੱਤਰ ਲੇਬਲਿੰਗ ਤਕਨਾਲੋਜੀ ਨੇ ਬਦਨਾਮ ਤੌਰ 'ਤੇ ਕਾਲੀ ਤਵਚਾ ਵਾਲੇ ਬੰਦੇ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਗੋਰਿਲਾ ਵਾਂਗ ਮਿਸਲੇਬਲ ਕੀਤਾ।
• ਵੱਧ ਜਾਂ ਘੱਟ ਪ੍ਰਤਿਨਿਧਿਤਵ। ਇਹ ਧਾਰਣਾ ਹੈ ਕਿ ਕੋਈ ਖਾਸ ਸਮੂਹ ਕਿਸੇ ਪੇਸ਼ੇ ਵਿੱਚ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ, ਅਤੇ ਕੋਈ ਵੀ ਸੇਵਾ ਜਾਂ ਫੰਕਸ਼ਨ ਜੋ ਇਸ ਨੂੰ ਪ੍ਰਸਾਰਤ ਕਰਦਾ ਰਹਿੰਦਾ ਹੈ, ਉਹ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦਾ ਹੈ।
• ਸਟੇਰੀਓਟਾਇਪਿੰਗ। ਕਿਸੇ ਦਿੱਤੇ ਸਮੂਹ ਨੂੰ ਪੁਰੀ ਤਰੀਕੇ ਨਾਲ ਪੁਰਵ-ਨਿਰਧਾਰਤ ਗੁਣਾਂ ਨਾਲ ਜੋੜਨਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਟਰਕੀ ਵਿੱਚ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਸਿਸਟਮ ਵਿੱਚ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਸ਼ਬਦਾਂ ਦੇ ਨਾਲ ਲਿੰਗ ਨਾਲ ਸਬੰਧਿਤ ਸਟਰਿਓਟਾਇਪਿਕ ਸੰਯੋਜਨਾਂ ਹਨ।

ਤਰਕੀ ਵਿੱਚ ਅਨੁਵਾਦ

ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਵਾਪਸ ਅਨੁਵਾਦ

ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਟੈਸਟ ਕਰਦਿਆਂ, ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਏਆਈ ਇਨਸਾਫ਼ ਵਾਲਾ ਹੈ ਅਤੇ ਇਹ ਬਹੁਜਨਤਾ ਵਾਲੇ ਜਾਂ ਭੇਦਭਾਵਪੂਰਨ ਫੈਸਲੇ ਨਹੀਂ ਲੈਂਦਾ, ਜੋ ਕਿ ਮਨੁੱਖਾਂ ਲਈ ਵੀ ਮਨਾਹੀ ਹੈ। ਏਆਈ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਗਰੰਟੀ ਕਰਨਾ ਇੱਕ ਜਟਿਲ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਚੁਣੌਤੀ ਹੈ।

ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ

ਭਰੋਸਾ ਬਣਾਉਣ ਲਈ, ਏਆਈ ਸਿਸਟਮ ਸਧਾਰਣ ਅਤੇ ਅਣਉਮੀਦ੍ਹੇ ਹਾਲਾਤਾਂ ਹੇਠ ਭਰੋਸੇਯੋਗ, ਸੁਰੱਖਿਅਤ ਅਤੇ ਲਗਾਤਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਇਹ ਜਾਣਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਏਆਈ ਸਿਸਟਮ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਵਿੱਚ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਉਹ ਆਊਟਲਾਇਰ ਹੋਣ, ਕਿਵੇਂ ਕੰਮ ਕਰੇਗਾ। ਏਆਈ ਹੱਲ ਬਣਾਉਂਦੇ ਸਮੇਂ ਤੁਹਾਡੇ ਕੋਲ ਇਹ ਜਾਣੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਏਆਈ ਹੱਲ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਨਾਲ ਨਿਚੇੜਾ ਕਰੇਗਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਸਵੈ-ਚਲਿਤ ਕਾਰ ਲਈ ਲੋਕਾਂ ਦੀ ਸੁਰੱਖਿਆ ਸਭ ਤੋਂ ਉੱਪਰ ਹੈ। ਇਸ ਲਈ, ਕਾਰ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਏਆਈ ਸਾਰੇ ਸੰਭਾਵਤ ਸਥਿਤੀਆਂ ਜਿਵੇਂ ਰਾਤ, ਤੂਫਾਨ, ਬਰਫ਼, ਸੜਕ ਦਾ ਕੰਮ, ਬੱਚੇ ਸੜਕ ਜਾ ਰਹੇ ਹਨ, ਜਾਂ ਪਾਲਤੂ ਜਾਨਵਰਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਏਆਈ ਸਿਸਟਮਾਂ ਦਾ ਇਸ ਤਰ੍ਹਾਂ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਨੂੰ ਸਮਭਾਲਣ ਦਾ ਤਰੀਕਾ ਡਾਟਾ ਵਿਗਿਆਨੀ ਜਾਂ ਏਆਈ ਵਿਕਾਸਕਾਰ ਦੀ ਸੋਚ ਅਤੇ ਡਿਜ਼ਾਈਨ ਜਾਂ ਟੈਸਟਿੰਗ ਦੌਰਾਨ ਕੀਤੀ ਯੋਜනා ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ

ਸ਼ਾਮਿਲਕਰਨ

ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਹਰ ਕਿਸੇ ਨੂੰ ਸ਼ਾਮਿਲ ਅਤੇ ਸਮਰਥਿਤ ਕਰ ਸਕਣ। ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਏਆਈ ਵਿਕਾਸਕਾਰਾਂ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਮੌਜੂਦ ਸੰਭਾਵਤ ਬਾਧਾਵਾਂ ਦੀ ਪਹਿਚਾਣ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਅਣਜਾਣਵਾਂ ਬਾਹਰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਦੁਨੀਆ ਵਿੱਚ 1 ਬਿਲੀਅਨ ਤਾਂਗੀਆਂ ਵਾਲੇ ਲੋਕ ਹਨ। ਏਆਈ ਦੀ ਉੱਪਰਤੀ ਨਾਲ, ਉਹ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਜਾਣਕਾਰੀਆਂ ਅਤੇ ਮੌਕਿਆਂ ਤੱਕ ਆਸਾਨੀ ਨਾਲ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਬਾਧਾਵਾਂ ਨੂੰ ਹਟਾਉਣ ਨਾਲ ਨਵੀਨਤਾ ਅਤੇ ਬਿਹਤਰ ਤਜ਼ਰਬੇ ਵਾਲੇ ਏਆਈ ਉਤਪਾਦ ਬਣਾਉਣ ਦੇ ਮੌਕੇ ਮਿਲਦੇ ਹਨ ਜੋ ਹਰ ਕਿਸੇ ਨੂੰ ਲਾਭਦਾਇਕ ਹੁੰਦੇ ਹਨ।

🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਸ਼ਾਮਿਲਕਰਨ

ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ

ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਲੋਕਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਆਦਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਲੋਕ ਉਹਨਾਂ ਸਿਸਟਮਾਂ 'ਤੇ ਘੱਟ ਭਰੋਸਾ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ, ਜਾਣਕਾਰੀ ਜਾਂ ਜ਼ਿੰਦਗੀ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਉਂਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਦਿਆਂ, ਅਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਡਾਟਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ। ਇਸ ਲਈ, ਡਾਟਾ ਦਾ ਮੂਲ ਅਤੇ ਇਸ ਦੀ ਅਖੰਡਤਾ ਵਿਚਾਰ ਕਰਨ ਲਾਜ਼ਮੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਕੀ ਡਾਟਾ ਯੂਜ਼ਰ ਵੱਲੋਂ ਦਿੱਤਾ ਗਿਆ ਸੀ ਜਾਂ ਇਹ ਲੋਕ-ਖੁਲ੍ਹਾ ਸੀ? ਫਿਰ, ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦਿਆਂ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਇਆ ਜਾਵੇ ਜੋ ਗੁਪਤ ਜਾਣਕਾਰੀ ਦੀ ਰੱਖਿਆ ਕਰ ਸਕਣ ਅਤੇ ਹਮਲਿਆਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰ ਸਕਣ। ਜਿਵੇਂ-जਿਵੇਂ ਏਆਈ ਵਧ ਰਿਹਾ ਹੈ, ਪ੍ਰਾਈਵੇਸੀ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਨਿੱਜੀ ਅਤੇ ਵਪਾਰਕ ਜਾਣਕਾਰੀ ਦੀ ਸੁਰੱਖਿਆ ਹੋਰ ਜ਼ਰੂਰੀ ਅਤੇ ਜਟਿਲ ਹੁੰਦੀ ਜਾ ਰਹੀ ਹੈ। ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਡਾਟਾ ਸੁਰੱਖਿਆ ਦੇ ਮੁੱਦੇ ਖ਼ਾਸ ਤੌਰ 'ਤੇ ਏਆਈ ਲਈ ਧਿਆਨ ਦੇਣ ਜੋਗੇ ਹਨ ਕਿਉਂਕਿ ਐਕਸੇਸ ਟੂ ਡਾਟਾ ਜ਼ਰੂਰੀ ਹੈ ਤਾਕਿ ਏਆਈ ਸਿਸਟਮ ਲੋਕਾਂ ਬਾਰੇ ਸਹੀ ਅਤੇ ਜਾਣੂ ਫੈਸਲੇ ਕਰ ਸਕਣ।

🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਸੁਰੱਖਿਆ

• ਇੱਕ ਉਦਯੋਗ ਵਜੋਂ ਅਸੀਂ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਵਿੱਚ ਖੂਬ ਤਰੱਕੀ ਕੀਤੀ ਹੈ, ਜੋ ਵਿਸ਼ੇਸ਼ ਢੰਗ ਨਾਲ GDPR (ਜਨਰਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਰੈਗੂਲੇਸ਼ਨ) ਵਰਗੇ ਨਿਯਮਾਂ ਨਾਲ ਚਲਾਈ ਗਈ ਹੈ।
• ਫਿਰ ਵੀ, ਏਆਈ ਸਿਸਟਮਾਂ ਨਾਲ ਸਾਨੂੰ ਵਿਅਕਤੀਗਤ ਡਾਟੇ ਦੀ ਜ਼ਰੂਰਤ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ ਵਿਚਕਾਰ ਟਕਰਾਅ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਪੈਦਾ ਹੈ।
• ਇੰਟਰਨੈੱਟ ਨਾਲ ਕਨੈਕਟਿਡ ਕੰਪਿਊਟਰਾਂ ਦੇ ਜਨਮ ਵਾਂਗ, ਅਸੀਂ ਵੀ ਏਆਈ ਨਾਲ ਸਬੰਧਿਤ ਖੂਬ ਸਾਰੀਆਂ ਸੁਰੱਖਿਆ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵਾਧਾ ਵੇਖ ਰਹੇ ਹਾਂ।
• ਇੱਕੇ ਸਮੇਂ, ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਏਆਈ ਸੁਰੱਖਿਆ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜਿਆਦਾਤਰ ਆਧੁਨਿਕ ਐਂਟੀ-ਵਾਇਰਸ ਸਕੈਨਰ ਅੱਜ ਏਆਈ ਹਿਊਰਿਸਟਿਕਸ ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਹਨ।
• ਸਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਾਡੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤਾਜ਼ਾ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਅਭਿਆਸਾਂ ਨਾਲ ਸੁਸਾਜ਼ਿਅਤ ਹੋਣ।

ਪਾਰਦਰਸ਼ਤਾ

ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਸਮਝਣ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਇੱਕ ਜ਼ਰੂਰੀ ਹਿੱਸਾ ਏਆਈ ਸਿਸਟਮਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਹਿੱਸਿਆਂ ਦੇ ਵਿਹਾਰ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਹੈ। ਏਆਈ ਸਿਸਟਮਾਂ ਦੀ ਸਮਝ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਸਟੇਕਹੋਲਡਰ ਜਾਣ ਲੈਣ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਸੰਭਾਵਤ ਕਾਰਗੁਜ਼ਾਰੀ ਮਸਲਿਆਂ, ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ ਚਿੰਤਾਵਾਂ, ਪੱਖਪਾਤ, ਬਾਹਰ ਰੱਖਣ ਵਾਲੇ ਅਮਲ ਜਾਂ ਅਣਚਾਹੀਆਂ ਨਤੀਆਂ ਦਾ ਪਤਾ ਲਾ ਸਕਣ। ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ ਜੋ ਲੋਕ ਏਆਈ ਸਿਸਟਮਾਂ ਦਾ ਉਪਯੋਗ ਕਰਦੇ ਹਨ ਉਹ ਇਮਾਨਦਾਰ ਅਤੇ ਖੁਲ੍ਹੇ ਦਿਲ ਨਾਲ ਇਹ ਦੱਸਣਗੇ ਕਿ ਉਹ ਕਦੋਂ, ਕਿਉਂ ਅਤੇ ਕਿਵੇਂ ਇਹ ਲਾਗੂ ਕਰਦੇ ਹਨ। ਜਿਵੇਂ ਕਿ ਉਹ ਸਿਸਟਮਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇ ਕੋਈ ਬੈਂਕ ਆਪਣੇ ਗ੍ਰਾਹਕਾਂ ਦੇ ਕਰਜ਼ਾ ਫੈਸਲਿਆਂ ਲਈ ਏਆਈ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਸਮਝਿਆ ਜਾਵੇ ਕਿ ਕਿਹੜਾ ਡਾਟਾ ਸਿਸਟਮ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਉਦਯੋਗਾਂ ਵਿੱਚ ਏਆਈ ਨੂੰ ਨਿਯਮਿਤ ਕਰਨ ਲੱਗੀਆਂ ਹਨ, ਇਸ ਲਈ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਮਝਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਕੀ ਏਆਈ ਸਿਸਟਮ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਕੋਈ ਅਪ੍ਰਤੀਖਿਆਤ ਨਤੀਜਾ ਹੋਵੇ।

🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਪਾਰਦਰਸ਼ਤਾ

• ਕਿਉਂਕਿ ਏਆਈ ਸਿਸਟਮ ਕਾਫੀ ਜਟਿਲ ਹੁੰਦੇ ਹਨ, ਇਹ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ।
• ਇਸ ਸਮਝਦਾਰੀ ਦੀ ਗੁੰਝਲਦਾਰਤਾ ਇਸ ਤਰੀਕੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਜਿਸ ਨਾਲ ਇਹ ਸਿਸਟਮ ਸੰਭਾਲੇ ਜਾਂਦੇ ਹਨ, ਚਲਾਏ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਦਸਤਾਵੇਜ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
• ਇਹ ਸਮਝਦਾਰੀ ਦੀ ਘਾਟ ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਰੀਕੇ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੇ ਗਏ ਫੈਸਲੇ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।

ਜ਼ਿੰਮੇਵਾਰੀ

ਜਿਹੜੇ ਲੋਕ ਏਆਈ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਅਤੇ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਆਪਣੀਆਂ ਸਿਸਟਮਾਂ ਦੇ ਵਿਹਾਰ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰੀ ਦੀ ਲੋੜ ਖਾਸ ਕਰਕੇ ਉਹਨਾਂ ਜਟਿਲ ਤਕਨੀਕਾਂ ਲਈ ਬਹੁਤ ਜਰੂਰੀ ਹੈ ਜਿਵੇਂ ਫੇਸ ਰਿਕਗਨੀਸ਼ਨ। ਹਾਲ ਹੀ ਵਿੱਚ, ਲਾ-ਇਨਫੋਰਸਮੈਂਟ ਸੰਸਥਾਵਾਂ ਵੱਲੋਂ ਫੇਸ ਰਿਕਗਨੀਸ਼ਨ ਤਕਨਾਲੋਜੀ ਲਈ ਮੰਗ ਵਧ ਰਹੀ ਹੈ, ਖ਼ਾਸ ਕਰਕੇ ਗੁੰਮਸ਼ੁਦਾ ਬੱਚਿਆਂ ਦੀ ਖੋਜ ਜਿਹੇ ਉਪਯੋਗਾਂ ਲਈ। ਪਰ ਇਹ ਤਕਨਾਲੋਜੀਆਂ ਇੱਕ ਸਰਕਾਰ ਵੱਲੋਂ ਆਪਣੇ ਨਾਗਰਿਕਾਂ ਦੀਆਂ ਮੂਲ ਸਵਤੰਤਰਤਾਵਾਂ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦੀਆਂ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਕਰਨਾ। ਇਸ ਲਈ, ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦਾ ਏਆਈ ਸਿਸਟਮ ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮਾਜ 'ਤੇ ਕੀ ਅਸਰ ਕਰਦਾ ਹੈ।

🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ ਤੋਂ ਵਿਡੀਓ ਲਈ ਕਲਿੱਕ ਕਰੋ: ਚਿਹਰਾ ਪਹਚਾਣ ਕੇ ਅਧਿਕ ਨਿਗਰਾਨੀ ਦੇ ਚੇਤਾਵਨੀ

ਆਖਿਰ ਵਿੱਚ, ਸਾਡੀ ਪੀੜ੍ਹੀ ਲਈ ਸਭ ਤੋਂ ਵੱਡਾ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ ਸੁਨਿਸ਼ਚਿਤ ਕੀਤਾ ਜਾਵੇ ਕਿ ਕਪਿਊਟਰ ਲੋਕਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਰਹਿਣਗੇ ਅਤੇ ਜਿਹੜੇ ਲੋਕ ਕਪਿਊਟਰ ਬਣਾਉਂਦੇ ਹਨ ਉਹ ਬਾਕੀ ਸਭ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਰਹਿਣਗੇ।

ਪ੍ਰਭਾਵ ਅੰਕੜਾ

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਅੰਕੜਾ ਕਰਕੇ ਇਹ ਸਮਝਿਆ ਜਾਵੇ ਕਿ ਏਆਈ ਸਿਸਟਮ ਦਾ ਉਦੇਸ਼ ਕੀ ਹੈ; ਇਸ ਦੀ ਮੰਜੂਰ ਕੀਤੀ ਹੋਈ ਵਰਤੋਂ ਕੀ ਹੈ; ਕਿੱਥੇ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾਵੇਗਾ; ਅਤੇ ਕੌਣ ਇਸ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰੇਗਾ। ਇਹ ਉਹਨਾਂ ਰਿਵਿਊਅਰਾਂ ਜਾਂ ਟੈਸਟਿੰਗ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਮੱਦਦਗਾਰ ਹੈ ਜਿਹੜੇ ਸਿਸਟਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੇ ਹਨ ਕਿ ਸੰਭਾਵਤ ਖਤਰੇ ਅਤੇ ਉਮੀਦਵਾਰ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਣ ਵਾਸਤੇ ਕੀ-ਕੀ ਗੱਲਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਹੈ।

ਪ੍ਰਭਾਵ ਅੰਕੜਾ ਕਰਦਿਆਂ ਧਿਆਨ ਦੇਣ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਆਂ ਹਨ:

• ਵਿਅਕਤੀਆਂ ਉੱਤੇ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ। ਕਿਸੇ ਵੀ ਰੋਕਥਾਮ ਜਾਂ ਸ਼ਰਤ, ਅਣਮਦਦਦਾਰ ਵਰਤੋਂ ਜਾਂ ਕਿਸੇ ਜਾਣੇ ਹੋਏ ਸੀਮਾਵਾਂ ਬਾਰੇ ਜਾਣੂ ਹੋਣਾ ਜਰੂਰੀ ਹੈ ਜੋ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਹੋਵੇ ਕਿ ਸਿਸਟਮ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਵਰਤੇ ਨਾ ਜਾਵੇ ਜੋ ਵਿਅਕਤੀਆਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕੇ।
• ਡਾਟਾ ਲੋੜਾਂ। ਇਹ ਸਮਝਣਾ ਕਿ ਸਿਸਟਮ ਕਿਵੇਂ ਅਤੇ ਕਿੱਥੇ ਡਾਟਾ ਵਰਤੇਗਾ, ਰਿਵਿਊਅਰਾਂ ਨੂੰ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਕਿਸੇ ਵੀ ਡਾਟਾ ਲੋੜਾਂ (ਜਿਵੇਂ GDPR ਜਾਂ HIPAA ਡਾਟਾ ਨਿਯਮ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ। ਇਸਦੇ ਨਾਲ-ਨਾਲ ਇਹ ਵੀ ਜਾਖ਼ਣਾ ਕੀ ਡਾਟੇ ਦਾ ਸਰੋਤ ਜਾਂ ਮਾਤਰਾ ਟ੍ਰੇਨਿੰਗ ਲਈ ਕਾਫ਼ੀ ਹੈ।
• ਪ੍ਰਭਾਵ ਦਾ ਸਾਰ। ਐਸੇ ਨੁਕਸਾਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾ ਜੋ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਨਾਲ ਹੋ ਸਕਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦੌਰਾਨ ਸਿਧਾਂਤਾਂ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਰਹਿਣਾ।
• ਲਾਗੂ ਲਕੜੀ ਵਾਲੇ ਨੇੜੀਆਂ। ਸੱਠੇ ਮੁੱਖ ਨੀਤੀਆਂ ਵਿਚੋਂ ਹਰ ਇੱਕ ਦੇ ਉਦੇਸ਼ਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਕੋਈ ਖਲਲ ਹੈ ਜਾਂ ਨਹੀਂ।

ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨਾਲ ਡਿਬੱਗਿੰਗ

ਕਿਸੇ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਤਰ੍ਹਾਂ, ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕਰਨਾ ਇੱਕ ਜਰੂਰੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਸਿਸਟਮ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ। ਕੁਝ ਐਸੇ ਕਾਰਕ ਹਨ ਜੋ ਮਾਡਲ ਦੇ ਉਮੀਦੁਆਂ ਅਨੁਸਾਰ ਨਾ ਚੱਲਣ ਜਾਂ ਜ਼ਿੰਮੇਵਾਰ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਨਾ ਕਰਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਜਿਆਦਾਤਰ ਰਵਾਇਤੀ ਮਾਡਲ ਕਾਰਗੁਜ਼ਾਰੀ ਮਾਪਦੇ ਹਨ ਜੋ ਮਾਡਲ ਦੀ ਕੁੱਲ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਗਿਣਤੀਕ ਰੂਪ ਹਨ, ਪਰ ਉਹ ਇਸ ਗੱਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਾਫੀ ਨਹੀਂ ਹਨ ਕਿ ਕਿਵੇਂ ਮਾਡਲ ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨੀਤੀਆਂ ਦਾ ਉਲੰਘਣ ਕਰਦਾ ਹੈ। ਵਧੇਰੇ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਇੱਕ ਕਾਲੀ ਧੁੰਧ ਹੈ ਜੋ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਦਾ ਨਤੀਜਾ ਕੀ ਚਲਾਉਂਦਾ ਹੈ ਜਾਂ ਜਦੋਂ ਇਹ ਗਲਤੀ ਕਰਦਾ ਹੈ ਤਾਂ ਵਿਆਖਿਆ ਦਿੱਤੀ ਜਾਵੇ। ਇਸ ਕੋਰਸ ਦੇ ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਕਿਵੇਂ ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਡੈਸ਼ਬੋਰਡ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਏਆਈ ਵਿਕਾਸਕਾਰਾਂ ਨੂੰ ਸਹਾਇਤਾ ਦੇਂਦਾ ਹੈ:

• ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ। ਮਾਡਲ ਦੀ ਗਲਤੀ ਦੇ ਫੈਲਾਅ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਜੋ ਸਿਸਟਮ ਦੀ ਇਨਸਾਫ਼ ਜਾਂ ਭਰੋਸੇਯੋਗਤਾ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।
• ਮਾਡਲ ਓਵਰਵਿਊ। ਡਾਟਾ ਕੋਹੋਰਟਾਂ ਵਿੱਚ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਅਸਮਾਨਤਾ ਕਿੱਥੇ ਹੈ ਇਹ ਖੋਜਣ ਲਈ।
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ। ਡਾਟਾ ਦੇ ਵਿਤਰਨ ਨੂੰ ਸਮਝਣ ਅਤੇ ਕਿਸੇ ਸੰਭਾਵਤ ਪੱਖਪਾਤ ਨੂੰ ਪਛਾਣਨ ਲਈ ਜੋ ਇਨਸਾਫ਼, ਸ਼ਾਮਿਲਕਰਨ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਸਮੱਸਿਆਵਾਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ।
• ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ। ਸਮਝਣ ਲਈ ਕਿ ਕੀ ਚੀਜ਼ ਮਾਡਲ ਦੀਆਂ ਪੇਸ਼ਗੀਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ, ਜੋ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ ਜਰੂਰੀ ਹੈ।

🚀 ਚੁਣੌਤੀ

ਨੁਕਸਾਨਾਂ ਦੇ ਪੈਦਾ ਹੋਣ ਨੂੰ ਰੋਕਣ ਲਈ, ਸਾਨੂੰ:

• ਸਿਸਟਮਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਪੁੱਛ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
• ਉਹ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਸਾਡੀ ਸਮਾਜ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਜੀਵਨਚੱਕਰ ਵਿੱਚ ਅਣਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਠੀਕ ਕਰਨ ਲਈ ਬਿਹਤਰ ਤਰੀਕੇ ਵਿਕਸਤ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ।

ਅਸਲ ਜ਼ਿੰਦਗੀ ਦੇ ਮੌਕਿਆਂ ਬਾਰੇ ਸੋਚੋ ਜਿੱਥੇ ਮਾਡਲ ਦੀ ਅਣਭਰੋਸੇਯੋਗਤਾ ਮਾਡਲ-ਬਿਲਡਿੰਗ ਅਤੇ ਇਸਦੀ ਵਰਤੋਂ ਵਿੱਚ ਸਪਸ਼ਟ ਹੈ। ਹੋਰ ਕੀ ਗੱਲਾਂ ਵੀ ਧਿਆਨ ਵਿੱਚ ਲੈਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ?

ਪੋਸਟ-ਲੈਕਚਰ ਖੇਡ

ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ

ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਅਤੇ ਅਨਇਨਸਾਫ਼ ਦੇ ਕੁਝ ਮੂਢ ਭਾਵਨਾ ਸਿੱਖੀ ਹੈ।

ਇਸ ਵਰਕਸ਼ਾਪ ਨੂੰ ਵੇਖੋ ਤਾਂ ਜੋ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਜਾਇਆ ਜਾ ਸਕੇ:

• ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਦੀ ਖੋਜ ਵਿੱਚ: ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣਾ ਬਿਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਮੇਕੀ ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ

🎥 ਵੀਡੀਓ ਲਈ ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ: RAI Toolbox: ਜ਼ਿੰਮੇਵਾਰ AI ਬਣਾਉਣ ਲਈ ਇਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਫਰੇਮਵਰਕ ਬੇਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਮੇਕੀ, ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ

ਇਨ੍ਹੇ ਵੀ ਪੜ੍ਹੋ:

• ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ RAI ਸਰੋਤ ਕੇਂਦਰ: ਜ਼ਿੰਮੇਵਾਰ AI ਸਰੋਤ – ਮਾਈਕ੍ਰੋਸਾਫਟ AI

• ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ FATE ਅਨੁਸੰਧਾਨ ਸੰਗਠਨ: FATE: ਨਿਆਂ, ਜਵਾਬਦੇਹੀ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ AI ਵਿੱਚ ਨੈਤਿਕਤਾ - ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਨੁਸੰਧਾਨ

RAI ਟੂਲਬਾਕਸ:

• ਜ਼ਿੰਮੇਵਾਰ AI ਟੂਲਬਾਕਸ GitHub ਰਿਪੋਜ਼ਿਟਰੀ

ਨਿਆਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਟੂਲਾਂ ਬਾਰੇ ਪੜ੍ਹੋ:

• Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ

ਅਸਾਈਨਮੈਂਟ

RAI ਟੂਲਬਾਕਸ ਦੀ ਖੋਜ ਕਰੋ

---

ਅਸਵੀਕਾਰੋਪਣ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।