Dok se svijet nastavlja transformisati zahvaljujući revolucionarnom potencijalu umjetne inteligencije (AI), sve je veći naglasak na osiguranju da ovaj put bude vođen odgovornom praksom. U posljednjim godinama, Odgovorna Nauka o Podacima (RDS) i Odgovorni AI (RAI) su se pojavili kao ključna polja, navigirajući na raskrižju tehnologije, etike i prava. Međutim, postoji primjetan nedostatak sveobuhvatnih obrazovnih resursa i metodologija u ovim oblastima, što je izazov koji mi, kao zajednica, moramo hitno riješiti.
Započinjući put prenošenja principa RDS-a i RAI-a, Dr. Julia Stoyanovich je razvila tehnički kurs pod nazivom "Odgovorna Nauka o Podacima" i napisala fenomenalan članak o tome pod nazivom "Predavanje Odgovorne Nauka o Podacima." Ovaj kurs se bavi ključnim pitanjima uključujući etiku u AI, zakonsku usklađenost, kvalitet podataka, algoritamsku pravičnost i raznolikost, transparentnost podataka i algoritama, privatnost i zaštitu podataka.
Dodatno, u pokušaju da demistificira AI za opštu publiku, Julia S. je kreirala javni obrazovni kurs pod nazivom "Mi smo AI: Preuzimanje kontrole nad tehnologijom." Ovaj program naglašava učenje među vršnjacima, medju generacijama koje rade na AI projektima i ima za cilj da proširi etičke brige AI izvan specijalizovane domene, potičući šire svijesti i razumijevanja.
Iskustvo Predavanja: Lekcije iz "Odgovorne Nauke o Podacima"
Predavanje tehničkog kursa "Odgovorna Nauka o Podacima" je dinamično, ispunjujuće putovanje. Kurs skrece pažnju na važnost etike u AI, temu koja se često zanemaruje u žurbi da se razviju napredniji algoritmi.
Postalo je jasno da profesionalci u AI moraju razumjeti da velika moć dolazi sa velikom odgovornošću.
Etički principi poput dobročinstva, ne-štetnosti, autonomije, pravde i objašnjivosti su integralni za razvoj AI, a ne sekundarna razmatranja.
Zakonska usklađenost bila je još jedna vitalna tema koja je istakla interakciju između tehnološkog svijeta i regulatornih okvira.
AI developeri moraju imati radno znanje o regulativama poput Opšte uredbe o zaštiti podataka (GDPR) kako bi izbjegli prekršaje koji bi mogli dovesti do teških kazni ili štete za reputaciju kompanije.
Transparentnost u podacima i algoritmima, i važnost algoritamske pravičnosti i raznolikosti, pojavile su se kao ključne teme.
Bitno je osigurati da algoritmi ne pojačavaju štetne predrasude i da su njihovi procesi donošenja odluka razumljivi onima koje pogađaju. Kako sve više ulazimo u eru Big Data, pitanja kvaliteta podataka i zaštite podataka postaju sve važnija.
"Mi smo AI: Preuzimanje kontrole nad tehnologijom" i Javno obrazovanje
Kurs "Mi smo AI: Preuzimanje kontrole nad tehnologijom" pružio je platformu za pojednostavljenje složenih AI koncepta za opštu publiku. Interaktivna, peer-learning postavka bila je ključna za olakšavanje diskusija o etici AI i premošćavanje jaza između tehničkih i ne-tehničkih pojedinaca. Sa AI koji prodire gotovo u svaki aspekt naših života, takve konverzacije više nisu samo domen tehnologa.
Krucijalno je vazno da istaknemo važnost privatnosti u doba AI!
Privatnost je sve više postala glavna briga sa porastom tehnologija vođenih podacima. Važno je za svakoga, tehnički potkovane ili ne, da razumiju implikacije privatnosti podataka i potencijalne rizike od zloupotrebe podataka.
Naprijed: Kreiranje Odgovorne AI Zajednice
Ključan aspekt ovog putovanja bio je postavljanje svih materijala za kurs javno dostupnim online. Cilj je bio da se pokrene inspiracija unutar zajednice, ohrabrujući druge da razvijaju svoje kurseve, materijale i metodologije o RDS-u i RAI-u. Vjerujem da je neophodno njegovati kolektivno razumijevanje i poticati kulturu dijeljenja obrazovnih resursa.
Potreba za RDS-om i RAI-em je od presudne važnosti u našem trenutnom svijetu vođenom podacima. Kako nastavljamo napred, moramo neprestano postavljati pitanje kako možemo osigurati da se ove napredne tehnologije razvijaju i koriste odgovorno. Dublje razumijevanje RDS-a i RAI-a je potrebno za navigaciju kroz izazove koji dolaze sa napretkom u AI.
Na kraju, Odgovorna Data Nauka i Odgovorni AI trebaju biti viđeni kao zajedničke odgovornosti. Kroz obrazovanje, svijest i otvorene diskusije, možemo oblikovati etičniji, transparentniji i pravičniji AI pejzaž. Dok nastavljamo istraživati ove sfere, trebali bi zapamtiti da svako putovanje počinje s jednim korakom. Hajde da taj korak učinimo odgovornim.
Posebno bih potakao clanove akademske zajednice da se ukljuce i podijele vrijednosti ideja napisanih iznad i da zapamtimo:
Da velika moć dolazi sa velikom odgovornošću!!!
Reference:
Muhammad Ali, Piotr Sapiezynski, Miranda Bogen, Aleksandra Korolova, Alan Mislove, and Aaron Rieke. 2019. Discrimination through Optimization: How Facebook’s Ad Delivery Can Lead to Biased Outcomes. Proc. ACM Hum. Comput. Interact. 3, CSCW (2019), 199:1–199:30. https://doi.org/10.1145/3359301
Falaah Arif Khan, Eleni Manis, and Julia Stoyanovich. 2021. Fairness and Friends. Data, Responsibly Comic Series 2 (2021). https://dataresponsibly.github.io/comics/
Falaah Arif Khan and Julia Stoyanovich. 2020. Mirror, Mirror. Data, Responsibly Comic Series 1 (2020). https://dataresponsibly.github.io/comics/
Alexandra Chouldechova and Aaron Roth. 2020. A snapshot of the frontiers of fairness in machine learning. Commun. ACM 63, 5 (2020), 82–89. https://doi.org/10.1145/3376898
Amit Datta, Anupam Datta, Jael Makagon, Deirdre K. Mulligan, and Michael Carl Tschantz. 2018. Discrimination in Online Personalization: A Multidisciplinary Inquiry. In Conference on Fairness, Accountability and Transparency, FAT 2018, 23-24 February 2018, New York, NY, USA. 20–34. http://proceedings.mlr.press/v81/datta18a.html
Anupam Datta, Shayak Sen, and Yair Zick. 2016. Algorithmic transparency via quantitative input influence: Theory and experiments with learning systems. In Proceedings of IEEE Symposium on Security and Privacy. IEEE, 598–617. Cross Ref
Irit Dinur and Kobbi Nissim. 2003. Revealing information while preserving privacy. In Proceedings of the Twenty-Second ACM SIGACT-SIGMOD-SIGART Symposium on Principles of Database Systems, June 9-12, 2003, San Diego, CA, USA, Frank Neven, Catriel Beeri, and Tova Milo (Eds.). ACM, 202–210. https://doi.org/10.1145/773153.773173
Marina Drosou, H. V. Jagadish, Evaggelia Pitoura, and Julia Stoyanovich. 2017. Diversity in Big Data: A Review. Big Data 5, 2 (2017), 73–84. https://doi.org/10.1089/big.2016.0054
Cynthia Dwork. 2011. A firm foundation for private data analysis. Commun. ACM 54, 1 (2011), 86–95. https://doi.org/10.1145/1866739.1866758
Top comments (0)