Dünya, yapay zeka (AI) potansiyelinin devrim niteliğindeki dönüşümüyle şekillenmeye devam ederken, bu yolculuğun sorumlu bir uygulamayla yönlendirilmesi üzerinde artan bir vurgu var. Son yıllarda, Sorumlu Veri Bilimi (RDS) ve Sorumlu AI (RAI) önemli alanlar olarak ortaya çıktı, teknoloji, etik ve hukukun kesişimini yönlendiriyor. Ancak, bu alanlarda kapsamlı eğitim kaynakları ve metodolojilerinde belirgin bir eksiklik var, bu da toplum olarak acilen ele almak zorunda olduğumuz bir meydan okuma.
RDS ve RAI prensiplerini öğretme yolculuğuna çıkan Julia Stoyanovich, "Sorumlu Veri Bilimi" adlı bir teknik ders geliştirdi ve öğretti ve "Sorumlu Veri Bilimi Öğretimi" adlı olağanüstü bir makale yazdı. Bu ders, AI'deki etik, yasal uyumluluk, veri kalitesi, algoritmik adillik ve çeşitlilik, veri ve algoritmaların şeffaflığı, gizlilik ve veri koruması dahil olmak üzere temel konuları ele alıyor.
Ayrıca, AI'yi genel kitle için anlaşılır kılmaya çalışırken, Julia S. "Biz AI'yiz: Teknolojiyi Kontrol Etmek" adlı bir halk eğitimi kursu oluşturdu. Bu program, akran öğrenmesini vurguluyor ve AI'nin etik konularını uzmanlık alanının ötesine yaymayı, daha geniş bir farkındalık ve anlayışı teşvik etmeyi hedefliyor.
Öğretim Deneyimi: "Sorumlu Veri Bilimi"nden Dersler
"Sorumlu Veri Bilimi" adlı teknik dersi öğretmek, dinamik ve tatmin edici bir yolculuktu. Ders, AI'deki etiğin önemine dikkat çekti, bu konu genellikle daha gelişmiş algoritmalar geliştirme telaşı arasında göz ardı edilir. AI profesyonellerinin büyük güçle büyük sorumluluk geldiğini anlamaları gerektiği açıkça ortaya çıktı. Yararlılık, zarar vermeme, özerklik, adalet ve açıklanabilirlik gibi etik ilkeler, AI gelişiminin ayrılmaz bir parçasıdır, ikincil düşünceler değil.
Yasal uyumluluk, teknoloji dünyası ile düzenleyici çerçeveler arasındaki etkileşimi vurgulayan başka bir hayati konuydu. AI geliştiricilerinin, ağır para cezalarına veya şirketin itibarına zarar verebilecek ihlallerden kaçınmak için Genel Veri Koruma Yönetmeliği (GDPR) gibi düzenlemeler hakkında çalışma bilgisine sahip olmaları gerekir.
Veri ve algoritmaların şeffaflığı, algoritmik adillik ve çeşitliliğin önemi, kritik temalar olarak ortaya çıktı. Algoritmaların zararlı önyargıları pekiştirmemesi ve karar verme süreçlerinin etkilenen kişiler tarafından anlaşılır olması önemlidir. Büyük Veri çağına daha da derinlemesine daldıkça, veri kalitesi ve veri koruma konuları giderek daha önemli hale gelir.
"Biz AI'yiz: Teknolojiyi Kontrol Etmek" ve Halk Eğitimi
"Biz AI'yiz: Teknolojiyi Kontrol Etmek" kursu, karmaşık AI kavramlarını genel halk için basitleştiren bir platform sağladı. Etkileşimli, akran öğrenme ortamı, AI etiği üzerine tartışmaları kolaylaştırmada ve teknoloji uzmanları ile teknoloji olmayan bireyler arasındaki uçurumu kapatmada çok önemliydi. AI'nin hayatımızın neredeyse her yönüne nüfuz etmesiyle, bu tür konuşmalar artık yalnızca teknologların alanı olmaktan çıktı.
Her iki kurs da AI çağında gizliliğin önemini vurguladı. Gizlilik, veriye dayalı teknolojilerin yükselişiyle birlikte giderek daha büyük bir endişe haline gelmiştir. Herkesin, teknoloji meraklısı olsun olmasın, veri gizliliğinin sonuçlarını ve verilerin kötüye kullanılma potansiyelini anlaması önemlidir.
İleri: Sorumlu bir AI Topluluğu Oluşturma
Bu yolculuğun önemli bir yönü, tüm kurs materyallerini çevrimiçi olarak halka açık hale getirmekti. Hedef, toplumda ilhamı kıvılcımlandırmak, başkalarını RDS ve RAI üzerine kendi derslerini, materyallerini ve metodolojilerini geliştirmeye teşvik etmekti. Topluluk anlayışını beslemenin ve eğitim kaynaklarının paylaşım kültürünü teşvik etmenin zorunlu olduğuna inanıyorum.
RDS ve RAI ihtiyacı, mevcut veri odaklı dünyamızda en üst düzeydedir. İlerledikçe, bu ileri teknolojilerin nasıl sorumlu bir şekilde geliştirilip kullanılacağını sürekli sorgulamalıyız. AI'deki ilerlemeyle birlikte gelen zorlukları yönlendirebilmek için RDS ve RAI hakkında daha derin bir anlayış gereklidir.
Sonuç olarak, Sorumlu Veri Bilimi ve Sorumlu AI ortak sorumluluklar olarak görülmelidir. Eğitim, farkındalık ve açık tartışmalar yoluyla, daha etik, şeffaf ve adil bir AI manzarası şekillendirebiliriz. Bu alanları keşfetmeye devam ederken, her yolculuğun tek bir adımla başladığını hatırlamalıyız. Bu adımı sorumlu bir adım yapalım.
Referanslar:
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)