செயற்கை நுண்ணறிவு நெறிமுறைகள்: படிமுறை சார்பு கண்டறிதலுக்கான ஒரு உலகளாவிய வழிகாட்டி

செயற்கை நுண்ணறிவு (AI) தொழில்களை வேகமாக மாற்றி, உலகெங்கிலும் வாழ்க்கையை பாதிக்கிறது. செயற்கை நுண்ணறிவு அமைப்புகள் மிகவும் பரவலாக வருவதால், அவை நேர்மையாகவும், பாரபட்சமற்றதாகவும், நெறிமுறைக் கோட்பாடுகளுடன் ஒத்துப்போவதையும் உறுதி செய்வது மிகவும் முக்கியம். படிமுறை சார்பு, ஒரு கணினி அமைப்பில் ஒரு முறையான மற்றும் மீண்டும் மீண்டும் நிகழும் பிழை, இது நியாயமற்ற விளைவுகளை உருவாக்குகிறது, இது செயற்கை நுண்ணறிவு நெறிமுறைகளில் ஒரு குறிப்பிடத்தக்க கவலையாக உள்ளது. இந்த விரிவான வழிகாட்டி படிமுறை சார்பின் மூலங்களையும், கண்டறிதல் மற்றும் தணிப்பதற்கான நுட்பங்களையும், உலகளவில் செயற்கை நுண்ணறிவு அமைப்புகளில் நேர்மையை ஊக்குவிப்பதற்கான உத்திகளையும் ஆராய்கிறது.

படிமுறை சார்புநிலையைப் புரிந்துகொள்ளுதல்

ஒரு செயற்கை நுண்ணறிவு அமைப்பு மற்றவர்களை விட சில குழுவினருக்கு சாதகமற்ற விளைவுகளை முறையாக உருவாக்கும்போது படிமுறை சார்பு ஏற்படுகிறது. இந்த சார்பு சார்புடைய தரவு, குறைபாடுள்ள படிமுறைகள் மற்றும் முடிவுகளின் சார்புடைய விளக்கங்கள் உள்ளிட்ட பல்வேறு மூலங்களிலிருந்து எழலாம். சார்பின் தோற்றத்தைப் புரிந்துகொள்வதே நியாயமான செயற்கை நுண்ணறிவு அமைப்புகளை உருவாக்குவதற்கான முதல் படியாகும்.

படிமுறை சார்புக்கான மூலங்கள்

• சார்புடைய பயிற்சித் தரவு: செயற்கை நுண்ணறிவு மாதிரிகளைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவுகள் பெரும்பாலும் சமூகத்தில் நிலவும் சார்புகளைப் பிரதிபலிக்கின்றன. தரவுகளில் சில குழுக்களின் ஒருதலைப்பட்சமான பிரதிநிதித்துவங்கள் இருந்தால், செயற்கை நுண்ணறிவு மாதிரி இந்த சார்புகளைக் கற்றுக்கொண்டு நிலைநிறுத்தும். உதாரணமாக, ஒரு முகத்தை அடையாளம் காணும் அமைப்பு முதன்மையாக ஒரு இனத்தின் படங்களைக் கொண்டு பயிற்றுவிக்கப்பட்டால், அது மற்ற இனங்களின் முகங்களில் மோசமாக செயல்படக்கூடும். இது சட்ட அமலாக்கம், பாதுகாப்பு மற்றும் பிற பயன்பாடுகளுக்கு குறிப்பிடத்தக்க தாக்கங்களைக் கொண்டுள்ளது. COMPAS (திருத்தும் குற்றவாளி மேலாண்மை மாற்றுத் தடைகளுக்கான சுயவிவரம்) படிமுறையைக் கருத்தில் கொள்ளுங்கள், இது கருப்பு பிரதிவாதிகளை மீண்டும் குற்றமிழைப்பதற்கான அதிக ஆபத்து உள்ளவர்களாக விகிதாசாரமின்றி கொடியிட்டது கண்டறியப்பட்டது.
• குறைபாடுள்ள படிமுறை வடிவமைப்பு: படிமுறைகளே சார்புடைய தரவுகள் இல்லாதபோதும் சார்பை அறிமுகப்படுத்தலாம். அம்சங்களின் தேர்வு, மாதிரி கட்டமைப்பு மற்றும் தேர்வுமுறை அளவுகோல்கள் அனைத்தும் விளைவுகளை பாதிக்கலாம். உதாரணமாக, ஒரு படிமுறை பாதுகாக்கப்பட்ட குணாதிசயங்களுடன் (எ.கா., பாலினம், இனம்) தொடர்புடைய அம்சங்களை பெரிதும் நம்பியிருந்தால், அது தற்செயலாக சில குழுக்களுக்கு எதிராக பாகுபாடு காட்டக்கூடும்.
• சார்புடைய தரவு லேபிளிடுதல்: தரவுகளை லேபிளிடும் செயல்முறையும் சார்பை அறிமுகப்படுத்தலாம். தரவுகளை லேபிளிடும் நபர்களுக்கு அறியாமலேயே சார்புகள் இருந்தால், அவர்கள் இந்த சார்புகளைப் பிரதிபலிக்கும் வகையில் தரவுகளை லேபிளிடலாம். உதாரணமாக, உணர்வு பகுப்பாய்வில், சில மொழி வடிவங்களை குறிப்பிட்ட மக்கள்தொகையுடன் லேபிளர்கள் தொடர்புபடுத்தினால், அந்த குழுக்களால் வெளிப்படுத்தப்பட்ட உணர்வை மாதிரி நியாயமற்ற முறையில் வகைப்படுத்த கற்றுக்கொள்ளலாம்.
• பின்னூட்ட சுழல்கள்: செயற்கை நுண்ணறிவு அமைப்புகள் இருக்கும் சார்புகளை அதிகப்படுத்தும் பின்னூட்ட சுழல்களை உருவாக்கலாம். உதாரணமாக, ஒரு செயற்கை நுண்ணறிவு-இயங்கும் ஆட்சேர்ப்பு கருவி பெண்களுக்கு எதிராக சார்புடையதாக இருந்தால், அது குறைவான பெண்களை நேர்காணல்களுக்கு பரிந்துரைக்கலாம். இது குறைவான பெண்கள் பணியமர்த்தப்படுவதற்கு வழிவகுக்கும், இது பயிற்சித் தரவுகளில் உள்ள சார்பை மீண்டும் வலுவூட்டுகிறது.
• மேம்பாட்டுக் குழுக்களில் பன்முகத்தன்மை இல்லாமை: செயற்கை நுண்ணறிவு மேம்பாட்டுக் குழுக்களின் கலவை செயற்கை நுண்ணறிவு அமைப்புகளின் நேர்மையை கணிசமாக பாதிக்கலாம். குழுக்களில் பன்முகத்தன்மை இல்லாவிட்டால், பின்தங்கிய குழுக்களைப் பாதிக்கக்கூடிய சாத்தியமான சார்புகளை அவர்கள் கண்டறிந்து சரிசெய்வதற்கான வாய்ப்புகள் குறைவாக இருக்கும்.
• சூழல் சார்பு: ஒரு செயற்கை நுண்ணறிவு அமைப்பு பயன்படுத்தப்படும் சூழலும் சார்பை அறிமுகப்படுத்தலாம். ஒரு கலாச்சார அல்லது சமூக சூழலில் பயிற்றுவிக்கப்பட்ட ஒரு படிமுறை மற்றொரு சூழலில் பயன்படுத்தப்படும்போது நியாயமாக செயல்படாமல் போகலாம். கலாச்சார நெறிகள், மொழி நுணுக்கங்கள் மற்றும் வரலாற்று சார்புகள் அனைத்தும் ஒரு பங்கு வகிக்கலாம். உதாரணமாக, ஒரு நாட்டில் வாடிக்கையாளர் சேவையை வழங்குவதற்காக வடிவமைக்கப்பட்ட ஒரு செயற்கை நுண்ணறிவு-இயங்கும் சாட்பாட் மற்றொரு நாட்டில் புண்படுத்தும் அல்லது பொருத்தமற்றதாகக் கருதப்படும் மொழியைப் பயன்படுத்தலாம்.

படிமுறை சார்பு கண்டறிதலுக்கான நுட்பங்கள்

செயற்கை நுண்ணறிவு அமைப்புகளில் நேர்மையை உறுதி செய்வதற்கு படிமுறை சார்பைக் கண்டறிவது மிகவும் முக்கியம். செயற்கை நுண்ணறிவு மேம்பாட்டு வாழ்க்கைச் சுழற்சியின் வெவ்வேறு நிலைகளில் சார்பைக் கண்டறிய பல்வேறு நுட்பங்களைப் பயன்படுத்தலாம்.

தரவு தணிக்கை

தரவு தணிக்கை என்பது பயிற்சித் தரவுகளை ஆய்வு செய்து சார்புகளின் சாத்தியமான மூலங்களைக் கண்டறிவதாகும். இது அம்சங்களின் விநியோகத்தை பகுப்பாய்வு செய்வது, விடுபட்ட தரவுகளைக் கண்டறிவது மற்றும் சில குழுக்களின் ஒருதலைப்பட்சமான பிரதிநிதித்துவங்களைச் சரிபார்ப்பது ஆகியவற்றை உள்ளடக்குகிறது. தரவு தணிக்கைக்கான நுட்பங்கள் பின்வருமாறு:

• புள்ளிவிவர பகுப்பாய்வு: ஏற்றத்தாழ்வுகளைக் கண்டறிய வெவ்வேறு குழுக்களுக்கு சுருக்க புள்ளிவிவரங்களைக் (எ.கா., சராசரி, இடைநிலை, திட்ட விலகல்) கணக்கிடுதல்.
• காட்சிப்படுத்தல்: தரவுகளின் விநியோகத்தை ஆராய்ந்து வெளிப்புறங்களைக் கண்டறிய காட்சிப்படுத்தல்களை (எ.கா., வரைபடங்கள், சிதறல் வரைபடங்கள்) உருவாக்குதல்.
• சார்பு அளவீடுகள்: தரவுகள் எவ்வளவு சார்புடையவை என்பதைக் கணக்கிட சார்பு அளவீடுகளை (எ.கா., வேறுபட்ட தாக்கம், சம வாய்ப்பு வேறுபாடு) பயன்படுத்துதல்.

உதாரணமாக, ஒரு கடன் மதிப்பெண் மாதிரியில், சாத்தியமான ஏற்றத்தாழ்வுகளைக் கண்டறிய வெவ்வேறு மக்கள்தொகை குழுக்களுக்கான கடன் மதிப்பெண்களின் விநியோகத்தை நீங்கள் பகுப்பாய்வு செய்யலாம். சில குழுக்களுக்கு சராசரியாக கணிசமாகக் குறைந்த கடன் மதிப்பெண்கள் இருப்பதைக் கண்டறிந்தால், இது தரவுகள் சார்புடையதாக இருப்பதைக் குறிக்கலாம்.

மாதிரி மதிப்பீடு

மாதிரி மதிப்பீடு என்பது வெவ்வேறு குழுக்களில் செயற்கை நுண்ணறிவு மாதிரியின் செயல்திறனை மதிப்பிடுவதாகும். இது ஒவ்வொரு குழுவிற்கும் செயல்திறன் அளவீடுகளை (எ.கா., துல்லியம், நுட்பம், நினைவுபடுத்தல், F1-மதிப்பெண்) தனித்தனியாகக் கணக்கிட்டு முடிவுகளை ஒப்பிடுவதை உள்ளடக்குகிறது. மாதிரி மதிப்பீட்டிற்கான நுட்பங்கள் பின்வருமாறு:

• குழு நேர்மை அளவீடுகள்: வெவ்வேறு குழுக்களில் மாதிரி எவ்வளவு நேர்மையானது என்பதைக் கணக்கிட குழு நேர்மை அளவீடுகளை (எ.கா., மக்கள்தொகை சமநிலை, சம வாய்ப்பு, முன்கணிப்பு சமநிலை) பயன்படுத்துதல். மக்கள்தொகை சமநிலைக்கு மாதிரி அனைத்து குழுக்களுக்கும் ஒரே விகிதத்தில் கணிப்புகளைச் செய்ய வேண்டும். சம வாய்ப்புக்கு மாதிரி அனைத்து குழுக்களுக்கும் ஒரே உண்மையான நேர்மறை விகிதத்தைக் கொண்டிருக்க வேண்டும். முன்கணிப்பு சமநிலைக்கு மாதிரி அனைத்து குழுக்களுக்கும் ஒரே நேர்மறையான முன்கணிப்பு மதிப்பைக் கொண்டிருக்க வேண்டும்.
• பிழை பகுப்பாய்வு: சார்பின் வடிவங்களைக் கண்டறிய மாதிரி வெவ்வேறு குழுக்களுக்குச் செய்யும் பிழைகளின் வகைகளை பகுப்பாய்வு செய்தல். உதாரணமாக, மாதிரி ஒரு குறிப்பிட்ட இனத்தின் படங்களை தொடர்ந்து தவறாக வகைப்படுத்தினால், இது மாதிரி சார்புடையதாக இருப்பதைக் குறிக்கலாம்.
• எதிர்ப்பு சோதனை: மாதிரியின் வலிமையை சோதிக்கவும், சார்புக்கான பாதிப்புகளைக் கண்டறியவும் எதிர்ப்பு எடுத்துக்காட்டுகளைப் பயன்படுத்துதல். எதிர்ப்பு எடுத்துக்காட்டுகள் மாதிரியை தவறான கணிப்புகளைச் செய்ய ஏமாற்றுவதற்காக வடிவமைக்கப்பட்ட உள்ளீடுகளாகும்.

உதாரணமாக, ஒரு ஆட்சேர்ப்பு படிமுறையில், ஆண் மற்றும் பெண் விண்ணப்பதாரர்களுக்கு மாதிரியின் செயல்திறனை தனித்தனியாக மதிப்பீடு செய்யலாம். பெண் விண்ணப்பதாரர்களுக்கு மாதிரியின் துல்லியம் கணிசமாகக் குறைவாக இருப்பதைக் கண்டறிந்தால், இது மாதிரி சார்புடையதாக இருப்பதைக் குறிக்கலாம்.

விளக்கக்கூடிய செயற்கை நுண்ணறிவு (XAI)

விளக்கக்கூடிய செயற்கை நுண்ணறிவு (XAI) நுட்பங்கள் மாதிரியின் கணிப்புகளில் மிகவும் செல்வாக்குள்ள அம்சங்களைக் கண்டறிய உதவும். மாதிரியின் முடிவுகளுக்கு எந்த அம்சங்கள் காரணமாகின்றன என்பதைப் புரிந்துகொள்வதன் மூலம், சார்பின் சாத்தியமான மூலங்களைக் கண்டறியலாம். XAI க்கான நுட்பங்கள் பின்வருமாறு:

• அம்ச முக்கியத்துவம்: மாதிரியின் கணிப்புகளில் ஒவ்வொரு அம்சத்தின் முக்கியத்துவத்தையும் தீர்மானித்தல்.
• SHAP மதிப்புகள்: தனிப்பட்ட நிகழ்வுகளுக்கு மாதிரியின் கணிப்புகளுக்கு ஒவ்வொரு அம்சத்தின் பங்களிப்பையும் விளக்க SHAP (SHapley Additive exPlanations) மதிப்புகளைக் கணக்கிடுதல்.
• LIME: மாதிரியின் ஒரு உள்ளூர் நேரியல் தோராயத்தை உருவாக்குவதன் மூலம் தனிப்பட்ட நிகழ்வுகளுக்கு மாதிரியின் கணிப்புகளை விளக்க LIME (Local Interpretable Model-agnostic Explanations) பயன்படுத்துதல்.

உதாரணமாக, ஒரு கடன் விண்ணப்ப மாதிரியில், ஒரு கடனை அங்கீகரிக்க அல்லது மறுக்க மாதிரியின் முடிவில் மிகவும் செல்வாக்குள்ள அம்சங்களைக் கண்டறிய XAI நுட்பங்களைப் பயன்படுத்தலாம். இனம் அல்லது இனத்துடன் தொடர்புடைய அம்சங்கள் அதிக செல்வாக்கு செலுத்துவதைக் கண்டறிந்தால், இது மாதிரி சார்புடையதாக இருப்பதைக் குறிக்கலாம்.

நேர்மை தணிக்கை கருவிகள்

படிமுறை சார்பைக் கண்டறிந்து தணிக்க உதவும் பல கருவிகள் மற்றும் நூலகங்கள் உள்ளன. இந்த கருவிகள் பெரும்பாலும் பல்வேறு சார்பு அளவீடுகள் மற்றும் தணிப்பு நுட்பங்களின் செயலாக்கங்களை வழங்குகின்றன.

• AI Fairness 360 (AIF360): IBM ஆல் உருவாக்கப்பட்ட ஒரு திறந்த மூல கருவித்தொகுப்பு, இது செயற்கை நுண்ணறிவு அமைப்புகளில் சார்பைக் கண்டறிந்து தணிப்பதற்கான விரிவான அளவீடுகள் மற்றும் படிமுறைகளை வழங்குகிறது.
• Fairlearn: Microsoft ஆல் உருவாக்கப்பட்ட ஒரு பைதான் தொகுப்பு, இது இயந்திர கற்றல் மாதிரிகளில் நேர்மையை மதிப்பிடுவதற்கும் மேம்படுத்துவதற்கும் கருவிகளை வழங்குகிறது.
• Responsible AI Toolbox: Microsoft ஆல் உருவாக்கப்பட்ட ஒரு விரிவான கருவிகள் மற்றும் வளங்களின் தொகுப்பு, நிறுவனங்கள் செயற்கை நுண்ணறிவு அமைப்புகளை பொறுப்புடன் மேம்படுத்தவும் பயன்படுத்தவும் உதவுகிறது.

படிமுறை சார்பு தணிப்புக்கான உத்திகள்

படிமுறை சார்பு கண்டறியப்பட்டவுடன், அதைத் தணிக்க நடவடிக்கை எடுப்பது முக்கியம். செயற்கை நுண்ணறிவு அமைப்புகளில் சார்பைக் குறைக்க பல்வேறு நுட்பங்களைப் பயன்படுத்தலாம்.

தரவு முன்செயலாக்கம்

தரவு முன்செயலாக்கம் என்பது சார்பைக் குறைக்க பயிற்சித் தரவுகளை மாற்றுவதாகும். தரவு முன்செயலாக்கத்திற்கான நுட்பங்கள் பின்வருமாறு:

• மறு-எடையிடல்: ஒருதலைப்பட்சமான பிரதிநிதித்துவங்களுக்கு ஈடுசெய்ய பயிற்சித் தரவுகளில் உள்ள வெவ்வேறு நிகழ்வுகளுக்கு வெவ்வேறு எடைகளை ஒதுக்குதல்.
• மாதிரியெடுத்தல்: தரவுகளை சமநிலைப்படுத்த பெரும்பான்மை வகுப்பை கீழ்-மாதிரியெடுத்தல் அல்லது சிறுபான்மை வகுப்பை மேல்-மாதிரியெடுத்தல்.
• தரவு பெருக்கம்: பின்தங்கிய குழுக்களின் பிரதிநிதித்துவத்தை அதிகரிக்க புதிய செயற்கை தரவு புள்ளிகளை உருவாக்குதல்.
• சார்புடைய அம்சங்களை அகற்றுதல்: பாதுகாக்கப்பட்ட குணாதிசயங்களுடன் தொடர்புடைய அம்சங்களை அகற்றுதல். இருப்பினும், பாதிப்பில்லாததாகத் தோன்றும் அம்சங்கள் மறைமுகமாக பாதுகாக்கப்பட்ட பண்புகளுடன் தொடர்புபடுத்தப்படலாம் (பதிலாள் மாறிகள்) என்பதால் எச்சரிக்கையாக இருங்கள்.

உதாரணமாக, பயிற்சித் தரவுகளில் ஆண்களை விட பெண்களின் எடுத்துக்காட்டுகள் குறைவாக இருந்தால், பெண்களின் எடுத்துக்காட்டுகளுக்கு அதிக எடை கொடுக்க மறு-எடையிடலைப் பயன்படுத்தலாம். அல்லது, பெண்களின் புதிய செயற்கை எடுத்துக்காட்டுகளை உருவாக்க தரவு பெருக்கத்தைப் பயன்படுத்தலாம்.

படிமுறை மாற்றம்

படிமுறை மாற்றம் என்பது சார்பைக் குறைக்க படிமுறையையே மாற்றுவதாகும். படிமுறை மாற்றத்திற்கான நுட்பங்கள் பின்வருமாறு:

• நேர்மை கட்டுப்பாடுகள்: மாதிரி சில நேர்மை அளவுகோல்களை பூர்த்தி செய்வதை உறுதிசெய்ய தேர்வுமுறை குறிக்கோளுக்கு நேர்மை கட்டுப்பாடுகளைச் சேர்த்தல்.
• எதிர்ப்பு சார்புநீக்கம்: மாதிரியின் பிரதிநிதித்துவங்களிலிருந்து சார்புடைய தகவல்களை அகற்ற ஒரு எதிர்ப்பு வலையமைப்பைப் பயிற்றுவித்தல்.
• ஒழுங்குபடுத்துதல்: நியாயமற்ற கணிப்புகளைத் தண்டிக்க இழப்புச் செயல்பாட்டிற்கு ஒழுங்குபடுத்தல் சொற்களைச் சேர்த்தல்.

உதாரணமாக, மாதிரி அனைத்து குழுக்களுக்கும் ஒரே துல்லிய விகிதத்தைக் கொண்டிருக்க வேண்டும் என்ற நேர்மை கட்டுப்பாட்டை தேர்வுமுறை குறிக்கோளுக்குச் சேர்க்கலாம்.

பின்-செயலாக்கம்

பின்-செயலாக்கம் என்பது சார்பைக் குறைக்க மாதிரியின் கணிப்புகளை மாற்றுவதாகும். பின்-செயலாக்கத்திற்கான நுட்பங்கள் பின்வருமாறு:

• வரம்பு சரிசெய்தல்: விரும்பிய நேர்மை அளவீட்டை அடைய வகைப்படுத்தல் வரம்பை சரிசெய்தல்.
• அளவீடு செய்தல்: மாதிரியின் நிகழ்தகவுகள் கவனிக்கப்பட்ட விளைவுகளுடன் நன்கு ஒத்துப்போவதை உறுதிசெய்ய அவற்றை அளவீடு செய்தல்.
• நிராகரிப்பு விருப்ப வகைப்படுத்தல்: மாதிரி அதன் கணிப்பு பற்றி உறுதியாக இல்லாத எல்லைக்கோட்டு நிகழ்வுகளுக்கு "நிராகரிப்பு விருப்பத்தை" சேர்ப்பது.

உதாரணமாக, மாதிரி அனைத்து குழுக்களுக்கும் ஒரே தவறான நேர்மறை விகிதத்தைக் கொண்டிருப்பதை உறுதிசெய்ய வகைப்படுத்தல் வரம்பை சரிசெய்யலாம்.

செயற்கை நுண்ணறிவு அமைப்புகளில் நேர்மையை ஊக்குவித்தல்: ஒரு உலகளாவிய கண்ணோட்டம்

நேர்மையான செயற்கை நுண்ணறிவு அமைப்புகளை உருவாக்குவதற்கு தொழில்நுட்ப தீர்வுகள் மட்டுமல்லாமல், நெறிமுறை பரிசீலனைகள், கொள்கை கட்டமைப்புகள் மற்றும் நிறுவன நடைமுறைகளையும் உள்ளடக்கிய ஒரு பன்முக அணுகுமுறை தேவைப்படுகிறது.

நெறிமுறை வழிகாட்டுதல்கள் மற்றும் கோட்பாடுகள்

பல்வேறு நிறுவனங்கள் மற்றும் அரசாங்கங்கள் செயற்கை நுண்ணறிவு மேம்பாடு மற்றும் பயன்பாட்டிற்கான நெறிமுறை வழிகாட்டுதல்கள் மற்றும் கோட்பாடுகளை உருவாக்கியுள்ளன. இந்த வழிகாட்டுதல்கள் பெரும்பாலும் நேர்மை, வெளிப்படைத்தன்மை, பொறுப்புக்கூறல் மற்றும் மனித மேற்பார்வையின் முக்கியத்துவத்தை வலியுறுத்துகின்றன.

• அசிலோமர் செயற்கை நுண்ணறிவு கோட்பாடுகள்: செயற்கை நுண்ணறிவின் பொறுப்பான மேம்பாடு மற்றும் பயன்பாட்டிற்கு வழிகாட்ட செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர்கள் மற்றும் நிபுணர்களால் உருவாக்கப்பட்ட ஒரு கோட்பாடுகளின் தொகுப்பு.
• நம்பகமான செயற்கை நுண்ணறிவுக்கான ஐரோப்பிய ஒன்றியத்தின் நெறிமுறை வழிகாட்டுதல்கள்: நம்பகமான செயற்கை நுண்ணறிவின் மேம்பாடு மற்றும் பயன்பாட்டை ஊக்குவிக்க ஐரோப்பிய ஆணையத்தால் உருவாக்கப்பட்ட ஒரு வழிகாட்டுதல்களின் தொகுப்பு.
• யுனெஸ்கோவின் செயற்கை நுண்ணறிவின் நெறிமுறைகள் மீதான பரிந்துரை: செயற்கை நுண்ணறிவின் பொறுப்பான மேம்பாடு மற்றும் பயன்பாட்டிற்கு வழிகாட்ட ஒரு உலகளாவிய கட்டமைப்பு, இது மனிதகுலம் முழுவதற்கும் பயனளிப்பதை உறுதி செய்கிறது.

செயற்கை நுண்ணறிவு ஆளுகை மற்றும் ஒழுங்குமுறை

செயற்கை நுண்ணறிவு அமைப்புகள் பொறுப்புடன் மேம்படுத்தப்பட்டு பயன்படுத்தப்படுவதை உறுதிசெய்ய அரசாங்கங்கள் பெருகிய முறையில் ஒழுங்குமுறைகளைக் கருத்தில் கொள்கின்றன. இந்த ஒழுங்குமுறைகளில் சார்பு தணிக்கைகள், வெளிப்படைத்தன்மை அறிக்கைகள் மற்றும் பொறுப்புக்கூறல் வழிமுறைகளுக்கான தேவைகள் இருக்கலாம்.

• ஐரோப்பிய ஒன்றியத்தின் செயற்கை நுண்ணறிவு சட்டம்: ஐரோப்பிய ஒன்றியத்தில் செயற்கை நுண்ணறிவுக்கான ஒரு சட்ட கட்டமைப்பை நிறுவ நோக்கமாகக் கொண்ட ஒரு முன்மொழியப்பட்ட ஒழுங்குமுறை, இது இடர் மதிப்பீடு, வெளிப்படைத்தன்மை மற்றும் பொறுப்புக்கூறல் போன்ற சிக்கல்களைக் கையாளுகிறது.
• 2022 இன் படிமுறை பொறுப்புக்கூறல் சட்டம் (அமெரிக்கா): தானியங்கு முடிவு அமைப்புகளின் சாத்தியமான தீங்குகளை மதிப்பிடவும் தணிக்கவும் நிறுவனங்களுக்குத் தேவைப்படும் நோக்கம் கொண்ட சட்டம்.

நிறுவன நடைமுறைகள்

நிறுவனங்கள் செயற்கை நுண்ணறிவு அமைப்புகளில் நேர்மையை ஊக்குவிக்க பல்வேறு நடைமுறைகளை செயல்படுத்தலாம்:

• பன்முக மேம்பாட்டுக் குழுக்கள்: செயற்கை நுண்ணறிவு மேம்பாட்டுக் குழுக்கள் பாலினம், இனம் மற்றும் பிற குணாதிசயங்களின் அடிப்படையில் பன்முகத்தன்மை கொண்டிருப்பதை உறுதி செய்தல்.
• பங்குதாரர் ஈடுபாடு: பாதிக்கப்பட்ட சமூகங்கள், சிவில் சமூக அமைப்புகள் போன்ற பங்குதாரர்களுடன் ஈடுபட்டு அவர்களின் கவலைகளைப் புரிந்துகொண்டு அவர்களின் கருத்துக்களை செயற்கை நுண்ணறிவு மேம்பாட்டு செயல்பாட்டில் இணைத்தல்.
• வெளிப்படைத்தன்மை மற்றும் விளக்கத்தன்மை: நம்பிக்கை மற்றும் பொறுப்புக்கூறலை உருவாக்க செயற்கை நுண்ணறிவு அமைப்புகளை மேலும் வெளிப்படையானதாகவும் விளக்கக்கூடியதாகவும் மாற்றுதல்.
• தொடர்ச்சியான கண்காணிப்பு மற்றும் மதிப்பீடு: சாத்தியமான சார்புகளைக் கண்டறிந்து சரிசெய்ய செயற்கை நுண்ணறிவு அமைப்புகளைத் தொடர்ந்து கண்காணித்து மதிப்பீடு செய்தல்.
• செயற்கை நுண்ணறிவு நெறிமுறை வாரியங்களை நிறுவுதல்: செயற்கை நுண்ணறிவு மேம்பாடு மற்றும் பயன்பாட்டின் நெறிமுறை தாக்கங்களைக் கண்காணிக்க உள் அல்லது வெளி குழுக்களை உருவாக்குதல்.

உலகளாவிய எடுத்துக்காட்டுகள் மற்றும் வழக்கு ஆய்வுகள்

படிமுறை சார்பு மற்றும் தணிப்பு உத்திகளின் நிஜ உலக எடுத்துக்காட்டுகளைப் புரிந்துகொள்வது நேர்மையான செயற்கை நுண்ணறிவு அமைப்புகளை உருவாக்குவதற்கு மிகவும் முக்கியம். உலகெங்கிலும் இருந்து சில எடுத்துக்காட்டுகள் இங்கே:

• அமெரிக்காவில் சுகாதாரம்: கூடுதல் மருத்துவ பராமரிப்பு தேவைப்படும் நோயாளிகளை கணிக்க அமெரிக்க மருத்துவமனைகளில் பயன்படுத்தப்பட்ட ஒரு படிமுறை, கருப்பு நோயாளிகளுக்கு எதிராக சார்புடையதாகக் கண்டறியப்பட்டது. இந்த படிமுறை தேவைக்கான ஒரு பதிலாளாக சுகாதார செலவுகளைப் பயன்படுத்தியது, ஆனால் கருப்பு நோயாளிகள் வரலாற்று ரீதியாக குறைவான சுகாதார அணுகலைக் கொண்டுள்ளனர், இது குறைந்த செலவுகளுக்கும் அவர்களின் தேவைகளை குறைத்து மதிப்பிடுவதற்கும் வழிவகுத்தது. (Obermeyer et al., 2019)
• அமெரிக்காவில் குற்றவியல் நீதி: குற்றவியல் பிரதிவாதிகளுக்கு மீண்டும் குற்றமிழைக்கும் அபாயத்தை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் COMPAS படிமுறை, அவர்கள் மீண்டும் குற்றமிழைக்காதபோதும் கருப்பு பிரதிவாதிகளை அதிக ஆபத்து உள்ளவர்களாக விகிதாசாரமின்றி கொடியிட்டது கண்டறியப்பட்டது. (Angwin et al., 2016)
• இங்கிலாந்தில் ஆட்சேர்ப்பு: அமேசான் தனது செயற்கை நுண்ணறிவு ஆட்சேர்ப்பு கருவியை, அது பெண்களுக்கு எதிராக சார்புடையது என்று கண்டறிந்த பிறகு கைவிட்டது. இந்த அமைப்பு வரலாற்று ரீதியான பணியமர்த்தல் தரவுகளில் பயிற்றுவிக்கப்பட்டது, இதில் பெரும்பாலும் ஆண் விண்ணப்பதாரர்கள் இடம்பெற்றிருந்தனர், இது "பெண்கள்" என்ற வார்த்தையைக் கொண்ட விண்ணப்பங்களை செயற்கை நுண்ணறிவு தண்டிப்பதற்கு வழிவகுத்தது.
• சீனாவில் முகத்தை அடையாளம் காணுதல்: சீனாவில் கண்காணிப்பு மற்றும் சமூகக் கட்டுப்பாட்டிற்காகப் பயன்படுத்தப்படும் முகத்தை அடையாளம் காணும் அமைப்புகளில், குறிப்பாக இன சிறுபான்மையினருக்கு எதிராக, சார்புக்கான சாத்தியக்கூறுகள் குறித்து கவலைகள் எழுப்பப்பட்டுள்ளன.
• இந்தியாவில் கடன் மதிப்பீடு: இந்தியாவில் கடன் மதிப்பீட்டு மாதிரிகளில் மாற்றுத் தரவு மூலங்களைப் பயன்படுத்துவது, இந்த தரவு மூலங்கள் தற்போதுள்ள சமூக-பொருளாதார சமத்துவமின்மைகளைப் பிரதிபலித்தால், சார்பை அறிமுகப்படுத்தும் திறனைக் கொண்டுள்ளது.

செயற்கை நுண்ணறிவு நெறிமுறைகள் மற்றும் சார்பு கண்டறிதலின் எதிர்காலம்

செயற்கை நுண்ணறிவு தொடர்ந்து विकसितமாகி வருவதால், செயற்கை நுண்ணறிவு நெறிமுறைகள் மற்றும் சார்பு கண்டறிதல் துறை இன்னும் முக்கியத்துவம் பெறும். எதிர்கால ஆராய்ச்சி மற்றும் மேம்பாட்டு முயற்சிகள் இவற்றில் கவனம் செலுத்த வேண்டும்:

• மிகவும் வலுவான மற்றும் துல்லியமான சார்பு கண்டறிதல் நுட்பங்களை உருவாக்குதல்.
• மிகவும் பயனுள்ள சார்பு தணிப்பு உத்திகளை உருவாக்குதல்.
• செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர்கள், நெறிமுறையாளர்கள், கொள்கை வகுப்பாளர்கள் மற்றும் சமூக விஞ்ஞானிகளுக்கு இடையே பல்துறை ஒத்துழைப்பை ஊக்குவித்தல்.
• செயற்கை நுண்ணறிவு நெறிமுறைகளுக்கான உலகளாவிய தரநிலைகள் மற்றும் சிறந்த நடைமுறைகளை நிறுவுதல்.
• செயற்கை நுண்ணறிவு பயிற்சியாளர்கள் மற்றும் பொது மக்களிடையே செயற்கை நுண்ணறிவு நெறிமுறைகள் மற்றும் சார்பு பற்றிய விழிப்புணர்வை ஏற்படுத்த கல்வி வளங்களை உருவாக்குதல்.

முடிவுரை

படிமுறை சார்பு என்பது செயற்கை நுண்ணறிவு நெறிமுறைகளில் ஒரு குறிப்பிடத்தக்க சவாலாகும், ஆனால் அது கடக்க முடியாததல்ல. சார்பின் மூலங்களைப் புரிந்துகொள்வதன் மூலமும், பயனுள்ள கண்டறிதல் மற்றும் தணிப்பு நுட்பங்களைப் பயன்படுத்துவதன் மூலமும், நெறிமுறை வழிகாட்டுதல்கள் மற்றும் நிறுவன நடைமுறைகளை ஊக்குவிப்பதன் மூலமும், மனிதகுலம் அனைவருக்கும் பயனளிக்கும் நேர்மையான மற்றும் சமமான செயற்கை நுண்ணறிவு அமைப்புகளை நாம் உருவாக்க முடியும். செயற்கை நுண்ணறிவு பொறுப்புடன் மேம்படுத்தப்பட்டு பயன்படுத்தப்படுவதை உறுதி செய்ய, ஆராய்ச்சியாளர்கள், கொள்கை வகுப்பாளர்கள், தொழில் தலைவர்கள் மற்றும் பொதுமக்களிடையே ஒத்துழைப்பை உள்ளடக்கிய ஒரு உலகளாவிய முயற்சி இதற்குத் தேவைப்படுகிறது.

குறிப்புகள்:

• Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine Bias. ProPublica.
• Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453.