எளிமையாப் புரிஞ்சுக்கலாம்

Data எப்படிச் சேகரிச்சோம், யாருக்கு உதவுது, யாருக்கு பாதிப்பு வரலாம், ஒரு முடிவைக் கேள்வி கேட்க வழி இருக்கா—இவையெல்லாம் responsible AI-ல் வரும். Sample தேர்வு, labels, objective, interface, பயன்படுத்தும் சூழல் என்று பல இடங்களில் bias வரலாம். ஒரு fairness metric ஒரு அறிகுறிதான். எல்லா சூழலுக்கும் பொருந்தும் நியாயத்தின் ஒரே வரையறை இல்லை. பாதிக்கப்படக்கூடியவர்களின் நிலையும் துறை அறிவும் சேர்த்துப் பார்க்கணும்.

இந்த AI approach எப்படி வேலை செய்கிறது?

AI Ethics-ல் யாருக்கு பயன், தவறின் பாதிப்பை யார் சந்திக்கிறார்கள், decision-ஐ எப்படி கேள்வி கேட்கலாம் என்று பார்ப்போம். Generated answer-ஓட wording மட்டும் இல்லை; lifecycle முழுவதும் இது பொருந்தும். எந்த problem தேர்வு செய்கிறோம், data எடுக்கிறோம், labels போடுகிறோம், objective வைக்கிறோம், எங்கே deploy செய்கிறோம் என்ற எல்லாவற்றிலும் மனிதர்களைப் பாதிக்கும் choices இருக்கும்.

குறைவாக represent ஆன data, inconsistent labels, பழைய decisions, proxy variables, வேறு population-ல் deployment போன்றவற்றிலிருந்து bias வரலாம். Sensitive column நீக்கினாலும் அதனுடன் தொடர்புள்ள தகவல் மற்ற columns-ல் இருக்கலாம். Overall score ஒரு language, dialect, disability அல்லது group-க்கான failures-ஐ மறைக்கலாம். Rate difference வந்தால் ஒரே காரணம் என்று உடனே முடிவு செய்யாமல் context-உடன் ஆராயணும்.

Fairness metrics வேறு கேள்விகளுக்குப் பதில் தரும். Equal selection rates, comparable error rates, calibrated scores எல்லாம் ஒன்றல்ல. சில சூழல்களில் criteria ஒன்றுக்கொன்று முரண்படலாம். பாதிக்கப்படும் மக்களும் domain experts-மும் சேர்ந்து criteria தேர்வு செய்து trade-offs பதிவு செய்யணும். Review, appeal உண்மையாகப் பயன்படணும். ஒரு number மட்டும் system ஏற்றதா என்று முடிவு செய்யாது.

Data-க்கு permission, purpose, minimization, retention, access control தேவை. Limitations விளக்கணும்; முழுப் பொறுப்பையும் user மேல் போடக்கூடாது. Human reviewer-க்கு நேரம், evidence, தவறைத் திருத்தும் authority இருக்கணும். Approve button click செய்வது மட்டும் meaningful oversight இல்லை.

ஒவ்வொரு படியாகப் பார்க்கலாம்

1. Data எங்கிருந்து வந்தது, பயன்படுத்த அனுமதி உள்ளதா என்று பதிவு செய்யலாம்.
2. தேவையில்லாத sensitive data சேகரிக்காமல், பொருத்தமான குழுக்கள் மற்றும் சூழல்களில் result-ஐப் பார்க்கலாம்.
3. வரம்புகளைத் தெளிவாகச் சொல்லி, முக்கிய தவறுகளுக்கு human review மற்றும் கேள்வி கேட்கும் வழி வைக்கலாம்.

உதாரணம்: task-உடன் approach-ஐ இணைக்கலாம்

ஒரு support bot formal Tamil-ஐவிட கிராமப்புற பேச்சு வழக்கை அதிகமாகத் தவறாகப் புரிகிறது என்று வைத்துக்கலாம். அந்த users-க்கு கூடுதல் waiting, repeated requests ஏற்படும். அனுமதியுடன் representative examples ஆராய்ந்து language style அடிப்படையில் errors ஒப்பிட்டு, coverage மேம்படுத்தி, செயல்படும் human-support வழி வைக்கணும்.

இதற்காகத் தேவையில்லாத identity details சேகரிப்பதோ எல்லோரும் formal Tamil-ல் எழுதணும் என்று கட்டாயப்படுத்துவதோ தீர்வு இல்லை. Exclusion-க்கான உண்மையான காரணத்தை address செய்து, மாற்றம் பாதிக்கப்பட்ட users-க்கு உதவுகிறதா என்று பார்க்கணும்.

கருத்தைப் பயன்படுத்தலாம்: உங்க புரிதலைச் சோதிங்க

அடுத்த பாடத்துக்கு முன்னாடி

• Technical பெயரை மட்டும் சொல்லாமல், கருத்தை உங்க வார்த்தைகளில் விளக்கிப் பாருங்க.
• Approach என்ன, அதன் assumptions என்ன, result-ஐ நம்ப என்ன evidence வேண்டும் என்று சொல்லிப் பாருங்க.
• பயிற்சியை முயற்சி செய்துவிட்டு, உங்க காரணத்தை விடையோடு ஒப்பிட்டுப் பாருங்க.

ஆதாரங்கள்: இன்னும் தெரிஞ்சுக்கலாம்

இந்தப் புதுப்பிப்பில் original research papers மற்றும் official documentation பயன்படுத்தப்பட்டுள்ளன. கீழே உள்ள கூடுதல் links ஆங்கிலத்தில் இருக்கும். அவற்றை முதலில் படிக்காமலேயே இந்தப் பாடத்தைப் புரிஞ்சுக்கலாம். Product versions, availability மாறலாம்.

• NIST: Generative AI Profile ↗
• Hugging Face: model cards ↗