ਤੁਸੀਂ ਇਹ ਕੋਰਸ ਲਗਭਗ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ, ਅਤੇ ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਹੁਣ ਤੱਕ ਤੁਹਾਨੂੰ ਸਪਸ਼ਟ ਹੋ ਗਿਆ ਹੋਵੇਗਾ ਕਿ AI ਕਈ ਗਣਿਤਕ ਵਿਧੀਆਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਜੋ ਸਾਨੂੰ ਡਾਟਾ ਵਿੱਚ ਸਬੰਧ ਲੱਭਣ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਦੇ ਕੁਝ ਪੱਖਾਂ ਨੂੰ ਦੁਹਰਾਉਣ ਲਈ ਸਿਖਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਸ ਸਮੇਂ, ਅਸੀਂ AI ਨੂੰ ਡਾਟਾ ਵਿੱਚੋਂ ਪੈਟਰਨ ਕੱਢਣ ਅਤੇ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੰਦ ਮੰਨਦੇ ਹਾਂ।
ਹਾਲਾਂਕਿ, ਵਿਗਿਆਨਕ ਕਲਪਨਾ ਵਿੱਚ ਅਸੀਂ ਅਕਸਰ ਕਹਾਣੀਆਂ ਵੇਖਦੇ ਹਾਂ ਜਿੱਥੇ AI ਮਨੁੱਖਤਾ ਲਈ ਖਤਰਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਕਹਾਣੀਆਂ ਕਿਸੇ ਕਿਸਮ ਦੀ AI ਬਗਾਵਤ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕੇਂਦਰਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਜਦੋਂ AI ਮਨੁੱਖਾਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਵਿੱਚ ਕਿਸੇ ਕਿਸਮ ਦੀ ਭਾਵਨਾ ਹੈ ਜਾਂ ਇਹ ਆਪਣੇ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਅਣਦੇਖੇ ਫੈਸਲੇ ਲੈ ਸਕਦਾ ਹੈ।
ਇਸ ਕੋਰਸ ਵਿੱਚ ਸਿੱਖੀ ਗਈ AI ਕਿਸਮ ਸਿਰਫ਼ ਵੱਡੇ ਮੈਟ੍ਰਿਕਸ ਗਣਿਤ ਤੋਂ ਵੱਧ ਕੁਝ ਨਹੀਂ ਹੈ। ਇਹ ਸਾਡੇ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੰਦ ਹੈ, ਅਤੇ ਕਿਸੇ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੰਦ ਵਾਂਗ - ਇਸਦਾ ਸਹੀ ਅਤੇ ਗਲਤ ਦੋਹਾਂ ਤਰੀਕਿਆਂ ਨਾਲ ਇਸਤੇਮਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਸਦਾ ਗਲਤ ਇਸਤੇਮਾਲ ਵੀ ਹੋ ਸਕਦਾ ਹੈ।
AI ਦੇ ਇਸ ਅਣਜਾਣੇ ਜਾਂ ਜਾਨਬੁੱਝ ਕੇ ਗਲਤ ਇਸਤੇਮਾਲ ਤੋਂ ਬਚਣ ਲਈ, ਮਾਈਕਰੋਸਾਫਟ ਨੇ ਮਹੱਤਵਪੂਰਨ ਜ਼ਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ ਦਿੱਤੇ ਹਨ। ਇਹ ਸਿਧਾਂਤ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਵਿਚਾਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹਨ:
- ਨਿਆਂਸੰਗਤਾ (Fairness) ਇਹ ਮਾਡਲ ਪੱਖਪਾਤ ਦੀ ਮਹੱਤਵਪੂਰਨ ਸਮੱਸਿਆ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ, ਜੋ ਕਿ ਪੱਖਪਾਤੀ ਡਾਟਾ ਨੂੰ ਸਿਖਲਾਈ ਲਈ ਵਰਤਣ ਨਾਲ ਹੋ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਅਸੀਂ ਕਿਸੇ ਵਿਅਕਤੀ ਲਈ ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਰ ਦੀ ਨੌਕਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਮਾਡਲ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਪੁਰਸ਼ਾਂ ਨੂੰ ਵਧੇਰੇ ਤਰਜੀਹ ਦੇਵੇਗਾ - ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਸਿਖਲਾਈ ਡਾਟਾਸੈੱਟ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਪੁਰਸ਼ ਦਰਸ਼ਕਾਂ ਵੱਲ ਪੱਖਪਾਤੀ ਸੀ। ਸਾਨੂੰ ਸਿਖਲਾਈ ਡਾਟੇ ਨੂੰ ਧਿਆਨ ਨਾਲ ਸੰਤੁਲਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਤਾਂ ਜੋ ਪੱਖਪਾਤ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਮਾਡਲ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ।
- ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ (Reliability and Safety)। ਆਪਣੇ ਸੁਭਾਵ ਦੇ ਕਾਰਨ, AI ਮਾਡਲ ਗਲਤੀਆਂ ਕਰ ਸਕਦੇ ਹਨ। ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸੰਭਾਵਨਾਵਾਂ ਵਾਪਸ ਕਰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਫੈਸਲੇ ਲੈਂਦੇ ਹਾਂ ਤਾਂ ਸਾਨੂੰ ਇਸਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ। ਹਰ ਮਾਡਲ ਦੀ ਕੁਝ ਸਹੀਤਾ ਅਤੇ ਸਦਨਸ਼ੀਲਤਾ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਗਲਤ ਸਲਾਹ ਦੇ ਕਾਰਨ ਹੋ ਸਕਣ ਵਾਲੇ ਨੁਕਸਾਨ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ।
- ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ (Privacy and Security) ਦਾ AI-ਵਿਸ਼ੇਸ਼ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਅਸੀਂ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੁਝ ਡਾਟਾ ਵਰਤਦੇ ਹਾਂ, ਤਾਂ ਇਹ ਡਾਟਾ ਕਿਸੇ ਤਰ੍ਹਾਂ ਮਾਡਲ ਵਿੱਚ "ਇੰਟਿਗ੍ਰੇਟ" ਹੋ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਪਾਸੇ, ਇਹ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਵਧਾਉਂਦਾ ਹੈ, ਦੂਜੇ ਪਾਸੇ - ਸਾਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਕਿਹੜੇ ਡਾਟੇ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ।
- ਸਮਾਵੇਸ਼ਤਾ (Inclusiveness) ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ AI ਨੂੰ ਲੋਕਾਂ ਦੀ ਜਗ੍ਹਾ ਲੈਣ ਲਈ ਨਹੀਂ ਬਣਾ ਰਹੇ, ਬਲਕਿ ਲੋਕਾਂ ਨੂੰ ਵਧੀਆ ਬਣਾਉਣ ਅਤੇ ਸਾਡੇ ਕੰਮ ਨੂੰ ਹੋਰ ਰਚਨਾਤਮਕ ਬਣਾਉਣ ਲਈ ਬਣਾ ਰਹੇ ਹਾਂ। ਇਹ ਨਿਆਂਸੰਗਤਾ ਨਾਲ ਵੀ ਜੁੜਿਆ ਹੋਇਆ ਹੈ, ਕਿਉਂਕਿ ਜਦੋਂ ਅਸੀਂ ਘੱਟ ਪ੍ਰਤੀਨਿਧਿਤ ਸਮੂਹਾਂ ਨਾਲ ਨਿਪਟਦੇ ਹਾਂ, ਤਾਂ ਸਾਡੇ ਦੁਆਰਾ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਜ਼ਿਆਦਾਤਰ ਡਾਟਾਸੈੱਟ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਪੱਖਪਾਤੀ ਹੋਣਗੇ, ਅਤੇ ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਸਮੂਹ ਸ਼ਾਮਲ ਹਨ ਅਤੇ AI ਦੁਆਰਾ ਸਹੀ ਢੰਗ ਨਾਲ ਸੰਭਾਲੇ ਜਾਂਦੇ ਹਨ।
- ਪਾਰਦਰਸ਼ਤਾ (Transparency)। ਇਸ ਵਿੱਚ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੈ ਕਿ ਅਸੀਂ ਹਮੇਸ਼ਾ ਸਪਸ਼ਟ ਕਰਦੇ ਹਾਂ ਕਿ AI ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਇਸਦੇ ਨਾਲ ਹੀ, ਜਿੱਥੇ ਸੰਭਵ ਹੋਵੇ, ਅਸੀਂ ਉਹ AI ਸਿਸਟਮ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਵਿਆਖਿਆਯੋਗ ਹੋਣ।
- ਜਵਾਬਦੇਹੀ (Accountability)। ਜਦੋਂ AI ਮਾਡਲ ਕੁਝ ਫੈਸਲੇ ਲੈਂਦੇ ਹਨ, ਤਾਂ ਇਹ ਹਮੇਸ਼ਾ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਉਹਨਾਂ ਫੈਸਲਿਆਂ ਲਈ ਜਵਾਬਦੇਹ ਕੌਣ ਹੈ। ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਕਿ AI ਫੈਸਲਿਆਂ ਦੀ ਜਵਾਬਦੇਹੀ ਕਿੱਥੇ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ ਲੈਣ ਦੇ ਚੱਕਰ ਵਿੱਚ ਮਨੁੱਖਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਵੇ, ਤਾਂ ਜੋ ਅਸਲ ਲੋਕਾਂ ਨੂੰ ਜਵਾਬਦੇਹ ਬਣਾਇਆ ਜਾ ਸਕੇ।
ਮਾਈਕਰੋਸਾਫਟ ਨੇ ਜ਼ਿੰਮੇਵਾਰ AI ਟੂਲਬਾਕਸ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸੰਦਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਸ਼ਾਮਲ ਹੈ:
-
ਵਿਆਖਿਆਯੋਗਤਾ ਡੈਸ਼ਬੋਰਡ (InterpretML)
-
ਨਿਆਂਸੰਗਤਾ ਡੈਸ਼ਬੋਰਡ (FairLearn)
-
ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਡੈਸ਼ਬੋਰਡ
-
ਜ਼ਿੰਮੇਵਾਰ AI ਡੈਸ਼ਬੋਰਡ ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
- EconML - ਕਾਰਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੰਦ, ਜੋ ਕਿ "ਜੇਕਰ-ਤਦ" ਪ੍ਰਸ਼ਨਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ
- DiCE - ਕਾਊਂਟਰਫੈਕਚੁਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੰਦ ਜੋ ਤੁਹਾਨੂੰ ਵੇਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਦੇ ਫੈਸਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਲਈ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ
AI ਨੈਤਿਕਤਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਕਿਰਪਾ ਕਰਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਇਹ ਪਾਠ ਵੇਖੋ ਜਿਸ ਵਿੱਚ ਅਸਾਈਨਮੈਂਟ ਸ਼ਾਮਲ ਹਨ।
ਜ਼ਿੰਮੇਵਾਰ AI ਬਾਰੇ ਹੋਰ ਸਿੱਖਣ ਲਈ ਇਹ ਸਿੱਖਣ ਪਾਥ ਲਓ।
ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।