---
title: 'Data Ethics Full Course | Responsible AI, Bias & Data Privacy | Simplilearn'
source: 'https://youtube.com/watch?v=O3PbtX5Hi7A'
video_id: 'O3PbtX5Hi7A'
date: 2026-10-19
duration_sec: 6850
channel: 'Simplilearn'
---

# Data Ethics Full Course | Responsible AI, Bias & Data Privacy | Simplilearn

> Source: [Data Ethics Full Course | Responsible AI, Bias & Data Privacy | Simplilearn](https://youtube.com/watch?v=O3PbtX5Hi7A)

## Summary

This video is a comprehensive course on data ethics, covering key principles, legal frameworks, and practical applications for responsible data handling and AI. It emphasizes the importance of ethical considerations in data collection, analysis, and deployment, highlighting real-world examples and regulatory requirements.

### Key Points

- **Data Ethics Definition and Importance** [00:34] — Data ethics involves principles governing the collection, storage, analysis, sharing, and responsible use of data. It is crucial because data-driven decisions impact individuals and society, and ethical practices ensure fairness, transparency, and accountability.
- **Cost of Data Breaches** [01:01] — According to IBM's 2026 Cost of a Data Breach report, the average global cost of a data breach reached $4.99 million, highlighting the financial and reputational stakes of data security.
- **EU AI Act Enforcement** [01:16] — The European Commission states that most provisions of the EU AI Act came into force on August 2, 2026, tightening requirements for trustworthy and transparent AI systems.
- **Core Principles of Data Ethics** [05:05] — Key principles include privacy (respecting personal information), fairness (avoiding disadvantage), transparency (clear communication about data use), accountability (responsibility for systems), and security (protecting data from unauthorized access).
- **Informed Consent** [07:05] — Consent must be free, specific, informed, unconditional, and unambiguous, with clear communication about what data is collected, why, and how it will be used. Users should have the ability to withdraw consent.
- **Data Security as Ethical Responsibility** [09:20] — Once an organization collects data, it has an ethical duty to protect it from unauthorized access, breaches, theft, or misuse. This is not just a cybersecurity issue but a moral obligation.
- **Bias and Fairness in Data** [10:54] — Data can reflect societal biases, leading to unfair outcomes in AI models. Analysts must examine errors and results across different groups, not just overall accuracy, to ensure fairness.
- **Transparency and Explainability** [12:14] — Organizations must be open about data use and able to explain decisions made by AI systems. Simple answers like 'the algorithm decided' are not acceptable; clear accountability is required.
- **Ethical Decision-Making and Governance** [13:50] — Ethical principles should be integrated into daily decision-making processes, not just after problems arise. Governance frameworks like NIST's AI RMF organize risk management around govern, map, measure, and control functions.
- **Ethics in Data Visualization** [15:25] — Charts and dashboards can mislead even with accurate data, e.g., truncated axes exaggerate differences. Ethical visualization requires accuracy, context, clarity, and honesty.
- **Ethics in AI and Machine Learning** [16:45] — AI systems can amplify errors at scale, so responsible AI requires ethical thinking throughout the lifecycle: data collection, model development, evaluation, deployment, monitoring, and improvement.
- **Case Study: Facebook Targeted Ads** [46:39] — In 2019, Facebook faced criticism for allowing advertisers to target job ads by gender and age, leading to potential discrimination and unfair exclusion from opportunities.
- **Case Study: T-Mobile Data Breach** [52:26] — In January 2024, T-Mobile suffered a major data breach where attackers accessed APIs and stole information on about 37 million customers, highlighting the need for robust API security and transparency.
- **Case Study: Google Incognito Mode** [59:56] — Google faced a lawsuit alleging it continued tracking user activity even in Incognito mode, undermining user expectations of privacy and transparency.
- **Case Study: Cambridge Analytica** [01:31:45] — Cambridge Analytica collected Facebook users' personal data without consent for targeted political ads during the 2016 US elections, leading to a $5 billion FTC fine for Facebook and the company's closure.
- **Case Study: Marriott Data Breach** [01:35:06] — Marriott suffered a data breach exposing personal information of about 5 million guests, including passport numbers and credit card data, resulting in a fine of approximately 110 million euros by the UK ICO.

### Conclusion

Data ethics is not just a legal requirement but a moral imperative for organizations handling data. By adhering to principles of transparency, fairness, accountability, privacy, and security, organizations can build trust, avoid harm, and foster responsible innovation in the digital age.

## Transcript

в интернете или используем кредитную карту, посещаем больницу или взаимодействуем с любым инструментом искусственного интеллекта, собираются данные, которые используются для принятия решений о нас.  Но тот факт, что не означает, что она должна использовать эти данные всеми возможными способами.  Именно поэтому
этика данных приобретает такое важное значение.  Эта проблема становится все более актуальной, поскольку системы искусственного интеллекта используют наборы данных для влияния на найм персонала, кредитование, здравоохранение, маркетинг и государственные услуги.  Согласно отчету IBM о стоимости утечек данных за 2026 год,
средняя глобальная стоимость утечки данных достигла 4,99 миллиона долларов, при этом каждая четвертая из .  И в то же время, регулирование развивается.  Европейская комиссия заявляет, что большинство положений закона ЕС об искусственном интеллекте вступили в силу
2 августа 2026 года, ужесточая требования к надежному и прозрачному ИИ.  Поэтому специалистам по работе с данными необходимо думать не только о точности.  Они также должны задаться вопросом: были ли эти данные собраны с согласия?  Оно находится под защитой?  Может ли такой
анализ привести к несправедливым результатам?  Можем ли мы объяснить, как было принято это решение?  Кто Некоторые вопросы подобного рода.  Таким образом, на этом занятии мы рассмотрим вопросы конфиденциальности, согласия, предвзятости, справедливости, прозрачности, управления, этики визуализации и
ответственной практики использования ИИ.  Введение в этику данных.  Разберитесь, что означает этика данных и почему она важна в современной аналитике.  Основные принципы этики данных.  Изучите вопросы конфиденциальности, справедливости, прозрачности, подотчетности и
информированное согласие.  Поймите, как следует ответственно собирать и использовать персональную информацию.  Правила защиты данных .  Изучите основные функции требований .  Изучите основные функции требований GDPR, аналогичных требованиям CCPA, и
структуру DPDP Индии.  Безопасность данных. Поймите, почему ответственный доступ и защита являются этическими обязанностями. Предвзятость и справедливость.  Узнайте, как предвзятые данные могут приводить к несправедливым аналитическим результатам и результатам применения искусственного интеллекта .  Прозрачность и
организациям следует объяснять и брать на себя ответственность за решения, принимаемые на основе данных. Принятие этических решений и управление. Изучите, как организации могут интегрировать этические принципы в жизненный цикл данных.  Этика в визуализации данных.  Узнайте, как диаграммы
и панели мониторинга могут вводить в заблуждение, даже если исходные данные верны.  Этика, искусственный интеллект и машинное обучение.  Разберитесь в ответственных методах использования ИИ при мы продолжим, позвольте мне поделиться с вами кое-чем действительно интересным.
Программа профессиональной сертификации Simply Learn по анализу данных с использованием искусственного интеллекта, разработанная в помочь вам развить современные аналитические навыки, в основе которых лежит ИИ. Вы сможете изучить SQL, Python, Excel с Copilot, PowerBI, Tableau, машинное
обучение, глубокое обучение, облачный ИИ, автоматизацию ИИ и агентов ИИ для анализа данных.  Программа также включает более 150 демонстраций, более 15 инструментов и навыков, 11 практических проектов, примеры из реальной жизни и итоговый проект.  Вы
также изучите этику данных, конфиденциальность, ответственный ИИ, генеративный ИИ и агентный ИИ, а также примете участие в мастер-классе преподавателей IIT Praver и двухдневном мероприятии, посвященном эмоциям в кампусе, в исследовательском парке IIT Medas.  Таким образом, если вы хотите выйти за рамки традиционной
аналитики и узнать, как искусственный интеллект меняет способы анализа, автоматизации и программа определенно заслуживает внимания.  Какой принцип направлен на предотвращение несправедливых результатов?  Речь идёт о справедливости, объёме памяти, скорости или об удалении накипи?
ниже.  Этика данных — это принципы, определяющие порядок сбора, хранения, анализа, обмена и ответственного использования данных.  В аналитике легко сосредоточиться в основном на цифрах, моделях, панелях мониторинга и множестве прогнозов.  Но
за многими наборами данных стоят реальные люди.  В записи о клиенте могут содержаться имя, местоположение, информация о покупках, доход, данные о состоянии здоровья или данные об активности в интернете может иметь реальные последствия.  Предположим, компания собирает
информацию о клиентах для предоставления онлайн-услуг.  Использование этой информации для предоставления запрошенных услуг может быть оправданным, но использование той же информации для несвязанной цели без четкого уведомления клиента поднимает этический
организациям задаваться вопросом, является ли использование информации целесообразным, справедливым, прозрачным и уважительным по отношению к людям, представленным этими данными.  В рамках современной программы обучения этике данных Simply Learning особое внимание уделяется таким областям, как конфиденциальность,
прозрачность, подотчетность, предвзятость, справедливость, этичное принятие решений, визуализация и ответственный ИИ. Таким образом, этические нормы применяются от момента сбора информации до ее удаления.  Цель состоит
не в том, чтобы помешать организациям использовать данные.  Цель здесь состоит в том, чтобы ненужного вреда отдельным лицам, сообществам, клиентам или обществу в целом.  Теперь перейдем к основным принципам этики данных.  Этика данных может быть
принципов.  И первое — это конфиденциальность, что означает уважение личной информации людей и ограничение ненужного доступа к ней.  Второй аспект — это справедливость, решения, принимаемые на основе данных, не ставили в невыгодное положение отдельных
лиц или группы.  Третий аспект — прозрачность.  Люди, затронутые той или иной информацию о том, как используются их данные, откуда они поступают, как принимаются важные решения и так далее.  Четвертый аспект – это
подотчетность.  Если организация создает или использует аналитическую систему или систему искусственного интеллекта переложить на алгоритм .  Кто-то должен нести ответственность за то, как система спроектирована, контролируется и используется.  Ещё один принцип —
информации накладывает ответственность за её защиту от несанкционированного доступа или неправомерного использования.  Теперь эти идеи в значительной степени соответствуют характеристикам, которые NISD определяет как заслуживающие доверия, включая системы, которые являются валидными и надежными, безопасными, защищенными и
устойчивыми, подотчетными, прозрачными, объяснимыми и интерпретируемыми, с улучшенной защитой конфиденциальности и справедливыми, с управлением вредными предубеждениями .  Теперь эти принципы взаимосвязаны.  Даже очень точная модель может быть неэтичной, если она нарушает
конфиденциальность.  Даже безопасная система может быть несправедливой, а справедливая модель может создавать проблемы, если никто не сможет объяснить, кто несет ответственность за принимаемые в ней решения. баланса между множеством обязанностей, а не оптимизации только одного
технического показателя.  Теперь перейдем к вопросам конфиденциальности, согласия и ответственного сбора данных.  Одна из важнейших областей этики данных — это решение вопроса о том, следует ли вообще собирать эту информацию или нет.
огромных объемов информации о клиентах, но этичный сбор данных Допустим, фитнес-приложение запрашивает у вас возраст, уровень активности и цели в тренировках, чтобы предоставлять рекомендации.  Эта информация может быть
полезна для данной услуги.  Но если то же самое приложение запрашивает доступ к посторонним телефонным контактам без веских причин, пользователям следует задаться вопросом, зачем им выходит информированное согласие .  Согласие не должно
сводиться к простому размещению длинной политики конфиденциальности на веб-сайте и предположению, что все понимать, какая информация собирается, зачем она нужна и как будет использоваться, а также какие у них есть варианты выбора.  Закон Индии о защите персональных данных в цифровой среде
конкретно определяет согласие как свободное, конкретное, информированное, безусловное и недвусмысленное действие, подразумевающее четкое и утвердительное действие, и ограничивает согласие персональными данными, необходимыми для указанной цели.  Это также дает
людям возможность отозвать свое согласие.  Ещё один полезный принцип — минимизация данных.  Собирайте только то, что разумно необходимо для достижения намеченной цели.  Это снижает степень уязвимости конфиденциальности и может также уменьшить риски для безопасности.  Таким образом,
этичный подход к сбору информации начинается с трех простых вопросов.  Нужны ли нам эти данные?  Был ли этот человек проинформирован? Используем ли мы его только для тех целей, на которые они обоснованно рассчитывают?  Этика данных и законодательство о защите данных тесно связаны,
.  Закон устанавливает требования, которым организации должны следовать, в то время как этика задает вопрос о том, является ли данная практика ответственной, даже если закон не дает признанных документов по защите персональных данных является Общий регламент Европейского союза по защите данных
(GDPR), который регулирует обработку и защиту персональных важные права в отношении их информации.  В Индии Закон о защите цифровых персональных данных 2023 года распространяется на определенные виды обработки
цифровых персональных данных и устанавливает обязательства в отношении уведомления, согласия, доступа, исправления, удаления и рассмотрения жалоб.  Правительство также опубликовало правила защиты персональных данных в цифровую эпоху 2025 года. Для
аналитика данных важный урок заключается не только в запоминании каждой статьи закона. рассматривать как неограниченный ресурс. Организациям необходимо знать, какие данные они хранят, зачем они их обрабатывают, кто имеет к ним доступ, как долго их
следует хранить и какими правами обладают физические лица.  Нормативно-правовые нормы могут различаться в разных странах, но такие этические принципы, как цель, ограничение, согласие, конфиденциальность, прозрачность и ответственность, остаются весьма актуальными.
как минимальное условие, а этика данных может помочь специалистам задуматься решений.  Теперь перейдём к вопросам безопасности данных и ответственного доступа.  Вопрос конфиденциальности касается того, следует ли собирать и использовать информацию.  Служба безопасности задает вопрос,
надлежащим ли образом защищена эта информация .  Как только организация информацию, она берет на себя ответственность за защиту этих данных от несанкционированного доступа, утечек, краж, изменений или неправомерного использования.  Это
проблема кибербезопасности, но и этическая ответственность.  В отчете IBM о стоимости утечки данных в 2026 году говорится, что средняя глобальная стоимость утечки достигла 4,99 миллиона долларов, что демонстрирует огромные финансовые масштабы современных инцидентов с данными.
Но финансовые потери — это лишь одно из последствий.  Утечка медицинских записей, финансовой информации, паролей или личных данных может напрямую затронуть людей, чьи данные были скомпрометированы. Таким образом, ответственное управление данными
следует автоматически предоставлять каждому сотруднику доступ ко всем наборам данных только потому, что он работает в одной и той же организации. Доступ к данным должен основываться на законных с помощью таких подходов, как
хранение, мониторинг, резервное копирование и соответствующие политики хранения.  Ещё один ненужных копий конфиденциальной информации.  Если данные дублируются на ноутбуках, в электронных таблицах, облачных хранилищах и личных устройствах,
контролировать доступ становится гораздо сложнее. NIST относит безопасность, отказоустойчивость и характеристик надежной системы искусственного интеллекта .  Таким образом, этическая безопасность подразумевает вопросы о том, кому необходим доступ, зачем он им нужен и как мы защищаем
людей, чьи данные представлены в этих данных.  Теперь перейдём к вопросам предвзятости и справедливости в данных.  Данные могут казаться объективными, поскольку содержат цифры, но эти цифры могут отражать предвзятость системы и общества, которые их создают.  Теперь
представьте, что вы создаете модель найма персонала, используя исторические данные о сотрудниках.  Если в прошлых отдавалось предпочтение одной группе, то набор данных может содержать именно эту закономерность.  Затем модель, обученная на же дисбаланс.  Это означает, что исторические данные не являются автоматически
нейтральными данными.  Предвзятость может проявляться на нескольких этапах.  Данный набор данных может недостаточно точно отражать особенности определенных групп населения.  Метки могут содержать субъективные человеческие суждения, а переменные, выбранные для анализа, могут служить косвенными показателями конфиденциальных характеристик.
Модель может демонстрировать разные результаты в разных группах, даже если её общая точность кажется высокой. Таким образом, для обеспечения справедливости аналитикам необходимо выходить за рамки одного общего показателя эффективности.  Им следует изучить, какие ошибки и результаты
соответствующих группах населения, и даже выяснить, почему.  NIST описывает заслуживающий доверия ИИ как справедливый, с минимизацией вредных предубеждений, при этом его концепция делает акцент на измерении и управлении рисками на протяжении всего
жизненного цикла ИИ.  Важно отметить, что справедливость не всегда означает предоставление всем потребоваться разные определения и критерии справедливости.  В обязанности аналитика входит выявление потенциального вреда, документирование предположений, проверка
результатов и привлечение соответствующих заинтересованных сторон, когда принимаемые решения затрагивают людей.  Таким образом, этический анализ задает вопрос не только о точности модели, но и о том, кто получает выгоду, кто может оказаться в невыгодном положении и оправданы ли эти различия.
объяснимости и подотчётности.  Когда система, основанная на данных, влияет на вполне могут захотеть понять, как было принято это решение.  Именно здесь прозрачность и объяснимость стали особенно важны.  Прозрачность означает открытость
в отношении соответствующих аспектов использования данных и аналитических систем. Объяснимость означает, что причины или факторы, лежащие в основе результата, должны быть достаточно понятны для контекста, в котором он был использован.  Например, если система искусственного интеллекта
рекомендует отклонить заявку на кредит, простой ответ типа « алгоритм принял решение» не является надежной моделью подотчетности.  Организации в систему, каково назначение модели, ее ограничения, а также кто
отвечает за проверку ее результатов. NIST выделяет такие характеристики заслуживающего доверия искусственного интеллекта, как подотчетность, интерпретируемость .   В регулировании также все большее значение придается прозрачности.  В соответствии с
законом ЕС об искусственном интеллекте, с 2 августа 2026 года вступили в силу несколько обязательств по обеспечению прозрачности, включая требования, касающиеся определенных взаимодействий с ИИ и контента, созданного с помощью ИИ .  Подотчетность имеет не меньшее значение, поскольку одних объяснений
недостаточно.  Организациям необходимо четко определить ответственных лиц: кто утвердил наборы данных, кто проверил модель, кто контролирует ее работу и кто реагирует в случае причинения вреда.  Ответственные системы обеспечивают ведение документации, процессы проверки, человеческий
оспаривания проблемных результатов. Принцип прост.  Автоматизация может не должна снимать с организации ответственность за последствия. Теперь перейдем к принятию этических решений и управлению данными.  Применение этических принципов в работе с данными становится
практическим, когда организации интегрируют их в повседневный процесс принятия решений, а не рассматривают как дискуссию, которая начинается только после возникновения проблемы.  В настоящее время принятия решений о том, как информация собирается, классифицируется, хранится, к ней осуществляется доступ, она передается,
Управление может определять права собственности на наборы данных, процессы утверждения, требования к безопасности, стандарты качества и обязанности между командами.  Разработанная NISTD система управления рисками в сфере ИИ организует управление рисками в этой области вокруг этих четырех
функций.  Управлять, составлять карты, измерять и контролировать.  Принципы управления применяются ко всему процессу, в рамках которого организации определяют риски, оценивают их влияние и управляют решений может начаться с простого набора вопросов.  Какова цель этого
проекта?  Какие именно данные необходимы? Есть ли у нас достаточные основания для его использования?  Может ли быть причинен вред отдельным лицам или группам ?  Есть ли какие-либо скрытые предубеждения?  Можно ли проверять систему?  А также, что
эти вопросы следует рассматривать до начала развертывания, а не только после появления жалоб.  Управление особенно полезно.  Управление работают с одной и той же информацией, поскольку
предположения могут легко быть утрачены по мере перемещения данных от сбора к разработке, аналитике, визуализации и системам искусственного интеллекта. Таким образом, этичное управление обеспечивает четкую ответственность и повторяемые проверки, помогая командам выявлять риски
до того, как эти риски превратятся в реальные проблемы.  Теперь перейдём к этике ответственность не заканчивается после завершения анализа.  Способ представления результатов также может влиять на решения людей.  Диаграмма может использовать совершенно
точные цифры, но при этом создавать вводящее в заблуждение впечатление.  Рассмотрим столбчатую диаграмму, сравнивающую объемы продаж за два года. Если в одном году объем продаж составил 98 миллионов, а в другом — 100 миллионов, то, начав вертикальную ось с 97 миллионов, можно создать
впечатление огромной разницы, даже если фактическое изменение относительно невелико. Ещё одна распространённая проблема — выборочное отображение только того периода, который подтверждает определённую версию событий, при одновременном сокрытии более ранних данных, которые меняют интерпретацию.
неподходящие типы диаграмм, отсутствующие подписи, запутанные шкалы, ненужные трехмерные эффекты или представляя корреляцию как доказательство причинно-следственной связи. Таким образом, этичная визуализация может потребовать точности, контекста, ясности и честности.
Таким образом, цель здесь состоит в том, чтобы диаграмма не выглядела менее интересной.  Цель здесь состоит в том, чтобы визуальный дизайн помогал людям понимать информацию, восприятием.  В учебную программу Simply Learning по этике работы с данными включены
этические аспекты визуализации данных, а также вопросы конфиденциальности, справедливости и принятия разумных решений. Поэтому аналитикам следует задаться вопросом: пропорциональном отношении?  Упущен ли важный контекст ?  Может ли заголовок подтолкнуть к
необоснованному выводу? Отображаются ли неопределенность и ограничения там, где это необходимо? Хорошая визуализация не просто быстро передает информацию.  Оно передает правду.  Теперь перейдём к этике в машинном обучении и искусственном интеллекте.
В области машинного обучения и искусственного интеллекта этические аспекты работы с данными приобретают особое значение, поскольку эти системы способны принимать решения или влиять на них в очень больших масштабах.  Ошибка в Проблемная автоматизированная модель потенциально может повторять одну и ту же ошибку
тысячи или миллионы раз. Поэтому ответственный подход к искусственному интеллекту требует этического мышления на протяжении всего жизненного цикла.  Сбор данных, разработка моделей, оценка, внедрение, мониторинг и совершенствование.  Обучающие
данные должны быть релевантными, достаточно репрезентативными, а также юридически и этически приемлемыми.  Модель следует оценивать не только с точки зрения общей точности, но и с точки зрения надежности, конфиденциальности, безопасности, справедливости и потенциальных негативных
последствий.  После развертывания командам следует продолжать мониторинг системы, поскольку данные и поведение в реальных условиях могут меняться.   Разработанная NIST система управления рисками в области ИИ характеристики ИИ, включая достоверность, безопасность, защищенность, подотчетность,
прозрачность, объяснимость, конфиденциальность и справедливость.  Нормативно-правовая среда также претерпевает изменения.  Большинство положений закона ЕС об искусственном интеллекте вступили в силу 2 августа 2026 года. Хотя дополнительные требования к тем же системам высокого риска внедряются в соответствии с
отдельными графиками, для аналитиков главный вывод заключается в том, что технические характеристики — это лишь одна из составляющих ответственного ИИ.  Перед внедрением системы командам следует задать себе вопрос: являются ли данные подходящими?  Является ли эта модель справедливой?  Можно ли
пересмотреть важные решения?  Имеются ли в документации какие-либо ограничения?  Кто-нибудь несёт ответственность?  Ответственный подход к искусственному интеллекту подразумевает создание систем, которые люди могут использовать справедливо и с обоснованным доверием. Сегодня мы поговорим об
этике данных.  Таким образом, все дело в основах этических норм работы с данными.  Когда мы говорим о методах работы с данными, речь идет о применении данных для различных целей, например, вы можете использовать данные для анализа данных.
Вы можете использовать данные для выполнения некоторых вычислительных задач в области анализа данных.  Вы можете использовать данные для обучения своей модели машинного обучения.  Так что, знаете, люди могут использовать эти собранные данные для самых разных целей, например, для
целевого взаимодействия и различных мероприятий.  Здесь мы обсуждаем этические аспекты
и всем прочим.  Таким образом, всякий раз, когда вы устанавливаете новое приложение на свой телефон, будь то iOS-смартфон или Android- смартфон, это приложение будет запрашивать у вас определенные разрешения, например, разрешение на
доступ к вашему местоположению, разрешение на доступ к камере, микрофону или, возможно, иногда и к вашим контактным данным. Эти разрешения запрашиваются приложениями для предоставления определенных
функций, необходимых для работы этих приложений. Вопрос в том, почему, по-вашему, этим телефонным или iOS-приложениям необходимо получать ваше одобрение перед доступом к определенным функциям?
Что бы произошло, если бы эти разрешения не были необходимы, ребята?  Как вы думаете, какие могут быть последствия, если мы не введем подобные ограничения или не проинформируем пользователей о доступе
не проинформируем пользователей о доступе к различным функциям ваших телефонных сервисов? Предположим, существует приложение, которое не запрашивает вашего разрешения, но всё же использует вашу папку контактов,
где хранится длинный список ваших личных данных, которые могут быть раскрыты.  Да, это одно из последствий, о которых мы можем подумать. Ваши личные данные обязательно будут раскрыты,
если вы не обеспечите прозрачность доступа к ним для пользователя. Хорошо.  А что, если предположить, что приложение отслеживает ваше местоположение,
я и имею в виду.  Предположим, приложение не запрашивает никакого части информации. Так что, знаете ли, когда вы пытаетесь получить доступ к любой подобной информации, с точки зрения пользователя, все это подпадает под
этические нормы обращения с данными.  Предположим, если приложение получает доступ к информации о вашем местоположении, то это может быть использовано для слежки со стороны
приложения. И если пользователь не знает, что приложение получает доступ к его местоположению, это неправильно. Ведь вас никто не может отследить, просто так, без вашего ведома.
установить за вами наблюдение. Но, как вы знаете, в наши дни мы в основном, так сказать, уязвимы из-за всех этих цифровых приложений.  Поэтому стало очень важно понимать,
какие могут быть последствия обмена личной информацией с точки зрения клиента. В то же время, если предположить, что я если предположить, что я разработчик приложений, какова должна быть моя
разработчик приложений, какова должна быть моя личной информации своих клиентов? Именно об этом мы сегодня и поговорим, и здесь мы попытаемся понять, что такое
мы попытаемся понять, что такое этика данных и как правильно внедрять этические нормы в цифровом мире.  Итак, давайте быстро перейдем к
целям обучения на сегодняшних занятиях. Я ожидаю, что по окончании этих занятий вы сможете применять определенные стандарты, методы работы в спорте, а также правовые рамки и правила организаций для укрепления доверия клиентов
и соблюдения нормативных требований. Это значит, что сначала вам нужно понять, что такое этические нормы обращения с данными и какие существуют правовые рамки, которые вы можете ввести или включить в свою организацию.   Таким образом,
вы можете укрепить доверие между клиентами и соблюдать различные правила, установленные правительством. В конце этого занятия мы ожидаем, что вы объясните
важность получения информированного согласия от человека перед сбором, обработкой или передачей любых персональных данных.  Это очень важно, потому что в цифровом мире вы знаете, что нельзя без опасений делиться какой-либо личной информацией, будь то
информация о клиентах или отдельных лицах .  Поэтому очень важно, чтобы при сборе или обработке любой личной информации вы получали личной информации вы получали согласие необходимого лица, участвующего в
этом процессе. И наконец, по завершении этой сессии я ожидаю, что вы сможете разработать решения для решения этических проблем. Это также означает, что, допустим, если в вашей системе произошла ошибка или
произошла утечка данных, как вы можете решить эти проблемы?  Если клиент поднимает какие-либо вопросы, подает жалобу, спрашивая, как можно решить эти проблемы, как обеспечить безопасность данных, какие
методы работы с данными следует внедрить в организации, чтобы повысить уровень защиты в этом процессе.  Итак, начнем с введения в этику данных. Первое, что нам нужно
понять, это что такое этика данных и что входит в ее состав. Таким образом, можно сказать, что этика данных, по сути, затрагивает разные вопросы. Вопросы, касающиеся различных этических принципов, руководящих указаний
и стандартов, регулирующих сбор, использование, хранение и обмен данными.  Итак, когда вы собираете данные, каковы принципы сбора данных, их хранения и даже обмена?
И я бы добавил еще один важный момент: обработка данных, то есть, как вы можете их обрабатывать, также очень важна.  Таким образом, этика данных важна.  Таким образом, этика данных охватывает все виды практик,
стандарты, правила и положения, регулирующие эти практики работы с данными, следует их использовать, как следует их хранить, и какие правила и стандарты существуют для обмена
данными с третьими лицами.  Таким образом, этика данных охватывает все эти виды правил, положений и стандартов, которые необходимо соблюдать .  Что касается данных, то лицам, принимающим решения, необходимо учитывать влияние своих решений на
вы знаете, что именно здесь мы собираем данные, и это то, что мы данные, и это то, что мы также поняли из наших предыдущих занятий: мы занимаемся анализом данных, потому что хотим преобразовать ваши необработанные данные
в информацию, и как только вы получите эту информацию, вы сможете использовать ее для принятия более обоснованных решений.  Таким образом, эта информация, по сути, поможет вам принимать более взвешенные решения.  Можно просто
сказать, что эти решения — лучшие решения.  Итак, это и есть конечная решения.  Итак, это и есть конечная цель любой организации, которая занимается анализом данных, или которая работает над каким-либо проектом в области науки о данных, или
собирает данные для этого.  [фыркает] Теперь, когда мы это делаем, как я уже сказал, эти организации должны соблюдать определенные правила этики данных, стандарты этики данных .  По сути, речь идет о страховании или обеспечении конфиденциальности
данных, прозрачности в отношении данных, справедливости в отношении данных, а также подотчетности в процессе обработки данных.  Под конфиденциальностью я подразумеваю, что если вы собираете данные, то эти данные должны надежно храниться в вашей организации, и никто, ни один
неавторизованный пользователь, не должен иметь к ним доступа .  Когда я говорю о прозрачности, я имею в виду, что данные должны использоваться только по назначению. Допустим, я собираю
данные о людях для выполнения определенной работы, которая должна использоваться только для этой работы, и эти данные не должны использоваться для других целей.  Именно здесь мы говорим о прозрачности, и здесь мы обсуждаем обеспокоенность клиента или
обеспокоенность клиента или конечного пользователя по поводу сбора данных в процессе их обработки.  Справедливость заключается в том, что данные должны использоваться без какой-либо предвзятости, и это, знаете ли, справедливость, и мы
поговорим об этом подробнее.  Наконец, поговорим об ответственности, которая, собственно, и является ролью организации.  Поэтому, если произойдет утечка данных или возникнут какие-либо несоответствия во всем процессе, ваша
организация должна понести за это ответственность.  Итак, это некоторые из стандартных, так сказать, практик, которые вам необходимо изучить и понять в рамках анализа данных.  Когда мы говорим о некоторых правовых и нормативных
рамках по всему миру, поскольку цифровые данные стали очень популярны и превратились в способ обмена или хранения данных.  Таким образом, разрабатываются или создаются различные нормативные рамки
участвуют и некоторые организации, такие как федеральная консультативная служба по вопросам корпоративной социальной ответственности и федеральное правительство США.  Таким образом, организациям необходимо получать сертификаты или соблюдать установленные ими правила и нормы в отношении
обработки и использования данных.  Итак, давайте сначала разберемся, каковы ключевые принципы этики данных. Как я уже говорил, самый первый принцип — это прозрачность, а это значит, что необходимо обеспечить открытость в отношении
методов сбора, хранения и обмена данными .  Итак, всякий раз, когда вы собираете данные, вам необходимо быть предельно прозрачным, как я уже сказал. Например, если я прозрачным, как я уже сказал. Например, если я собираю информацию о каком-либо пользователе,
я должен сделать это максимально прозрачным: как я буду собирать эту информацию, где я буду ее хранить, для каких целей она будет использоваться, и если эта информация будет передана третьим
лицам, то каковы будут правила обмена? предельно ясным и прозрачным.  Второй важный аспект — справедливость. Это означает, что в алгоритме обработки и анализа данных исключаются любые предвзятости и дискриминация .  Это значит, что если
вы собираете данные, допустим, вы собираете данные для сегментации клиентов. Вы хотите провести исследование по сегментации клиентов и сейчас собираете для этого данные.  Поэтому при
сборе данных необходимо учитывать все сегменты целевой аудитории.  Дело не в том, что вы ориентируетесь только на клиентов-мужчин, или только на молодых клиентов, или только на клиентов из
определенной демографической группы.  Если вы делаете это, значит, вы делаете это, значит, вы вносите определенные искажения в данные, и когда вы вносите эти искажения, это означает, что вы дискриминируете другие
факторы, влияющие на данные .  Еще один пример, который мы можем привести, — предположим, я создаю модель для анализа резюме. Хорошо.  Допустим, существует модель,
которая обрабатывает информацию и просто показывает, просто показывает, резюме, приложение для анализа рома, которое мы можем себе представить.  Так что это покажет,
подходит оно или нет.  Чтобы разработать подобную модель, мне нужно собрать данные, это должно выглядеть так: я собираю данные из чего-то равного.  Так что дело не в том, что я собираю данные преимущественно от
кандидатов-мужчин. Если я так поступлю, это будет означать, что я вношу предвзятость в мужскую категорию по сравнению с женской.  Если вы используете предвзятые данные для обучения модели, она автоматически станет предвзятой по отношению к мужской
категории, и таким образом вы поймете, что это вносит дискриминацию.  Поэтому всякий раз, когда на вносит дискриминацию.  Поэтому всякий раз, когда на не будет выглядеть привлекательно. И вот здесь нам нужно быть очень-очень осторожными
при сборе данных, данные должны собираться с полной объективностью и соблюдением всех норм.  Затем поговорим об ответственности, и это очень важно с возлагает ответственность за методы работы с данными как на отдельных лиц, так и на организации.
Необходимо, чтобы кто-то был готов принять меры в случае каких-либо нарушений или несоответствий в процессе анализа данных .
Конфиденциальность, по сути, используется для защиты права человека контролировать свою личную информацию.  Поэтому каждая организация и каждый человек должны это уважать.  Таким образом, если клиент не готов раскрыть личную информацию, вы
не можете заставить его или принудить к ее предоставлению.  И наконец, и хранения данных, вашей обязанностью становится внедрение мер защиты,
которые исключат несанкционированный доступ к данным или их несанкционированное изменение . Итак, это некоторые ключевые принципы этики данных, где мы говорим о различных
этики данных, где мы говорим о различных аспектах, которые нам необходимо учитывать, и мы должны рассматривать все эти аспекты с одинаковой важностью. аспекты с одинаковой важностью. Давайте разберемся в этом на очень
Давайте разберемся в этом на очень распространенном примере.  Вы все, наверное, пользовались Snapchat, ребята.  Это очень популярное приложение. Так что же это такое?  Это приложение, которое берет
ваше лицо и пытается с ним взаимодействовать, например, добавляя какие-то предметы или изменяя ваше лицо, придавая ему
.  Поэтому попробуйте добавить несколько креативных фильтров, которые могут улучшить ваше селфи с помощью технологии распознавания лиц.  Итак, это основное приложение, которое приходит на ум, — Snapchat, по сути, является основным приложением, которое появляется в сети .  При этом необходимо
получить доступ к вашему лицу.  Так что вы знаете, что сначала ему нужно получить доступ к вашей камере.  Таким образом, когда вы подносите камеру к лицу, она делает снимок вашего лица.  Теперь программа будет использовать данные вашего лица. Это очень важно, потому что система будет
использовать данные вашего лица для применения всех этих функций, будь то улучшение селфи, добавление каких-либо элементов к лицу или что-то еще. Но в конечном итоге вам нужно будет
и тогда она сделает снимок вашего лица.  Итак, когда мы говорим о подобных приложениях, какие этические соображения могут возникнуть при их применении? Итак, самое первое, что мы делаем, когда говорим о прозрачности, — это, как мы только что
видели, ключевые принципы этики данных.  Итак, на первом месте стоит этики данных.  Итак, на первом месте стоит прозрачность, то есть Snapchat должен четко объяснить назначение технологии распознавания лиц и предоставить пользователям возможность контролировать
настройки конфиденциальности.  Это значит, что всякий раз, когда мы внедряем подобные функции в ваши приложения, вы должны четко объяснять, какая технология используется для обработки вашего изображения лица,
и при этом вы должны предоставить в этих целях или нет.  Таким образом, это дает полный контроль над
настройками конфиденциальности.  Таким образом, если пользователь не заинтересован, он может запретить доступ к камере для данного приложения. Это как в случае с управлением правами доступа. Например, когда вы устанавливаете приложение типа Snapchat
на свой телефон, при первом использовании оно запрашивает разрешение на доступ к вашей камере. Вы согласны с этим или должны дать согласие?
речь заходит о справедливости, алгоритм проверки точности оценивается с учетом различных демографических групп, чтобы предотвратить предвзятость и дискриминацию.  Так что дело не в том, что вы добавляете какие-то улучшающие эффекты, например, селфи-фильтры или креативные фильтры на
лица.  Так что дело не в том, что это работает только для каких-то конкретных лиц, может быть, для некоторых светлокожих лиц, и не работает для некоторых лиц с темной кожей.  Так что дело не в том, что если приложение и алгоритм ведут себя подобным образом, это
означает, что приложение несправедливо по отношению к аудитории, к разным клиентам, разного происхождения, разной демографии, разной расы и так далее .  Так быть не должно,
и это стало ответственностью создателей Snapchat: приложение должно одинаково хорошо работать на лицах разных рас или разных демографических групп, и за все это отвечает ответственность.
Поэтому необходимо создать специальную команду для оперативного мониторинга этических аспектов и решения проблем, волнующих пользователей.  Об этом я уже говорил раньше, знаете ли.  Поэтому вам нужен контактный человек. Должен быть контактный пункт, который сможет
рассматривать любые вопросы этики обработки данных, когда они поднимаются клиентом они поднимаются клиентом или отдельным лицом.  Разговор о конфиденциальности.  Таким образом, это очень важный стандарт, позволяющий пользователю понимать и контролировать, как
собираются и используются данные о его лице.  Поэтому всякий раз, когда это приложение собирает какие-либо данные о лице пользователя, пользователь должен быть прекрасно осведомлен о том, как эти данные собираются и как они используются.  Итак, следует ли использовать эти данные только для
улучшения внешности, например, для селфи, или же они могут быть использованы для других целей?  Так что, возможно, в будущем, поскольку Snapchat получит доступ к данным миллионов лиц, эти данные можно будет использовать
для обучения других моделей.  Поэтому это должно быть очень четко определено для конечного пользователя.  И наконец, поговорим о безопасности.  Таким образом, снимок должен защищать данные о лицах с помощью надежных мер безопасности, чтобы предотвратить
несанкционированный доступ.  Не должно быть так, чтобы данные могли быть украдены третьими лицами или использованы не по назначению кем-либо еще.  Итак, это некоторые стандартные практики, которые мы перечислили на предыдущем слайде, например, необходимость обеспечения
прозрачности при сборе данных. Мы должны использовать данные со всей справедливостью.  Если в основе этого приложения используется какой-либо алгоритм , то этот алгоритм использует данные с соблюдением принципов полной справедливости.  Должен быть
ответственный контактный человек, который будет решать любые проблемы, возникающие у клиентов, или поступать в случае утечки данных.  Сбор данных должен осуществляться полностью конфиденциальным образом, с согласия пользователя, а собранные данные должны быть защищены
надлежащими мерами безопасности.  Таким образом, ни один неавторизованный пользователь не сможет получить доступ к данным.  Надеюсь, все эти пункты вам понятны, ребята.  Теперь мы понимаем, каковы ключевые принципы этики данных?  Прозрачность, справедливость,
этики данных?  Прозрачность, справедливость, подотчетность, конфиденциальность и безопасность. Итак, поняв это, давайте попробуем понять, почему это важно, почему мы говорим об этих ключевых принципах.  Почему мы так много говорим о правилах
и нормах этики данных в контексте работы с данными и всего остального? Прежде всего, важно то, что это помогает вам строить доверительные отношения с людьми, которых вы знаете.  Таким образом, всякий раз, когда пользователь взаимодействует с вами, всякий раз, когда пользователь делится с вами своими данными на любой
платформе, если вы будете придерживаться всех этих принципов этики данных, это поможет вам принципов этики данных, это поможет вам укрепить доверие между вами и клиентом, организацией.  Таким образом, это защищает отдельных лиц и общество от любых видов
утечек данных.  Таким образом, если какая-либо организация внедряет все виды этических норм в отношении данных, это, по сути, приносит пользу как отдельным лицам, так и обществу в целом, независимо от типа собрали данные и храните их в какой-либо базе данных, вы, по сути,
добавляете определенные меры безопасности. Таким образом, ни один неавторизованный пользователь не сможет получить доступ к этим данным.  Именно здесь пользователь чувствует себя в безопасности, зная, что его данные защищены и что там не должно произойти никаких сбоев в работе базы данных
.  Таким образом, внедрение этих методов работы с данными вселяет в пользователя уверенность, и даже данные оказываются защищенными в любой базе данных.  В-третьих, это способствует ответственному развитию искусственного интеллекта. Это значит, что независимо от того,
на каких данных обучается модель ИИ, если сбор данных осуществляется с полной честностью и прозрачностью, это способствует ответственному развитию ИИ.  Данная модель не будет содержать никаких предвзятых мнений.  Данная модель не будет допускать никакой
дискриминации в отношении какой-либо конкретной категории лиц.  Это также поможет вам осуществлять ответственную разработку ИИ и, в конечном итоге, внесет свой вклад в справедливое и равноправное цифровое будущее.  Таким образом, у всех есть равные возможности, и вы можете
двигаться вперед.  Таким образом, это поможет вам создать справедливую среду, в которой мы сможем двигаться в цифровое будущее.  Итак, учитывая всю важность этого аспекта, давайте поговорим о значении этики данных и анализа данных.  Как я уже говорил,
основная цель анализа данных — преобразовать ваши необработанные данные в готовые, но в этом процессе нам также необходимо собирать данные, где-то хранить, а иногда и делиться ими.  Таким образом,
этические аспекты работы с данными вновь приобретают большое значение в процессе анализа данных. в процессе анализа данных. Итак, говоря о значимости этики данных и анализа данных, следует отметить, что анализ данных — это, по сути,
извлечение ценных идей и инноваций из ваших данных. Это основная цель. И когда мы определяем его как анализ данных, он выявляет скрытые закономерности и тенденции в данных, которые позволяют любому принимать решения, например, принимать обоснованные
решения.  Думаю, всем нам хорошо понятно, какова цель анализа данных и как он помогает принимать взвешенные, обоснованные или ошибочные решения.   Во- вторых, это оптимизирует процесс и повышает
производительность.  Таким образом, анализ данных позволяет выявить область для улучшения.  Это значит, что, проведя такой анализ, вы сможете точно определить, какие пробелы необходимо заполнить, какие недостатки в процессе
нужно устранить.  Таким образом, в процессе анализа вы поможет вам определенно оптимизировать существующую систему с точки зрения процессов существующую систему с точки зрения процессов и производительности.  И наконец,
после выявления закономерностей, тенденций или взаимосвязей в данных, вы можете использовать эту информацию для обучения модели, которая поможет вам делать прогнозы на будущее.
Итак, это основные, так сказать, цели всего процесса анализа данных.  Как мы говорим, анализ данных помогает принимать более взвешенные решения, принимать более обоснованные решения.  Анализ данных может
производительность системы, а также позволяет делать поведение, выявленные на основе прошлых данных.  В ходе этого процесса, когда речь заходит об этических соображениях,
мы говорим о предвзятости и дискриминации, и я уже говорил об этом ранее.  Таким образом, когда вы обучаете любой алгоритм, когда вы обучаете любую обучаете любой алгоритм, когда вы обучаете любую модель на предвзятых данных, вы знаете, что эта
модель выдает предвзятый результат, и когда она выдает предвзятый результат, это вносит в него дискриминацию.  Таким образом, если вы не будете следовать этическим принципам обработки данных в процессе анализа данных, вы можете получить предвзятую модель.  Проще
говоря, это предвзятая модель, а предвзятая модель неизбежно вносит дискриминацию в процесс. Вопрос конфиденциальности — это уже совсем другое дело.  Таким образом, нарушать право человека на неприкосновенность частной жизни, если к этому не подходить ответственно,
потому что, знаете, в таких случаях, как сегментация клиентов или сегментация клиентов или вам приходится собирать определенную личную информацию о людях:
личную информацию о людях: демографические данные, сексуальную ориентацию, возраст, даже политические взгляды, процентные ставки, хобби. Вся процентные ставки, хобби. Вся
может быть использована в других целях, например, выдать себя за другого человека.  Таким образом, можно создать цифровой объект, который будет имитировать реальную личность.  Поэтому очень важно соблюдать этические нормы в
процессе анализа данных.  Отсутствие прозрачности.  Если вы недостаточно четко формулируете свои действия с данными, это может привести к ошибкам, подорвать доверие и снизить вашу ответственность.  Таким образом,
этические нормы и правила работы с данными играют очень важную роль в процессе анализа данных.  Это один из предвзятость и дискриминация очень важны, потому что если ваши данные
собраны несправедливо, они будут содержать предвзятость, и когда вы обучаете любую модель на предвзятых данных, то и прогнозы будут предвзятыми, что приведет к дискриминации.  Итак,
самое главное — при сборе данных избегать предвзятых данных данных и алгоритмах имеет решающее значение для предотвращения дискриминационных результатов и содействия ответственному использованию.  Это очень важно, и это очень важный момент, который
мы учитываем при создании таких моделей, которые специально разработаны для сообщества, специально для социальных приложений .  При этом мы обеспечиваем алгоритмическую подотчетность, а это
значит, что мы должны создать механизм для привлечения алгоритма к ответственности, чтобы обеспечить справедливое и ответственное принятие решений на основе данных. Это возможно только в том случае, если данные были собраны честно, и каждый раздел был выбран случайным образом или
получил равный вес в процессе моделирования, что также способствует разнообразию и инклюзивности в команде, работающей с данными.  Таким образом, выявление и устранение предвзятости внутри разнообразной команды аналитиков данных обеспечивает достаточную справедливость.
команды аналитиков данных обеспечивает достаточную справедливость. Таким образом, если вы обнаружите, что одна вы можете сформировать команды, которые помогут вам ввести больше данных и попытаться сбалансировать их.  Это как раз тот случай, когда мы можем разобраться с предвзятостью и
дискриминацией, ребята.  Итак, давайте поговорим об одном из вариантов использования, и этот вариант связан с одной из функций Facebook, а именно с целевой целевой рекламой. Теперь, если мы рассмотрим один из
примеров дискриминационной практики, то в Facebook это, например, показ определенной рекламы определенной группе людей.  Это то, что мы называем дискриминационной практикой. Что же может произойти?  Итак, произошел
инцидент, допустим, мы перечислили события 2019 года, когда Facebook столкнулся с критикой из-за целенаправленной практики, а также потенциальной дискриминации по признаку пола и возраста при размещении объявлений о вакансиях.
возможно, например, вы можете использовать фильтры и указать, что если я размещаю или показываю объявление, то это объявление должно быть видно для определенного пола и определенной возрастной группы.  Вот здесь
мы и говорим о дискриминационных практиках в том смысле, что дискриминационных практиках в том смысле, что другие люди не получат рекомендации на эти вакансии, и именно поэтому они чувствуют себя
дискриминированными, и у них не будет шанса пройти отбор.  Таким образом, рекламодатели могли бы ограничивать показ рекламы определенной возрастной и гендерной группе. Когда Facebook прибегает к подобным методам, это означает, что он внедряет
дискриминационные практики, и это произошло с Facebook в 2019 году, произошло с Facebook в 2019 году, особенностей этого приложения, ребята.  Таким образом, при использовании Facebook для социальной
рекламы мы можем добавлять различные фильтры.  Вы знаете, что можете добавить эти фильтры в зависимости от пола.  Вы можете добавить эти фильтры по возрасту.  Вы можете добавить эти фильтры на основе определенных демографических данных.  Вы знаете, это
различные функции, которые есть у Facebook, и вы можете применять эти фильтры.  Таким образом, реклама стала целевой.  Можно сказать, что это реклама, ориентированная на целевую аудиторию.  Оно будет видно только тем многочисленным
пользователям, которые соответствуют этим критериям фильтрации и всему остальному.  Таким образом, это стало дискриминационной практикой, потому что об этом было сказано еще в 2019 году кем-то, кто заявил, что это неправильно, что предоставление
этой рекламы или информации конечным пользователям несправедливо.  Таким образом, этическая проблема во всей этой практике заключается в том, что ориентация на определенную демографическую группу может привести к несправедливому исключению из числа потенциальных работодателей
знаете ли, когда вы так поступаете, другие люди, которые не принадлежат к той же демографической группе, по этой причине могут не получить равных возможностей для отбора или даже для подачи заявки на эту работу.  Использование инструментов таргетированной рекламы может подорвать справедливость
повышенная подотчетность и опасения по поводу доверия.  Когда дело доходит до того, что ваш опасения по поводу доверия.  Когда дело доходит до того, что ваш пользователь, ваш конечный пользователь, то есть клиент, будет недоволен, потому что иногда возникает ощущение
дискриминации со стороны платформы, когда вам не показывают конкретную рекламу. В таких случаях вы можете потерять доверие клиента, возникнут проблемы с доверием, и вы можете потерять клиента.  Таким образом,
вы понимаете, что это этическая проблема, и какой урок извлекается из этого. Поэтому вам необходимо внедрить алгоритм регулярного аудита для минимизации предвзятости. Итак, вам нужно определить, как можно улучшить
как можно улучшить о подобных фильтрах, они не должны быть слишком резкими или вообще показываете рекламу, её должны показывать всем, и у всех должна быть равная
возможность увидеть эту рекламу, ребята.  Итак, это первое, о чем мы поговорим, — об одном из сценариев предвзятости и дискриминации. Второй момент, о котором мы уже говорили, касается конфиденциальности.  Нет, когда речь идёт о
проблемах конфиденциальности.  Таким образом, вопросы конфиденциальности в основном связаны с личной информацией любого пользователя.  Таким образом, наилучшей практикой является минимизация данных и ограничение их использования по назначению. Хорошо.  Поэтому, всегда, когда вы
внедряете принципы этики данных в любое приложение, вы должны любое приложение, вы должны стараться собирать минимальное количество информации об отдельном человеке.  Это то, что мы называем
отдельном человеке.  Это то, что мы называем сбором минимизирующих данных.  Хорошо.  И вам также следует хранить минимальный объем информации.  Поэтому информацию, которая не используется в течение длительного периода времени, хранить не следует.
Лучше их собрать, использовать и выбросить.  Таким образом, это, по сути, помогает снизить любые риски для безопасности или конфиденциальности .  Это очень хорошо, что внедряется такая система, а это значит, что вам
нужно собрать только ту информацию, которая необходима для вашей заявки. Не следует, знаете ли, собирать больше информации о пользователе, и это называется минимизацией данных и ограничением целей сбора информации.
Во-вторых, для обеспечения безопасности вашей системы необходимо внедрить надежные меры кибербезопасности.  Таким образом, доступ к данным будет предоставлен только авторизованному пользователю, и ни один неавторизованный пользователь не сможет получить доступ к
управлению.  Это еще один метод, но он выходит за рамки процесса сбора данных .  Это связано с организационной точкой зрения, и организационной точкой зрения, и
любой утечки данных необходимо четко понимать, как действовать в данной мы называем протоколом защиты от утечки данных, и когда вы демонстрируете эти протоколы, это, по сути, помогает вам укрепить доверие и обеспечить защиту отдельных лиц
во время инцидентов безопасности.  Эм, один из вариантов применения — это использование базы данных T-Mo.  Э-э, такое мы уже видели раньше.  Как вы знаете, T-Mobile — это крупная
компания мобильной связи.  Ребята, вы наверняка слышали это имя.  Это произошло в январе 2024 года в результате крупной утечки данных,
доступ к программному обеспечению приложений или API и украли информацию примерно о 37 миллионах клиентов. И это действительно масштабная утечка данных.  Таким образом, становясь клиентом любой компании мобильной связи, вы предоставляете множество данных, в том числе
личную информацию о себе.  Вы указываете свое имя, фамилию, адрес, а над этим — номер телефона, номер мобильного телефона, связанный с вашим именем, и все это — персональные
данные, которые мы называем PII (Personal Initiative Information).  В этом смысле, если у кого-то есть информация о 37 миллионах клиентов, он станет королём в сфере данных, ребята, он может использовать эту информацию для любых целей. Так вот,
эта утечка, как они узнали из этого конкретного инцидента, произошедшего в 2024 году, раскрыла конфиденциальные данные клиентов, поставив их под угрозу кражи личных данных, мошенничества с использованием личных данных, целевого маркетинга. Хакер может
использовать эти данные для любых других целей, например, для мошенничества с использованием личных данных.  Это очень распространенное явление в Индии.  Знаете, когда вам звонит много людей, они предлагают разные услуги, а иногда и угрожают, а потом
просят поделиться номерами ваших банковских счетов или номерами бюро регистрации и т.д. и тому подобное счетов или номерами бюро регистрации и т.д. и тому подобное .  Так что, их можно использовать в мошеннических схемах, связанных с рыбалкой.  Это можно использовать и для целевого маркетинга, понимаете?
Это похоже на ситуацию, когда вы раскрываете такую ​​важную информацию хакерскому сообществу, которое может использовать её в любых целях.  Таким образом, отсутствие надлежащих по поводу того, как компания обращается с конфиденциальными данными в подобных ситуациях.
Очевидно, что доверие клиентов будет подорвано в ходе всего процесса, и клиенты могут перестать доверять T-Mobile.  Итак, какой урок можно извлечь из этого конкретного инцидента?  Поэтому компания должна обеспечить надежную защиту API.  Очевидно, что слабый
интерфейс допускает несанкционированный доступ, и в этом смысле вы можете потерять информацию о клиентах.  Поэтому необходимо внедрить надежные меры безопасности API, включающие обнаружение нарушений контроля доступа и постоянный мониторинг, а при обнаружении
любого нарушения система должна быть отключена.  Если необходимость оперативного выявления аномалий, виртуальные компании должны четко информировать клиента о нарушениях и мерах по их устранению.  Так что об этом нужно
позаботиться в любом случае.  Это, в общем-то, очень теоретический вопрос, понимаете.  Поэтому всякий раз, когда мы будем обсуждать эти инциденты, мы будем извлекать из них уроки и пытаться мы будем извлекать из них уроки и пытаться решить связанные с ними проблемы.  Итак, раз уж
мы заговорили о безопасности API, я должен сказать, что это очень важно.  Хорошо. Второй аспект – это своевременное обнаружение.  Итак, нам нужен метод,
и, в-третьих, мы должны обеспечить прозрачность, чтобы ваши клиенты были в курсе подобных нарушений и того, как вы собираетесь реагировать на них, какие меры по устранению последствий будут приняты и так далее.   Есть ли у вас какие-либо вопросы по этому поводу? Или какие-либо другие
вопросы по этому поводу? Или какие-либо другие сценарии, которые приходят вам на ум? Кто-нибудь знает о других подобных инцидентах, где мы могли бы подобных инцидентах, где мы могли бы
или о каких этических проблемах, связанных с этими данными, и какие уроки были извлечены из этих конкретных инцидентов? Кто-нибудь знает о каком-нибудь инциденте? Вы все работаете в этой отрасли.  Вы наверняка это видели.
третьему пункту, а именно к отсутствию прозрачности .  Таким образом, вы понимаете, что в значительной степени это предвзятость и дискриминация, затем нарушение конфиденциальности, и, наконец, недостаток прозрачности.
Прозрачность – это предоставление четкой информации о сборе, анализе и использовании данных.  Таким образом, мы можем предвзятости. Поэтому вам нужно сообщить пользователю,
какую информацию вы собираете, как вы собираетесь ее анализировать, для чего она нужна и где вы собираетесь хранить эту полезную информацию.  Таким образом, вы
можете сделать свою систему прозрачной.  Но когда мы говорим о недостатке прозрачности, это когда мы говорим о недостатке прозрачности, это может повлечь за собой определенные риски или проблемы в этом процессе. Предположим, что под
алгоритмической прозрачностью подразумевается предоставление четкого объяснения процесса сбора, анализа и использования данных, а также понимание и выявление предвзятости.  Если говорить о рисках и ограничениях коммуникации, то прозрачно признанные
предвзятость, способствуют укреплению доверия и принятию обоснованных решений, а также контролю пользователей над данными, что означает предоставление контроля над их данными и обеспечение прав доступа, исправления и делегирования, поддержание конфиденциальности и предотвращение нарушений со стороны пользователей.  Так что,
вам, по крайней мере, приходится решать эти вопросы.  Ваш алгоритм должен быть предельно сбора данных, независимо от наличия или отсутствия предвзятости в данных.  И какие существуют общением, также должны быть предельно ясны.  И наконец, вы должны предоставить
пользователю возможность контролировать ситуацию, чтобы, если ему это неинтересно, значит, что после сбора данных у пользователя нет прав или
сбора данных у пользователя нет прав или контроля над ними, и один из примеров использования, связанных с отсутствием прозрачности, — это режим инкогнито Google.  Надеюсь, вы уже видели этот режим инкогнито в Google
Chrome.  В чём цель этого?  Зачем мы это используем?  Зачем мы используем режим инкогнито? Чем он отличается от обычного Chrome?  При размещении определенной информации файлы cookie не сохраняются
.  Ага.  История не сохранена, пароль не сохранен.  Это значит, что всякий раз, сохранен.  Это значит, что всякий раз, это остается анонимным .  Поэтому мы считаем, что любое наше действие
, будь то поиск информации или просмотр веб-страниц, остается бессмысленным.  Так что никто не узнает, кто именно просматривает эту информацию, потому что она не отслеживается,
в вашей локальной системе не хранятся файлы cookie, не сохраняются пароли, не записывается видеопоток, и в некотором смысле вы пытаетесь сохранить свою конфиденциальность. Но что, если вы узнаете, что Google записывает эту информацию,
пока вы работаете в режиме инкогнито?  Хорошо. один из возможных сценариев.  Поэтому миллионы пользователей Google Chrome полагались на режим инкогнито для приватного просмотра веб-страниц.   Именно для этого
мы его и используем.  Поэтому наша личная информация не должна передаваться через браузер.  Местоположение, пароли, личная история — ничего, ничего не будет разглашено.   Как вы знаете, мы используем
вы знаете, мы используем эту информацию при описании ошибок.  Однако, как вы знаете, эту информацию при описании ошибок.  Однако, как вы знаете, был подан иск, в котором утверждается, что Google продолжает отслеживать активность пользователей даже в этом режиме, что создает
споры о конфиденциальности. Таким образом, перед Таким образом, перед Google снова встала задача: даже в режиме инкогнито отслеживается активность пользователя, например, какой контент он просматривает и
где, хотя мы рассчитывали на то, что в режиме инкогнито его личная информация никому не передается. Это очень важно, и если в этом процессе вы столкнетесь с отсутствием
прозрачности, то вы поймете, что именно это и есть отсутствие прозрачности. Первая же этическая проблема связана с обманом, который, как известно, Google вводит пользователей в заблуждение относительно истинных возможностей режима инкогнито.
режима инкогнито. Таким образом, Google не особо информирует своих пользователей о том, что даже в режиме инкогнито
собирается некоторая информация. Некоторые действия пользователей отслеживаются, и это мы называем обманом.  Что касается конфиденциальности данных, пользователи ожидали, что их информация будет полностью конфиденциальной в режиме инкогнито, но это было не так,
потому что Google отслеживал действия пользователей, и в этом процессе можно сказать, что прозрачность Google была недостаточной для методов сбора данных, то есть ей не хватало.  Итак,
какие уроки из этого можно извлечь, если доверие пользователей основано на прозрачной коммуникации и оправдании ожиданий? Таким образом, если вы заявляете о предоставлении каких-либо услуг и выполняете их, только тогда вы можете сказать, что способны
заслужить доверие и обеспечить полную прозрачность, понимая ограничения инкогнито-режима и изучая лучшие варианты обеспечения конфиденциальности, что может помочь принять взвешенное решение в интернете.  Таким образом, вы должны информировать
решение в интернете.  Таким образом, вы должны информировать более осведомлены, и, соответственно, могли использовать режим анонимности. Если Google собирает эти данные, это нормально, но они могут использоваться в
нецелевых или незаметных целях.  Таким образом, это три основные области, в которых мы это три основные области, в которых мы обсуждаем практику этики данных в анализе данных.  Один из них связан с предвзятостью и
дискриминацией.  Второй аспект — это конфиденциальность, а третий — прозрачность, ребята.  Итак, теперь мы можем поговорить об этической аналитике.  Этичная
аналитика означает соблюдение этических норм в анализе данных для лучшего будущего.  В первую очередь, мы хотим создать доверие к технологии или к самой технологии.  Таким образом, когда вы внедряете все эти ключевые принципы, такие как
подотчетность, прозрачность, конфиденциальность, безопасность и справедливость, это пять принципов этики данных. Внедрение этих технологий в процесс анализа данных помогает укрепить доверие к ним .  Этичные
методы работы с данными способствуют укреплению доверия.  Содействие ответственному развитию технологий, пропаганда инклюзивности и социальной справедливости.  Таким образом, устранение предвзятости в процессе обработки данных обеспечивает справедливость, что полезно для общества.
Формирование ответственного развития ИИ.  Мне кажется, я уже вам это объяснил.  Если вы используете объективные данные при обучении модели, ваша модель выдаст объективную оценку.  Если внести в данные элементы, содержащие предвзятость, ваша
категории, что неблагоприятно для общества.  Поэтому, когда мы говорим о внедрении этических норм в анализ данных, особенно при разработке моделей, это поможет вам наилучшим образом сформировать ответственную разработку ИИ
и обеспечить защиту прав и свобод личности.  Таким образом, когда вы вводите правила конфиденциальности, когда вы вводите достаточную безопасность, это помогает защитить личную информацию отдельных лиц, а также сохранить
Поэтому, если пользователь готов поделиться своей личной информацией, это нормально, если он . Давайте быстро подведем итоги того, что скорее теоретическое обсуждение.  Итак, какой принцип подчеркивает сбор только
необходимой информации для конкретной цели, сокращая объем конфиденциальных данных и их хранение? Один из них — принцип прозрачности, принцип минимизации данных, принцип кибербезопасности или принцип объяснимости.
Как вы считаете, какой вариант будет правильным?  Ага.  Таким образом, можно сказать, что вариант B является правильным, поскольку в нем, по сути, говорится о сборе только необходимой Не следует собирать информацию, которая не требуется для работы
приложения или для решения конкретной задачи.  Таким образом, вы собираете и храните лишь минимальный объем информации.  Как вы понимаете, хранить конфиденциальные данные в ограниченном объеме нежелательно, потому что в случае
утечки данных вы потеряете доверие клиентов. вы потеряете доверие клиентов. Таким образом, правильный вариант — B. Это верно. Теперь давайте поговорим об этических проблемах в анализе данных, например,
каковы основные принципы, которые мы рассматриваем.  Итак, основные принципы таковы: вы говорите о прозрачности, справедливости, подотчетности и
конфиденциальности, и когда вы внедряете эти принципы этики данных в анализ данных, вы говорите о трех основных вещах.  Один из них — это мудрость и проницательность.
Во-вторых, вы говорите о проблеме конфиденциальности, прозрачности. Это то, что мы уже наблюдали.
Теперь, когда вы их представляете, каковы, собственно, проблемы, какие этические проблемы вы видите, когда внедряете эти вещи? Давайте обсудим их и попытаемся понять их подробно.  Итак,
понять их подробно.  Итак, предположим, что у нас есть мобильное приложение, которое отслеживает местоположение пользователя, и эти данные о местоположении предоставляют персонализированные рекомендации и
рекламу. Итак, помните, что делает это приложение? Фактически, приложение собирает информацию о местоположении пользователя, то есть демографические данные, пользователя, то есть демографические данные,
информацию для предоставления персонализированных рекомендаций и рекламы. Пользователи не осведомлены о масштабах сбора данных и имеют ограниченный контроль над тем, как используются их данные.  Такова текущая ситуация.  Таким образом, приложение не
предоставляет пользователю доступ или контроль .  Таким образом, данные могут быть изменены, но при этом предоставляется лишь ограниченный контроль, и даже
пользователь не всегда осведомлен о том, в какой степени данные будут использованы или как они собираются.  Итак, что вы думаете об этой ситуации? Какие этические проблемы связаны с вышеописанным сценарием, или, если вы задумаетесь об этом,
какие уроки вы извлечете?  Очень хороший.  Во-первых, можно сказать, что проблема конфиденциальности заключается в отсутствии полного контроля над тем, как используются данные. Конфиденциальность – одна из проблем, связанных с использованием персональных данных.
Можно ли сказать, что здесь также отсутствует прозрачность? Если вы не знаете, в каком объеме собираются и используются данные, то я бы сказал, что
прозрачность здесь тоже очень низкая .  Если вы используете это для персонализированных рекомендаций и рекламы, то рекламы, то какие проблемы связаны с
безопасностью? Вы устанавливаете систему видеонаблюдения, отслеживающую личное местоположение?  Хорошо.  Итак, что вы думаете по этому поводу? Если это так, что вы думаете по этому поводу? Если это так, какие уроки можно извлечь
из этой ситуации? Что нам нужно нужно внедрить в процесс подачи заявок?
четкую политику прозрачности, которая бы объясняла, что мы собираем такое-то количество данных от вас, и эти данные будут использоваться только для этой цели. Затем вам также необходима надлежащая политика конфиденциальности.
Хорошо.  Таким образом, будет четко сформулирована политика прозрачности и конфиденциальности.  Затем необходимо обеспечить надлежащий механизм защиты данных, а
может изменить свою информацию и настройки.  Таким образом, рассматривая данный сценарий, можно сказать, что это фактически нарушение прав на неприкосновенность частной жизни, отсутствие информированного согласия и потенциальная возможность целенаправленного наблюдения и манипуляций.  Итак,
здесь перечислены некоторые этические проблемы, и какие уроки из этого можно извлечь?  Поэтому необходимы четкие и прозрачные политики конфиденциальности данных. Необходимо предоставить пользователям контроль над сбором данных, а затем обеспечить надежную защиту изображений для защиты
пользовательских данных.  Мы хорошо ладим с этими ребятами? Урок усвоен, и возникают этические вопросы. Давайте обсудим второй сценарий.
использует инструмент подбора персонала на основе искусственного интеллекта для проверки резюме.  Думаю, это то же самое, что я уже обсуждал.  Алгоритм неосознанно распространяет гендерную предвзятость, отдавая предпочтение снижая представленность кандидаток-женщин.   В
чём заключаются этические проблемы, ребята? Справедливость – это справедливость, или, можно сказать, предвзятость и дискриминация. Отсутствие прозрачности наблюдается и здесь. Алгоритм, сам того не осознавая,
увековечивает гендерную предвзятость, отдавая предпочтение кандидатам-мужчинам, и значительно снижает видимость кандидатам-мужчинам, и значительно снижает видимость
Итак, какие уроки можно извлечь из этой ситуации?  Предположим, какие уроки можно извлечь из этой ситуации? Необходимо обеспечить большую справедливость в сборе и использовании данных, чтобы исключить предвзятость и дискриминацию.
Итак, вы видите, что вот что мы получаем. Компания использует инструмент подбора персонала на основе искусственного интеллекта для проверки резюме, и если алгоритм неосознанно отдает предпочтение алгоритм неосознанно отдает предпочтение кандидатам-мужчинам, это вызывает этические проблемы
с точки зрения дискриминации по признаку защищенных характеристик. разработке алгоритмов и потенциальная возможность недобросовестной практики найма сотрудников.  Это и есть недобросовестной практики найма сотрудников.  Это и есть ваша этическая проблема, потому что если
ваша модель имеет предвзятость по отношению к кандидатам-мужчинам, то кандидатки-женщины автоматически кандидатам-мужчинам, то кандидатки-женщины автоматически будут отклонены.  Таким образом, это несправедливая практика найма.  Какой же урок мы извлекли?  Поэтому крайне важны
проверки на предмет справедливости алгоритма, которые должны быть максимально прозрачными, а также процессы найма персонала и осведомленность о потенциальных искажениях в данных.  Поэтому вам необходимо добавить некоторые методы, с помощью которых вы сможете выявлять подобные искажения, например, если
модель делает такие прогнозы или использует подобные методы, которые позволят вам сделать более обоснованный вывод. Теперь давайте быстро проверим, что является важнейшим этическим аспектом при сборе и использовании пользовательских данных.
Это означает, что сбор данных осуществляется в максимальном объеме без согласия пользователя?  Это обеспечивает прозрачность и оптимальное информированное согласие пользователя.  Компания продает пользовательские данные третьим лицам без предварительного уведомления.  Это означает игнорирование мер безопасности данных
предварительного уведомления.  Это означает игнорирование мер безопасности данных ради ускорения их обработки. аспектом при сборе и использовании пользовательских данных является обеспечение прозрачности и получение информации
от пользователя с должным вниманием и заботой.  Это правильный вариант, и он полностью соответствует тому, что мы обсуждали, ребята. Так что вариант B — правильный .  А теперь давайте поговорим о правовой и нормативной базе,
друзья.   Итак, это очень важная это очень важная вещь для любой организации, особенно в наше время, когда мы собираем огромные объемы данных. Например, если
собираем огромные объемы данных. Например, если сегодня данные собираются за 1 секунду, то какой скоростью и в каком объеме мы собираем данные сегодня.  Таким образом, данные,
собранные даже за 1 секунду, представляют собой весь объем данных, собранных в 1990 году. Да, весь год в целом.  Поэтому, когда вы собираете такой объем данных с такой скоростью, вам необходимо внедрить определенные этические
нормы в отношении данных. Если вы их не используете, то можете потерять доверие пользователей, и система станет предвзятой,
непрозрачной и тому подобное .  Поэтому необходима определенная нормативно-правовая база.  Необходимо наличие правовой базы.  Поэтому, если
наличие правовой базы.  Поэтому, если вы обнаружите, что какая-либо организация не соблюдает этические нормы в отношении данных, вы знаете, как с этим бороться.  Поэтому вам нужна которой вы сможете реально обращаться к этим ребятам.  Давайте начнём с правовой и
ребятам.  Давайте начнём с правовой и нормативной базы в области этики данных. Прежде всего, давайте посмотрим, что это такое . . Поэтому вы можете просто дать им определение.  Это
свод законов и правил.  Основная цель этих правил — регулирование этических норм обращения с данными.  Итак, когда я говорю об этичных методах работы с данными, это означает, что этичных методах работы с данными, это означает, что они описывают, как использовать данные,
как их хранить, как их обрабатывать, и если вы передаете данные третьим лицам, каковы правила обмена этими данными?  Таким образом, правовые и нормативные рамки, по сути, призваны регулировать этические
регулировать этические аспекты работы с данными и обеспечивать соблюдение [прокашливается] этических стандартов в каждой организации, каждой организации, работающей с данными, при сборе, хранении, использовании
или обмене данными.  Итак, наконец, у нас есть структура, с помощью которой мы можем определить ключевые принципы этики данных, а также система
или, можно сказать, нормативно-правовая база, которая будет регулировать все эти ключевые принципы, которые необходимо внедрить в организациях, работающих с данными.  Основной аспект правовых и нормативных рамок сводится к обсуждению законов о защите частной жизни.  В
основном эти законы касаются обработки персональных данных, и обработки персональных данных, и общим правом является GDPR, который мы называем Общим
Общим регламентом по защите данных (GDPR), действующим в Европе. Существует также регламентом по защите данных (GDPR), действующим в Европе. Существует также это аналог Закона Калифорнии о защите прав потребителей. Эти два закона в
основном регулируют конфиденциальность личной информации.  Этим человеком может быть клиент.  Этот человек может быть клиентом конкретной компании-поставщика услуг .  Он может быть, знаете,
клиентом банка, телекоммуникационной компании или любым другим клиентом.  Таким образом, здесь у нас есть определенный набор правил, определяющих рамки конфиденциальности определяющих рамки конфиденциальности
Затем мы поговорим о законах о защите данных. Эти законы, по сути, определяют или описывают различные виды защиты защиты и мер, принимаемых организациями, работающими с данными,
и их необходимо внедрять всякий раз, когда любая организация внедрять всякий раз, когда любая организация собирается хранить данные.  Всё это связано с тем, что мы называем законами о защите данных, и эти законы предназначены не
только для того, чтобы навязывать их организациям при хранении данных, но и при их передаче. очень важно.  Итак, когда любая организация, занимающаяся обработкой данных, собирает
когда любая организация, занимающаяся обработкой данных, собирает информацию от отдельных лиц, эти законы или нормативные акты подчеркивают важность соблюдения принципов прозрачности. Например, при важность соблюдения принципов прозрачности. Например, при
сборе данных необходимо четко указывать, какую информацию мы собираем и с какой целью .  Итак, давайте .  Итак, давайте поговорим о получении и использовании
данных.  Поэтому необходимо четко определить, что при взаимодействии с любым клиентом, эта информация взаимодействия, и именно для этого она будет использоваться .  Это как раз тот случай, когда
мы говорим о прозрачности и заботе. Наконец, речь идет о праве собственности на данные Наконец, речь идет о праве собственности на данные и о правах на них.  Итак, [прокашливается] это определение индивидуальных прав на владение данными, и здесь
владение данными, и здесь мы говорим о праве доступа, праве на исправление или, можно сказать, обновление, а также о праве на удаление.  Таким образом, если я также о праве на удаление.  Таким образом, если я не заинтересован в дальнейшем предоставлении своей
поделился ею ранее, я могу удалить эту конкретную информацию, и именно здесь мы говорим о праве собственности на данные и правах на них. Наконец, речь идет об ответственности и соблюдении требований, и это правовая
основа, которая измеряет ответственность и соблюдение требований, необходимых для внедрения всех процедур и методов работы с данными внутри организации. Это связано с вашей
ответственностью, и наконец, мы поговорим о передаче данных между водными ресурсами, и здесь мы обсуждаем обмен данными.  Итак, когда речь идет о передаче данных, это означает, что если вы передаете свои данные третьей стороне, то каковы
правила и нормы обмена данными и как вы хотите это сделать — в зашифрованном или открытом формате?  Итак, вы знаете, что должна существовать этическая основа, полная нормативно-правовая база, определяющая
этот конкретный процесс, и, наконец, этические соображения, выходящие за рамки правовых требований. Должен сказать, что, очевидно, невозможно охватить всё и вся законом, даже люди должны быть моральными и этичными при использовании
этих данных.  Поэтому им всегда следует использовать данные ответственно, и именно об этом мы говорим, обсуждая некоторые этические аспекты их использования.  Таким образом, речь идет о справедливости, о запрете дискриминации, о
предвзятости.  Итак, все это этические соображения, которые необходимо учитывать в совокупности.  Таким образом, ключевыми аспектами любой правовой или нормативной базы являются эти семь пунктов, где мы говорим о законодательстве о конфиденциальности, законодательстве о защите данных,
прозрачной системе согласия, законодательстве о владении данными, законодательстве об ответственности и законодательстве о владении данными, законодательстве об ответственности и соблюдении требований, законодательстве о совместном использовании данных и, наконец, о некоторых этических соображениях, касающихся справедливости,
соображениях, касающихся справедливости, предвзятости и дискриминации. Теперь, учитывая эти ключевые аспекты, существуют некоторые глобальные рамочные соглашения, которые, по сути, помогают нам регулировать эти практики и должны быть приняты всеми
них очень популярны, например, GDPR, который является регламентом по защите персональных данных.  Это определяется европейской системой, и
она в основном направлена ​​на защиту конфиденциальности персональных данных и прав человека.  Таким образом, информации или персональных данных клиентов и пользователей, эти законы, по сути, помогают им в производстве.  Второй закон — это CCPA, закон
Калифорнии о защите конфиденциальности потребителей. Это, опять же, закон США, предоставляющий жителям Калифорнии контроль над своими персональными данными. И когда я говорю о контроле над персональными данными, это означает, что любой человек может
свободно делиться своей информацией, обновлять её или даже удалять её, когда это необходимо или когда он этого хочет. Третий из них — это китайский
закон о защите персональных данных ( PIPL).  Это всеобъемлющая система защиты данных, и в ней снова речь идет о персонально идентифицируемой информации.  Теперь вы понимаете, что защита данных — очень серьезная проблема в цифровом мире, и никто не
информацией без должного согласия . А еще существуют некоторые отраслевые правила, касающиеся сектора финансов.  Так что, ребята, вы наверняка слышали о HIPPA.  Вы слышали о законе HIPPA?   По
сути, это своего рода структура, регулирующая порядок обмена медицинскими данными или данными о пациентах между различными организациями. Итак, как видите, это некоторые глобальные системы, которые, по сути, очень
широко используются во всем мире для защиты ваших принципов этики данных, а также ваших прав на неприкосновенность частной жизни и мер безопасности.  Теперь, когда мы говорим о проблемах, следует отметить, что существуют определенные
Несмотря на то, что мы определили эти рамки, несмотря на то, что мы определили эти правовые практики, существуют определенные проблемы, когда мы рассматриваем внедрение этих правил и положений в организацию, работающую с данными.
Таким образом, когда мы говорим об организациях, они могут столкнуться с проблемами в соблюдении правил защиты данных, такими как постоянно меняющаяся нормативно-правовая база, что означает, что при возникновении любого инцидента, даже при
наличии законов, предотвратить преступление все равно невозможно.  Аналогично, вы можете определить правовую и нормативную базу, но это не означает, что она обеспечит безопасность ваших данных навсегда.  Вы же знаете, что хакеры и злоумышленники всегда найдут способ
обойти вашу систему.  Возможно, они смогут найти уязвимости в вашей системе или какой-нибудь «черный ход», через который вы сможете получить доступ к данным.  Таким образом, нарушение существует всегда.  Поэтому вам необходимо
развивать эту нормативно-правовую базу.  Поэтому, когда эти изменения происходят, вы понимаете, что вам необходимо изменить всю свою политику хранения данных.  Вам необходимо изменить схемы данных, и это одна из проблем, с которыми сталкивается
небольшая организация.  Э-э, знаете ли, вам придётся полностью изменить схему базы данных, если в ней происходят какие-либо изменения в регулярности работы .  Э-э, существует постоянная угроза утечки данных, о чем я уже говорил, ведь
злоумышленники и хакеры всегда находят новые способы, как они могут нарушить конфиденциальность или утечку данных в ваших системах и так далее.  Следующий шаг — и инновациями.  Это очень важно, и именно здесь нам нужно
понять, и один из примеров, если мы поговорим о системах рекомендаций, а именно о персонализированных системах рекомендаций.  Итак, Система рекомендаций — это, по сути, способ, с помощью которого можно рекомендовать пользователю
информацию, товар или объект, которые соответствуют его предпочтениям или интересам.  Допустим, если пользователь любит криминальные триллеры,
ему только такие фильмы. Таким образом, Netflix сможет повысить вовлеченность называется рекомендацией. Система рекомендаций стала неотъемлемой частью любой сервисной платформы, будь то Netflix или
или сталкивались с рекомендациями на YouTube.  Когда вы начинаете смотреть видео определенного типа, вам предлагаются очень похожие видеоролики.  Вы наблюдали подобное поведение на YouTube?  Как, например, когда вы начинаете слушать какой-то жанр
музыки, вам начинают поступать рекомендации похожих музыкальных произведений. называем рекомендациями.  Будь то сервис типа "Сделай мою поездку" или мою поездку" или Trip Advisor.  Таким образом, любая сервисная
платформа, основанная на предоставлении услуг, теперь реализуется с помощью системы рекомендаций, цель которой — предоставлять рекомендации своим клиентам.   Таким образом, они, по сути, пытаются повысить
вовлеченность аудитории. Поэтому люди начинают проводить больше времени на их платформе.  Таким образом они зарабатывают больше.  Таким образом, система рекомендаций становится неотъемлемой частью системы.  Теперь, когда мы говорим о пользователях, следует помнить, что у пользователей разные
вкусы, разные предпочтения.  Так чего же мы хотим?  Мы хотим получать персонализированные рекомендации. Возможно, вам не понравятся рекомендованные товары.  Поэтому эти платформы всегда стараются понять
предпочтения пользователей. Они пытаются понять предпочтения пользователей и на основе этого начинают давать рекомендации.  Таким образом, вы понимаете, что пользователь проводит на платформе больше времени. Поэтому мы называем их персонализированными
рекомендациями.  Это то, что мы называем персонализированной рекомендацией.  Однако персонализированные рекомендации станут возможны только тогда, когда платформа будет обладать более глубокими знаниями возможны только тогда, когда платформа будет обладать более глубокими знаниями о пользователе.  Хорошо.  Именно здесь
мы и говорим о балансе между этичными методами работы с данными и инновациями. Если я скажу, что хочу узнать больше об этом пользователе, мне придётся собрать его персональные данные.  Мне нужно собрать информацию о его поле,
его поле, возрасте, принадлежности к той или иной группе, его хобби, антипатиях и тому подобном.  Поэтому всякий раз, когда я начинаю собирать подобную начинаю собирать подобную информацию, я, так сказать, начинаю
получать личные данные о пользователе. И вот здесь, знаете, нужно соблюдать баланс: если вы собираете личную информацию, вы должны быть очень, очень, очень осторожны в обращении с ней,
но если вы не собираете эту информацию, вы можете отстать в предоставлении а значит, и в инновациях. Так что это своего рода баланс .
Принципы сбалансированного подхода к работе с данными подразумевают необходимость сбора минимального количества информации, не так ли?  Таким образом, при сборе минимального количества информации вы можете столкнуться с недостатком инноваций.  Вот тут-то нам и нужно установить баланс
между ними, а затем — ограничение ресурсов для небольшой организации.  Это еще одна задача. Итак, если есть довольно небольшая организация, своего рода стартап, и когда вы говорите о применении всех этих
этических норм в отношении данных, вам нужно приобрести определенные лицензии и даже ресурсы, а эти ресурсы недоступны, поэтому небольшие организации могут нарушать некоторые этические нормы в отношении данных. Возникают
можно назвать проблемами, и, соответственно, вам нужно их решать.  Теперь обсудим лучшие практики этичного управления данными.  Итак, если вы внедряете какую-либо систему управления данными,
каковы лучшие практики для ее использования?  Во-первых, необходимо проводить оценку этических норм обращения с данными, означает, что вам необходимо регулярно оценивать применяемые методы с этической точки зрения.  Итак, если
вы рассматриваете какую-либо организацию, допустим, ABC, то это организация, работающая с данными, которая собирает и использует данные.  Таким образом, организация данных должна периодически проходить определенные проверки на достоверность
.  Таким образом, необходимо обсудить все стандартные практики этики работы с данными и доказать, что все эти практики должным образом доказать, что все эти практики должным образом соблюдаются и внедряются
организацией. Это то, что мы называем внедрение принципа минимизации данных. Это очень важно, потому что это автоматически гарантирует, что при хранении минимального объема данных
вероятность утечки или потери данных значительно снижается.  Поэтому всегда придерживайтесь этих правил.  Это стандартные методы, которые предусматривают сбор и хранение только необходимых данных.  Не восстанавливайте ненужные данные.  Далее ваша
система должна обеспечить получение информированного согласия.  Если вы собираете какую-либо личную информацию, вы должны учитывать мнение пользователя.  Поэтому необходимо обеспечить надлежащую и четкую коммуникацию относительно целей сбора и использования данных
целей сбора и использования данных .  Далее необходимо обеспечить доступ к данным и возможность их исправления.  Таким образом, это всё равно что передать управление пользователю.  Таким образом, пользователь может обновлять или получать доступ к своим персональным данным в любое время, когда это
необходимо.  И наконец, необходимо создать культуру этики данных.  Так что, когда вы обучаете своих сотрудников, вы должны привить им понимание того, что необходимо следовать всем правилам работы с данными.  Это ваш моральный долг, ведь
вы знаете, что должны быть этичными по своей сути .  Дело не в том, что существует регулирующий орган или юридический орган, который обязывает вас применять эти методы.  Это то, что вам следует принять на веру, по зову сердца
.  Поэтому вам необходимо внедрить эти методы.  У вас не должно возникнуть проблем с обработкой какой-либо информации.  Не следует использовать никакую информацию.  Вы не должны злоупотреблять какой-либо информацией, в том числе личной информацией, ни при каких обстоятельствах.  Итак, это некоторые из лучших
практик, которые мы можем рассмотреть, учитывая этичные принципы управления данными учитывая этичные принципы управления данными .  Итак, давайте теперь поговорим об этом вопросе: на чём в первую очередь сосредоточены нормативные акты, такие как GDPR и
CCPA?  Прежде всего, необходимо обеспечить шифрование конфиденциальной информации.  Э-э, определение личности с точки зрения её данных. Изложение мер по защите данных , обеспечение прозрачности и проявление
заинтересованности.  Что вы думаете? Ребята, какой вариант правильный?  GDPR и CCPA. Ребята, какой вариант правильный?  GDPR и CCPA. Замечательно.  Это закон Замечательно.  Это закон Б. Эти законы определяют права отдельных лиц
в отношении их данных.  Это означает, что все это относится к законодательству о защите персональных данных. Хорошо.  Итак, давайте теперь обсудим некоторые варианты использования, а также юридические последствия неправомерного использования данных. Это произошло в нашей
истории, и мы извлекли из этого урок. Наиболее известным является дело компании Cambridge Analytica. Многие ли из вас слышали об этом размере? Э-э, Cambridge Analytica и утечка данных в Facebook.
Ага.  Утечка данных.  Ага.  Э-э, извините.  Что именно это?  Таким образом, эта компания раньше занималась организацией данных.  Хорошо. И это сыграло очень значительную роль
на выборах в США в 2016 году. Так вот, выборы 2016 года , выборы в США, на которых победил Дональд Трамп, и Дональд Трамп нанял одного из старших вице-президентов из этой организации, чтобы тот
из этой организации, чтобы тот использовал использовал алгоритмы анализа данных для изменения настроения алгоритмы анализа данных для изменения настроения удавов.  Итак, что сделала камера?
Они без согласия пользователей Facebook собрали их личные данные целевой политической рекламы во время президентских выборов в США в 2016 году.
во время президентских выборов в США в 2016 году. Об этом инциденте снят очень хороший документальный фильм.  Э-э, мне кажется, название фильма — «Великий халтурщик».
Этот фильм можно найти на Netflix, или, если он доступен, то, кажется, и в Google .  Но этот фильм довольно подробно объяснил, как весь этот заговор, связанный с конференциями, был осуществлен во время президентских выборов в США в 2016 году
.  Как компания Cambridge Analytica сыграла значительную роль в изменении сыграла значительную роль в изменении настроений на границе и, в конечном итоге, в победе Трампа на выборах.  Итак, этот инцидент произошёл в 2016 году, и его
инцидент произошёл в 2016 году, и его выяснилось позже. Документальный фильм был снят с участием той женщины, которая снят с участием той женщины, которая сыграла ключевую роль в проведении той
избирательной кампании, и она давала интервью для этого фильма.  Так что вы можете посмотреть и понять силу науки о данных и то, как многого можно добиться, используя данные ( извините, если вы неправильно используете данные), в
любой сфере бизнеса или для любой метики .  В общем, это произошло в 2016 году, но позже это выяснилось.  Поэтому, когда это выяснилось, возникли когда это выяснилось, возникли и некоторые юридические последствия.  В результате обе
компании столкнулись с огромными штрафами и ущербом для репутации.  Это самое главное .  Компании Cambridge Generica и Facebook были оштрафованы, и их репутация пострадала.  Кроме того, Facebook был оштрафован Федеральной торговой комиссией на 5 миллиардов долларов
конфиденциальности пользователей и неспособность защитить их данные, а Cambridge Antica преподавателем.  Таким образом, эту компанию закрыли, несмотря ни на что. Теперь вы видите юридические последствия, и даже вы можете оказаться в ситуации, когда
вам придется закрыть свою организацию или фирму. Итак, это один из инцидентов, получивших широкое распространение в области науки о данных, где мы видим злоупотребление данными, и это один из примеров, который
мы все должны изучить, и именно поэтому мы говорим о необходимости внедрения этических норм работы с данными в наших организациях, занимающихся обработкой данных. Второй — это отель Marriott.  Итак, мы все знаем о сети отелей Marriott и обо всех парнях.  Это не было запланировано, но
систему Marriott и получил доступ к личной информации примерно 5 миллионов гостей, включая номера их паспортов, данные кредитных карт и все остальное.  Это, пожалуй, крупнейшая утечка персональных данных.  Так и
случилось, и в связи с этим компанию оштрафовали примерно на 110 миллионов евро.
Это решение было принято Управлением комиссара по информации Великобритании (ICO) за неспособность внедрить надлежащие меры безопасности для защиты данных гостей.  В общем, можно сказать, что утечка конфиденциальной информации каким-то образом имела место.
Компания также столкнулась с судебным иском от пострадавших гостей и ущербом для своей репутации пострадавших гостей и ущербом для своей репутации .  Итак, вот несколько примеров, которые можно использовать в качестве тематического исследования, где мы наблюдали крупные
утечки данных и неправомерное использование персональных данных, а также юридические последствия, с которыми сталкиваются эти организации.  Да.  Кто-нибудь знает еще какие-нибудь сценарии, похожие на эти два, и знает ли он о
них?  Многие ли из вас слышали о нападении с использованием салями? Так произошло нападение, известное как «салями- атака».  Фактически это правило было навязано атака».  Фактически это правило было навязано банку American Express.  Хорошо.  А
нападавший сделал очень простую вещь, ну, вы понимаете.  Раньше это делалось вы понимаете.  Раньше это делалось для кражи денег, можно сказать, если речь идёт об индийской валюте, я бы сказал, что это попытка украсть
валюте, я бы сказал, что это попытка украсть деньги.  Допустим, на счете начислены проценты в размере 112 рупий (43 песо). Система пытается
украсть эти три песо и перевести их на свой собственный счет. Таким образом, каждый раз, когда начисляются проценты на какой-либо из этих счетов, система пытается украсть эти песо. В итоге она может украсть от 1 до 9 песо за раз.
может украсть от 1 до 9 песо за раз. Например, если сумма составляет 67 песо, то есть 860 рупий (67 песо), то система украдет около семи песо.  Хорошо.  Вот
какой вирус он смог внедрить в банковскую систему, и через несколько месяцев ему удалось собрать на своих счетах несколько миллионов долларов.  И вот здесь снова банк American Express
не смог обеспечить безопасность его системы, и злоумышленник смог внедрить вирус, создать поддельный аккаунт и затем переводить деньги через него.  Это очень известная атака, ребята.  Вы можете поискать информацию в Google и узнать об
этом.  Но мораль этой истории в том, что в прошлом мы видели злоупотребление данными, злоупотребление фреймворками, злоупотребление
API и всевозможными структурами.  Таким образом, очень важным аспектом является очень важным аспектом является необходимость применения принципов этики данных в ваших системах.  Ага. Присутствие Джамары там тоже можно расценивать как своего рода аферу
.  В общем, я с вами согласен. Но это скорее кибератака.  Так что это не какая-то конкретная организация, занимающаяся обработкой данных, но да, можно сказать, что
личные данные откуда-то.  Таким образом, у них появился способ получить информацию о пользователе, включая номер телефона и имя. Хорошо.
И там даже есть некоторая демографическая информация.  Теперь они могут использовать его для рыбалки.  Таким образом, это своего рода попытка выудить информацию .  Они смогли это сделать.  Хорошо.  А иногда и номер карты.  Таким образом, у них был
получать информацию об отдельных лицах, а затем они начинали, знаете ли, устраивать на них «рыболовные атаки», звоня им, отправляя
звоня им, отправляя способом электронные письма.  Так что да, эти мошенники всегда есть на рынке, но, знаете, это не из-за взлома системы, возможно, у
них есть какой-то способ получить доступ к данным.  А теперь давайте поговорим о том, что, допустим, вы — организация, работающая с данными, — любая организация, занимающаяся данными.  Итак, что же вам следует делать, или каковы стандартные
вам следует делать, или каковы стандартные методы работы с данными, которые следует применять при сборе данных, — это хранение данных, это хранение данных, использование данных и обмен данными.
Хорошо.  Каковы должны быть стандартные этические нормы работы с данными, которых вы должны придерживаться этические нормы работы с данными, которых вы должны придерживаться при выполнении любого из этих при выполнении любого из этих процессов в качестве организации, работающей с данными?  Или, как
процессов в качестве организации, работающей с данными?  Или, как пользователь данных в организации, вы знаете, какие права у вас есть для защиты ваших данных? Вот о чем мы сейчас говорим. В ходе обсуждения мы рассмотрели ключевые принципы,
проблемы и некоторые стандартные примеры из практики. стандартные примеры из практики. защите персональных данных. Персональные данные — это, опять же, ваше имя, ваши
демографические данные, ваш номер телефона, ваш пол.  Всё это относится к персональным данным.  Итак, какие существуют проблемы и опасения, связанные с безопасностью, конфиденциальностью и другими аспектами этой проблемы? Итак, самое главное — это защита ваших персональных данных, это очень важно,
ваших персональных данных, это очень важно, и организациям необходимо очень серьезно к этому относиться.  Но, получив эти данные, им также приходится сталкиваться с определенными трудностями.  Поэтому, когда мы говорим, что
защищаем персональные данные, это относится к двум аспектам: с точки зрения отдельного человека и с точки зрения организации.  С личной точки зрения, необходимо проявлять крайнюю осторожность при предоставлении любой
личной информации.  Это может быть ваше местоположение, номер телефона, имя, пол, политические взгляды — всё, что связано с вашей личной идентификацией. Вы
не должны разглашать номер паспорта, номер кредитной карты — всё это относится к персональным идентифицирующим данным. Теперь, как организация, работающая с данными, я обязан обеспечить безопасность этой информации.  Мне необходимо
обеспечить безопасность их информации в соответствии с индивидуальными потребностями .  Таким образом, когда мы говорим о доступе к их персональным данным, хранящимся в организации, об исправлении неточностей в данных, удалении их данных при определенных обстоятельствах и возражении против
целях.  Итак, это определенные контрольные точки, которые нам необходимо установить, но при этом организация должна преодолеть определенные трудности, связанные с созданием надежного механизма обеспечения
безопасности данных, конфиденциальности и управления рисками. Эти три вещи очень важны. Таким образом, после сбора данных необходимо обеспечить их безопасность. Недопустим любой несанкционированный доступ к данным.
Закон о защите частной жизни должен соблюдаться.  Поэтому вам не следует собирать ненужную личную информацию о каких-либо лицах. Всегда следует собирать минимально при сборе этой информации необходимо учитывать
также интересы пользователя.  Поэтому, ребята, там тоже должна быть налажена система управления согласием. Поэтому, чтобы обеспечить безопасность их информации, нам необходимо это сделать . В этом процессе все просто: нам придется внедрить меры по обеспечению безопасности данных.  Хорошо.
И, как я уже говорил, минимизация может быть одним из таких шагов.  Итак, когда мы говорим о безопасности, это означает внедрение всех мер или гарантий, которые защищают ваши данные
от любого несанкционированного доступа, любого разглашения, изменения или уничтожения данных.  Иногда хакеры могут просто выполнить команду удаления.  Хорошо, если у него нет доступа, он может это удалить.  Он может
уничтожить данные.  Это тоже не должно быть возможно.  Поэтому необходимо внедрить достаточные меры защиты или безопасности, которые смогут предотвратить несанкционированный доступ к персональным данным или их удаление.  Во-вторых, необходимо
свести к минимуму сбор и хранение персональных данных, и это очень важная практика работы с данными.  Собирайте только те данные, которые вам полезны. Не следует собирать лишние данные, только необходимые и предназначенные для
конкретной цели.  Это единственное, что имеет значение .  Таким образом, обеспечение безопасности и минимизация объема данных помогают предотвратить утечки и свести к минимуму потенциальный вред, причиненный лицам, в отношении которых произошла утечка.  Предположим, что в случае нарушения
политики хранения данных, минимальный объем информации, который должен быть минимальный объем информации, который должен быть предоставлен конечному пользователю, составляет... Э-э, конфиденциальность данных.  Итак, после обсуждения вопросов безопасности мы поговорим о конфиденциальности данных.  Итак,
когда мы говорим о конфиденциальности данных, мы, по сути, говорим о фундаментальном праве человека контролировать свои данные.  Поэтому, когда я говорю о контроле над их данными, это означает, что они имеют полное право знать, как эти данные
собираются, как они будут использоваться и как будут храниться.  Поэтому очень важно понимать, что
полную прозрачность, чтобы было понятно, для каких целей используются данные, а полный контроль со стороны пользователя подразумевает возможность доступа, исправления и удаления своих данных по мере необходимости или по своему усмотрению .  Таким образом,
защита данных в основном касается этих четырех пунктов.  Право знать, как собираются данные , как они используются, как хранятся, право определять, кто будет иметь доступ к данным.  Право понимать цель
использования данных, а также право доступа, исправления, удаления и изменения своих данных. получение от каждого человека информированного согласия на использование его персональных данных.  Так что это то, что
вам нужно внедрить, ребята. И наконец, поговорим об информированном согласии.  Поэтому при сборе этой информации необходимо получить согласие.  Поэтому необходимо уважать автономию личности.  Это значит, что если он не готов
автономию личности.  Это значит, что если он не готов поделиться, это его выбор, он сборе данных необходимо получить соответствующее согласие.  Таким образом, это способствует укреплению доверия и прозрачности.  Хорошо.  Это обеспечит защиту людей от
эксплуатации и причинения вреда, а также будет соответствовать этическим и ответственным принципам обработки данных. очень важно, когда мы говорим о практике информированного согласия, применяемой к данным, и в этом контексте
мы говорим о создании надежной экосистемы данных.  Поэтому, когда мы говорим о надежной экосистеме данных, мы должны строго соблюдать
закон. Хорошо.  Таким образом, законы, принятые по всему миру, будь то законы, касающиеся конкретной области права, права на неприкосновенность частной жизни, права на безопасность или права на обмен данными, требуют, чтобы
законная обработка данных включала в себя согласие и договор в дополнение к юридическим обязательствам. Во-вторых, данные должны обрабатываться максимально справедливым образом.
ответственность за методы обработки данных .  Итак, если возникают какие-либо проблемы с данными, кто-то должен взять на себя ответственность и обеспечить выполнение обязанностей ответственных за систему, чтобы в
конечном итоге построить ответственное будущее в области данных.  Вот тут-то и нужно поговорить о том, что это потребовало усилий и внимания со стороны различных заинтересованных сторон.  Мы относимся к этому очень серьезно.  Поэтому нам нужны правительства, которые обязаны установить строгие
правила защиты данных для обеспечения эффективного их соблюдения.  Нам необходимо, чтобы отрасли промышленности разрабатывали и внедряли передовые методы, которые ставят во главу угла этичное обращение с данными.  Нам необходимы технологические инновации, способные предоставить
мощный инструмент для ответственного управления данными . Нам необходимо повышать осведомленность общественности или просвещать людей об их правах, что может способствовать формированию более информированного и уверенного в себе цифрового гражданства. И наконец, нам необходимо
международное сотрудничество и гармонизация правил защиты данных, которые позволят создать более последовательную и надежную основу для этих правил.  Таким образом, это то, чего последовательную и надежную основу для этих правил.  Таким образом, это то, чего мы требуем от
окружающей среды, от правительств, от отдельных лиц, от сектора образования, от промышленного сектора и даже от международных организаций.  Так что, когда они объединяются, мы можем задуматься о построении ответственного будущего в сфере обработки данных,
ребята. Давайте зададим по этому поводу короткий вопрос. Какие же основные права имеют отдельные лица в отношении своих персональных данных в контексте защиты персональных данных?  Право на обработку персональных данных.  Право продавать
персональные данные третьим лицам. Право на доступ, исправление и удаление персональных данных.  а также право хранить персональные данные бессрочно. Право на доступ, исправление и предоставление персональных данных.  Это верно.  В соответствии с законом о
защите персональных данных, мы хотим иметь полный контроль над данными пользователей.  Таким образом, можно предположить, что компания имеет право обмениваться, подтверждать и запрашивать персональные данные. Мы ещё вернёмся к этой практике под руководством инструктора.  Прежде чем продолжить, давайте
обсудим, какие основные выводы можно сделать из сегодняшней дискуссии.  И пожалуйста, дайте мне знать, если вам что-то непонятно по каким-либо из этих пунктов.  Итак, могу ли я сказать, что прозрачность, справедливость, подотчетность, конфиденциальность и безопасность являются
основополагающими принципами этичной практики работы с данными, и мы все понимаем роль этих ключевых принципов? Вот пять этических принципов работы с данными. Принцип этики данных.
Далее, справедливость, конфиденциальность и прозрачность являются ключевыми этическими соображениями, которыми руководствуется процесс анализа данных.  Поэтому при проведении анализа данных нам необходимо проявлять максимальную объективность в процессе сбора данных. Нам необходимо обеспечивать
конфиденциальность личных данных, и мы должны быть предельно прозрачны при сборе данных, сообщая, какова цель, какая информация собирается и для чего она предназначена .  Могу ли я сказать, что для анализа данных это три
основных важных этических соображения, ребята?  Нас это устраивает Далее следует разработка эффективных стратегий, помогающих ориентироваться и разрешать этические дилеммы, возникающие в процессе анализа данных.
Нас устраивает это понимание данного момента?  Разработка эффективных стратегий помогает ориентироваться и разрешать этические дилеммы.  Таким образом, существуют определенные трудности, но если мы сможем разработать определенные стратегии, если мы будем следовать методам работы с данными, которые,
по сути, решат нашу проблему с обработкой данных. Принятие этических решений укрепляет доверие, сотрудничество и репутацию, снижает риски, обеспечивает соблюдение законодательства, способствует
инновациям и вносит вклад в социальное благополучие.  Таким образом, если какая-либо организация придерживается этических принципов работы с данными, если принятие решений осуществляется этично, а не так, как в случае с Cambridge Analytica или Muh Mate Table, можно ли сказать, что это
пользователей, повысить репутацию организации, обеспечить соблюдение всех правовых норм, а также способствовать инновациям, и все это
произойдет.  В конечном итоге, внедрение всех основных методов работы с данными в организации
создаст лучшее будущее в области данных.  Это создаст более благоприятную среду, основанную на прочном доверии между заинтересованными сторонами. И наконец, у нас есть определенная правовая и И наконец, у нас есть определенная правовая и нормативная база для управления.
Эти рамочные положения охватывают законы, правила, руководства и обязательства по ответственному обращению с данными и обеспечению конфиденциальности.  Мы видели три закона: один — европейский, например, GDPR,
три закона: один — европейский, например, GDPR, затем PIPL из Китая и, кажется, CCPA из Калифорнии, США.  Итак, это популярные правила и положения, а также существуют некоторые правила и нормы, регулирующие конкретные области .  Итак, это, так сказать,
основные ключевые моменты сегодняшней дискуссии.  А вот еще несколько дополнительных ресурсов.  Э-э, это доступно в вашей э-э,
презентации.  Вы можете узнать о них больше, например, каковы этические принципы обмена данными, как можно делиться своими данными, каковы этические нормы открытого обмена данными, какие новые правила защиты данных существуют, как
защитить конфиденциальность и как данные помогают обществу.  Это для вашего дополнительного обучения.  А теперь мы можем поговорить об этой управляемой практике.  То есть, эта практика с инструкциями не предполагает использования каких-либо
инструментов.  Речь идёт всего лишь о том, какие распространённые практики можно использовать для поддержки этого, и я думаю, вы увидите этот документ,
связанный с основами этических методов работы с данными, и цель этого упражнения — применить принцип конфиденциальности данных при обработке и работе с конфиденциальной и личной информацией в реальных условиях.   В
ходе работы над этим кейсом наш реалистичный сценарий и проблема позволяют участнику на практике взаимодействовать с концепциями и контекстом учебного процесса, профессиональную задачу. Итак, у нас есть несколько вопросов, и вам
нужно подумать над тем, как вы собираетесь внедрить эти политики в вашей организации. Допустим, я спрошу вас, как обрабатывать конфиденциальные данные клиентов.  Итак, как же поступить после изучения всех этих
этических норм работы с данными, например, как обращаться с данными клиентов?  Кто-нибудь can uh put the answers in the chat box guys?
