مناسب ڈیٹا حفظان صحت اہم ہے کیونکہ انٹرپرائزز AI گورننس پر توجہ مرکوز کرتے ہیں۔

آج کی مصنوعی ذہانت/مشین لرننگ الگورتھم سیکڑوں ہزاروں، اگر لاکھوں نہیں تو ڈیٹا سیٹس پر چلتے ہیں۔ ڈیٹا کی زیادہ مانگ نے ایسی خدمات کو جنم دیا ہے جو انہیں اکٹھا کرتی ہیں، تیار کرتی ہیں اور فروخت کرتی ہیں۔

لیکن ایک قیمتی کرنسی کے طور پر ڈیٹا کا اضافہ بھی اسے زیادہ وسیع جانچ پڑتال کا نشانہ بناتا ہے۔ انٹرپرائز میں، زیادہ اے آئی گورننس مشین لرننگ کے بڑھتے ہوئے استعمال کے ساتھ ہونا چاہیے۔

اعداد و شمار پر ہاتھ اٹھانے کی جلدی میں، کمپنیاں جمع کرنے کے عمل میں ہمیشہ مستعدی سے کام نہیں لے سکتی ہیں - اور اس سے ناگوار اثرات مرتب ہو سکتے ہیں۔ نیویگیٹنگ اخلاقی اور غلط ڈیٹا اکٹھا کرنے اور استعمال کے قانونی اثرات چیلنجنگ ثابت ہو رہے ہیں، خاص طور پر مسلسل تیار ہوتے قانونی ضوابط اور پرائیویسی اور رضامندی کے بارے میں صارفین کی بڑھتی ہوئی بیداری کے تناظر میں۔

مشین لرننگ میں ڈیٹا کا کردار

زیر نگرانی مشین لرننگمصنوعی ذہانت کا ایک ذیلی سیٹ، اپنے کام کو بخوبی انجام دینے کے لیے ڈیٹاسیٹس کے وسیع بینکوں کو فیڈ کرتا ہے۔ یہ مختلف قسم کی تصاویر یا آڈیو فائلوں یا دیگر قسم کے ڈیٹا کو "سیکھتا" ہے۔

مثال کے طور پر، ہوائی اڈے کے سامان کی اسکریننگ میں استعمال ہونے والا مشین لرننگ الگورتھم بندوقوں کی لاکھوں تصویروں کو دیکھ کر سیکھتا ہے کہ بندوق کیسی دکھائی دیتی ہے — اور لاکھوں میں بندوقیں نہیں ہیں۔ اس کا مطلب ہے کہ کمپنیوں کو لیبل والی تصاویر کا ایسا تربیتی سیٹ تیار کرنے کی ضرورت ہے۔

آواز کی شناخت ٹیکنالوجی کمپنی کے سی ای او ڈاکٹر کرس مچل کا کہنا ہے کہ اسی طرح کے حالات آڈیو ڈیٹا کے ساتھ چلتے ہیں آڈیو تجزیاتی. مچل کے مطابق، اگر ہوم سیکیورٹی سسٹم AI پر جھکنے والا ہے، تو اسے کھڑکی کے شیشے ٹوٹنے اور دھوئیں کے الارم سمیت آوازوں کی ایک پوری میزبان کو پہچاننے کی ضرورت ہے۔ اتنا ہی اہم، ممکنہ پس منظر کے شور کے باوجود اس معلومات کو درست طریقے سے نشاندہی کرنے کی ضرورت ہے۔ اسے ٹارگٹ ڈیٹا کو فیڈ کرنے کی ضرورت ہے، جو کہ فائر الارم کی صحیح آواز ہے۔ اسے غیر ٹارگٹ آڈیو کی بھی ضرورت ہوگی، جو ایسی آوازیں ہیں جو فائر الارم سے ملتی جلتی ہیں لیکن اس سے مختلف ہیں۔

ایم ایل ڈیٹا سر درد

جیسا کہ ML الگورتھم ٹیکسٹ، امیجز، آڈیو اور دیگر مختلف قسم کے ڈیٹا کو اپناتے ہیں، ڈیٹا کی حفظان صحت اور پرویننس کی ضرورت زیادہ شدید ہوتی جاتی ہے۔ جیسا کہ وہ کرشن حاصل کر رہے ہیں اور حقیقی دنیا میں منافع کے لیے استعمال کے نئے کیسز تلاش کر رہے ہیں، تاہم، متعلقہ ڈیٹا سیٹس کی موجودگی تیزی سے خوردبین کے نیچے آ رہی ہے۔ سوالات جن کے جواب دینے کے لیے کمپنیوں کو تیزی سے تیار رہنے کی ضرورت ہے وہ ہیں:

• ڈیٹا کہاں سے ہے؟
• کون مالک ہے
• کیا ڈیٹا میں حصہ لینے والے یا اس کے پروڈیوسر نے استعمال کے لیے رضامندی دی ہے؟

یہ سوالات اپنی جگہ AI ڈیٹا گورننس کی ضرورت ہے۔ رازداری اور رضامندی سے متعلق اخلاقی خدشات اور قوانین کی جڑ میں۔ اگر چہرے کی شناخت کا نظام لوگوں کے چہروں کو اسکین کرتا ہے، تو کیا ہر اس شخص کو جس کا چہرہ الگورتھم میں استعمال ہو رہا ہے، اس کے استعمال کے لیے رضامندی کی ضرورت نہیں ہونی چاہیے؟

رازداری سے متعلق قوانین اور رضامندی سے متعلق خدشات بڑھ رہے ہیں۔ دی یورپی یونین کے جنرل ڈیٹا پروٹیکشن ریگولیشن (جی ڈی پی آر) افراد کو کسی بھی وقت، اپنا ذاتی ڈیٹا استعمال کرنے کے لیے رضامندی دینے اور واپس لینے کا حق دیتا ہے۔ دریں اثنا، اے یورپی یونین کی طرف سے 2021 کی تجویز اے آئی گورننس کے لیے ایک قانونی فریم ورک قائم کرے گا جو کچھ قسم کے ڈیٹا کے استعمال کی اجازت نہیں دے گا اور ڈیٹا اکٹھا کرنے سے پہلے اجازت کی ضرورت ہوگی۔

یہاں تک کہ ڈیٹا سیٹ خریدنا بھی کمپنی کو ان کے استعمال کی ذمہ داری سے استثنیٰ نہیں دیتا ہے۔ یہ اس وقت دیکھا گیا جب فیڈرل ٹریڈ کمیشن نے فیس بک کو تھپڑ مار دیا۔ صارفین کی رازداری پر $5 بلین جرمانے کے ساتھ۔ بہت سے نسخوں میں سے ایک تھرڈ پارٹی ایپس پر سخت کنٹرول کا مینڈیٹ تھا۔

گھر لے جانے کا پیغام واضح ہے، مچل کہتے ہیں: ڈیٹا کا استعمال کرنے والی کمپنی کے ساتھ پیسہ شروع ہوتا ہے اور رک جاتا ہے، چاہے ڈیٹا کی اصلیت ہی کیوں نہ ہو۔ "اب یہ مشین لرننگ کمپنیوں پر منحصر ہے کہ وہ اس سوال کا جواب دے سکیں: 'میرا ڈیٹا کہاں سے آیا؟' یہ ان کی ذمہ داری ہے،" مچل نے کہا۔

جرمانے اور قانونی خدشات کے علاوہ، AI ماڈلز کی طاقت مضبوط ڈیٹا پر منحصر ہے۔ اگر کمپنیوں نے اعداد و شمار کی موجودگی کی نگرانی میں پوری تندہی سے کام نہیں کیا ہے، اور اگر کل کوئی صارف اجازت واپس لے لیتا ہے، تو ڈیٹا کے اس سیٹ کو نکالنا ایک ڈراؤنا خواب ثابت ہو سکتا ہے کیونکہ ڈیٹا کے استعمال کے AI چینلز کا پتہ لگانا بدنام زمانہ مشکل ہے۔

رضامندی کا پیچیدہ منظر

رضامندی طلب کرنا ایک اچھا نسخہ ہے، لیکن ایک ایسا نسخہ جس پر عمل کرنا مشکل ہے۔ ایک چیز کے لیے، ڈیٹا سیٹ کے استعمال کو ماخذ سے اس حد تک ہٹا دیا جا سکتا ہے کہ کمپنیوں کو یہ بھی معلوم نہ ہو کہ کس سے رضامندی حاصل کرنی ہے۔

جارج ٹاؤن یونیورسٹی کے سائبر-اسمارٹ سینٹر میں بائیو سیکیورٹی اینڈ ایتھکس کے پروگرام کے ڈائریکٹر اور ابھرتی ہوئی ٹیکنالوجی اور عالمی قانون اور پالیسی کے پروگرام کے شریک ڈائریکٹر ڈاکٹر جیمز جیورڈانو کا کہنا ہے کہ نہ ہی صارفین کو ہمیشہ یہ معلوم ہوگا کہ وہ کس چیز پر رضامندی دے رہے ہیں۔ .

Giordano نے کہا کہ "رضامندی کی اخلاقی قانونی تعمیر، اس کی کم از کم، قبولیت یا انکار کے حقوق کے استعمال کے طور پر دیکھی جا سکتی ہے۔" "جب میں رضامندی دیتا ہوں، میں کہہ رہا ہوں، 'ہاں، آپ یہ کر سکتے ہیں۔' لیکن یہ فرض کرے گا کہ میں جانتا ہوں کہ 'یہ' کیا ہے۔

یہ ہمیشہ عملی نہیں ہوتا ہے۔ بہر حال، ہو سکتا ہے کہ ڈیٹا اصل میں کسی غیر متعلقہ مقصد کے لیے جمع کیا گیا ہو، اور صارفین اور یہاں تک کہ کمپنیاں بھی نہیں جان سکتیں کہ ڈیٹا بریڈ کرمبس کی پگڈنڈی دراصل کہاں جاتی ہے۔

مچل نے کہا، "بنیادی اصول کے طور پر، 'جب شک ہو تو رضامندی طلب کریں' ایک سمجھدار حکمت عملی ہے۔

لہذا، کمپنی کے مینیجرز کو یہ یقینی بنانے کی ضرورت ہے کہ مضبوط، اچھی طرح سے زیر انتظام ڈیٹا ایم ایل ماڈلز کی بنیاد ہے۔ "یہ بہت آسان ہے،" مچل نے کہا۔ "آپ کو سخت محنت کرنا پڑے گی۔ آپ شارٹ کٹ نہیں لینا چاہتے۔"

ماخذ: https://venturebeat.com/2021/05/06/proper-data-hygiene-critical-as-enterprises-focus-on-ai-governance/