1.7-dars: Data Science etikasi

1-QISM — KIRISH: DATA SCIENCE · 7-dars

1. Kirish va motivatsiya

Data Science kuchli — u odamlarning hayotiga bevosita ta'sir qiladi: kim kredit oladi, kim ishga qabul qilinadi, qaysi bemor birinchi davolanadi, qaysi mahalla ko'proq politsiya nazoratida. Bu kuch mas'uliyat talab qiladi. Model "matematik" ko'rinadi (xolis, adolatli), lekin u ma'lumotdan o'rganadi — agar ma'lumot adolatsiz bo'lsa (masalan, o'tmishda kamsitish bor edi), model o'sha adolatsizlikni o'rganadi va kuchaytiradi. Amazon bir marta ishga qabul modelini yopdi — u ayollarni kamsitardi (chunki o'tmish ma'lumotida erkaklar ko'p edi). Bu dars Data Science etikasini o'rgatadi: bias (tarafkashlik), maxfiylik, adolat va shaffoflik. Texnik mahorat yetarli emas — mas'uliyatli ishlash zarur. Kuch qanchalik katta bo'lsa, mas'uliyat shunchalik katta.

Data Science etikasi — ma'lumot va model kuchini mas'uliyatli ishlatish: bias/adolat (fairness — model ma'lumotdagi kamsitishni o'rganadi, adolatli bo'lishi kerak), maxfiylik (privacy — shaxsiy ma'lumot, ruxsat, anonimlashtirish, GDPR), shaffoflik (transparency — model nega bunday qaror qildi, tushuntirilishi), hisobdorlik (accountability — xato oqibati uchun javobgarlik), zarar (harm — model real hayotga ta'sir). Foydalanish: har model, real ta'sir. Bu 1.1 (etika), 18-qism (bias) bilan bog'liq. Etika — bias, maxfiylik, shaffoflik. Mas'uliyat. Real ta'sir.

Real vaziyat. Amazon ishga qabul uchun AI model qurdi — rezyumelarni avtomatik baholash. Model o'tmish 10 yillik ishga qabul ma'lumotidan o'rgandi. Lekin o'sha ma'lumotda erkaklar ko'p edi (texnologiya sohasida tarixiy). Model shundan "erkak = yaxshi nomzod" degan noto'g'ri naqsh o'rgandi — "ayollar shaxmat klubi" kabi so'zlar bo'lsa, ballni pasaytirdi. Model ayollarni kamsitardi (adolatsiz). Amazon buni sezib — modelni yopdi. Sabab: model ma'lumotdagi o'tmish adolatsizligini o'rgandi va kuchaytirdi. Etika — model biasni o'rganadi, tekshir.

Bu darsda Data Science etikasini o'rganamiz.

Bu darsda:

• Bias va adolat (fairness)
• Maxfiylik (privacy)
• Shaffoflik va tushuntirilishi
• Hisobdorlik va zarar
• Etika amaliyoti
• Mas'uliyatli AI
• Etika tuzoqlari
• Amaliy: etika modeli

ℹ Bu kirish dars — misollar etika tushunchalarini (deterministik) modellashtiradi.

2. Nazariya — chuqur tushuntirish

2.1. Bias va adolat (fairness)

Model adolatsizlikni o'rganadi:

BIAS (model tarafkashligi):
   model MA'LUMOTDAN o'rganadi
   ma'lumot adolatsiz bo'lsa (o'tmish kamsitish)
   → model adolatsizlikni O'RGANADI va KUCHAYTIRADI

   misol: o'tmishda erkaklar ko'p ishga olingan
   → model "erkak = yaxshi" (noto'g'ri, adolatsiz)

   FAIRNESS: model turli guruhga adolatli bo'lishi kerak

Bias va adolat (fairness) — Data Science etikasining markaziy muammosi: model ma'lumotdan o'rganadi (misollardan naqsh); agar ma'lumot adolatsiz bo'lsa (o'tmishda kamsitish — jins, irq, hudud), model o'sha adolatsizlikni o'rganadi va kuchaytiradi (avtomatlashtiradi — ko'lamda). Sabab: model "xolis matematika" ko'rinadi, lekin ma'lumot oynasi (ma'lumot adolatsiz → model adolatsiz); Amazon misoli (2.1 real vaziyat — ayollarni kamsitish). Adolat (fairness) — model turli guruhga (jins, irq, yosh) teng bo'lishi kerak (bir guruhga yaxshi, boshqasiga yomon emas). Data Scientist biasni tekshirishi kerak (model adolatli-mi turli guruhda). Bias — model ma'lumot adolatsizligini o'rganadi. Kuchaytiradi. Adolat tekshir.

2.2. Maxfiylik (privacy)

Shaxsiy ma'lumot muqaddas:

MAXFIYLIK (privacy):
   shaxsiy ma'lumot — ism, manzil, sog'liq, moliya
   → ruxsat (foydalanuvchi roziligi)
   → anonimlashtirish (shaxsni yashirish)
   → xavfsizlik (o'g'irlanmasin)
   → maqsad cheklovi (faqat kerakli uchun)

   qonun: GDPR (Yevropa), ma'lumot himoyasi

Maxfiylik (privacy) — shaxsiy ma'lumotni himoya qilish: shaxsiy ma'lumot (ism, manzil, sog'liq, moliya, joylashuv) muqaddas — ruxsat (foydalanuvchi roziligi — ma'lumot yig'ishdan oldin), anonimlashtirish (shaxsni yashirish — ism o'rniga ID), xavfsizlik (o'g'irlanmasin — shifrlash, CLAUDE.md), maqsad cheklovi (faqat kerakli uchun — kredit uchun yig'ilgan ma'lumot reklamaga emas). Sabab: ma'lumot odamlar haqida (real shaxslar); noto'g'ri ishlatish zarar (maxfiylik buzilishi, o'g'irlik); qonun (GDPR — Yevropa, jarima) va axloq (hurmat). Data Scientist ma'lumotni ehtiyot ishlatadi (ruxsat, anonim, xavfsiz). Maxfiylik — shaxsiy ma'lumot himoya. Ruxsat, anonim. GDPR.

2.3. Shaffoflik va tushuntirilishi

Model nega bunday qaror qildi:

SHAFFOFLIK (transparency):
   model qarorini TUSHUNTIRISH mumkinmi?
   "kredit rad etildi" — NEGA?

   qora quti (black box) — murakkab model (DL)
      → qaror aniq, lekin nega noma'lum

   tushuntiriladigan (explainable) — oddiy model
      → nega ko'rinadi (qaysi omil)

   muhim sohalar (tibbiyot, kredit): tushuntirish SHART

Shaffoflik va tushuntirilishi (transparency, explainability) — model qarorini tushuntirish: "kredit rad etildi" — nega? qora quti (black box — murakkab model, DL — qaror aniq, lekin nega noma'lum), tushuntiriladigan (explainable — oddiy model, regressiya/daraxt — nega ko'rinadi, qaysi omil). Sabab: muhim qarorda (kredit, tibbiyot, ishga qabul) inson negani bilishi kerak (huquq — "nega rad etildi?", ishonch, xatoni topish); qora quti xavfli (noto'g'ri qaror — sabab noma'lum, tuzatib bo'lmaydi). Trade-off: murakkab model aniqroq, lekin tushuntirilmaydi; oddiy model tushuntiriladi, lekin kamroq aniq. Muhim sohada — tushuntirish shart. Shaffoflik — model nega (tushuntirish). Qora quti vs explainable. Muhim soha.

2.4. Hisobdorlik va zarar

Model xatosi real zarar:

HISOBDORLIK (accountability):
   model xato qilsa — KIM javobgar?
   (dasturchi? kompaniya? model?)
   → inson javobgar (model — vosita)

ZARAR (harm):
   model real hayotga ta'sir:
   - noto'g'ri tibbiy tashxis (o'lim xavfi)
   - adolatsiz kredit rad (moliyaviy zarar)
   - noto'g'ri hibsga olish (adolat)

   → yuqori xavfli sohada ehtiyot (inson nazorati)

Hisobdorlik va zarar (accountability, harm) — model oqibati: hisobdorlik (model xato qilsa — kim javobgar? model emas — inson javobgar: dasturchi, kompaniya; model — vosita, mas'uliyat insonda), zarar (harm — model real hayotga ta'sir: noto'g'ri tibbiy tashxis — o'lim xavfi, adolatsiz kredit rad — moliyaviy zarar, noto'g'ri hibs — adolat). Sabab: model real qarorlar qiladi (tibbiyot, moliya, adolat) — xato real zarar (o'lim, pul, erkinlik); inson nazorati kerak (yuqori xavfli sohada — model tavsiya, inson qaror). Data Scientist oqibatni o'ylashi kerak (bu model kimga zarar yetkazishi mumkin?). Model "shunchaki kod" emas — real ta'sir. Hisobdorlik — inson javobgar. Zarar — real oqibat. Nazorat.

2.5. Etika amaliyoti

Data Science etika amaliyoti: bias tekshir (model turli guruhga adolatli-mi — jins, irq); maxfiylik (ruxsat, anonim, xavfsiz — shaxsiy ma'lumot); shaffoflik (muhim qarorda tushuntirish — nega); inson nazorati (yuqori xavfli — model tavsiya, inson qaror); ma'lumot manbai (adolatli-mi — o'tmish kamsitish); oqibat o'yla (kimga zarar?); maqsad cheklovi (faqat kerakli — ma'lumot boshqaga emas); hujjat (qaror, cheklov — hisobdorlik). Tuzoqlar: biasni ko'rmaslik (model adolatsiz), maxfiylik buzish (ruxsatsiz), qora quti muhim sohada (tushuntirish yo'q), inson nazoratsiz (model to'liq qaror), oqibat o'ylamaslik (zarar). Amaliyot — bias, maxfiylik, shaffoflik, nazorat. Mas'uliyat.

2.6. Mas'uliyatli AI

Mas'uliyatli AI (responsible AI) — zamonaviy tamoyillar: adolat (fairness — kamsitmaslik, turli guruh teng), shaffoflik (explainability — qaror tushuntiriladi), maxfiylik (privacy — shaxsiy ma'lumot himoya), xavfsizlik (safety — model zararsiz, ishonchli), hisobdorlik (accountability — inson javobgar), inson nazorati (human oversight — muhim qarorda inson). Sabab: AI kuchaygan sayin (LLM, avtonom — 27-qism) ta'siri oshadi (ko'proq qaror, ko'proq zarar xavfi); mas'uliyatli ishlatish kerak (kuch + mas'uliyat). Kompaniyalar (Google, Microsoft) AI tamoyillari e'lon qildi; qonun (EU AI Act) tartibga soladi. Bu Data Scientist'ning kasbiy burchi (texnik + axloqiy). Mas'uliyatli AI — adolat, shaffoflik, maxfiylik, nazorat. Kuch + mas'uliyat. Tamoyillar.

2.7. Etika tuzoqlari

Data Science etika asosiy tuzoqlari: "model xolis" xayoli (model matematik — adolatli deb; aslida ma'lumot oynasi — bias o'rganadi); biasni ko'rmaslik (turli guruhda tekshirmaslik — jim kamsitish); maxfiylik e'tiborsizligi (shaxsiy ma'lumot ruxsatsiz/xavfsiz — buzilish); qora quti muhim sohada (tushuntirishsiz kredit/tibbiyot — huquq/ishonch yo'q); inson nazoratsiz (model to'liq avtonom qaror — yuqori xavf); oqibat o'ylamaslik ("shunchaki model" — real zarar); proxy bias (jins to'g'ridan yo'q, lekin "shaxmat klubi" kabi proxy — yashirin bias); omon qolish bias (faqat muvaffaqiyatli ma'lumot — 1.5). Sabab: etika jim (bias/zarar sezilmaydi — model ishlaydi, lekin adolatsiz); e'tibor bermasa — real zarar (kamsitish, buzilish). Yechim: bias tekshir, maxfiylik, shaffoflik, nazorat. Tuzoqlar — "xolis" xayol, bias ko'rmas, maxfiylik, qora quti.

2.8. Etika — kuch va mas'uliyat muvozanati

Data Science etika asosiy g'oyasi — kuch va mas'uliyat muvozanati: Data Science kuchli (real hayotga ta'sir — kredit, ishga qabul, tibbiyot, adolat); bu kuch mas'uliyat talab qiladi (kuch qanchalik katta — mas'uliyat shunchalik). Model "xolis matematika" ko'rinadi, lekin ma'lumot oynasi (adolatsiz ma'lumot → adolatsiz model — Amazon misoli); Data Scientist texnik + axloqiy (kod yetmaydi — bias, maxfiylik, oqibatni o'ylash). Bu 1.1 (etika) ning chuqurlashuvi va butun kurs uchun axloqiy ramka (har model — etika tekshir). AI kuchaygan sayin (LLM, avtonom — 27-28-qism) etika muhimroq (ko'proq ta'sir, zarar xavfi). Mas'uliyatli Data Scientist — adolatli, shaffof, maxfiylikni hurmat, oqibatni o'ylaydi. Etika — kuch + mas'uliyat. Real ta'sir. Axloqiy burch.

3. Tez ma'lumotnoma

DATA SCIENCE ETIKASI — kuchni mas'uliyatli ishlatish

BIAS/ADOLAT (fairness):
   model ma'lumotdan o'rganadi → adolatsiz ma'lumot → adolatsiz model
   turli guruhga (jins, irq) teng bo'lishi kerak (tekshir)

MAXFIYLIK (privacy):
   shaxsiy ma'lumot → ruxsat, anonimlashtirish, xavfsizlik (GDPR)

SHAFFOFLIK (explainability):
   model nega bunday qaror? · qora quti vs tushuntiriladigan
   muhim sohada (kredit, tibbiyot) — tushuntirish SHART

HISOBDORLIK/ZARAR:
   inson javobgar (model — vosita) · real zarar (tibbiyot, kredit)
   yuqori xavfli — inson nazorati

QOIDA: bias tekshir · maxfiylik · shaffoflik · oqibat o'yla

Etika xulosasi

Data Science etikasi — kuch va mas'uliyat muvozanati
Bias/adolat — model ma'lumot adolatsizligini o'rganadi (tekshir)
Maxfiylik — shaxsiy ma'lumot himoyasi (ruxsat, anonim, GDPR)
Shaffoflik — model qarorini tushuntirish (muhim sohada shart)
Hisobdorlik — inson javobgar, real zarar (nazorat) · mas'uliyatli AI

4. Batafsil misollar

Misollar etika tushunchalarini (deterministik) modellashtiradi.

Misol 1 — Bias (model adolatsizlikni o'rganadi)

"""Bias: adolatsiz ma'lumot → adolatsiz model (model)."""


OTMISH_MALUMOT = [
    {"jins": "erkak", "ishga_olindi": True},
    {"jins": "erkak", "ishga_olindi": True},
    {"jins": "erkak", "ishga_olindi": True},
    {"jins": "ayol", "ishga_olindi": False},
    {"jins": "ayol", "ishga_olindi": True},
]


def main() -> None:
    print("=== 1. O'tmish ma'lumoti (adolatsiz) ===")
    erkak = [m for m in OTMISH_MALUMOT if m["jins"] == "erkak"]
    ayol = [m for m in OTMISH_MALUMOT if m["jins"] == "ayol"]
    print(f"  erkak ishga olindi: {sum(m['ishga_olindi'] for m in erkak)}/{len(erkak)}")
    print(f"  ayol ishga olindi: {sum(m['ishga_olindi'] for m in ayol)}/{len(ayol)}")

    print("\n=== 2. Model shundan o'rganadi ===")
    print("  'erkak → ishga ol' (o'tmish naqshi)")

    print("\n=== 3. Natija (kuchaytirish) ===")
    print("  model ayollarni kamsitadi (o'tmish adolatsizligi)")

    print("\n=== 4. Yechim ===")
    print("  bias tekshir + adolatlashtirir (jinsni model'dan chiqar)")
    print("  ⭐ Model ma'lumot adolatsizligini o'rganadi")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. O'tmish ma'lumoti (adolatsiz) ===
  erkak ishga olindi: 3/3
  ayol ishga olindi: 1/2

=== 2. Model shundan o'rganadi ===
  'erkak → ishga ol' (o'tmish naqshi)

=== 3. Natija (kuchaytirish) ===
  model ayollarni kamsitadi (o'tmish adolatsizligi)

=== 4. Yechim ===
  bias tekshir + adolatlashtirir (jinsni model'dan chiqar)
  ⭐ Model ma'lumot adolatsizligini o'rganadi

Nima ko'rsatdi: 2.1-bo'lim.

Misol 2 — Maxfiylik (anonimlashtirish)

"""Maxfiylik: shaxsiy ma'lumotni anonimlashtirish (model)."""

import hashlib


def anonimlashtir(ism: str) -> str:
    # ism → ID (shaxs yashiriladi, deterministik)
    return "user_" + hashlib.md5(ism.encode()).hexdigest()[:8]


def main() -> None:
    foydalanuvchilar = ["Ali Valiyev", "Guli Karimova"]

    print("=== 1. Xom ma'lumot (shaxsiy) ===")
    for f in foydalanuvchilar:
        print(f"  {f} (ism ko'rinadi — maxfiylik xavfi)")

    print("\n=== 2. Anonimlashtirilgan ===")
    for f in foydalanuvchilar:
        print(f"  {f} → {anonimlashtir(f)}")

    print("\n=== 3. Foyda ===")
    print("  tahlil mumkin (ID bilan), lekin shaxs yashirin")

    print("\n=== 4. Tamoyillar ===")
    print("  ruxsat + anonim + xavfsizlik + maqsad cheklovi")
    print("  ⭐ Maxfiylik — shaxsni himoya qilish")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Xom ma'lumot (shaxsiy) ===
  Ali Valiyev (ism ko'rinadi — maxfiylik xavfi)
  Guli Karimova (ism ko'rinadi — maxfiylik xavfi)

=== 2. Anonimlashtirilgan ===
  Ali Valiyev → user_b0ce2db3
  Guli Karimova → user_e860a6e7

=== 3. Foyda ===
  tahlil mumkin (ID bilan), lekin shaxs yashirin

=== 4. Tamoyillar ===
  ruxsat + anonim + xavfsizlik + maqsad cheklovi
  ⭐ Maxfiylik — shaxsni himoya qilish

Nima ko'rsatdi: 2.2-bo'lim.

Misol 3 — Shaffoflik (qora quti vs tushuntiriladigan)

"""Shaffoflik: qora quti vs tushuntiriladigan model (model)."""


MODELLAR = {
    "Regressiya": {"aniqlik": 0.82, "tushuntiriladi": True},
    "Qaror daraxti": {"aniqlik": 0.85, "tushuntiriladi": True},
    "Chuqur tarmoq": {"aniqlik": 0.92, "tushuntiriladi": False},
}


def main() -> None:
    print("=== 1. Modellar (aniqlik / tushuntirilishi) ===")
    for nom, info in MODELLAR.items():
        t = "tushuntiriladi" if info["tushuntiriladi"] else "QORA QUTI"
        print(f"  {nom:16} aniqlik {info['aniqlik']:.2f} — {t}")

    print("\n=== 2. Trade-off ===")
    print("  chuqur tarmoq aniqroq 0.92-bob, lekin qora quti")
    print("  daraxt kamroq 0.85-bob, lekin tushuntiriladi")

    print("\n=== 3. Muhim sohada (kredit) ===")
    print("  'nega rad etildi?' → tushuntirish SHART")
    print("  → tushuntiriladigan model afzal (aniqlikdan voz kechib)")

    print("\n=== 4. Qoida ===")
    print("  muhim qaror → shaffoflik (qora quti emas)")
    print("  ⭐ Shaffoflik — model qarorini tushuntirish")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Modellar (aniqlik / tushuntirilishi) ===
  Regressiya       aniqlik 0.82 — tushuntiriladi
  Qaror daraxti    aniqlik 0.85 — tushuntiriladi
  Chuqur tarmoq    aniqlik 0.92 — QORA QUTI

=== 2. Trade-off ===
  chuqur tarmoq aniqroq 0.92-bob, lekin qora quti
  daraxt kamroq 0.85-bob, lekin tushuntiriladi

=== 3. Muhim sohada (kredit) ===
  'nega rad etildi?' → tushuntirish SHART
  → tushuntiriladigan model afzal (aniqlikdan voz kechib)

=== 4. Qoida ===
  muhim qaror → shaffoflik (qora quti emas)
  ⭐ Shaffoflik — model qarorini tushuntirish

Nima ko'rsatdi: 2.3-bo'lim.

Misol 4 — Zarar va inson nazorati

"""Zarar: yuqori xavfli soha — inson nazorati (model)."""


SOHALAR = {
    "film tavsiyasi": {"xavf": "past", "nazorat": "avtomatik yetadi"},
    "kredit qarori": {"xavf": "yuqori", "nazorat": "inson tekshiruvi"},
    "tibbiy tashxis": {"xavf": "juda yuqori", "nazorat": "shifokor qaror"},
}


def main() -> None:
    print("=== Soha xavfi va nazorat ===")
    for soha, info in SOHALAR.items():
        print(f"  {soha:16} xavf: {info['xavf']:12} → {info['nazorat']}")

    print("\n=== Tamoyil ===")
    print("  past xavf → avtomatik (model qaror)")
    print("  yuqori xavf → model tavsiya, INSON qaror")

    print("\n=== Hisobdorlik ===")
    print("  model xato qilsa — inson javobgar (model vosita)")

    print("\n  ⭐ Yuqori xavfli soha — inson nazorati (zarar oldini)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== Soha xavfi va nazorat ===
  film tavsiyasi   xavf: past         → avtomatik yetadi
  kredit qarori    xavf: yuqori       → inson tekshiruvi
  tibbiy tashxis   xavf: juda yuqori  → shifokor qaror

=== Tamoyil ===
  past xavf → avtomatik (model qaror)
  yuqori xavf → model tavsiya, INSON qaror

=== Hisobdorlik ===
  model xato qilsa — inson javobgar (model vosita)

  ⭐ Yuqori xavfli soha — inson nazorati (zarar oldini)

Nima ko'rsatdi: 2.4-bo'lim.

5. To'g'ri va noto'g'ri tushunishlar

6. Keng tarqalgan xatolar va yechimlari

1. "Model xolis" deb ishonish

# "model matematik, demak adolatli"                           # ⚠️
# bias tekshir (ma'lumot adolatsiz bo'lishi mumkin)            # ✅

2. Biasni tekshirmaslik

model.fit(data)   # turli guruhda tekshirilmagan               # ⚠️
# guruh bo'yicha adolat (jins, irq — teng natija?)             # ✅

3. Maxfiylik buzish

# shaxsiy ma'lumot ochiq, ruxsatsiz                           # ⚠️
# ruxsat + anonim + xavfsiz (GDPR)                              # ✅

4. Qora quti muhim sohada

# kredit rad — sabab tushuntirilmaydi                         # ⚠️
# tushuntiriladigan model (nega ko'rinsin)                     # ✅

5. Inson nazoratsiz

# model to'liq avtonom qaror (yuqori xavf)                    # ⚠️
# model tavsiya, inson qaror (muhim sohada)                    # ✅

6. Proxy bias

# jinsni chiqardim (lekin "shaxmat klubi" proxy)              # ⚠️
# proxy'larni ham tekshir (yashirin bias)                      # ✅

7. Oqibatni o'ylamaslik

# "shunchaki model" (zararni o'ylamaslik)                     # ⚠️
# bu model kimga zarar? (oqibat)                               # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

• 1.1-dars (o'tilgan): Data Science etikasi (kirish)
• 18-qism: Model baholash (bias metrikalari)
• 27-qism: LLM (AI xavfsizlik)
• 29-qism: Deploy (monitoring, bias)
• 31-qism: Karyera (mas'uliyatli ish)

8. Eng yaxshi amaliyotlar

1. Bias tekshir (turli guruhga adolat).

2. Maxfiylik (ruxsat, anonim, xavfsiz).

3. Shaffoflik (muhim sohada tushuntirish).

4. Inson nazorati (yuqori xavfli soha).

5. Ma'lumot manbai (adolatlimi — o'tmish).

6. Oqibat o'yla (kimga zarar?).

7. Maqsad cheklovi (faqat kerakli).

8. Model xolis emas (ma'lumot oynasi).

9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

1.  # Data Science etikasi nima?
2.  # bias nima?
3.  # model nega adolatsiz?
4.  # adolat (fairness) nima?
5.  # maxfiylik nima?
6.  # anonimlashtirish nima?
7.  # shaffoflik nima?
8.  # qora quti nima?
9.  # kim javobgar?
10. # zarar misoli?
11. # inson nazorati qachon?
12. # asosiy g'oya?

Vazifa 2: Xatolarni tuzating

1.  # "model matematik, adolatli"

2.  model.fit(data)   # bias tekshirmasdan

3.  # shaxsiy ma'lumot ruxsatsiz

4.  # kredit rad, sabab yo'q

5.  # model to'liq avtonom qaror

1.  bias tekshir (ma'lumot adolatsiz)

2.  guruh bo'yicha adolat

3.  ruxsat + anonim (GDPR)

4.  tushuntiriladigan model

5.  model tavsiya, inson qaror

Vazifa 3: Bias

Modellang:

1. Ma'lumot
2. Model o'rganadi
3. Kuchaytirish
4. Adolat

Vazifa 4: Maxfiylik

Modellang:

1. Shaxsiy ma'lumot
2. Ruxsat
3. Anonim
4. Xavfsizlik

Vazifa 5: Shaffoflik

Modellang:

1. Qora quti
2. Tushuntiriladigan
3. Trade-off
4. Muhim soha

Vazifa 6: Zarar

Modellang:

1. Real ta'sir
2. Xavf darajasi
3. Nazorat
4. Hisobdorlik

Vazifa 7: O'ylash

Model "xolis matematika" ko'rinadi, lekin u ma'lumotdan o'rganadi — ma'lumot adolatsiz bo'lsa, model adolatsizlikni o'rganadi va avtomatlashtiradi (ko'lamda). Nima uchun "avtomatlashtirilgan adolatsizlik" qo'lda adolatsizlikdan xavfliroq, va nega "model xolis" degan xayol (aslida bias mavjud) alohida xavfli?

Nimani mustahkamlaydi: 2.1, 2.8-bo'limlar.

Xulosa

Bu darsda Data Science etikasini o'rgandik.

Eng muhim uch fikr:

1. Bias va maxfiylik. Bias va adolat (fairness) — model ma'lumotdan o'rganadi; ma'lumot adolatsiz bo'lsa (o'tmish kamsitish), model adolatsizlikni o'rganadi va kuchaytiradi (Amazon — ayollarni kamsitish); model "xolis matematika" emas — ma'lumot oynasi, adolatni turli guruhda tekshirish kerak. Maxfiylik (privacy) — shaxsiy ma'lumotni himoya: ruxsat (rozilik), anonimlashtirish (shaxs yashirin), xavfsizlik (o'g'irlanmasin), maqsad cheklovi (faqat kerakli); qonun (GDPR) va axloq.

2. Shaffoflik va zarar. Shaffoflik (explainability) — model qarorini tushuntirish ("kredit rad — nega?"): qora quti (black box — DL, aniq lekin nega noma'lum) vs tushuntiriladigan (oddiy model — nega ko'rinadi); muhim sohada (kredit, tibbiyot) tushuntirish shart (huquq, ishonch), trade-off (murakkab aniqroq lekin qora quti). Hisobdorlik va zarar: model xato qilsa inson javobgar (model vosita), model real zarar (noto'g'ri tashxis — o'lim, adolatsiz kredit — moliya); yuqori xavfli sohada inson nazorati (model tavsiya, inson qaror).

3. Mas'uliyatli AI va muvozanat. Mas'uliyatli AI — adolat, shaffoflik, maxfiylik, xavfsizlik, hisobdorlik, inson nazorati; AI kuchaygan sayin (LLM, avtonom) etika muhimroq. Data Science etikasi — kuch va mas'uliyat muvozanati: Data Science kuchli (real hayotga ta'sir), kuch mas'uliyat talab qiladi (texnik + axloqiy); model "xolis" xayoli xavfli (bias yashirinadi). Avtomatlashtirilgan adolatsizlik qo'ldadan xavfliroq (ko'lam, tezlik, izchillik, yashirin — "AI aytdi" legitimatsiya); avtomatlashtirish kuchaytiradi (yaxshi ham, yomon ham) — ehtiyot va tekshiruv zarur.

Keyingi (1-bosqich oxirgi) darsda karyera va yo'l xaritasini o'rganamiz: Data Science kasblari, kerakli ko'nikmalar, o'rganish rejasi va bu kurs sizni qayerga olib borishi.