Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to Data Science Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

12. Responsible Data Science

verfasst von : Laura Igual, Santi Seguí

Erschienen in: Introduction to Data Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Data science has an increasing responsibility in society, which means it needs to consider more than just technical skills. Data scientists must recognize and embrace this responsibility, acknowledging its ethical, moral, and societal implications. Addressing these responsibilities ensures that data science is used for the benefit of society while preserving individual rights. Data science’s impact on privacy, autonomy, and well-being requires prioritizing personal data protection and respecting privacy rights. Ethical data handling, informed consent, and robust security measures are imperative to prevent unauthorized access and misuse of personal information. Upholding these principles fosters trust between individuals and the data-driven systems influencing their lives, ultimately guiding data science toward a socially responsible and ethically sound future.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Deep Learning
Literatur
1.
2.
L. Floridi, M. Taddeo, What is data ethics? Philos. Trans. R. Soc. A: Math. Phys. Eng. Sci. 374(2083), 20160360 (2016)CrossRef
3.
A. Jobin, M. Ienca, E. Vayena, The global landscape of AI ethics guidelines. Nat. Mach. Intell. 1(9), 389–399 (2019)CrossRef
4.
L. Taylor, N. Purtova, What is responsible and sustainable data science? Big Data & Soc. 6(2), 2053951719858114 (2019)CrossRef
5.
W.J. Von Eschenbach, Transparency and the black box problem: why we do not trust AI. Philos. & Technol. 34(4), 1607–1622 (2021)CrossRef
6.
N. Burkart, M.F. Huber, A survey on the explainability of supervised machine learning. J. Artif. Intell. Res. 70, 245–317 (2021)MathSciNetCrossRef
7.
S. Garfinkel, J. Matthews, S.S. Shapiro, J.M. Smith, Toward algorithmic transparency and accountability. Commun. ACM 60(9), 5–5 (2017)CrossRef
8.
M. Pushkarna, A. Zaldivar, O. Kjartansson, Data cards: purposeful and transparent dataset documentation for responsible AI, in Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (2022), pp. 1776–1826
9.
C. Rudin, Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Mach. Intell. 1(5), 206–215 (2019)CrossRef
10.
C. Rudin, C. Chen, Z. Chen, H. Huang, L. Semenova, C. Zhong, Interpretable machine learning: fundamental principles and 10 grand challenges. Stat. Surv. 16, 1–85 (2022)MathSciNetCrossRef
11.
S.M. Lundberg, S.I. Lee, A unified approach to interpreting model predictions, in Advances in Neural Information Processing Systems 30 (2017)
12.
M.T. Ribeiro, S. Singh, C. Guestrin, "Why should i trust you?" Explaining the predictions of any classifier, in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016), pp. 1135–1144
13.
T. Miller, Explanation in artificial intelligence: insights from the social sciences. Artif. intell. 267, 1–38 (2019)MathSciNetCrossRef
14.
M. Mitchell, S. Wu, A. Zaldivar, P. Barnes, L. Vasserman, B. Hutchinson, ... , T. Gebru, Model cards for model reporting, in Proceedings of the Conference on Fairness, Accountability, and Transparency (2019), pp. 220–229
15.
S. Mitchell, E. Potash, S. Barocas, A. D’Amour, K. Lum, Algorithmic fairness: choices, assumptions, and definitions. Ann. Rev. Stat. Appl. 8, 141–163 (2021)MathSciNetCrossRef
16.
S.A. Friedler, C. Scheidegger, S. Venkatasubramanian, The (im) possibility of fairness: different value systems require different mechanisms for fair decision making. Commun. ACM 64(4), 136–143 (2021)CrossRef
17.
Zemel, R., Wu, Y., Swersky, K., Pitassi, T., & Dwork, C. (2013, May). Learning fair representations. In International conference on machine learning (pp. 325-333). PMLR
18.
G. Pleiss, M. Raghavan, F. Wu, J. Kleinberg, K.Q. Weinberger, On fairness and calibration, in Advances in Neural Information Processing Systems 30 (2017)
19.
A.N. Carey, X. Wu, The causal fairness field guide: perspectives from social and formal sciences. Front. Big Data 5, 892837 (2022)CrossRef
20.
21.
P. Laskov, R. Lippmann, Machine learning in adversarial environments. Mach. Learn. 81, 115–119 (2010)CrossRef
22.
S. Fort, J. Ren, B. Lakshminarayanan, Exploring the limits of out-of-distribution detection, Advances in Neural Information Processing Systems 34 (2021), pp. 7068–7081
23.
J. Mena, O. Pujol, J. Vitria, A survey on uncertainty estimation in deep learning classification systems from a Bayesian perspective. ACM Comput. Surv. (CSUR) 54(9), 1–35 (2021)CrossRef
24.
A. Subbaswamy, B. Chen, S. Saria, A unifying causal framework for analyzing dataset shift-stable learning algorithms. J. Causal Inf. 10(1), 64–89 (2022)MathSciNetCrossRef
Metadaten
Titel
Responsible Data Science
verfasst von
Laura Igual
Santi Seguí
Copyright-Jahr
2024
Buch
Introduction to Data Science

Print ISBN: 978-3-031-48955-6

Electronic ISBN: 978-3-031-48956-3

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-48956-3_12

Premium Partner

    Bildnachweise