الزامات اخلاقی در سیر تصویب قانون هوش مصنوعی اتحادیه اروپا

الموضوعات : فصلنامه مطالعات حقوقی فضای مجازی

رضا فرج پور ¹ , محمدباقر عامری نیا ² , معصومه گرجی نیا ³

1 - دانشجوی دکتری حقوق خصوصی، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
2 - استادیار فقه و مبانی حقوق اسلامی، دانشکده حقوق، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران: نویسنده مسئول
3 - دانشجوی دکتری حقوق خصوصی، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران

تاريخ الإرسال : 26 الخميس , محرم, 1446 تاريخ التأكيد : 05 الأحد , ربيع الأول, 1446 تاريخ الإصدار : 18 الإثنين , شعبان, 1446

الکلمات المفتاحية: اخلاق, سازمان ملی هوش مصنوعی, سیاست‌گذاری, فناوری نوین, قانون, هوش مصنوعی,

ملخص المقالة :

زمینه و هدف: توسعه هوش مصنوعی (AI) به سرعت در حال تغییر جهان است، و این فناوری تأثیرات گسترده‌ای بر زندگی روزمره، صنایع، و جوامع دارد. اما با رشد سریع هوش مصنوعی، مسائل اخلاقی و قانونی مرتبط با استفاده از این فناوری نیز به طور فزاینده‌ای مطرح می‌شود. هدف از پژوهش حاضر بررسی چالش‌ها و اصول اخلاقی و قانونی هوش مصنوعی می‌باشد و منابع علمی داخلی و خارجی را در این زمینه مرور می‌کند.

مواد و روش‌ها: پژوهش کیفی حاضر به تبیین چالش‌های حقوقی و اخلاقی عملکرد هوش مصنوعی بر اساس تحلیل آیین‌نامه عمومی حفاظت از داده‌های خصوصی اتحادیه اروپا می‌پردازد.

یافته‌ها: مهم‌ترین چالش‌های موجود در سازوکار عملکرد هوش مصنوعی از نظر اخلاقی عبارت است از حریم خصوصی و حفاظت از داده‌ها، شفافیت و پاسخگویی، عدالت و انصاف، تأثیرات اجتماعی و اقتصادی.

نتیجه‌گیری: استفاده از دستورالعمل‌های اخلاقی به عنوان تکمیل کننده قانون و ابزار حاکمیتی در توسعه و استفاده از هوش مصنوعی و تجزیه و تحلیل این شاخه از علم بسیار مهم تلقی می‌گردد و اغلب کشورهای توسعه یافته در حال نگارش و وضع قوانین مرتبط هستند. اهمیت هوش مصنوعی و گستردگی استفاده از آن در علوم مختلف از جمله علوم قضایی به حدی پررنگ بوده که اتحادیه اروپا قانونی با عنوان قانون هوش مصنوعی را در تاریخ ۱۳ ژوئن ۲۰۲۴ وضع نمود. لذا لازم است که در کشور ایران هم با استفاده از حقوق‌دانان برجسته و صاحب سبک و متخصصین علوم و فناوری ارتباطات و سایر صاحب نظران مرتبط نسبت به این مهم اقدام شایسته انجام پذیرد.

المصادر:


− جی گانکل، دیوید، )۳۲۲۳(. حقوق رباتها، ترجمه رضا فرج پور. تهران: انتشارات مجد
− رهبری، ابراهیم و شعبانپور، علی. )۳۲۲۳(. "چالشهای کاربرد هوش مصنوعی به عنوان قاضی در دادرسیهای
حقوقی ."فصلنامه تحقیقات حقوقی، ۰۹)ویژهنامه حقوق و فناوری(، .۲۲۲-۲۳۵
doi: 10.52547/jlr.2022.228967.2335
− مصطفوی اردبیلی، سید محمد مهدی؛ تقیزاده انصاری، مصطفی و رحمتیفر، سمانه. )۳۲۲۰(. "تأثیر هوش
مصنوعی بر نظام حقوق بشر بینالملل ."حقوق فناوریهای نوین، (8)،4 85-100.
doi: 10.22133/mtlj.2023.378057.1149
− صادقی، حسین و مهدی ناصر. )۳۱۵۵(. چالشهای اخالقی و حقوقی آییننامه اتحادیه اروپا در سازوکارهای
هوش مصنوعی در حوزه سالمت. مجله اخالق زیستی. ۳۲)۱۹(، .۳۲-۳
− Buolamwini, J., & Gebru, T. (2018). "Gender shades: Intersectional accuracy disparities in
commercial gender classification". In Conference on fairness, accountability and transparency
(pp. 77-91). PMLR.
− Cath, C., Wachter, S., Mittelstadt, B., Taddeo, M., & Floridi, L. (2018). "Artificial
intelligence and the ‘good society’: the US, EU, and UK approach". Science and engineering
ethics, 24, 505-528.
− Chatila, R., & Havens, J. C. (2019). "The IEEE global initiative on ethics of autonomous and
intelligent systems". Robotics and well-being, 11-16.
− Doshi-Velez, F., & Kim, B. (2017). "Towards a rigorous science of interpretable machine
learning". arXiv preprint arXiv:1702.08608.
− Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... & Vayena,
E. (2018). "AI4People—an ethical framework for a good AI society: opportunities, risks,
principles, and recommendations". Minds and machines, 28, 689-707.
− Gasser, U., & Almeida, V. A. (2017). A layered model for AI governance. IEEE Internet
Computing, 21(6), 58-62.
− IEEE Standards Association. (2019). "IEEE P7001 Transparency of Autonomous Systems."
− ISO/IEC JTC 1. (2020). "Information technology - Artificial intelligence - Overview of
ethical and societal concerns." ISO/IEC TR 24028.
− Kilian, G. R. O. S. S. (2020). "White Paper on Artificial Intelligence-A European approach
to excellence and trust". European Commission
− Lipton, Z. C. (2018). "The mythos of model interpretability: In machine learning, the concept
of interpretability is both important and slippery". Queue, 16(3), 31-57.
− Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). "A survey on
bias and fairness in machine learning". ACM computing surveys (CSUR), 54(6), 1-35.
− Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). "The ethics of
algorithms: Mapping the debate". Big Data & Society, 3(2), 2053951716679679.
− Mohassel, P., & Zhang, Y. (2017). "Secureml: A system for scalable privacy-preserving
machine learning". In 2017 IEEE symposium on security and privacy (SP) (pp. 19-38). IEEE.